本文關鍵詞：油冷卻機的高精度溫度控制算法研究

  更多相關文章： 油冷卻機 溫度控制 PID 神經(jīng)網(wǎng)絡 粒子群優(yōu)化算法 RBF

【摘要】：隨著科技的發(fā)展，對器件模具的制造精度的要求越來越高。能否制造出高質(zhì)量的模具取決于模具的數(shù)控加工精度，而影響數(shù)控機床加工精度最重要的因素是熱誤差。油冷機根據(jù)制冷原理，通過液態(tài)冷媒熱交換來穩(wěn)定機床加工的溫度。溫度控制具有非線性、強耦合、時變、延遲等特點，如何實現(xiàn)精確的溫度控制對油冷機的性能有著重要的現(xiàn)實意義。 論文首先分析了油冷機溫度控制的發(fā)展現(xiàn)狀以及研究意義，然后研究了油冷機的制冷循環(huán)系統(tǒng)，，使用數(shù)學工具對油冷機的部件及整機系統(tǒng)進行了數(shù)學建模，最終獲得了溫度控制傳遞函數(shù)。 接著，論文系統(tǒng)地研究了神經(jīng)網(wǎng)絡控制原理，采用RBF神經(jīng)網(wǎng)絡和增量式PID控制相結合，用RBF神經(jīng)網(wǎng)絡對PID參數(shù)進行在線辨識，并基于油冷機的制冷模型，用Matlab仿真得到整定結果，與普通的PID控制器控制效果進行了對比分析。 論文還深入研究了粒子群算法，引入收縮因子改進粒子群優(yōu)化算法性能，利用粒子群優(yōu)化算法去整定PID控制器的參數(shù)，并進行了仿真和結果分析。論文最后提出一種新的PSO-RBF混合控制算法：利用粒子群優(yōu)化算法來全局優(yōu)化整定RBF神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，再利用RBF神經(jīng)網(wǎng)絡去整定PID參數(shù)，從而融合了粒子群優(yōu)化算法優(yōu)秀的全局搜索能力和RBF神經(jīng)網(wǎng)絡的局部尋優(yōu)性能。論文闡述了新控制算法的PID參數(shù)整定步驟，并進行了仿真對比試驗。仿真結果證明：相比其他PID參數(shù)自整定算法而言，粒子群優(yōu)化RBF網(wǎng)絡參數(shù)的PID參數(shù)整定算法控制效果良好，魯棒性和適應性良好，改善了油冷卻機的溫度控制收斂時間和控制精度。
【關鍵詞】：油冷卻機 溫度控制 PID 神經(jīng)網(wǎng)絡 粒子群優(yōu)化算法 RBF
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TG659;TP18
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-15
• 1.1 課題研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀綜述11-14
• 1.2.1 制冷循環(huán)系統(tǒng)國內(nèi)外發(fā)展現(xiàn)狀11-12
• 1.2.2 溫度控制算法國內(nèi)外發(fā)展現(xiàn)狀12-14
• 1.3 本文主要內(nèi)容及結構安排14-15
• 第二章 油冷機的數(shù)學建模15-25
• 2.0 油冷機工作原理15-16
• 2.1 壓縮機的數(shù)學建模16-19
• 2.1.1 壓縮機簡化16-17
• 2.1.2 基本數(shù)學模型17-19
• 2.2 換熱器模型19-22
• 2.2.1 冷凝器數(shù)學建模20-21
• 2.2.2 蒸發(fā)器數(shù)學建模21-22
• 2.3 電子膨脹閥數(shù)學建模22-23
• 2.4 油冷機數(shù)學模型傳遞參數(shù)的確定23-24
• 2.5 本章小結24-25
• 第三章 神經(jīng)網(wǎng)絡 PID 控制器的控制參數(shù)自整定25-42
• 3.1 神經(jīng)網(wǎng)絡原理25-29
• 3.1.1 MP 模型26-27
• 3.1.2 激勵函數(shù)類型27-28
• 3.1.3 神經(jīng)網(wǎng)絡學習方式和學習規(guī)則28-29
• 3.2 RBF 神經(jīng)網(wǎng)絡29-33
• 3.2.1 RBF 神經(jīng)網(wǎng)絡概述29-30
• 3.2.2 RBF 網(wǎng)絡的優(yōu)勢30-31
• 3.2.3 被控對象 Jacobian 信息的辨識算法31
• 3.2.4 RBF 神經(jīng)網(wǎng)絡學習算法31-33
• 3.3. PID 控制的基本原理33-37
• 3.3.1 PID 控制器基本理論33-35
• 3.3.2 增量式 PID 控制器35
• 3.3.3 PID 控制器參數(shù)的整定35-36
• 3.3.4 PID 控制器的缺陷及改進設想36-37
• 3.4 RBF 神經(jīng)網(wǎng)絡 PID 控制器的設計37-39
• 3.4.1 RBF 神經(jīng)網(wǎng)絡 PID 參數(shù)自整定原理37-38
• 3.4.2 RBF 神經(jīng)網(wǎng)絡 PID 參數(shù)自整定步驟38-39
• 3.5 仿真結果分析39-40
• 3.6 本章小結40-42
• 第四章 基于粒子群算法優(yōu)化的 RBF PID 控制器參數(shù)整定42-64
• 4.1 粒子群算法的概念42-45
• 4.1.1 粒子群優(yōu)化算法基本原理43-44
• 4.1.2 粒子群優(yōu)化算法的基本數(shù)學理論44
• 4.1.3 粒子群算法基本流程44-45
• 4.2 粒子群學習算法的優(yōu)化45-47
• 4.2.1 慣性權重因子的引入46-47
• 4.2.2 收縮因子的引入47
• 4.3 粒子群優(yōu)化算法參數(shù)選擇47-49
• 4.3.1 應用粒子群優(yōu)化算法的基本步驟48
• 4.3.2 算法參數(shù)的初始設置48-49
• 4.4 基于粒子群優(yōu)化算法的 PID 控制器參數(shù)整定49-57
• 4.4.1 粒子群優(yōu)化算法整定 PID 參數(shù)基本原理49-50
• 4.4.2 粒子群算法設計步驟50-52
• 4.4.3 粒子群算法的偽碼描述52-53
• 4.4.4 基于 PSO 算法優(yōu)化的 PID 控制器設計53-55
• 4.4.5 仿真結果分析55-57
• 4.5 粒子群算法優(yōu)化的 RBF 神經(jīng)網(wǎng)絡 PID 控制器設計57-62
• 4.5.1 應用粒子群優(yōu)化算法優(yōu)化 RBF 初始參數(shù)57-60
• 4.5.2 仿真結果分析60-62
• 4.6 本章小結62-64
• 第五章 總結與展望64-66
• 5.1 總結64-65
• 5.2 未來展望65-66
• 參考文獻66-71
• 致謝71-72
• 詳細摘要72-76

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 何嬌;;基于粒子群優(yōu)化算法隨機試卷生成的分析[J];重慶城市管理職業(yè)學院學報;2011年03期

2 潘宏俠;馬清峰;;Research on Gear-box Fault Diagnosis Method Based on Adjusting-learning-rate PSO Neural Network[J];Journal of DongHua University;2006年06期

3 劉吉臻;李建強;張欒英;朱成林;;用RBF網(wǎng)絡整定的火電廠主汽溫PID串級控制系統(tǒng)[J];動力工程;2006年01期

4 韋彬貴;;制冷系統(tǒng)中雙轉(zhuǎn)子壓縮機建模與性能分析[J];低溫與超導;2011年05期

5 胡廣良,李思明;神經(jīng)網(wǎng)絡在結構優(yōu)化設計中的應用[J];工程建設與設計;2003年06期

6 郭慧;潘家禎;;采用進化算法的空間曲線誤差計算[J];工程圖學學報;2008年03期

7 徐天;;粒子群優(yōu)化算法在神經(jīng)網(wǎng)絡控制中的應用[J];工業(yè)控制計算機;2010年08期

8 周敬利,吳桂林,余勝生;基于BP神經(jīng)網(wǎng)絡的人臉檢測算法[J];計算機工程;2004年11期

9 肖曉麗;黃繼紅;劉志朋;;基于MPSO的BP網(wǎng)絡及其在入侵檢測中的應用[J];計算機工程;2008年15期

10 劉玉喜;于延;馮卉;;多目標優(yōu)化的粒子群算法研究[J];計算機工程與科學;2009年09期

本文編號：798412