·248 智能系统学报 第3卷 在电加热炉温度控制系统中，导致模型参数出 1.4r 现误差或变化的因素很多，主要是由于系统辨识或 1.2 环境变化产生的.本文就进化神经网络PD控制器 1.0 的鲁棒性能进行了研究.下面给出被控对象模型失 0.8 配的4个模型，如式(8)所示.仿真结果如图8~11 0.6 所示.图9、11为8、10的局部放大图形 0.4 1.4r 0.2 1.2 00 400 800 1200 1.0 t/s 是0.8 图10传统PD控制模型参数失配仿真曲线 0.6 Fig 10 Step responses of different muddles with 0.4 traditional PD controller 0.2 00 400 800 1200 t/s 图8进化神经网络PD控制模型参数失配阶跃响应 Fig 8 Step responses of differentmuddleswith evolutionary 0.9 neural netorks PD controller 0.8 1.10 0.7 1.00 100 200 300 400 500 t/s 0.90 图11传统PD控制模型参数失配仿真局部放大曲线 0.80 Fig 11 Detail of the step responses of different muddles with traditional PD controller 0.70 200 300400500 t/s 模型参数失配时系统的调节时间4，上超调量 图9进化神经网络PD控制模型参数失配阶跃响应局 。,下超调量如表格1所示.从表中可以得出，进化 部放大曲线 神经网络PD控制器可以在模型参数失配的情况下 Fig 9 Detail of the step responses of different muddles 得到较好的控制性能，即调节时间和超调量都比传 with evolutionary neural netorks PD contoller 统PD控制来得理想 表1模型参数变化时超调值和调节时间 Table I The overshoot va lue and respon se tie of the differen tmodule 调节时间，/拍 超调量t。% 传统PID 模型 进化神经网络PD 传统PID 进化神经树络PID 181 220 0.1 0.7 0.1 1.1 I 160 250 0.5 0.8 0.2 1.1 Ⅲ 269 435 5.8 1.7 18.3 4.7 286 405 3.9 0.7 17.8 2.5 由上实验可知进化神经网络PD控制器具有较 制量u(k)分为3段，如式(5)所示 好的鲁棒性能.可以保证控制对象在模型参数或外 界环境发生变化时，仍然可以达到良好的控制品质」 Umax' e≥ch: 22进化神经网络控制的改进 u(k) ch·m≤e<cA; (5) 采用分段方法可以实现快速控制，从而改进 e<ch·m 系统的控制品质.根据相对误差的变化可把输出控 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved. http://www.cnki.net在电加热炉温度控制系统中 ,导致模型参数出 现误差或变化的因素很多 ,主要是由于系统辨识或 环境变化产生的. 本文就进化神经网络 PID控制器 的鲁棒性能进行了研究. 下面给出被控对象模型失 配的 4个模型 ,如式 ( 8)所示. 仿真结果如图 8～11 所示. 图 9、11为 8、10的局部放大图形. 图 8 进化神经网络 P ID控制模型参数失配阶跃响应 Fig. 8 Step responses of differentmuddleswith evolutionary neural networks P ID controller 图 9 进化神经网络 P ID控制模型参数失配阶跃响应局 部放大曲线 Fig. 9 Detail of the step responses of different muddles with evolutionary neural networks P ID controller 图 10 传统 P ID控制模型参数失配仿真曲线 Fig. 10 Step responses of different muddles with traditional P ID controller 图 11 传统 P ID控制模型参数失配仿真局部放大曲线 Fig. 11 Detail of the step responses of different muddles with traditional P ID controller 模型参数失配时系统的调节时间 ts ,上超调量 tpup ,下超调量如表格 1所示. 从表中可以得出 ,进化 神经网络 PID控制器可以在模型参数失配的情况下 得到较好的控制性能 , 即调节时间和超调量都比传 统 PID控制来得理想. 表 1 模型参数变化时超调值和调节时间 Table. 1 The overshoot va lue and respon se tim e of the d ifferen t m odule 由上实验可知进化神经网络 PID控制器具有较 好的鲁棒性能. 可以保证控制对象在模型参数或外 界环境发生变化时 ,仍然可以达到良好的控制品质. 2. 2 进化神经网络控制的改进 采用分段方法可以实现快速控制 [ 4 ] ,从而改进 系统的控制品质. 根据相对误差的变化可把输出控 制量 u ( k)分为 3段 ,如式 (5)所示. u ( k) = umax , ucp , uEA , e ≥ cp0 ; cp0 - m ≤ e < cp0 ; e < cp0 - m . (5) · 842 · 智 能 系 统 学 报 第 3卷