跳到主要內容

臺灣博碩士論文加值系統

(3.234.211.61) 您好!臺灣時間:2021/10/18 19:35
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:林芳蔚
研究生(外文):Fang-Wei Lin
論文名稱:應用類神經網路於PID控制器之設計研究
論文名稱(外文):Design of PID Controller Using Neural Network
指導教授:黃登淵黃登淵引用關係
學位類別:碩士
校院名稱:大葉大學
系所名稱:電機工程學系碩士班
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2006
畢業學年度:94
語文別:中文
論文頁數:53
中文關鍵詞:遺傳演算法類神經網路PID控制器
外文關鍵詞:Genetic AlgorithmArtificial Neural NetworksPID Controller
相關次數:
  • 被引用被引用:1
  • 點閱點閱:213
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
由於PID控制器(Proportional-Integral-Derivative Controller)具有不錯的強健性,所以在工業上的應用相當廣泛。PID控制器有許多的調整方法,其中又以Ziegler-Nichols調整法(ZN法)最具代表性,但ZN法對於控制系統所設計出來的PID控制器,具有很大的超越量、很長的安定時間與過短的上升時間所造成的震盪,因此仍需經過微調才能得到較佳的PID控制器。此外,許多加入模糊理論(Fuzzy Set)、類神經網路(Artificial Neural Networks)和遺傳演算法(Genetic Algorithms)等智慧型控制法則的控制器,被用於設計控制器。因此本研究希望透過遺傳演算法及類神經網路,來改善PID控制器不易設計之缺點。
Due to the robustness of PID (Proportional – Integral – Derivative) controller on control systems, this type of controllers are widely used in industrial plant design for years. There are many design methods and parameters adjustments for tuning PID parameters, one of the typical tuning methods is the Ziegler – Nichols (ZN) tuning one. However, large overshoot, long settling time are poor phenomena found in the step response after ZN tuning. More fine tunings are necessary to improve these time characteristics. Soft computings such as fuzzy set, artificial neural networks (ANN), and genetic algorithm (GA) can be used to aid for controller design nowadays. In this research, ANN and GA to be studied and used as direct controllers or assistors to the conventional controller so that performances on the control systems will be analyzed and compared accordingly.
封面內頁
簽名頁
授權書‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧iii
中文摘要‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧iv
英文摘要‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧v
誌謝‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧vi
目錄‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧vii
圖目錄‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧x
表目錄‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧xiii

第一章 緒論‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 1
1.1 前言‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧1
1.2 論文架構‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧2
第二章 PID控制器的理論架構‧‧‧‧‧‧‧‧‧‧‧‧‧‧3
2.1 前言‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧3
2.2 PID控制器的理論架構‧‧‧‧‧‧‧‧‧‧‧‧3
2.3 Ziegler & Nichols (ZN) 理論架構‧‧‧‧‧‧‧‧4
2.3.1 反應曲線法 (reaction curve based method) ‧‧5
2.3.2 振盪法 (oscillation method) ‧‧‧‧‧‧‧‧6
2.4 PID 控制器的優缺點‧‧‧‧‧‧‧‧‧‧‧‧‧11
第三章 非線性控制設計的理論架構‧‧‧‧‧‧‧‧‧‧‧‧12
3.1 前言‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧12
3.2 NCD的調整步驟‧‧‧‧‧‧‧‧‧‧‧‧‧‧12
第四章 類神經網路的理論架構‧‧‧‧‧‧‧‧‧‧‧‧‧‧18
4.1 前言‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧18
4.2 類神經網路的理論架構‧‧‧‧‧‧‧‧‧‧‧‧18
4.2.1神經元模型‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 18
4.2.2類神經網路的系統架構‧‧‧‧‧‧‧‧‧‧19
4.2.2.1 單層類神經網路‧‧‧‧‧‧‧‧‧19
4.2.2.2 多層類神經網路‧‧‧‧‧‧‧‧‧20
4.2.3 倒傳遞類神經網路‧‧‧‧‧‧‧‧‧‧‧‧ 21
4.2.3.1 輸出層的權重更新‧‧‧‧‧‧‧‧21
4.2.3.2 隱藏層的權重更新‧‧‧‧‧‧‧‧‧ 23
第五章 遺傳演算法的理論架構‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 26
5.1 前言‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 26
5.2 遺傳法則‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 26
5.2.1 擇優‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 26
5.2.2 交配‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 27
5.2.3 突變‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 29
第六章 模擬‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧30
6.1 前言‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧30
6.2 應用範例一‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧30
6.2.1第一種方法:非監督式Hebb學習規則‧‧‧31
6.2.2第二種方法:有監督式Delta學習規則‧‧‧31
6.2.3第三種方法:有監督式Hebb學習規則‧‧‧31
6.2.4第四種方法:改進學習規則的監督式Hebb學習規則‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧32
6.2.5 四種學習規則之模擬結果‧‧‧‧‧‧‧‧‧ 32
6.3 應用範例二‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧37
6.3.1 二次性能指標學習法‧‧‧‧‧‧‧‧‧‧‧ 37
6.3.2 以Nonlinear Control Design NCD求PID控制器參數‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧39
6.3.3 遺傳演算法結合類神經網路‧‧‧‧‧‧‧‧ 42
6.4 應用範例三‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 45
6.4.1 二次性能指標學習法‧‧‧‧‧‧‧‧‧‧‧ 45
6.4.2 以NCD求PID控制器參數‧‧‧‧‧‧‧‧ 47
6.4.3 遺傳演算法結合類神經網路‧‧‧‧‧‧‧‧ 48
第七章 結論‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 50
參考文獻‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧52
1.Graham C. Goodwin, Stefan F. Graebe and Mario E. Salgado, Control System Design, 187~189 Prentice Hall, 2001.
2.張碩,自動控制系統,8-5~8-18,鼎茂圖書出版股份有限公司,民90。
3.J. C. Basilio and S. R. Matos, Design of PI and PID Controllers with Transient Performance Specification, IEEE Transaction on Education,Volume 45(4), 364~370, 2002.
4.Wang, Beilei Zhao, Lin Tan, and Zhenfan, Neural Network Based Online Self-learning Adaptive PID Controller, IEEE on Proceedings of the 3rd World Congress on Intelligent Control and Automation, Volume 2, 908~910, 2000.
5.Akhyar, S. and Omatu, S Self-tuning PID control by neural-networks, IEEE on Proceedings of 1993 International Joint Conference on Neural Networks, Volume 3, 2749~2752, 1993.
6.Toru Yamamoto, Masahiro Kaneda, Toshitaka Oki, Eiji Watanabe and Kanya Tanaka, Intelligent Tuning PID Controllers, IEEE International Conference on Systems, Man and Cybernetics, 1995. 'Intelligent Systems for the 21st Century', Volume 2, 2610~2615, 1995.
7.J. C. Shen, Fuzzy Neural Networks for Tuning PID Controller for Plants with Underdamped Responses. IEEE Transactions on Fuzzy System, Volume 9, 333-342, 2001.
8.Sigeru Omatu and Michifumi Yoshioka, Stability of Inverted Pendulum by Neuro-PID Control with Genetic Algorithm, IEEE World Congress on Computational Intelligence, Volume 3, 2142-2145, 1998.
9.Graham C. Goodwin, Stefan F. Graebe and Mario E. Salgado, Control System Design, 162~166 Prentice Hall, 2001.
10.周鵬程,線性與非線性控制設計,全華科技圖書股份有限公司,民89。
11.張斐章、張麗秋、黃浩倫,類神經網路 理論與實務,東華書局,民93。
12.周鵬程,類神經網路入門 活用Matlab,全華科技圖書股份有限公司,民93。
13.周鵬程,遺傳演算法原理與應用 活用Matlab,全華科技圖書股份有限公司,民94。
14.黃振嘉,慢響應、低阻尼受控體之改良PID控制器設計,私立大葉大學電機工程研究所碩士論文,民93。
15.劉金琨,先進PID控制及其Matlab仿真,電子工業出版社,北京,2003.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top