附页：文献综述
基于神经网络与PID混合控制系统的设计及其仿真发展现状分析
控制工程[1]是现代流程工业（process industries）中最为重要的组成部分。其主要目的是为了避免干扰，并确保在工业生产过程中得到所需要的输出。在众多的控制策略中，普遍使用比例积分微分(PID)算法。PID控制[2]从诞生以来一直是工业过程控制中应用最为广泛的算法。由于它的结构比较简单，易于实现，而且具有鲁棒性强的优点，所以过程控制人员对其青睐有加。PID控制器[1]通过一个简单的反馈系统完成积分和微分的运算过程，以此来实现对静态误差的估计和消除。95%以上的过程控制的控制回路类型都是PID类型，实际上很多环路是PI控制。PID控制器有许多不同的结构，它们可以在一个或多个环路中作为一个独立的系统进行工作，也可以作为过程处理中的分布系统进行工作。甚至在原子应力显微镜、汽车巡航系统和CD/DVD播放器中，都应用了PID控制器。由于PID控制可以满足控制系统的一般性能要求，因此，在几乎所有的工业控制过程中，都采用了PID控制系统。对于传统PID控制器，要想得到较理想的控制效果，必须先整定好三个参数。而传统的PID参数优化方法主要是一些手动整定方法，但运用该方法得到的控制器参数比较粗糙，控制效果只能满足一定要求，参数的优化效果远远不够，同时，对于一些系统，由于控制对象的复杂性、变化性，难以运用传统方法进行整定。
如何使PID控制器具有在线自整定其参数的功能，是自从使用PID控制以来人们始终关注的重要问题。随着工业过程越来越复杂，被控对象往往也呈现出参数时变或者具有很强的非线性，导致系统模型无法建立或者模型非常复杂。由于已有的智能PID算法主要是将传统PID控制与智能控制相结合，虽然能够完成对现有过程对象的控制，但是这些智能PID算法需要人为设定的参数比较多，结构也比较复杂。于是张恒[2]研究了具有智能性的PID控制器，弥补了现有的智能PID控制器上述的缺陷，利用系统自身反馈信息包括误差、误差变化以及误差变化的变化等设计智能PID控制规律，完全自动的调节控制器参数，并获得了较好的控制效果。姜威风[3]研究了如何用内模法和频域法两种PID控制器的设计方法来设计PID控制器，并在二阶加纯滞后过程中用内模法和频域法设计PID控制器，并对它们进行仿真。龚齐斌，向贤兵[4]针对复杂系统的控制问题，在原有PID控制的基础上，将PID控制与模糊控制相结合，设计一种自整定模糊PID混合控制器，利用MATLAB中的Simulink软件进行仿真。仿真研究表明，自整定模糊PID控制器具有较强的自整定能力，控制效果优于原有PID控制器。杨文刚[5]发现传统的PID控制器无法适用于各种形式的积分系统，或者鲁棒性不高，于是为时滞积分系统设计了一种采用直接合成法的PID控制器。将控制器方案应用于多种传递函数进行仿真实验，结果显示了算法可适用于多种积分系统，且保持了较好的鲁棒性。
Gilberto Reynoso-Meza[6]研究了PID在这个领域的研究范围与新调优方法，新型的结构和整体设计方法。发现在这种情况下，进化算法表现出良好的性能，被应用于各种建议与PID控制器调优。
随着相关领域技术的不断发展，对控制系统的指标要求也越来越高。人们也一直在寻求PID控制器参数的自适应技术，以适应复杂系统的控制要求，而神经网络研究的兴起，为PID控制器参数的整定提供了新的方法和更为广阔的应用空间。
早在20世纪初，人们就已经发现人脑的工作方式与现在的计算机是不同的。人脑是由极大量基本单元(称之为神经元)经过复杂的相互连接而成的一种高度复杂的、非线性的、并行处理的信息处理系统。作为联接主义智能实现的典范，神经网络采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程，是人工智能发展中的重要方法，也是当前类脑智能研究中的有效工具。在七十年的发展历程中，神经网络[7]曾历经质疑、批判与冷落，同时也几度繁荣并取得了许多瞩目的成就。从20世纪40年代的M-P神经元和Hebb学习规则，到50年代的Hodykin-Huxley方程、感知器模型与自适应滤波器，再到60年代的自组织映射网络、神经认知机、自适应共振网络，许多神经计算模型都发展成为信号处理、计算机视觉、自然语言处理与优化计算等领域的经典方法，为该领域带来了里程碑式的影响。目前，模拟人脑复杂的层次化认知特点的深度学习已经成为类脑智能中的一个重要研究方向。通过增加网络层数所构造的 “深层神经网络”使机器能够获得“抽象概念”能力，在诸多领域都取得了巨大的成功，又掀起了神经网络研究的一个新高潮。神经网络控制能够充分任意地逼近任何复杂的非线性关系，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程，在一些不确定系统的控制中已成功应用。
BP网络（误差反向传播神经网络）所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制，BP神经网络的理论依据坚实，推导过程严谨，通用性强，在控制领域对复杂的多变量系统的控制有很大的优势。基于BP神经网络的PID混合控制器[8]由经典的PID控制器和BP神经网络组成，其结合思想是让神经网络充分发挥自己的自身学习能力，和表示非线性函数的能力,遵循一定的规律，来达到最优指标的目标,调节在线调整PID控制器的三个可调参数。BP神经网络的良好的非线性逼近能力和泛化能力以及使用的易适性，使得基于BP神经网络参数优化的PID混合控制器近年来成为了人们研究的热点。
涂川川[9]将BP神经网络算法和常规PID控制相互结合，得到了基于BP神经网络整定的PID混合控制器，对现代化温室环境参数（主要是温度和湿度）控制的智能化进一步进行了探索和研究；段艳明[10]针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而实现PID混合控制优化。仿真结果表明基于PSO算法的BP神经网络与PID混合控制具有较好的性能和自学习、自适应性；张金龙、徐慧[11]针对精密角度定位系统存在非线性、时变性的缺点，以及传统PID控制难以获得理想控制效果的问题，提出一种结合模糊神经网络与PID的混合控制方法,将模糊控制、神经网络与PID控制相结合形成混合控制，采用3层前向网络、动态BP算法，利用神经网络的自学习和自适应能力，实时调整网络的权值，实现精密角度定位PID混合控制的自适应和智能化。实验结果表明,采用BP神经网络整定的PID混合控制较传统的PID控制，控制性能有较大的提高，能有效提高定位精度；在实际的工业控制中,PID控制依然是一种主要的控制方式,如何简单、有效的实现PID参数的整定有着重要的意义。刘明[12]通过研究将模糊控制与PID结合，将操作人员和专家长期实践积累的经验知识用控制规则模型化，将序列对转化成向量,利用遗传算法根据K p， K I， K D建立目标函数，对误差和误差变化量精确的在线整定，实现对PID的三个参数在线整定，分析研究了二维并联型的性能优化。黄永安[13]利用CMAC神经网络与PID控制算法，提出了一种针对飞行器挠性结构振动的混合控制方法。首先在给出系统动力学方程的基础上，利用CMAC神经网络的具体特点，给出了神经网络算法；进而将PID控制算法引入控制系统，形成了一种混合控制方法，该方法具有CMAC神经网络与PID控制算法两者的优点。最后针对复杂的飞行器挠性结构振动问题进行了实例仿真，说明了算法的有效性。任俊杰、高佳[14]研究BP神经网络与PID混合控制算法在PLC中的具体实现方法，以S7-1200 PLC为控制器，采用SCL语言进行了BP神经网络自整定PID混合控制算法功能块的设计，给出了功能块参数的说明；试验表明，相比常规PID控制，结合BP神经网络的自整定PID混合控制能获得更好的控制效果，设计的算法功能块具有一定的通用性和可移植性，为先进控制算法拓展到工程实际领域提供了应用参考；冯杨、徐庆九[15]提出一种结合改进型BP神经网络与PID的混合控制算法，利用最小二乘法和神经网络建立被控对象的预测数学模型，并用该模型所计算的预测输出取代预测输出的实测值，对基于BP网络的PID混合控制器的权值调整算法进行改进。结果表明：改进型BP神经网络与PID的混合控制器具有良好的控制效果，自适应能力和抗干扰性强，增强了系统的鲁棒性，优于常规PID控制；杨艺[16]给出基于MATLAB语言的BP神经网络PID混合控制器的S函数实现，在此基础上建立结合BP神经网络的PID混合控制器的Simulink仿真模型，最后给出了该仿真模型应用在非线性对象中的仿真结果。Qin Hui Gong[17]针对气动伺服系统具有非线性、时变、大参数变化和外部干扰等特点，难以控制。传统的PID控制不适合控制对象的可变参数，外部干扰。将神经网络控制器与PID控制结合起来控制气动伺服系统，结果表明，与传统的PID控制相比，控制器对系统的控制性能有明显的提高，系统具有更快的计算速度(实时性)，鲁棒性强，适应能力强。唐元恒[18]对基于BP神经网络的PID控制器的设计进行分析，最后进行模拟仿真研究，得出基于BP神经网络的PID控制器与传统PID控制器具有适应性强、精度高等明显优势的结论。欧艳华[19]为了提高PID控制器参数根据实际误差自动调整能力，提出了基于神经网络的自适应PID混合控制器的设计，结果表明基于神经网络的自适应PID控制器能够根据控制误差自动调整PID参数，对输入的阶跃信号响应平稳,综合性能大大提高。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
