基于BP神经网络PID控制的直流电机调速系统设计(可编辑).docVIP

基于BP神经网络PID控制的直流电机调速系统设计 摘要：本文主要研究BP神经网络在PID控制中的应用，阐述了BP神经网络在PID控制中的发展、现状、基本原理及具体工业情况会正确整定缺陷新型传统bstract This paper studies the application of BP neural network PID control, describes the BP neural network PID control in the development of the status quo, the basic principles and specific industrial applications. Since in the case of traditional PID controller is difficult to establish accurate mathematical model of the controlled object with the non-linear, change uncertainties and so on, there will not be a whole correct serious deficiencies in the performance of a given parameter causes the lack of application of the BP neural network to a conventional PID control, it is possible to overcome the above drawbacks to some extent. This paper using traditional PID and BP neural network based on a new type of PID controllers for different operating conditions brushless DC motor simulation, simulation results show that the neural network PID control the adaptive control function, compared to traditional PID control has strong robustness. keyword: PID controller；Brushless DC Motor;BP Neural network 第一章 绪论 1.1 控制理论的发展和面临的挑战 随着社会的发展，人们从解决重大工程和技术问题的实践中逐渐总结出了有关控制的相关理论。现实中的系统大多数是非线性的然而的典控制理论主要研究是线性时不变系统，分析线性系统的理论来分析非线性的系统人们对研究涉及到 鲁棒性具有柔性结构时间变量的系统的，在经历了经典控制理论、现代控制理论两个发展阶段后，智能控制是多学科交叉的学科，它的发展得益于人工智能、认知科学、模糊集理论和生物控制论等学科的发展同时具有以知识表示的非数学广义模型和以数学模型表示的混合过程，也往往是那些含有复杂性，不完全性，模糊性或不确定性以及不存在已知算法的非数学过程，并以知识进行推理，以启发引导求解过程 智能控制有各种各样的形式并可以应用于研究人员使之快速发展因为在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力，的当系统存在不确定性因素时 1.2 神经网络技术的发展与国内外研究人工神经网络早期的研究工作应追溯至20世纪40年代。1943年心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。 1948年，冯·诺依曼领导的设计小组在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。 Donald Hebb通过对大脑神经细胞学习和条件反射的观察研究，提出了有名的Hebb学习规则，他认为，神经细胞的值 1957年，Frank Rosenblatt提出了著名的感知机模型，试图模拟人脑的感知和学习能力，引入带隐层处理元件，并提出了三层感知机的概念，这项工作首次把人工神经网络的研究从理论探讨付诸工程实践 另外，在60年代初期，Bernard Windrow和Ted Hoff提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络在此基础上发展了非线性多层自适应网络实就是一种人工神经网络模型。起步较晚，取得圆满成功，