下载文档原格式
一种神经网络预测控制在超临界主汽温度中的应用研究李云娟1，方彦军2（昆明学院自动控制与机械工程系云南昆明 650118；武汉大学自动化系湖北武汉 430072）摘要：传统PID控制难以在非线性、迟延、时变和具有扰动特质的超临界主汽温度控制系统中达到满意的控制效果。
因此，本文提出了一种采用多步预测、滚动优化和反馈校正的神经网络预测控制用于超临界电厂主汽温度控制系统，取得了较好的控制效果。
以某超临界电厂主汽温度为研究对象，MATLAB仿真结果表明：分不同的工况建立的主汽温度神经网络动态模型，能够很好地预测对象的动态特性，取得了优于传统PID的控制效果。
关键词：神经网络；预测控制；超临界；主汽温度；鲁棒性Application of A Neural Network Predictive Control for the Supercritical Main SteamLI Yun-Juan1，FANG Yan-jun2（1．Department of Automation Control and Mechanical Engineering，Kunming University,Yunnan Kunming 650118，China；2．Department of Automation，Wuhan University，Hubei Wuhan 430072，China）Abstract：The traditional PID control is difficult in the non-linear, delay, time-varying and have a disturbance characteristics of supercritical main steam temperature control system to achieve satisfactory control effect. This paper presents a neural network predictive control scheme, analysis of the algorithm theory and design process, the program is a multi-step prediction, rolling optimization and feedback correction control strategy, the reality of the robustness, good accuracy and fast, etc. control effect. Taking a supercritical main steam temperature as the research object, MATLAB simulation results show that: Split the different conditions established by the main steam temperature of neural network dynamic model that can predict very well the dynamic characteristics of the object, and achieved better than traditional PID's control effect.Key words：Rolling optimal prediction function；predictive control; supercritical fluid; main steam temperature; robustness0 前言火力发电中的主要环节是热能的传递和转换，将机组初参数提高到超临界状态，可以提高可用能的品位，使热能转换效率提高。
《自动化仪表》第27卷第12期 2006年12月BP 神经网络PI D 控制器在汽温控制中的应用The App li c ati o n of BP Neur a lNe t w ork Based P I D Con troll e r i n Superheated Steam Temper atu r e Con trol Syste m王万召 王增欣(平顶山工学院建筑环境与热能工程系,平顶山 467000)摘 要:通过将BP 神经网络和常规PI D 控制器结合,提出了一种新的火电厂超临界机组过热汽温控制方案。
将这种方法应用于主汽温控制,可以有效克服过热汽温对象的大滞后和大惯性,并能够克服对象在运行中参数变化的影响,获得良好的控制品质。
仿真试验表明:所设计的系统在控制品质、鲁棒性方面明显优于常规P I D 控制系统。
关键词:BP 神经网络 P I D 控制器 超临界机组 过热汽温 大迟延中图分类号:TP273;TK323 文献标识码:BAbstract :By co mb i ni ng t he BP neural net work w it h conventi ona lP I D contro ller ,a ne w t empera t ure control strategy of superheated stea m i n su -percriti cal electr i c po w er pl ant is put f or w ard .Th i s sche m e can effectivel y overco me t he large tm i e delay and i nertia o f t he superhea t ed steam and t he i nfl uence of ob j ect i n vary i ng operati onal parameters ,thus excellent contro l quali ty i s obt a i ned .Through sm i ulati on i n vari ous sit uati ons ,it va li dat es that the control q uality and t he robust ness of this contro l syste m are apparentl y superi or to t he conventi onal PID control syste m .K ey words :BP neura l net w ork PID contro ller Supercr itica l power unit Superheated stea m te mperat ure Large tm i e de l ay0 引言火电厂锅炉过热汽温控制系统是提高机组热效率和保证机组安全运行的重要组成部分。
基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究许琴;颜海斌;杨建华;张润盘【摘要】在现代火力发电厂中,对锅炉主蒸汽温度的控制是非常严格的.由于主蒸汽温度具有延迟大、惯性大、非线性等特性,导致对其控制比较困难.利用神经网络的学习能力和鲁棒性以及遗传算法的全局随机搜索能力,在常规PID控制基础上,提出采用二者相结合的PID控制策略.通过计算机仿真表明,基于遗传算法的BP神经网络的PID控制策略具有更好的控制品质,具有较广阔的应用前景.【期刊名称】《应用能源技术》【年(卷),期】2012(000)006【总页数】4页(P21-24)【关键词】神经网络;遗传算法;PID;主蒸汽温度【作者】许琴;颜海斌;杨建华;张润盘【作者单位】中材节能股份有限公司技术部,天津300400;浙能中煤舟山煤电有限责任公司发电部,浙江舟山316100;浙能中煤舟山煤电有限责任公司发电部,浙江舟山316100;河北省电力勘测设计研究院,河北石家庄050031【正文语种】中文【中图分类】TK229.40 引言在火电厂机组控制方面，锅炉主蒸汽温度是一个很重要的被控参数，能否对主蒸汽温度进行有效的控制，对机组安全经济运行至关重要。
目前，各类PID控制器因其参数物理意义明确、易于调整，在热工控制系统中占据着主导地位。
但是，常规PID控制器本身存在的一些缺陷使它在实际应用中的控制效果不是很理想。
因此，设计一种能够适应多种工况变化、具有较强鲁棒性的锅炉主汽温控制系统尤为重要。
遗传算法与人工神经网络都是在生物学原理基础上的科研成果。
将其结合研究，可以借鉴二者长处寻找求解复杂问题的有效途径。
将遗传算法与神经网络结合，可以使神经网络系统扩大搜索空间、提高计算效率以及增强神经网络建模的自动化程度。
1 优化方案及算法实现在实际应用中，绝大部分神经网络模型都是采用BP神经网络及其变换形式，BP神经网络是前向网络的核心部分，同时BP网络也存在着学习收敛速度慢、不能保证收敛到全局最小点等缺陷，其权值通常由梯度法来确定，因此经常经过多次反复试验却很难找到最优的权值。
一个基于BP神经网络的PID温度控制系统的研究与实现文章以注塑机温度控制系统为应用背景，研究了一个基于BP神经网络的PID温度控制系统。
标签：温度控制系统；研究；实现国内市场中的注塑机温度控制系统大多采用比例积分微分（PID）控制和模糊控制。
在塑料机械中，料桶的温度控制非常关键，低于或者高于塑料的适宜熔融标准都会影响产品的最终成型质量。
由于产品成型过程复杂而且可影响因素多，如果可以做好料桶的温控就可以对整个生产起到事半功倍的效果。
但是这几种控制方式都需要建立精确的数学模型，而注塑机温度控制系统是一个大滞后、强耦合、非线性的时变系统，建立精确的数学模型是非常困难的，因此PID温控系统的效果并不是很理想，鉴于这种情况，本文引入一个基于BP神经网络的温度PID控制系统来改善注塑机温度控制。
神经网络具有表达任意非线性映射的能力，能够对非线性系统进行建模。
利用神经网络的这一特点建立动态模型，作为预测控制器的预测模型，可用于热力过程的预测和控制，应用BP神经网络，通过学习和训练逼近对象的真实模型。
对温度控制的各相关指标的相对权重确定。
影响温度变化各相关因素在输入预测和评估模型时，需要一组决定其相对重要性的初始权重，权重的确定需要基本的原则作支持。
例如确定温度的上限及下限，纯加热控制段的比例，不同位置的温度控制段的默认PID参数等。
目前本文使用的是基于经验的三层架构的BP神经网络架构，通过输入层对采样数据的输入，隐含层的各种计算，并把计算结果通过输出传递出去，这样经过在线指导后，可以满足BPN-PIDS系统的算法的实现。
其中各层的连接权值首先通过随机赋值的方式进行，然后根据各指导案例的学习，得到健壮的权重值。
本文的主要工作是设计并实现了一个基于BP神经网络的温度PID控制系统（BP neural network PID system简称为BPN-PIDS），其核心是PID神经网络，如图1-2 BPN-PIDS控制算法所示。
单神经元PID控制在电厂过热汽温中的应用作者：朱小兰汪强来源：《城市建设理论研究》2014年第08期摘要：介绍了单神经元PID结构及其相关算法。
以过热汽温系统为对象，研究了单神经元相关参数以及单神经元PID控制器的抗干扰性。
仿真结果表明，单神经元PID 控制器结构简单、学习算法物理意义明确，参数调整容易，抗干扰能力强。
单神经元PID控制器是一种具有自学习能力和自适应能力的良好控制器，控制效果好，鲁棒性强。
关键词：单神经元PID；抗干扰性；过热汽温中图分类号：TM62文献标识码： A引言过热汽温系统属于典型的多容环节，其对象具有较大的惯性和延迟性，受到的干扰因素多，具有非线性、时变等特点。
电厂过热蒸汽温度控制系统大多采用串级PID控制方式【1】。
常规的PID串级控制系统具有结构简单、易于实现等特点。
由于过热汽温系统具有非线性和不确定性，且当发电机组向大容量发展，被控对象变得越来越复杂时，常规的汽温串级PID控制已经不能完全满足汽温控制质量的要求，PID控制参数难以确定，控制品质很难保证，而且系统的安全稳定会受影响。
目前得到广泛应用的人工神经网络对于多输入.输出非线性复杂系统具有很强的处理能力它能够以任意精度逼近任意连续非线性函数。
对于复杂不确定问题具有自适应能力和自学习能力【2】。
当被控对象具有复杂的非线性特性、难以建立精确的数学模型、且对象和环境不确定性时，常规串级PID控制往往难以实现，而神经网络PID却能达到很好的控制效果，通过自学习过程来获得控制器的参数，可以进一步改善控制器的性能，对系统参数变化有较强的适应能力，能很好地改善过热汽温的响应特性。
1 过热汽温经典串级控制系统模型目前电厂过热汽温控制一般采用串级控制方式. 为了克服控制通道的滞后和惯性, 采用了由导前汽温和主汽温串级构成的串级汽温控制系统【3】,其原理框图如图1所示. 被控对象采用文献【4】所给的参数。
图1 过热汽温串级控制系统图图1中： r—过热汽温期望值，为系统输入；，—汽温控制对象导前区和惰性区的传递函数，；，—导前汽温和主蒸汽温度测量单元， ==1；—内回路副调节器， =0.4；PI—外回路主调节器，.2单神经元自适应PID控制单神经元自适应PID控制器是通过对加权系数的调整来实现自适应，自组织功能，权系数的调整时按有监督的Hebb学习规则实现的[4]。
摘要神经网络控制和 PID 算法是目前已经应用非常广泛的技术,基于神经网络的PID 算法是现在非常受欢迎的算法。
温度是温室中非常重要的一个环境因子, 植物要想生长得好,长得快,温室的温度必须合适。
温室中温度(即被控对象复杂、时变, 而实际中对被控对象的控制要求越来越严格, 且传统的温室温度系统不具有智能的功能,所以,研究基于神经网络的 PID 算法去设计人工温室温度控制系统,来提高控制精度,使其具有智能功能,具有重要的意义。
本设计运用基于神经网络的 PID 算法来控制温室温度,使温室的温度始终在 25摄氏度左右。
本设计中采用了单神经元自适应 PID 控制器。
其优点为:神经网络具有一定的学习能力、自适应性、非线性映射能力和容错能力, 自适应控制系统具有适应能力, 它能够认识系统的环境条件的变化, 并自动校正控制动作, 从而使系统达到最优的控制效果。
单神经元的学习规则有三种, 在本设计中, 我们使用了有监督的 Hebb 学习规则。
并把传统的 PID 控制与单神经元自适应 PID 控制进行比较。
最后 MATLAB 仿真结果表明,该控制系统的控制效果优于传统的 PID ,具有超调小、控制精度高、抗干扰能力强等等优点。
关键词 :神经网络控制 PID 算法有监督的 Hebb 学习规则 MATLAB 仿真Title___ABSTRACTThe neural network control and PID algorithm is now very extensive technology,base -d on neural network of PID algorithm is now very popular algorithm. The temperature is the greenhouse one of important environmental factors.If people want the plants to grow well and grow fast, the greenhouse temperature must be appropriate. The temperature of the greenhouse (namely the controlled object is complex and time-varying.But the controlled object is required more and more strictly in practice. And thereis not an intelligent function in the traditional greenhouse-temperature system.So research based on neural network of PID algorithm to design artificial greenhouse temperature control system has important significance in order to improve the control precision, has intelligent function.This design is based on neural network using PID algorithm to control greenhouse temperature. Make the temperature of greenhouse always in around 25 degrees Celsius. This applied to the design of the single neuron adaptive PID controller. The advantages of it is that the neural network has some learning ability, adaptability, nonlinear mapping capability and fault tolerance,and adaptive control system has the ability to adjust the system, it can know the system environment changes,and automatic correction control action, thus make the system to achieve optimal control effect.Single neuron learning rule has three.In this design, We uses the Hebb learning rule with supervision. And the traditional PID control and single neuron only adapt to the PID control are compared. Finally MATLAB simulation results show that control effect of this control system is better than that of traditional PID, having overshoot small, high control accuracy and strong anti-interference ability and so on.Keywords:Neural network controlPID algorithm T he Hebb learning rule with supervision MATLAB simulation目录摘要 (I)ABSTRACT . ......................................................................................................... II 1绪论 .............................................................................................................. 1 1.1本论文的背景和意义 . (1)1.2本论文的主要研究方法及内容 (2)2神经网络控制以及 PID 算法简介 . ............................................................. 3 2.1神经网络控制 ...................................................................................... 3 2.2常规 PID 算法 . (6)2.3 神经 PID 控制 (10)3基于神经网络 PID 算法的温室温度控制系统设计 . ............................... 16 3.1温室温度控制系统模型的建立 ........................................................ 16 3.2单神经元自适应 PID 控制系统设计实现 ....................................... 17 3.3 仿真 .................................................................................................... 21结论 ...................................................................................................................... 26致谢 ...................................................................................................................... 27参考文献 .............................................................................................................. 28附录 A PID 程序 .............................................................................................. 29附录 B 基于神经网络的 PID 程序 .. (31)1绪论1.1 本论文的背景和意义随着社会的发展, 各种农作物温室和园艺温室的数量在不断的增加, 温室也成为设施农业中一个最主要、最关键的生产设施之一。
基于模糊神经网络的主汽温系统PID控制摘要：锅炉主蒸汽温度是火电厂锅炉运行的重要参数，对火电厂的经济效益、安全生产产生重大影响。
由于当前火电厂机组容量大、参数高、效率高，控制汽温对象又具有大迟延、非线性、时变等诸多特点，常规PID串级控制系统往往很难保证系统最优状态运行，满足不了生产的需求。
提出了基于模糊神经网络的主汽温系统PID控制，实现对过热蒸汽的有效控制，通过系统仿真表明，基于模糊神经网络的主汽温系统PID控制效果良好，因此该系统是切实可行的。
关键词：主汽温系统，神经网络，PIDPID Control of Main Steam Temperature System Based on Fuzzy Neural NetworkDuan Jian-fei（Hebei Datang Wuan Power Generation Co.， Ltd.， Wuan， Hebei 056300）Abstract：The main steam temperature of the boiler is an important parameterfor the operation of the boiler in thermal power plants， which has a major impact on the economic benefits and safe production of thermal power plants.Due to the large capacity， high parameters and high efficiency of the thermal power plant， the control of the steam temperature object has many characteristics such as large delay，non-linearity， time-varying， etc.The conventional PID cascade control system is often difficult to ensure the optimal operation of the system， and can not meet the requirements.Production needs.The PID control of the main steam temperature system based on fuzzy neural network is proposed to realize the effective control of superheated steam.The system simulation shows that the PID control of the main steam temperature system based on fuzzy neural network is effective， so the system is feasible.Key words：main steam temperature， fuzzy neural network， PID 引言在火力发电厂中，锅炉作为火电厂主要三大件之一，其主蒸汽温度又是主要的控制参数，为了保证电厂机组高效安全运行，员工必须严格将主蒸汽温度控制在一定范围内。
小型电加热反应器温度的RBF神经网络自整定PID控制于蒙;邹志云;赵丹丹;王志甄;盖希杰【摘要】电加热过程具有强非线性和时变特性，参数固定的常规PID很难对其进行精确的控制。
将常规PID控制和径向基函数（RBF）神经网络结合，提出了基于RBF神经网络的PID控制。
该方法是通过神经网络的自学习能力在线调整PID控制的参数。
通过Matlab与组态软件“组态王”的动态数据交换，在Matlab上编程实现了基于RBF神经网络的PID控制算法。
将该控制算法应用于小型电加热反应温度控制装置，结果显示这种算法取得了比常规PID更好的控制效果。
%Electric-heating process owns strong nonlinearity and time-varying properties. It is difficult to control the temperature accurately using conventional PID controller with fixed PID parameters. Combined with conventional PID controller and radial basis function (RBF) neural network, a PID controller based on RBF neural network is proposed. The parameters of PID controller are tuned on-line using self-learning ability of RBF neural network. This PID control algorithm is successfully implemented in Matlab software which is integrated with configuration software KingView through their Dynamic Data Exchange (DDE) channel. The PID controller is used in a small electric-heating reactor. The result shows that the RBF neural network PID controller has much better control performance than the traditional PID controller.【期刊名称】《石油化工自动化》【年(卷),期】2012(048)006【总页数】5页(P31-35)【关键词】径向基神经网络PID电加热反应器组态王【作者】于蒙;邹志云;赵丹丹;王志甄;盖希杰【作者单位】防化研究院,北京102205;防化研究院,北京102205;防化研究院,北京102205;防化研究院,北京102205;防化研究院,北京102205【正文语种】中文【中图分类】TP273小型电加热反应器被广泛应用于化工实验，其准确的温度控制对化工实验的顺利进行至关重要。
目前，由于PID具有结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。
电厂主汽温的被控对象是一个大惯性大迟延非线性且对象变化的系统。
常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。
但当运行工况发生较大变化时,却很难保证控制品质。
因此本文研究BP神经网络的PID 控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。
本处用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。
对这样一个系统在MATLAB平台上进行仿真研究，，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。
关键词：主汽温，PID，BP神经网络，MATLAB仿真ABSTRACTAt present, because PID has a simple structure and can be adjusted proportional integral and differential to satisfactory control performance，,it is widely used in power plants of various control process. The system of Power plant main steam temperature is an large inertia、big time-delayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of lead before, when the unit is stable, general will allow the steam temperature control in the range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural network . Using such characteristics of neural network self-learning, nonlinear and don't rely on model realize PID parameters online auto-tuning. It can make full use of the advantages of PID and neural network. Here,we use a multilayer feedforward neural network using back propagation algorithm and based on control requirements.This net can real-time output Kp, Ki, Kd as the PID controller parameters ,insteading of the traditional PID parameters determined by experience. So it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform.The simulation results show that the PID control based BP neural network has good adaptive ability and self-learning ability.For the system of large delay and free-model can obtain good control effect.KEY WO RDS: main steam temperature ，PID ，BP neural network，MATLAB simulation目录摘要.................................................................................................................................... 错误！未定义书签。
ABSTRACT...................................................................................................................................................................... I I 第一章绪论. (1)1.1 选题背景和意义 (1)1.2 国内外研究现状 (1)1.3 立论依据 (5)1.4 本文所做的主要工作 (5)1.5 本论文的章节安排 (5)第二章神经网络原理和应用 (7)2.1 MP模型 (7)2.2 神经网络的学习方式和学习规则 (8)2.2.1 神经网络的学习方式 (8)2.2.2 神经网络的学习规则 (8)2.3 神经网络的特点及应用 (9)2.4 BP神经网络 (10)2.4.1 BP神经网络的结构 (10)2.4.2 BP神经网络算法 (11)2.4.3 BP神经网络的前向传播算法 (11)2.4.4 BP神经网络的反向传播计算 (12)第三章基于BP神经网络的PID控制 (14)3.1 PID控制器的离散差分方程 (14)3.2 基于BP神经网络的PID整定原理 (15)3.3 基于BP网络的PID控制器控制的算法流程 (19)第四章基于BP神经网络的PID控制在主汽温控制系统中的应用 (21)4.1 锅炉主汽温的特点 (21)4.1.1 主汽温的控制任务 (21)4.1.2 主汽温控制对象的动态特性 (21)4.2 主汽温的数学模型 (23)4.2.1 主汽温控制系统调节信号的选择 (23)4.2.2 减温水扰动下主汽温的数学模型 (23)4.3 主汽温控制方法 (25)4.4 主汽温基于BP神经网络的PID控制Matlab仿真 (26)4.5 仿真结果分析 (35)结论与展望 (36)参考文献 (37)附录 A (39)致谢 (43)第一章绪论1.1 选题背景和意义在控制系统设计中,最主要而又最困难的问题是如何针对复杂、变化及具有不确定性的受控对象和环境作出有效的控制决策。
经典控制理论和现代控制理论的基础是建立数学模型,以此进行控制系统设计,然而面对工程实际问题和工程应用对控制要求的不断提高,基于数学模型的控制理论和方法的局限性日益明显。
无模型控制能有效提高控制系统的适应性和鲁棒性,因此,走向无模型控制是自动控制发展的另一个重要方向。
在1943年，麦卡洛克和皮茨首次提出了脑模型，其最初动机在于模仿生物的神经系统。
随着超大规模集成电路(VLSl)、光电子学和计算机技术的发展，人工神经网络(ANN)己引起更为广泛的注意。
近年来，基于神经元控制的理论和机理已获得进一步的开发和应用。
尽管基于神经元的控制能力还比较有限，但由于神经网络控制器具有学习能力和记忆能力、概括能力、并行处理能力、容错能力等重要特性，仍然有许多基于ANN的控制器被设计出来,这类控制器具有并行处理、执行速度快、鲁棒性好、自适应性强和适于应用等优点，广泛的应用在控制领域[1]。
神经网络控制是一种基本上不依赖于模型的控制方法,它比较适用于那些具有不确定性或高度非线性的控制对象,并具有较强的适应和学习功能,它是智能控制的一个重要分支。
对于自动控制来说,神经网络有具有自适应功能，泛化功能，非线性映射功，高度并行处理功能等几方面优势〔2〕，这使得神经网络成为当今一个非常热门的交叉学科, 广泛应用在电力，化工，机械等各行各业，并取得了比较好的控制效果。
1.2 国内外研究现状随着现代工业过程的日益复杂，经典现代控制理论面临严峻挑战，例如被控系统越来越巨大，存在多种不确定因素，存在难以确定描述的非线性特性，而控制的要求越来越高(如控制精度、稳定性、容错、实时性等)，因此人们一直在探索如何使控制系统具有更高的智能，使之能够适应各种控制环境。
而神经网络源于对人脑神经功能的模拟，它的某些类似人的智能特性有可能被用于解决现代控制面临的一些难题。
因此，从20世纪60年代起，人们就开始研究神经网络在控制中的应用了，取得了一定效果。
目前，随着神经理论的发展和新算法的相继提出，神经网络的应用越来越广泛。
从神经网络的基本模式看,主要有:前馈型、反馈型、自组织型及随机型神经网络〔3〕。
这四种类型各自具有不同的网络模型：前馈网络中主要有Adaline、BP网络及RBF网络；反馈网络主要有Hopfield网络；自组织网络主要有ART网，当前，已经比较成熟的神经网络控制模型主要有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等[4](1) 、神经网络自校正控制神经自校正控制结构如图，它由两个回路组成：(1)自校正控制器与被控对象构成的反馈回路；(2)神经网络辨识器与控制器设计，以得到控制器的参数。
这种方案的设计思想是利用神经网络辨识器的计算估计能力对常规控制器参数进行约束优化求解,从而实现对常规控制器的参数或结构进行调整。
方框图如下[5]：图1-1 神经自校正控制结构图可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。
（2）、神经网络PID控制。
PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的关系。
神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。
