發(fā)布時(shí)間：2017-09-05 14:07

  本文關(guān)鍵詞：油冷卻機(jī)的高精度溫度控制算法研究

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

【摘要】：隨著科技的發(fā)展，對(duì)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(jī)床加工精度最重要的因素是熱誤差。油冷機(jī)根據(jù)制冷原理，通過液態(tài)冷媒熱交換來穩(wěn)定機(jī)床加工的溫度。溫度控制具有非線性、強(qiáng)耦合、時(shí)變、延遲等特點(diǎn)，如何實(shí)現(xiàn)精確的溫度控制對(duì)油冷機(jī)的性能有著重要的現(xiàn)實(shí)意義。 論文首先分析了油冷機(jī)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(jī)的制冷循環(huán)系統(tǒng)，，使用數(shù)學(xué)工具對(duì)油冷機(jī)的部件及整機(jī)系統(tǒng)進(jìn)行了數(shù)學(xué)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(luò)控制原理，采用RBF神經(jīng)網(wǎng)絡(luò)和增量式PID控制相結(jié)合，用RBF神經(jīng)網(wǎng)絡(luò)對(duì)PID參數(shù)進(jìn)行在線辨識(shí)，并基于油冷機(jī)的制冷模型，用Matlab仿真得到整定結(jié)果，與普通的PID控制器控制效果進(jìn)行了對(duì)比分析。 論文還深入研究了粒子群算法，引入收縮因子改進(jìn)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(jìn)行了仿真和結(jié)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(luò)的網(wǎng)絡(luò)參數(shù)，再利用RBF神經(jīng)網(wǎng)絡(luò)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(luò)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(jìn)行了仿真對(duì)比試驗(yàn)。仿真結(jié)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(luò)參數(shù)的PID參數(shù)整定算法控制效果良好，魯棒性和適應(yīng)性良好，改善了油冷卻機(jī)的溫度控制收斂時(shí)間和控制精度。
【關(guān)鍵詞】：油冷卻機(jī) 溫度控制 PID 神經(jīng)網(wǎng)絡(luò) 粒子群優(yōu)化算法 RBF
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：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(guó)內(nèi)外研究現(xiàn)狀綜述11-14
• 1.2.1 制冷循環(huán)系統(tǒng)國(guó)內(nèi)外發(fā)展現(xiàn)狀11-12
• 1.2.2 溫度控制算法國(guó)內(nèi)外發(fā)展現(xiàn)狀12-14
• 1.3 本文主要內(nèi)容及結(jié)構(gòu)安排14-15
• 第二章 油冷機(jī)的數(shù)學(xué)建模15-25
• 2.0 油冷機(jī)工作原理15-16
• 2.1 壓縮機(jī)的數(shù)學(xué)建模16-19
• 2.1.1 壓縮機(jī)簡(jiǎn)化16-17
• 2.1.2 基本數(shù)學(xué)模型17-19
• 2.2 換熱器模型19-22
• 2.2.1 冷凝器數(shù)學(xué)建模20-21
• 2.2.2 蒸發(fā)器數(shù)學(xué)建模21-22
• 2.3 電子膨脹閥數(shù)學(xué)建模22-23
• 2.4 油冷機(jī)數(shù)學(xué)模型傳遞參數(shù)的確定23-24
• 2.5 本章小結(jié)24-25
• 第三章 神經(jīng)網(wǎng)絡(luò) PID 控制器的控制參數(shù)自整定25-42
• 3.1 神經(jīng)網(wǎng)絡(luò)原理25-29
• 3.1.1 MP 模型26-27
• 3.1.2 激勵(lì)函數(shù)類型27-28
• 3.1.3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式和學(xué)習(xí)規(guī)則28-29
• 3.2 RBF 神經(jīng)網(wǎng)絡(luò)29-33
• 3.2.1 RBF 神經(jīng)網(wǎng)絡(luò)概述29-30
• 3.2.2 RBF 網(wǎng)絡(luò)的優(yōu)勢(shì)30-31
• 3.2.3 被控對(duì)象 Jacobian 信息的辨識(shí)算法31
• 3.2.4 RBF 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)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(jìn)設(shè)想36-37
• 3.4 RBF 神經(jīng)網(wǎng)絡(luò) PID 控制器的設(shè)計(jì)37-39
• 3.4.1 RBF 神經(jīng)網(wǎng)絡(luò) PID 參數(shù)自整定原理37-38
• 3.4.2 RBF 神經(jīng)網(wǎng)絡(luò) PID 參數(shù)自整定步驟38-39
• 3.5 仿真結(jié)果分析39-40
• 3.6 本章小結(jié)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(xué)理論44
• 4.1.3 粒子群算法基本流程44-45
• 4.2 粒子群學(xué)習(xí)算法的優(yōu)化45-47
• 4.2.1 慣性權(quán)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(yīng)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(shè)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(shè)計(jì)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(shè)計(jì)53-55
• 4.4.5 仿真結(jié)果分析55-57
• 4.5 粒子群算法優(yōu)化的 RBF 神經(jīng)網(wǎng)絡(luò) PID 控制器設(shè)計(jì)57-62
• 4.5.1 應(yīng)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(jié)果分析60-62
• 4.6 本章小結(jié)62-64
• 第五章 總結(jié)與展望64-66
• 5.1 總結(jié)64-65
• 5.2 未來展望65-66
• 參考文獻(xiàn)66-71
• 致謝71-72
• 詳細(xì)摘要72-76

【參考文獻(xiàn)】

中國(guó)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(jī)試卷生成的分析[J];重慶城市管理職業(yè)學(xué)院學(xué)報(bào);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(qiáng);張欒英;朱成林;;用RBF網(wǎng)絡(luò)整定的火電廠主汽溫PID串級(jí)控制系統(tǒng)[J];動(dòng)力工程;2006年01期

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

5 胡廣良,李思明;神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)優(yōu)化設(shè)計(jì)中的應(yīng)用[J];工程建設(shè)與設(shè)計(jì);2003年06期

6 郭慧;潘家禎;;采用進(jìn)化算法的空間曲線誤差計(jì)算[J];工程圖學(xué)學(xué)報(bào);2008年03期

7 徐天;;粒子群優(yōu)化算法在神經(jīng)網(wǎng)絡(luò)控制中的應(yīng)用[J];工業(yè)控制計(jì)算機(jī);2010年08期

8 周敬利,吳桂林,余勝生;基于BP神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法[J];計(jì)算機(jī)工程;2004年11期

9 肖曉麗;黃繼紅;劉志朋;;基于MPSO的BP網(wǎng)絡(luò)及其在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)工程;2008年15期

10 劉玉喜;于延;馮卉;;多目標(biāo)優(yōu)化的粒子群算法研究[J];計(jì)算機(jī)工程與科學(xué);2009年09期

本文編號(hào)：798412