论文部分内容阅读
现代复杂工业生产过程中，受控对象之间的耦合问题是普遍存在的一种现象。与无耦合的受控对象相比，自动控制系统的设计难度更大。在一个多变量的控制系统中，因为系统中存在耦合，输入与输出之间相互关联，互相影响，采用SISO系统的设计方法往往不能取得预期的控制效果，甚至会得到一个不稳定的系统。因此研究MIMO系统的解耦控制策略，并把它们用于过程控制，对于提高生产效益和保障安全运行都具有很重要的现实意义。
传统的解耦控制理论必须建立在精确的数学模型基础之上，且控制系统应具有足够的线性度。近年来，人们较多采用模糊控制、专家控制等智能控制方法来取代经典PID控制方法，在一些方面达到了比较好的控制效果。神经网络具有强的非线性映射能力、自学习能力、联想记忆能力、并行信息处理方式及优良的容错性能，应用神经网络对PID控制器进行改进后，对于工业控制中的复杂系统控制有着更好的控制效果，有效的改善了由于系统结构和参数变化导致的控制效果。
文中详细介绍了基于神经网络的若干学习方法、常规PID控制器的应用及常规解耦控制系统的应用，深入研究了基于神经网络的神经元PID控制器、RBF算法神经网络PID控制器。提出了基于神经网络PID的两变量系统解耦控制方案：神经元PID解耦方案。利用MATLAB语言，以气垫式流浆箱为控制对象，分析其工作原理，建立数学模型，分别以传统解耦方法和神经元PID解耦方法设计控制系统，方便而快速地实现了的计算机仿真。通过仿真结果比较表明：传统解耦方法是建立在确定精确数学模型的基础上，当运行工况改变时系统的数学模型就会发生改变，原来的控制参数和解耦方法就不能再适用了，必须重新求取；神经元PID解耦方法能不依赖运行系统的数学模型，在线调整权值参数，具有很好系统的动、静态特性，使系统获得了较好的性能。