基于MATLAB的双容水箱液位ppt课件.pptx
自动化专业综合实践报告,基于MATLAB的双容水箱液位的模糊神经控制,摘要,传统的控制理论如PID及其改进的控制方法可以实现对一些简单系统的控制。然而在控制复杂或难以精确描述的控制系统时,它们往往不能表现出良好的控制效果。智能控制理论的提出有效解决了这一问题。目前,智能控制己经作为一门独立的学科,iH式在国际上建立起来,并被控制领域里的学者们广泛研究。本文以双容水箱液位控制系统(存在大惯性滞后环节复杂控制系统的典型代表)作为研究对象。首先,通过机理法分析并建立了系统的数学模型,得出控制系统的传递函数;其次,详细论述了 PID控制思想、模糊控制思想及神经网络控制思想的相关理论及应用现状。并通过MATLAB中的SIMULINK模型,采用PID控制、模糊控制及神经网络预测控制的方法对系统进行仿真。最后,通过对比三种控制方法的控制仿真曲线,直观地得出结论。从而验证智能控制思想在复杂控制系统中的应用价值。智能控制系统具有更加优秀的性能,具体表现为:系统超调量小、调节时间短、容错能力及抗干扰能力强,表现出良好的鲁棒性。随着人工智能技术、计算机技术的迅速发展,智能控制及其算法的研究与应用越来越成为学术界所关注的热点问题,智能控制也必将迎来它的发展新时期。,1引言1.1研究背景,传统控制领域中的系统动态模式是否精确直接关系到控制效果的优劣,即系统的动态信息越详细便越能达到精确控制的目的。传统的控制算法应用于明确系统有着强而有力的控制能力:如,采用PID及其相应改进算法可以实现对一些简車系统的控制。其特点在于方便实现对被控对象的控制,并不要求很高的控制精度。而复杂或者难以精确描述的控制系统的变量较多,难以准确描述系统的动态。因此我们利用各种方法简化系统动态实现控制,但效果往往不尽人意。模糊控制在模糊逻辑中应用最为广泛。模糊控制器是一种引入隶属度的概念,用条件语句表述控制规则从而实现控制的非线性控制器。,因此,它带有明显人类智能思维的特征。然而,模糊控制也存在一个缺陷,即是没有一种良好的学习架构和方法。神经网络是基于人类神经网络解剖的基础上的,它描述的是人类神经刚络传递、处理信息的微观过程。神经网络控制主要特点如下:可以充分逼近任意复杂的非线性关系;所有定量或定性的信息都等势分布C:存于网络内的各神经元,故有很强的鲁棒性和容错性;采用并行分布处理方法,使得快速进行大量运算成为可能;可学习和自适应不知道或不确定的系统;能够同时处理定量、定性知识。便于给出工程上易于实现的学习算法。因此,引入神经网络的概念,基于神经网络研究各种先进控制算法,越来越成为解决控制复杂控制系统的必要途径。,1.2智能控制1.2.1智能控制的产生及研究现状,从20世纪60年代起,计算机技术和人工智能技术迅速发展,为了提高控制系统的自主学习能力,人工智能技术被学者们提出并广泛应用于控制系统。1965年,美籍华裔科学家傅京孙教授首先把人工智能的启发式推理规则用于学习控制系统;1966年,Mendel进一步在空间飞行器的学习控制系统中应用了人工智能技术,并提出了“人工智能控制”的概念,1.2.2智能控制的类型研究对象特点,当前智能控制的类型主要有以下几种:集成或者(复合)混合控制、分级递阶控制系统、专家控制系统(Expert System)、人工神经网络控制系统、模糊控制系统、学习控制系统等等。智能控制的研究对象具备以下的一些特点:(1)不确定性的模型智能控制的研究对象通常存在严重的不确定性。这里所说的模型不确定性包含两层意思:一是模型未知或知之甚少;二是模型的结构和参数可能在很大范围内变化。(2)高度的非线性对于具有高度非线性的控制对象,采用智能控制的方法往往可以较好地解决非线性系统的控制问题。(3)复杂的任务要求对于智能控制系统,任务的要求往往比较复杂。,1.2.3智能控制的未来发展趋势,控制理论从形成发展至今,己经经历多年的历程,大致可分为三个阶段:第一阶段以上世纪40年代时兴起的调节原理作为标志,称为经典控制理论阶段;第二阶段以60年代时兴起的状态空间法作为标志,称为现代控制理论阶段;第三阶段则是80年代时兴起的智能控制理论阶段。傅京孙在1971年指出,为了解决智能控制的问题,将人工智能技术中较少依赖模型的问题的求解方法与常规的控制方法相结合;Saridis在学习控制系统研究的基础上,将傅京孙关于智能控制是人工智能与自动控制相结合的提法发展为:智能控制是人工智能、运筹学与控制系统理论三者的结合。,1.3研究内容及章节介绍,本课题以双容水箱实验装置作为液位控制系统的一个典型研究对象,采用串级控制方式,在MATLAB环境中实现了对双容水箱液位控制系统的智能控制算法仿真及研究实验。第一章为本论文的引言部分,详细讲述智能控制的研究现状与发展,以及研究对象的特点;第二章介绍了数学建模的两种方法、MATLAB环境以及SIMULINK模型,并详细推导了双容水箱液位控制系统的建模过程;第三章介绍了 PID控制及参数整定方法,并对双容水箱PID控制系统做仿真实验;第四、五章分别介绍了模糊控制与神经网络的控制思想、控制方法及算法设计,并分别对双容水箱模糊控制系统、基于Levenberg-Marquardt训练算法的双容水箱神经网络预测控制系统做仿真实验;第六章为本论文的总结,通过观察三种控制方法的控制仿真曲线,对比它们的控制效果,从而得出结论。,2系统建模与MATLAB环境2.1过程控制系统的建模方法,从控制的角度来看,过程的静态数学模型是系统方案和控制算法设计的重要基础之一。建立被控对象的数学模型,可分为机理法及测试法两类,下面分别阐述这两类建模方法。,2.1.1机理法,机理法建模也称为过程动态学方法,它的特点是把研究的过程视为一个透明的同子,因此建立的模型也称为“白箱模型”。机理法建模的主要步骤如下:(1)根据过程的内在机理,写出各种有关的平衡方程;(2)消去中间变量,建立状态变量、控制变量和输出变量之间的关系;(3)在工作点附近对方程进行增量化,建立增量化方程;(4)在共作点处进行线性化处理,简化过程特征;(5)列出状态方程和输出方程。机理建模法的首要条件是需要过程的先验知识,并且可以比较确切地对过程加以数学描述。用机理法建模时,有时也会出现模型中有些参数难以确定的情况,这时可用实验数据来确定这些参数,即可以用测试法来建模。,2.1.2.测试法,测试法是通过工业过程的输入和输出的实测数据进行数学处理后得到的模型。其特点是把被研究的工业过程视为一个“黑闻子”,完全从外特性上测试和描述它的动态性质,不需要深入掌握其内部机理。因此,建立的模型也称为“黑箱模型”。复杂过程控制系统一般都采用测试法建模。,2.2双容水箱液位控制系统的建模,双容水箱实际被控对象如图2.1所示,为单入单出二阶最小相位过程控制系统,具有非线性特性。其过程示意图如图2.2所示。,图2.2双容水箱模型图,在双容水箱液位控制系统中,输入量为容器1的入水流量,正比于水菜的输入电压,连续可调且有界;输出量(即被控量)为容器2中的液位高度。现在,采用机理法对双容水箱液位控制系统进行数学建模。设：输入电压为U,单位为伏特(V)；输入流量为q1，单位为立方米每秒；容器1与容器2的输出流量分别为q2、q3；两容器中液位的高度分别为h1、h2，单位为米(m)；出水管的横截面积分别为a1、a2，单位为平方米；容器1与容器2的底面面积分别为C1、C2，单位为平方米；重力加速度为g，单位为米每二次方秒；比例系数为K，单位为立方米每伏特秒。,2.3 MATLAB 环境及 SIMULINK 模型2.3.1 MATLAB软件简介,MATLAB软件及其产品家族是由美国的MathWorks公司开发的，是一个用于概念设计、算法开发、建模仿真的理想集成环境。其完善的专业体系与先进的设计开发思路使得MATLAB在很多领域中都有广阔的应用空间。特别是在科学计算、建模仿真的设计开发方面（MATLAB的主用应用方向）已成为行业界的首选工具，被广泛应用在航空航天、机械化工、金融财务、电信及教育等行业。,3PID控制及参数整定3.1 PID控制简介,4神经网络及控制方法4.1神经网络简介4.1.1神经网络概述,人工神经网络(Artificial Neural Networks)简称为神经网络(NNs),它模仿动物的神经网络,是一种分布式并行信息处理的算法数学模型。神经网络是根据系统的复杂程度,通过调整模型内部大量节点之间的相互连接关系来处理信息的。神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法。它能表示出丰富的特性:并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等。这些特性是人们长期追求和期望的系统特性。它在智能控制的参数、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。神经网络可以和模糊逻辑一样适用于任意复杂对象的控制,但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制。在模糊逻辑表示的SIMO系统和MIMO系统中,其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现。,单神经元模型如图5.1所示。其中, 为神经元的内部状态, 为阈值, 为输入信号,j = l,n, 表示从单元 到单元 的连接权系数, 为外部输入信号。,采用BP( Back Propagat ion) 网络设置神经PID控制, 建立参数kp , ki , kd 自学习的PID 控制器,采用三层网络结构, 其网络结构和控制系统结构如图所示.,神经网络的学习过程是修改加权系数的过程,最终使其输出达到期望值,学习结束。常用的学习算法有:Hebb学习算法、widrow Hoff学习算法、BP学习算法及Hopfield反馈神经网络学习算法等。,4.2.2 BP网络学习过程及其算法,神经网络的控制方法有很多,如:神经网络直接反馈控制(如图4.4所示)、神经网络逆控制、神经网络内模控制、神经网络自适应控制、神经网络学习控制、神经网络PID控制(如图4.5所示),图4.4神经网络直接反馈控制系统,图4.5神经网络PID控制系统,根据被控对象的特点和学习算法分析, 取系统的学习率 = 0. 20; 惯性系数 = 0. 05; 加权系数初始值取- 0. 5 0. 5 上的随机数 , 在MATLAB 下编写其控制程序, 并将程序应用于实验系统, 其运行结果如图4 所示. 为了便于比较控制效果, 此处将经典PID 控制结果给出( 系统处于同一状态下两种结果) ,如图5 所示. 从结果看, 采用神经PID 控制, 其快速性和超调量均有较大的提高, 控制效果较好.,4.2.3 实验研究,针对二容水箱系统对象, 进行了神经PID 控制策略研究, 并将研究结果与单一的PID 控制结果比较, 其控制效果有明显的提高. 实验结果表明采用参数自适应的神经PID 控制, 虽然控制结构和控制算法较复杂, 但可以取得较好的控制效果.,4.2.4结论,
