基于MATLAB的雙容水箱液位PPT課件

1、自動化專業(yè)綜合實踐報告,1,基于MATLAB的雙容水箱液位的模糊神經(jīng)控制,2,摘要,傳統(tǒng)的控制理論如PID及其改進的控制方法可以實現(xiàn)對一些簡單系統(tǒng)的控制。然而在控制復雜或難以精確描述的控制系統(tǒng)時,它們往往不能表現(xiàn)出良好的控制效果。智能控制理論的提出有效解決了這一問題。目前,智能控制己經(jīng)作為一門獨立的學科,iH式在國際上建立起來,并被控制領(lǐng)域里的學者們廣泛研究。本文以雙容水箱液位控制系統(tǒng)(存在大慣性滯后環(huán)節(jié)復雜控制系統(tǒng)的典型代表)作為研究對象。首先,通過機理法分析并建立了系統(tǒng)的數(shù)學模型,得出控制系統(tǒng)的傳遞函數(shù);其次,詳細論述了 PID控制思想、模糊控制思想及神經(jīng)網(wǎng)絡(luò)控制思想的相關(guān)理論及應(yīng)用現(xiàn)狀。

2、并通過MATLAB中的SIMULINK模型,采用PID控制、模糊控制及神經(jīng)網(wǎng)絡(luò)預(yù)測控制的方法對系統(tǒng)進行仿真。最后,通過對比三種控制方法的控制仿真曲線,直觀地得出結(jié)論。從而驗證智能控制思想在復雜控制系統(tǒng)中的應(yīng)用價值。智能控制系統(tǒng)具有更加優(yōu)秀的性能,具體表現(xiàn)為:系統(tǒng)超調(diào)量小、調(diào)節(jié)時間短、容錯能力及抗干擾能力強,表現(xiàn)出良好的魯棒性。隨著人工智能技術(shù)、計算機技術(shù)的迅速發(fā)展,智能控制及其算法的研究與應(yīng)用越來越成為學術(shù)界所關(guān)注的熱點問題,智能控制也必將迎來它的發(fā)展新時期。,3,1引言1.1研究背景,傳統(tǒng)控制領(lǐng)域中的系統(tǒng)動態(tài)模式是否精確直接關(guān)系到控制效果的優(yōu)劣,即系統(tǒng)的動態(tài)信息越詳細便越能達到精確控制的目的

3、。傳統(tǒng)的控制算法應(yīng)用于明確系統(tǒng)有著強而有力的控制能力:如,采用PID及其相應(yīng)改進算法可以實現(xiàn)對一些簡車系統(tǒng)的控制。其特點在于方便實現(xiàn)對被控對象的控制,并不要求很高的控制精度。而復雜或者難以精確描述的控制系統(tǒng)的變量較多,難以準確描述系統(tǒng)的動態(tài)。因此我們利用各種方法簡化系統(tǒng)動態(tài)實現(xiàn)控制,但效果往往不盡人意。模糊控制在模糊邏輯中應(yīng)用最為廣泛。模糊控制器是一種引入隸屬度的概念,用條件語句表述控制規(guī)則從而實現(xiàn)控制的非線性控制器。,4,因此,它帶有明顯人類智能思維的特征。然而,模糊控制也存在一個缺陷,即是沒有一種良好的學習架構(gòu)和方法。神經(jīng)網(wǎng)絡(luò)是基于人類神經(jīng)網(wǎng)絡(luò)解剖的基礎(chǔ)上的,它描述的是人類神經(jīng)剛絡(luò)傳遞、處

4、理信息的微觀過程。神經(jīng)網(wǎng)絡(luò)控制主要特點如下:可以充分逼近任意復雜的非線性關(guān)系;所有定量或定性的信息都等勢分布C:存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元,故有很強的魯棒性和容錯性;采用并行分布處理方法,使得快速進行大量運算成為可能;可學習和自適應(yīng)不知道或不確定的系統(tǒng);能夠同時處理定量、定性知識。便于給出工程上易于實現(xiàn)的學習算法。因此,引入神經(jīng)網(wǎng)絡(luò)的概念,基于神經(jīng)網(wǎng)絡(luò)研究各種先進控制算法,越來越成為解決控制復雜控制系統(tǒng)的必要途徑。,5,1.2智能控制1.2.1智能控制的產(chǎn)生及研究現(xiàn)狀,從20世紀60年代起,計算機技術(shù)和人工智能技術(shù)迅速發(fā)展,為了提高控制系統(tǒng)的自主學習能力,人工智能技術(shù)被學者們提出并廣泛應(yīng)用于控制系統(tǒng)

5、。1965年,美籍華裔科學家傅京孫教授首先把人工智能的啟發(fā)式推理規(guī)則用于學習控制系統(tǒng);1966年,Mendel進一步在空間飛行器的學習控制系統(tǒng)中應(yīng)用了人工智能技術(shù),并提出了“人工智能控制”的概念,6,1.2.2智能控制的類型研究對象特點,當前智能控制的類型主要有以下幾種:集成或者(復合)混合控制、分級遞階控制系統(tǒng)、專家控制系統(tǒng)(Expert System)、人工神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)、模糊控制系統(tǒng)、學習控制系統(tǒng)等等。 智能控制的研究對象具備以下的一些特點: (1)不確定性的模型智能控制的研究對象通常存在嚴重的不確定性。這里所說的模型不確定性包含兩層意思:一是模型未知或知之甚少;二是模型的結(jié)構(gòu)和參數(shù)可

6、能在很大范圍內(nèi)變化。 (2)高度的非線性對于具有高度非線性的控制對象,采用智能控制的方法往往可以較好地解決非線性系統(tǒng)的控制問題。 (3)復雜的任務(wù)要求對于智能控制系統(tǒng),任務(wù)的要求往往比較復雜。,7,1.2.3智能控制的未來發(fā)展趨勢,控制理論從形成發(fā)展至今,己經(jīng)經(jīng)歷多年的歷程,大致可分為三個階段:第一階段以上世紀40年代時興起的調(diào)節(jié)原理作為標志,稱為經(jīng)典控制理論階段;第二階段以60年代時興起的狀態(tài)空間法作為標志,稱為現(xiàn)代控制理論階段;第三階段則是80年代時興起的智能控制理論階段。傅京孫在1971年指出,為了解決智能控制的問題,將人工智能技術(shù)中較少依賴模型的問題的求解方法與常規(guī)的控制方法相結(jié)合;S

7、aridis在學習控制系統(tǒng)研究的基礎(chǔ)上,將傅京孫關(guān)于智能控制是人工智能與自動控制相結(jié)合的提法發(fā)展為:智能控制是人工智能、運籌學與控制系統(tǒng)理論三者的結(jié)合。,8,1.3研究內(nèi)容及章節(jié)介紹,本課題以雙容水箱實驗裝置作為液位控制系統(tǒng)的一個典型研究對象,采用串級控制方式,在MATLAB環(huán)境中實現(xiàn)了對雙容水箱液位控制系統(tǒng)的智能控制算法仿真及研究實驗。第一章為本論文的引言部分,詳細講述智能控制的研究現(xiàn)狀與發(fā)展,以及研究對象的特點;第二章介紹了數(shù)學建模的兩種方法、MATLAB環(huán)境以及SIMULINK模型,并詳細推導了雙容水箱液位控制系統(tǒng)的建模過程;第三章介紹了 PID控制及參數(shù)整定方法,并對雙容水箱PID控制

8、系統(tǒng)做仿真實驗;第四、五章分別介紹了模糊控制與神經(jīng)網(wǎng)絡(luò)的控制思想、控制方法及算法設(shè)計,并分別對雙容水箱模糊控制系統(tǒng)、基于Levenberg-Marquardt訓練算法的雙容水箱神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)做仿真實驗;第六章為本論文的總結(jié),通過觀察三種控制方法的控制仿真曲線,對比它們的控制效果,從而得出結(jié)論。,9,2系統(tǒng)建模與MATLAB環(huán)境2.1過程控制系統(tǒng)的建模方法,從控制的角度來看,過程的靜態(tài)數(shù)學模型是系統(tǒng)方案和控制算法設(shè)計的重要基礎(chǔ)之一。建立被控對象的數(shù)學模型,可分為機理法及測試法兩類,下面分別闡述這兩類建模方法。,10,2.1.1機理法,機理法建模也稱為過程動態(tài)學方法,它的特點是把研究的過程視

9、為一個透明的同子,因此建立的模型也稱為“白箱模型”。機理法建模的主要步驟如下: (1)根據(jù)過程的內(nèi)在機理,寫出各種有關(guān)的平衡方程; (2)消去中間變量,建立狀態(tài)變量、控制變量和輸出變量之間的關(guān)系; (3)在工作點附近對方程進行增量化,建立增量化方程; (4)在共作點處進行線性化處理,簡化過程特征; (5)列出狀態(tài)方程和輸出方程。機理建模法的首要條件是需要過程的先驗知識,并且可以比較確切地對過程加以數(shù)學描述。用機理法建模時,有時也會出現(xiàn)模型中有些參數(shù)難以確定的情況,這時可用實驗數(shù)據(jù)來確定這些參數(shù),即可以用測試法來建模。,11,2.1.2.測試法,測試法是通過工業(yè)過程的輸入和輸出的實測數(shù)據(jù)進行數(shù)學

10、處理后得到的模型。其特點是把被研究的工業(yè)過程視為一個“黑聞子”,完全從外特性上測試和描述它的動態(tài)性質(zhì),不需要深入掌握其內(nèi)部機理。因此,建立的模型也稱為“黑箱模型”。復雜過程控制系統(tǒng)一般都采用測試法建模。,12,2.2雙容水箱液位控制系統(tǒng)的建模,雙容水箱實際被控對象如圖2.1所示,為單入單出二階最小相位過程控制系統(tǒng),具有非線性特性。其過程示意圖如圖2.2所示。,13,圖2.2雙容水箱模型圖,14,在雙容水箱液位控制系統(tǒng)中,輸入量為容器1的入水流量,正比于水菜的輸入電壓,連續(xù)可調(diào)且有界;輸出量(即被控量)為容器2中的液位高度?，F(xiàn)在,采用機理法對雙容水箱液位控制系統(tǒng)進行數(shù)學建模。 設(shè)：輸入電壓為U,

11、單位為伏特(V)；輸入流量為q1，單位為立方米每秒；容器1與容器2的輸出流量分別為q2、q3；兩容器中液位的高度分別為h1、h2，單位為米(m)；出水管的橫截面積分別為a1、a2，單位為平方米；容器1與容器2的底面面積分別為C1、C2，單位為平方米；重力加速度為g，單位為米每二次方秒；比例系數(shù)為K，單位為立方米每伏特秒。,15,16,17,18,19,2.3 MATLAB 環(huán)境及 SIMULINK 模型2.3.1 MATLAB軟件簡介,MATLAB軟件及其產(chǎn)品家族是由美國的MathWorks公司開發(fā)的，是一個用于概念設(shè)計、算法開發(fā)、建模仿真的理想集成環(huán)境。其完善的專業(yè)體系與先進的設(shè)計開發(fā)思路使

12、得MATLAB在很多領(lǐng)域中都有廣闊的應(yīng)用空間。特別是在科學計算、建模仿真的設(shè)計開發(fā)方面（MATLAB的主用應(yīng)用方向）已成為行業(yè)界的首選工具，被廣泛應(yīng)用在航空航天、機械化工、金融財務(wù)、電信及教育等行業(yè)。,20,3PID控制及參數(shù)整定3.1 PID控制簡介,21,22,23,4神經(jīng)網(wǎng)絡(luò)及控制方法4.1神經(jīng)網(wǎng)絡(luò)簡介4.1.1神經(jīng)網(wǎng)絡(luò)概述,人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)簡稱為神經(jīng)網(wǎng)絡(luò)(NNs),它模仿動物的神經(jīng)網(wǎng)絡(luò),是一種分布式并行信息處理的算法數(shù)學模型。神經(jīng)網(wǎng)絡(luò)是根據(jù)系統(tǒng)的復雜程度,通過調(diào)整模型內(nèi)部大量節(jié)點之間的相互連接關(guān)系來處理信息的。 神經(jīng)網(wǎng)絡(luò)是利用大量的神

13、經(jīng)元按一定的拓撲結(jié)構(gòu)和學習調(diào)整方法。它能表示出豐富的特性:并行計算、分布存儲、可變結(jié)構(gòu)、高度容錯、非線性運算、自我組織、學習或自學習等。這些特性是人們長期追求和期望的系統(tǒng)特性。它在智能控制的參數(shù)、結(jié)構(gòu)或環(huán)境的自適應(yīng)、自組織、自學習等控制方面具有獨特的能力。神經(jīng)網(wǎng)絡(luò)可以和模糊邏輯一樣適用于任意復雜對象的控制,但它與模糊邏輯不同的是擅長單輸入多輸出系統(tǒng)和多輸入多輸出系統(tǒng)的多變量控制。在模糊邏輯表示的SIMO系統(tǒng)和MIMO系統(tǒng)中,其模糊推理、解模糊過程以及學習控制等功能常用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。,24,單神經(jīng)元模型如圖5.1所示。其中, 為神經(jīng)元的內(nèi)部狀態(tài), 為閾值, 為輸入信號,j = l,n, 表示從

14、單元 到單元 的連接權(quán)系數(shù), 為外部輸入信號。,25,采用BP( Back Propagat ion) 網(wǎng)絡(luò)設(shè)置神經(jīng)PID控制, 建立參數(shù)kp , ki , kd 自學習的PID 控制器,采用三層網(wǎng)絡(luò)結(jié)構(gòu), 其網(wǎng)絡(luò)結(jié)構(gòu)和控制系統(tǒng)結(jié)構(gòu)如圖所示.,26,神經(jīng)網(wǎng)絡(luò)的學習過程是修改加權(quán)系數(shù)的過程,最終使其輸出達到期望值,學習結(jié)束。常用的學習算法有:Hebb學習算法、widrow Hoff學習算法、BP學習算法及Hopfield反饋神經(jīng)網(wǎng)絡(luò)學習算法等。,4.2.2 BP網(wǎng)絡(luò)學習過程及其算法,27,神經(jīng)網(wǎng)絡(luò)的控制方法有很多,如:神經(jīng)網(wǎng)絡(luò)直接反饋控制(如圖4.4所示)、神經(jīng)網(wǎng)絡(luò)逆控制、神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂?、神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制、神經(jīng)網(wǎng)絡(luò)學習控制、神經(jīng)網(wǎng)絡(luò)PID控制(如圖4.5所示),圖4.4神經(jīng)網(wǎng)絡(luò)直接反饋控制系統(tǒng),圖4.5神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng),28,29,30,31,根據(jù)被控對象的特點和學習算法分析, 取系統(tǒng)的學習率 = 0. 20; 慣性系數(shù) = 0. 05; 加權(quán)系數(shù)初始值取- 0. 5 0. 5 上的隨機數(shù) , 在MATLAB 下編寫其控制程序, 并將程序應(yīng)用于實驗系統(tǒng), 其運行結(jié)果如圖4 所示. 為了便于比較控