臺灣博碩士論文加值系統

目前工業上，機車引擎使用PID控制器控制機車於怠速時之轉速趨近於預設的目標值且使引擎穩定運轉不熄火。而PID參數之值的選取，工業上，仍然倚靠專家的經驗與嘗試錯誤法來決定！是否存在有系統的方法來找出最佳的PID參數？本論文即針對此問題進行探討與研究，提出兩種有系統的方法來找出最佳的PID值。首先，提出田口實驗設計法透過直交表的特殊設計建構田口實驗，計算回應表求出最佳的PID參數；再提出以混合田口基因演算法(HTGA)為基礎之類神經網路來建立機車怠速PID控制器之系統模型，接著，利用混合田口基因演算法搜尋最佳的PID參數。根據研究結果顯示，兩種方法均可以有效的找出符合工業需求的PID值，且相較於專家調校，可使引擎轉速更為穩定！其中，混合田口基因演算法為基礎之類神經網路建模所找到的參數其控制效果之標準差與平均轉速均優於田口實驗設計法。

In today''s industry, the scooter jet engine uses PID controller on idle speed to be close to default target, and makes the engine keeping stability and running. It still relies on the expert''s experience and trial and error to determine the selection of PID parameters in industry. Is there any systematic approach to find the best PID parameters? In this thesis, we study the problem to propose two systematic methods to find optimal PID parameters. First, we propose the Taguchi’s method to construct experiment using special design on orthogonal table, and we apply response table to get the best PID parameters. Next, we use neural network based on the hybrid Taguchi-Genetic algorithm to build systematic model of the PID controller. Then, we use the hybrid Taguchi-Genetic algorithm to find optimal PID parameters. According to the results of this study, the two methods are both effective for getting PID parameters that conform to the industry standard, and we make engine to operate more stable. Finally, we notice that the PID parameters are found by the neural network based on the hybrid Taguchi-Genetic algorithm are better than using Taguchi method on standard deviation and average speed.

摘要
ABSTRACT
誌 謝
表目錄
圖目錄
第一章 緒論
1.1 前言
1.2 研究動機與目的
1.2.1 研究步驟與架構
第二章 文獻探討與回顧
第三章 研究方法
3.1 田口方法
3.1.1 實驗計劃的概念
3.1.2 直交表
3.1.3 自由度
3.1.4 直交表的一般配置
3.1.5 田口實驗分析
3.2 混合田口基因演算法
3.2.1 演算法流程
3.2.2 染色體初始化
3.2.3 染色體選擇
3.2.4 一般交配
3.2.5 田口交配
3.3 倒傳遞類神經網路
3.3.1 倒傳遞類神經網路架構
3.3.2 倒傳遞類神經網路演算法
第四章 研究內容
4.1 車引擎怠速轉速調校說明
4.1.1 參數說明
4.1.2 怠速PID調校之專家經驗
4.1.3 調校規範
4.2 田口方法之P、I參數最佳化
4.2.1 不對稱P、I參數最佳化
4.2.2 對稱型P、I參數最佳化
4.3 倒傳遞類神經網路之P、I參數最佳化
4.3.1 倒傳遞類神經網路建模
4.3.2 最佳參數搜尋
4.4 混合田口基因演算法之類神經網路P、I參數最佳化
4.4.1 混合田口基因演算法之類神經網路建模
4.4.2 最佳參數搜尋
第五章 研究成果討論
第六章 結論與未來展望

[1]J. G. Ziegler and N. B. Nichols, “Optimum settings for automatic controllers,”ASME Trans., vol. 65, 1942, pp. 433-444.
[2]K. Ogata, “Modern Control Engineering,”Prentice-Hall Fourth Edition, 2002.
[3]張道弘，1997，PID控制理論與實務，初版，臺北市：全華圖書。
[4]P. J. Escamilla-Ambrosio, “A Novel Design and Tuning Procedure for PID Type Fuzzy Logic Controllers,”IEEE Symposium on Intelligent Systems, vol. 1, 2002, pp. 36-41.
[5]Khan, A. A. , “Fuzzy PID Controller：Design, Tuning and Comparison with Conventional PID Controller,”IEEE International Conference On Engineering of Intelligent Systems, vol. 1, 2006, pp. 1-6.
[6]T. Yamamoto, M. Kaneda, T. Oki, E. Watanabe, and K. Tanaka, “Intelligent tuning PID controllers,”IEEE International Conference on Systems, Man and Cybernetics, Intelligent Systems for the 21st Century, Vol. 3, 1995, pp. 2610-2615.
[7]Omatu, S. and Yoshioka, M., “Self-tuning neuro-PID control and applications,”IEEE International Conference on Systems, Man, and Cybernetics Computational Cybernetics and Simulation, Vol. 3, 1997, pp. 1985-1989.
[8]Z. Y. Zhao, M. Tomozuka, and S. Isaka, “Fuzzy gain scheduling of PID controller,”IEEE Trans. On Systems, Man and Cybernetics, vol. 23, no. 5, 1993, pp. 1392-1398.
[9]J. S. Chiou, M. T. Liu, “Numerical simulation for fuzzy-PID controllers and helping EP reproduction with PSO hybrid algorithm,”Journal of Simulation Modeling Practice and Theory, 2009, pp. 1555-1565.
[10]陳秉霖，2011，應用群智慧於線上參數調整之PID控制器設計，碩士論文，國立東華大學，電機工程學系。
[11]Z. L. Gaing, “A particle swarm optimization approach for optimum design of PID controller in AVR system,”IEEE Trans. On Energy Conversion, vol. 19, 2, 2004, pp. 384-391.
[12]羅紹洤，2007，結合基因演算法於模糊PID控制器之設計，碩士論文，國立高雄第一科技大學，電機工程系博碩士班。
[13]Jinn-Tsong Tsai, Tung-Kuan Liu, and Jyh-Horng Chou, “Hybrid Taguchi-Genetic Algorithm for Global Numerical Optimization”, IEEE Trans. on Evolutionary Computation, Vol. 8, 2004, pp. 365-377.
[14]Rumelhart, D. E., Hinton, G. E. and Williams, R. J. , “Learning internal representation by error propagation,”Parallel Distributed Processing, Vol. 1, 1986, pp. 318-362.
[15]Taguchi, G. S., Chowdhury and S. Taguchi, Robust Engineering, McGraw-Hill, New York, 2000.
[16]王進德，2006，類神經網路與模糊控制理論入門與應用，初版，臺北市：全華圖書。
[17]Wu, C. J, and Huang, C. H.,“A hybrid method for parameter tuning of PID controllers,”Journal of the Franklin Institute, Vol. 334, No. 4, , 1997, pp. 547-562.
[18]A. Blanco, M. Delgado, M. C. Pegalajar, A real-coded genetic algorithm for training recurrent neural networks, 2001, p. 93-105.
[19]W. D. Chang, R. C. Hwang, J. G. Hsieh, Design of PID controller tuning based on real-coded genetic algorithms, submitted to Information Sciences.
[20]Wu, Y., Taguchi Method for Robust Design, the American Society of Mechanical Engineers, New York, 2000.
[21]Tsai, J. T., J. H. Chou and T. K. Liu, “Tuning the structure and parameters of a neural network by using hybrid Taguchi-genetic algorithm,”IEEE Trans. On Neural Networks, Vol. 17, 2006, pp. 69-80.
[22]陳啟瑋，2010，結合基因演算法與類神經網路設計PID控制器之研究，碩士論文，國立臺灣海洋大學，機械與機電工程學系。
[23]周至宏，2010，最佳化方法課程講義，國立高雄第一科技大學，機械與自動化工程研究所，台灣。
[24]劉東官，2010，生產控制資訊系統課程講義，國立高雄第一科技大學，機械工程系。
[25]劉東官，2010，人工智慧課程講義，國立高雄第一科技大學，機械與自動化工程系。
[26]李明璋，2011，非線性機械加工製程之基因演算學習類神經網路模型，碩士論文，國立高雄第一科技大學，機械與自動化工程系。
[27]蘇朝墩，2007，品質工程，第六版，臺北市：三民書局。
[28]余志成，2009，實驗設計與品質工程課程講，國立高雄第一科技大學，機械與自動化工程系。