神经网络用于控制的优越性,神经网络的稳定性

1、神经网络控制器怎样搭建

你先用PID控制得到训练数据，然后用训练数据去训练神经网络，最后能生成一个神经网络控制器，这样就可以了！

谷歌人工智能写作项目：小发猫

2、求bp神经网络控制器选型，或bp神经网络控制器？请高手举例一下，谢谢！

人工神经网络应用系统参考：一个技术宅的学习笔记。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

BP神经网络和PID控制器的代码见附件。

3、神经网络的发展趋势如何？

神经网络的云集成模式还不是很成熟，应该有发展潜力，但神经网络有自己的硬伤，不知道能够达到怎样的效果，所以决策支持系统中并不是很热门，但是神经网络无视过程的优点也是无可替代的，云网络如果能够对神经网络提供一个互补的辅助决策以控制误差的话，也许就能使神经网络成熟起来
1 人工神经网络产生的背景
自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。在这些理论基础之上，科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。另一方面，19世纪之前，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系统的关键。为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。所以，人工神经网络的创立不是偶然的，而是20世纪初科学技术充分发展的产物。
2 人工神经网络的发展
人工神经网络的研究始于40年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的远为曲折的道路。
1943年，心理学家W.S.Mcculloch和数理逻辑学家W.Pitts 提出了M—P模型，这是第一个用数理语言描述脑的信息处理过程的模型， 虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。1949年，心理学家D.O.Hebb提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。 1957 年， 计算机科学家Rosenblatt提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络，第一次把神经网络研究付诸工程实现。由于可应用于模式识别，联想记忆等方面，当时有上百家实验室投入此项研究，美国军方甚至认为神经网络工程应当比“原子弹工程”更重要而给予巨额资助，并在声纳信号识别等领域取得一定成绩。1960年，B.Windrow和E.Hoff提出了自适应线性单元， 它可用于自适应滤波、预测和模式识别。至此，人工神经网络的研究工作进入了第一个高潮。
1969年，美国著名人工智能学者M.Minsky和S.Papert编写了影响很大的Perceptron一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知机能力也不过如此，他们的分析恰似一瓢冷水，很多学者感到前途渺茫而纷纷改行，原先参与研究的实验室纷纷退出，在这之后近10年，神经网络研究进入了一个缓慢发展的萧条期。这期间，芬兰学者T.Kohonen 提出了自组织映射理论，反映了大脑神经细胞的自组织特性、记忆方式以及神经细胞兴奋刺激的规律；美国学者S.A.Grossberg的自适应共振理论（ART ）；日本学者K.Fukushima提出了认知机模型；ShunIchimari则致力于神经网络有关数学理论的研究等，这些研究成果对以后的神经网络的发展产生了重要影响。
美国生物物理学家J.J.Hopfield于1982年、1984年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的又一次热潮。 1982 年， 他提出了一个新的神经网络模型——hopfield网络模型。他在这种网络模型的研究中，首次引入了网络能量函数的概念，并给出了网络稳定性的判定依据。1984年，他又提出了网络模型实现的电子电路，为神经网络的工程实现指明了方向，他的研究成果开拓了神经网络用于联想记忆的优化计算的新途径，并为神经计算机研究奠定了基础。1984年Hinton等人将模拟退火算法引入到神经网络中，提出了Boltzmann机网络模型，BM 网络算法为神经网络优化计算提供了一个有效的方法。1986年，D.E.Rumelhart和J.LMcclelland提出了误差反向传播算法，成为至今为止影响很大的一种网络学习方法。1987年美国神经计算机专家R.Hecht—Nielsen提出了对向传播神经网络，该网络具有分类灵活，算法简练的优点，可用于模式分类、函数逼近、统计分析和数据压缩等领域。1988年L.Ochua 等人提出了细胞神经网络模型，它在视觉初级加工上得到了广泛应用。
为适应人工神经网络的发展，1987年成立了国际神经网络学会，并决定定期召开国际神经网络学术会议。1988年1月Neural Network 创刊。1990年3月IEEE Transaction on Neural Network问世。 我国于1990年12月在北京召开了首届神经网络学术大会，并决定以后每年召开一次。1991 年在南京成立了中国神经网络学会。 IEEE 与INNS 联合召开的IJCNN92已在北京召开。 这些为神经网络的研究和发展起了推波助澜的作用，人工神经网络步入了稳步发展的时期。
90年代初，诺贝尔奖获得者Edelman提出了Darwinism模型，建立了神经网络系统理论。同年，Aihara等在前人推导和实验的基础上，给出了一个混沌神经元模型，该模型已成为一种经典的混沌神经网络模型，该模型可用于联想记忆。 Wunsch 在90OSA 年会上提出了一种AnnualMeeting，用光电执行ART，学习过程有自适应滤波和推理功能，具有快速和稳定的学习特点。1991年，Hertz探讨了神经计算理论， 对神经网络的计算复杂性分析具有重要意义；Inoue 等提出用耦合的混沌振荡子作为某个神经元，构造混沌神经网络模型，为它的广泛应用前景指明了道路。1992年，Holland用模拟生物进化的方式提出了遗传算法， 用来求解复杂优化问题。1993年方建安等采用遗传算法学习，研究神经网络控制器获得了一些结果。1994年Angeline等在前人进化策略理论的基础上，提出一种进化算法来建立反馈神经网络，成功地应用到模式识别，自动控制等方面；廖晓昕对细胞神经网络建立了新的数学理论和方法，得到了一系列结果。HayashlY根据动物大脑中出现的振荡现象，提出了振荡神经网络。1995年Mitra把人工神经网络与模糊逻辑理论、 生物细胞学说以及概率论相结合提出了模糊神经网络，使得神经网络的研究取得了突破性进展。Jenkins等人研究光学神经网络， 建立了光学二维并行互连与电子学混合的光学神经网络，它能避免网络陷入局部最小值，并最后可达到或接近最理想的解；SoleRV等提出流体神经网络，用来研究昆虫社会，机器人集体免疫系统，启发人们用混沌理论分析社会大系统。1996年，ShuaiJW’等模拟人脑的自发展行为， 在讨论混沌神经网络的基础上提出了自发展神经网络。1997、1998年董聪等创立和完善了广义遗传算法，解决了多层前向网络的最简拓朴构造问题和全局最优逼近问题。
随着理论工作的发展，神经网络的应用研究也取得了突破性进展，涉及面非常广泛，就应用的技术领域而言有计算机视觉，语言的识别、理解与合成，优化计算，智能控制及复杂系统分析，模式识别，神经计算机研制，知识推理专家系统与人工智能。涉及的学科有神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经网络计算机软硬件实现的开发方面也取得了显著的成绩，并逐步形成产品。在美国，神经计算机产业已获得军方的强有力支持，国防部高级研究计划局认为“神经网络是解决机器智能的唯一希望”，仅一项8 年神经计算机计划就投资4亿美元。在欧洲共同体的ESPRIT计划中， 就有一项特别项目：“神经网络在欧洲工业中的应用”，单是生产神经网络专用芯片这一项就投资2200万美元。据美国资料声称，日本在神经网络研究上的投资大约是美国的4倍。我国也不甘落后，自从1990 年批准了南开大学的光学神经计算机等3项课题以来， 国家自然科学基金与国防预研基金也都为神经网络的研究提供资助。另外，许多国际著名公司也纷纷卷入对神经网络的研究，如Intel、IBM、Siemens、HNC。神经计算机产品开始走向商用阶段，被国防、企业和科研部门选用。在举世瞩目的海湾战争中，美国空军采用了神经网络来进行决策与控制。在这种刺激和需求下，人工神经网络定会取得新的突破，迎来又一个高潮。自1958年第一个神经网络诞生以来，其理论与应用成果不胜枚举。人工神经网络是一个快速发展着的一门新兴学科，新的模型、新的理论、新的应用成果正在层出不穷地涌现出来。
3 人工神经网络的发展前景
针对神经网络存在的问题和社会需求，今后发展的主要方向可分为理论研究和应用研究两个方面。
（1）利用神经生理与认识科学研究大脑思维及智能的机理、 计算理论，带着问题研究理论。
人工神经网络提供了一种揭示智能和了解人脑工作方式的合理途径，但是由于人类起初对神经系统了解非常有限，对于自身脑结构及其活动机理的认识还十分肤浅，并且带有某种“先验”。例如， Boltzmann机引入随机扰动来避免局部极小，有其卓越之处，然而缺乏必要的脑生理学基础，毫无疑问，人工神经网络的完善与发展要结合神经科学的研究。而且，神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论。因此利用神经生理和认识科学研究大脑思维及智能的机理，如有新的突破，将会改变智能和机器关系的认识。
利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，如神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等，开发新的网络数理理论。由于神经网络的非线性，因此非线性问题的研究是神经网络理论发展的一个最大动力。特别是人们发现，脑中存在着混沌现象以来，用混沌动力学启发神经网络的研究或用神经网络产生混沌成为摆在人们面前的一个新课题，因为从生理本质角度出发是研究神经网络的根本手段。
（2）神经网络软件模拟， 硬件实现的研究以及神经网络在各个科学技术领域应用的研究。
由于人工神经网络可以用传统计算机模拟，也可以用集成电路芯片组成神经计算机，甚至还可以用光学的、生物芯片的方式实现，因此研制纯软件模拟，虚拟模拟和全硬件实现的电子神经网络计算机潜力巨大。如何使神经网络计算机与传统的计算机和人工智能技术相结合也是前沿课题；如何使神经网络计算机的功能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机，分子神经计算机，将具有十分诱人的前景。
4 哲理
（1）人工神经网络打开了认识论的新领域
认识与脑的问题，长期以来一直受到人们的关注，因为它不仅是有关人的心理、意识的心理学问题，也是有关人的思维活动机制的脑科学与思维科学问题，而且直接关系到对物质与意识的哲学基本问题的回答。人工神经网络的发展使我们能够更进一步地既唯物又辩证地理解认识与脑的关系，打开认识论的新领域。人脑是一个复杂的并行系统，它具有“认知、意识、情感”等高级脑功能，用人工进行模拟，有利于加深对思维及智能的认识，已对认知和智力的本质的研究产生了极大的推动作用。在研究大脑的整体功能和复杂性方面，人工神经网络给人们带来了新的启迪。由于人脑中存在混沌现象，混沌可用来理解脑中某些不规则的活动，从而混沌动力学模型能用作人对外部世界建模的工具，可用来描述人脑的信息处理过程。混沌和智能是有关的，神经网络中引入混沌学思想有助于提示人类形象思维等方面的奥秘。人工神经网络之所以再度兴起，关键在于它反映了事物的非线性，抓住了客观世界的本质，而且它在一定程度上正面回答了智能系统如何从环境中自主学习这一最关键的问题，从认知的角度讲，所谓学习，就是对未知现象或规律的发现和归纳。由于神经网络具有高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆功能以及十分强的自适应、自学习功能，而使得它成为揭示智能和了解人脑工作方式的合理途径。但是，由于认知问题的复杂性，目前，我们对于脑神经网的运行和神经细胞的内部处理机制，如信息在人脑是如何传输、存贮、加工的？记忆、联想、判断是如何形成的？大脑是否存在一个操作系统？还没有太多的认识，因此要制造人工神经网络来模仿人脑各方面的功能，还有待于人们对大脑信息处理机理认识的深化。
（2）人工神经网络发展的推动力来源于实践、 理论和问题的相互作用
随着人们社会实践范围的不断扩大，社会实践层次的不断深入，人们所接触到的自然现象也越来越丰富多彩、纷繁复杂，这就促使人们用不同的原因加以解释不同种类的自然现象，当不同种类的自然现象可以用同样的原因加以解释，这样就出现了不同学科的相互交叉、综合，人工神经网络就这样产生了。在开始阶段，由于这些理论化的网络模型比较简单，还存在许多问题，而且这些模型几乎没有得到实践的检验，因而神经网络的发展比较缓慢。随着理论研究的深入，问题逐渐地解决特别是工程上得到实现以后，如声纳识别成功，才迎来了神经网络的第一个发展高潮。可Minisky认为感知器不能解决异或问题， 多层感知器也不过如此，神经网络的研究进入了低谷，这主要是因为非线性问题没得到解决。随着理论的不断丰富，实践的不断深入， 现在已证明Minisky的悲观论调是错误的。今天，高度发达的科学技术逐渐揭示了非线性问题是客观世界的本质。问题、理论、实践的相互作用又迎来了人工神经网络的第二次高潮。目前人工神经网络的问题是智能水平不高，还有其它理论和实现方面的问题，这就迫使人们不断地进行理论研究，不断实践，促使神经网络不断向前发展。总之，先前的原因遇到了解释不同的新现象，促使人们提出更加普遍和精确的原因来解释。理论是基础，实践是动力，但单纯的理论和实践的作用还不能推动人工神经网络的发展，还必须有问题提出，才能吸引科学家进入研究的特定范围，引导科学家从事相关研究，从而逼近科学发现，而后实践又提出新问题，新问题又引发新的思考，促使科学家不断思考，不断完善理论。人工神经网络的发展无不体现着问题、理论和实践的辩证统一关系。
（3 ）人工神经网络发展的另一推动力来源于相关学科的贡献及不同学科专家的竞争与协同
人工神经网络本身就是一门边缘学科，它的发展有更广阔的科学背景，亦即是众多科研成果的综合产物，控制论创始人Wiener在其巨著《控制论》中就进行了人脑神经元的研究；计算机科学家Turing就提出过B网络的设想；Prigogine提出非平衡系统的自组织理论，获得诺贝尔奖；Haken研究大量元件联合行动而产生宏观效果， 非线性系统“混沌”态的提出及其研究等，都是研究如何通过元件间的相互作用建立复杂系统，类似于生物系统的自组织行为。脑科学与神经科学的进展迅速反映到人工神经网络的研究中，例如生物神经网络理论，视觉中发现的侧抑制原理，感受野概念等，为神经网络的发展起了重要的推动作用。从已提出的上百种人工神经网络模型中，涉及学科之多，令人目不暇接，其应用领域之广，令人叹为观止。不同学科专家为了在这一领域取得领先水平，存在着不同程度的竞争，所有这些有力地推动了人工神经网络的发展。人脑是一个功能十分强大、结构异常复杂的信息系统，随着信息论、控制论、生命科学，计算机科学的发展，人们越来越惊异于大脑的奇妙，至少到目前为止，人类大脑信号处理机制对人类自身来说，仍是一个黑盒子，要揭示人脑的奥秘需要神经学家、心理学家、计算机科学家、微电子学家、数学家等专家的共同努力，对人类智能行为不断深入研究，为人工神经网络发展提供丰富的理论源泉。另外，还要有哲学家的参与，通过哲学思想和自然科学多种学科的深层结合，逐步孕育出探索人类思维本质和规律的新方法，使思维科学从朦胧走向理性。而且，不同领域专家的竞争与协调同有利于问题清晰化和寻求最好的解决途径。纵观神经网络的发展历史，没有相关学科的贡献，不同学科专家的竞争与协同，神经网络就不会有今天。当然，人工神经网络在各个学科领域应用的研究反过来又推动其它学科的发展，推动自身的完善和发展。

4、现代控制理论的发展

1.智能控制(Intelligent Control)
智能控制是人工智能和自动控制的结合物，是一类无需人的干预就能够独立地驱动智能机器，实现其目标的自动控制。智能控制的注意力并不放在对数学公式的表达、计算和处理上，而放在对任务和模型的描述，符号和环境的识别以及知识库和推理机的设计开发上。智能控制用于生产过程，让计算机系统模仿专家或熟练操作人员的经验，建立起以知识为基础的广义模型，采用符号信息处理、启发式程序设计、知识表示和自学习、推理与决策等智能化技术，对外界环境和系统过程进行理解、判断、预测和规划，使被控对象按一定要求达到预定的目的。
智能控制的理论基础是人工智能,控制论,运筹学和系统学等学科的交叉，它的主要特点是：
⑴同时具有以知识表示的非数学广义模型和以数学模型表示的混合控制过程；
⑵智能控制的核心在高层控制，即组织级，它的主要任务在于对实际环境或过程进行组织；
⑶系统获取的信息不仅是数学信息，更重要的是文字符号、图像、图形、声音等各种信息。
智能控制正处于发展过程中，还存在许多有待研究的问题：
⑴探讨新的智能控制理论；
⑵采用语音控制；
⑶提高系统的学习能力和自主能力；
⑷利用现有的非线性技术分析闭环系统的特性；
⑸智能控制的实现问题。
2.非线性控制(Nonlinear Control)
非线性控制是复杂控制理论中一个重要的基本问题，也是一个难点课题，它的发展几乎与线性系统平行。非线性系统的发展，数学工具是一个相当困难的问题，泰勒级数展开对有些情况是不能适用的。古典理论中的“相平面”法只适用于二阶系统，适用于含有一个非线性元件的高阶系统的“描述函数”法也是一种近似方法。由于非线性系统的研究缺乏系统的、一般性的理论及方法，于是综合方法得到较大的发展，主要有：
⑴李雅普诺夫方法：它是迄今为止最完善、最一般的非线性方法，但是由于它的一般性，在用来分析稳定性或用来镇定综合时都欠缺构造性。
⑵变结构控制：由于其滑动模态具有对干扰与摄动的不变性，到80年代受到重视，是一种实用的非线性控制的综合方法。
⑶微分几何法：在过去的的20年中，微分几何法一直是非线性控制系统研究的主流，它对非线性系统的结构分析、分解以及与结构有关的控制设计带来极大方便.用微分几何法研究非线性系统是现代数学发展的必然产物，正如意大利教授Isidori指出：“用微分几何法研究非线性系统所取得的成绩，就象50年代用拉氏变换及复变函数理论对单输入单输出系统的研究，或用线性代数对多变量系统的研究。”但这种方法也有它的缺点，体现在它的复杂性、无层次性、准线性控制以及空间测度被破坏等。因此近又有学者提出引入新的、更深刻的数学工具去开拓新的方向，例如：微分动力学、微分拓扑与代数拓扑、代数几何等。
3.自适应控制(Adaptive Control)
自适应控制系统通过不断地测量系统的输入、状态、输出或性能参数，逐渐了解和掌握对象，然后根据所得的信息按一定的设计方法，作出决策去更新控制器的结构和参数以适应环境的变化，达到所要求的控制性能指标。
自适应控制系统应具有三个基本功能：
⑴辨识对象的结构和参数，以便精确地建立被控对象的数学模型;
⑵给出一种控制律以使被控系统达到期望的性能指标；
⑶自动修正控制器的参数。因此自适应控制系统主要用于过程模型未知或过程模型结构已知但参数未知且随机的系统。
自适应控制系统的类型主要有自校正控制系统，模型参考自适应控制系统，自寻最优控制系统，学习控制系统等。非线性系统的自适应控制，基于神经网络的自适应控制又得到重视，提出一些新的方法。
4.鲁棒控制(Robust Control)
过程控制中面临的一个重要问题就是模型不确定性，鲁棒控制主要解决模型的不确定性问题，但在处理方法上与自适应控制有所不同。自适应控制的基本思想是进行模型参数的辩识，进而设计控制器。控制器参数的调整依赖于模型参数的更新，不能预先把可能出现的不确定性考虑进去。而鲁棒控制在设计控制器时尽量利用不确定性信息来设计一个控制器，使得不确定参数出现时仍能满足性能指标要求。
鲁棒控制认为系统的不确定性可用模型集来描述，系统的模型并不唯一，可以是模型集里的任一元素，但在所设计的控制器下，都能使模型集里的元素满足要求。鲁棒控制的一个主要问题就是鲁棒稳定性，常用的有三种方法：
⑴当被研究的系统用状态矩阵或特征多项式描述时一般采用代数方法，其中心问题是讨论多项式或矩阵组的稳定性问题；
⑵李雅普诺夫方法，对不确定性以状态空间模式出现时是一种有利工具；
⑶频域法从传递函数出发研究问题，有代表性的是Hoo控制，它用作鲁棒性分析的有效性体现在外部扰动不再假设为固定的，而只要求能量有界即可。这种方法已被用于工程设计中，如Hoo最优灵敏度控制器设计。
5.模糊控制(Fuzzy Control)
模糊控制借助模糊数学模拟人的思维方法，将工艺操作人员的经验加以总结，运用语言变量和模糊逻辑理论进行推理和决策，对复杂对象进行控制。模糊控制既不是指被控过程是模糊的，也不意味控制器是不确定的，它是表示知识和概念上的模糊性，它完成的工作是完全确定的。
1974年英国工程师E.H.Mamdam首次把Fuzzy集合理论用于锅炉和蒸气机的控制以来，开辟了Fuzzy控制的新领域，特别是对于大时滞、非线性等难以建立精确数学模型的复杂系统，通过计算机实现模糊控制往往能取得很好的结果。
模糊控制的类型有：
⑴基本模糊控制器，一旦模糊控制表确定之后，控制规则就固定不变了；
⑵自适应模糊控制器，在运行中自动修改、完善和调整规则，使被控过程的控制效果不断提高,达到预期的效果；
⑶智能模糊控制器，它把人、人工智能和神经网络三者联系起来，实现综合信息处理，使系统既具有灵活的推理机制、启发性知识与产生式规则表示，又具有多种层次、多种类型的控制规律选择。
模糊控制的特点是不需要精确的数学模型，鲁棒性强，控制效果好，容易克服非线性因素的影响，控制方法易于掌握。有人提出神经——模糊Inter3融合控制模型，即把融合结构、融合算法及控制合为一体进行设计。又有人提出利用同伦BP网络记忆模糊规则，以“联想方式”使用这些经验。
模糊控制有待进一步研究的问题：模糊控制系统的功能、稳定性、最优化问题的评价；非线性复杂系统的模糊建模，模糊规则的建立和模糊推理算法的研究；找出可遵循的一般设计原则。
6.神经网络控制(Neural Network Control)
神经网络是由所谓神经元的简单单元按并行结构经过可调的连接权构成的网络。神经网络的种类很多，控制中常用的有多层前向BP网络，RBF网络，Hopfield网络以及自适应共振理论模型（ART）等。
神经网络控制就是利用神经网络这种工具从机理上对人脑进行简单结构模拟的新型控制和辨识方法。神经网络在控制系统中可充当对象的模型，还可充当控制器。常见的神经网络控制结构有：
⑴参数估计自适应控制系统;
⑵内模控制系统；
⑶预测控制系统；
⑷模型参考自适应系统；
⑸变结构控制系统。
神经网络控制的主要特点是：可以描述任意非线性系统；用于非线性系统的辨识和估计；对于复杂不确定性问题具有自适应能力；快速优化计算能力；具有分布式储存能力，可实现在线、离线学习。
有人提出以Hopfield网络实现一种多分辨率体视协同算法，该算法以逐级融合的方式自动完成由粗到细，直至全分辨率的匹配和建立。又有人提出一种网络自组织控制器，采用变斜率的最速梯度下降学习算法，应用在非线性跟踪控制中。今后需进一步探讨的问题是提高网络的学习速度，提出新的网络结构，创造出更适用于控制的专用神经网络。
7.实时专家控制(Real Time Expert Control)
专家系统是一个具有大量专门知识和经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。专家系统和传统的计算机程序最本质的区别在于：专家系统所要解决的问题一般没有算法解，并且往往要在不完全、不精确或不确定的信息基础上作出结论。
实时专家系统应用模糊逻辑控制和神经网络理论，融进专家系统自适应地管理一个客体或过程的全面行为，自动采集生产过程变量，解释控制系统的当前状况，预测过程的未来行为,诊断可能发生的问题，不断修正和执行控制计划。实时专家系统具有启发性、透明性、灵活性等特点，已经在航天试验指挥、工业炉窑的控制、高炉炉热诊断中得到广泛应用。需要进一步研究的问题是如何用简洁语言来描述人类长期积累的经验知识，提高联想化记忆和自学习能力。
8.定性控制(Qualitative Control)
定性控制是指系统的状态变量为定性量时（其值不是某一精确值而只知其处于某一范围内），应用定性推理对系统施加控制变量使系统在某一期望范围。
定性控制方法主要有三类：
⑴基于定量模型的定性控制，其特点是系统的定量模型假定已知，以定量模型为基础推导定性模型；
⑵基于规则的定性控制，其特点是构成定性模型的规则凭人们经验的定性推理即可得到，或通过状态的穷举得到；
⑶基于定性模型的定性控制，其特点是直接通过对定性模型的研究来导出定性控制。
定性控制与模糊控制的区别：模糊控制不需建模，其控制律凭经验或算法调整，而定性控制基于定性模型，控制规则基于对系统的定性分析；模糊控制是基于状态的精确测量值，而定性控制基于状态的定性测量值。
定性控制面临的问题：发展定性数学理论，改进定性推理方法，注重定性和定量知识的结合；研究定性建模方法，定性控制方法；加强定性控制应用领域的研究。
9.预测控制(Predictive Control)
预测控制是在工业实践过程中独立发展起来的一种新型控制方法，它不仅适用于工业过程这种“慢过程”的控制，也能适用于快速跟踪的伺服系统这种“快过程”控制。实用的预测控制方法有动态矩阵控制（DMC），模型算法控制（MAC），广义预测控制（GPC），模型预测启发控制（MPHC）以及预测函数控制（PFC）等。这些方法具有以下特征：
⑴以计算机为实现手段，采取在线实现方式；
⑵建模方便，不需深入了解过程的内部机理，对模型精度要求不高；
⑶采用滚动优化策略，在线反复进行优化计算，使模型失配、外界环境的变化引起的不确定性及时得到弥补，提高控制质量。
最有人提出一种新的基于主导内模概念的预测控制方法：结构对外来激励的响应主要由其本身的模态所决定，即结构只对激励信息中与其起主导作用的几个主要自振频率相接近的频率成分有较大的响应。利用神经网络对被控对象进行在线辨识，然后用广义预测控制规律进行控制得到较多重视。
预测控制存在的问题是预测精度不高；反馈校正方法单调；滚动优化策略少；对任意的一般系统，其稳定性和鲁棒性分析较难进行；参数调整的总体规则虽然比较明确，但对不同类型的系统的具体调整方法仍有待进一步总结。
10.分布式控制系统(Distributed Control System)
分布式控制系统又称集散控制系统,是70年代中期发展起来的新型计算机控制系统，它融合了控制技术（Control），计算机技术（Computer），通信技术（Communication），图像显示技术（CRT）的“4C”技术，形成了以微处理器为核心的系统，实现对生产过程的监视、控制和管理。
既打破了常规控制仪表功能的局限，又较好地解决了早期计算机系统对于信息、管理过于集中带来的危险，而且还有大规模数据采集、处理的功能以及较强的数据通信能力。
分布式控制系统既有计算机控制系统控制算法灵活，精度高的优点，又有仪表控制系统安全可靠，维护方便的优点。它的主要特点是：真正实现了分散控制；具有高度的灵活性和可扩展性；较强的数据通信能力；友好而丰富的人机联系以及极高的可靠性。

5、帮忙从cnki上找一篇论文 30

留下邮箱吧 给你下了几篇
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
《自动化仪表》第31卷第2期 2010年2月
上海市重点学科建设基金资助项目(编号: B504) 。
修改稿收到日期: 2009 - 08 - 26。
第一作者熊祥,男, 1984年生,现为华东理工大学控制科学与控制工
程专业在读硕士研究生;主要从事先进控制和自适应控制方面的研究。
基于MRAS的交流异步电机变频调速系统研究
Study on MRAS2based Variable2frequency Driving System of AC AsynchronousMo to rs
熊 祥 郭丙君
(华东理工大学信息科学与工程学院,上海 200237)
摘 要: 依据矢量控制的基本原理和方法,在基于转子磁场定向的旋转坐标系下,采用Matlab /Simulink模块构建了一个具有转矩、磁
链闭环的交流异步电机矢量控制系统仿真模型。在此基础上,应用模型参考自适应方法,对无速度传感器矢量控制系统的转速估计
进行研究,并针对常规速度辨识器中的基准模型易受积分初值和漂移影响的问题,对传统的MRAS方法进行改进,并对其进行建模仿
真。仿真结果表明,该设计具有较强的可行性,且其推算转速能够很好地跟踪实测转速。
关键词: Matlab /Simulink MRAS 矢量控制 变频调速系统 神经网络 无速度传感器
中图分类号: TM343 文献标志码: A
Abstract: In accordance with the basic p rincip le and method of vector control, by usingMatlab /Simulink module, a simulation model of vector
control system that is offering torque and magnetic link for AC asynchronous motor is built based on rotor flux directional rotating coordinates.
On the basis, with model reference adap tive method, the rotating speed estimation for vector control system with no2speed sensor is studied. In
addition, aiming at the p roblem that the reference model is easily influenced by the initial value and drift of integral in normal speed recognizer,
the traditionalMRAS is imp roved, and modeling simulation is also conducted. The result of simulation verifies the feasibility of the design and
the calculated rotating speed can well trace the measured rotating speed.
Keywords: Matlab/Simulink Model reference adaptive system Vector control Variable2frequency driving system Neural network No2speed sensor
0 引言
随着电力电子技术的发展,交流异步电机控制技
术已由标量控制转向了矢量控制。在矢量控制系统
中,转速的闭环控制环节一般是必不可少的。为了实
现转速闭环控制和磁场定向,通常采用速度传感器来
进行转速检测。而速度传感器在安装、维护等方面易
受环境影响,从而严重影响异步电动机的简便性、廉价
性和可靠性。因此,无速度传感器的矢量控制系统成
为交流调速的主要研究内容。
目前,人们提出了各种速度辨识的方法来取代速
度传感器,如动态估计法、模型参考自适应方法、扩展
卡尔曼滤波法、神经网络法等。其中模型参考自适应
方法的转速观测具有稳定性好、计算量小等特点[ 1 ]。
本文从转子磁场定向的矢量控制理论出发,在静止坐
标系上提出了一种基于模型参考自适应法理论的速度
推算法, 并利用Matlab /Simulink 软件对系统进行了
仿真。
1 交流异步电机矢量控制
根据用于定向的参数矢量的不同,矢量控制可以
分为按转子磁场定向和按定子磁场定向的矢量控制。
按转子磁场定向的矢量控制方法是目前应用较为广泛
的一种高性能的交流电动机控制方法[ 2 ]。
当两相同步旋转坐标系按转子磁链定向时,应有
ψrd =ψr ,ψrq = 0,即得:
Te = np
Lm
Lr
isq
isd =
1 + Tr p
Lm
ψr
ψr =
Lm
1 + Tr p
isd
λ =
Lm
Trψr
isq ( 1)
式中: Lm =
3
2
M 为d2q坐标系同轴等效定子与转子绕
组间的互感; Lr =Lrl +Lm为d2q坐标系等效二相转子绕
组的自感;λ为d2q坐标系相对于转子的旋转角速度;
p为求导算符, 即p = d /dt; s表示定子; r表示转子; d
表示d轴; q表示q轴; m 表示同轴定、转子间的互感;
np 为极对数; Tr =Lr /Rr 为转子时间常数。
51
基于MRAS的交流异步电机变频调速系统研究 熊 祥,等
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 2010
2 变频调速系统仿真模型
图1为交流异步电动机无速度传感器矢量控制系
统框图。系统由电机、逆变器、磁链观测器、转速辨识
等环节组成,是一个带电流内环的转速、磁链闭环矢量
控制系统。
图1 无速度传感器矢量控制系统框图
Fig. 1 Block diagram of the vector control system with no2speed sensor
基于矢量控制变频调速系统的仿真模型,其具体
实现步骤是:先将异步电机在三相坐标系下的定子电
流Ia、Ib、Ic 通过三相/二相(Clarke)变换,再通过二相/
二相旋转( Park)变换得到同步旋转坐标系d2q下的电
流Id、Iq ,然后模仿直流电动机的控制方法,求得直流
电动机的控制量,最后,经过相应的坐标反变换,实现
对异步电动机的控制。其实质是将交流电动机等效为
直流电动机, 分别对速度( speed control) 、磁场( phir
control)两个分量进行独立控制。通过控制转子磁链,
分解定子电流而获得转矩和磁场两个分量,然后经坐
标变换,实现正交或解耦控制[ 3 ]。
2. 1 基于MRAS的转速辨识
2. 1. 1 基本模型参考自适应系统
要实现按转子磁链定向的矢量控制系统,磁链观
测是非常重要的。在无速度传感器控制中,通常采用
基于两相静止α2β坐标系下定子电压和定子电流的电
压模型对转子磁链进行估计[ 4 - 5 ]。根据两相静止坐标
系下异步电动机的基本方程,可以得到电压和电流这
两种形式的转子磁链估算模型。
电压模型计算如下:
ψrα =
Lr
Lm
[ ∫( usα - Rs isα ) dt - σLs isα ]
ψrβ =
Lr
Lm
[ ∫( usβ - Rs isβ ) dt - σLs isβ ] ( 2)
在计算得到电压模型值后, 基本模型参考自适应
系统的电流模型计算如下:
pψrα =
Lm
Tr
isα -
ψrα
Tr
- ωrψrβ
pψrβ =
Lm
Tr
isβ -
ψrβ
Tr
- ωrψrα ( 3)
式中:ψrα、ψrβ分别为两相静止α2β坐标系下α轴和β
轴的转子磁链; isα、isβ为两相静止α2β坐标系下α轴和
β轴的定子电流; usα、usβ为两相静止α2β坐标系下α轴
和β轴的定子电压;σ为漏感系数。
参考模型与可调模型输出(转子磁链) 的差值定
义为:
e =ψr - ψ3
r ( 4)
利用波波夫超稳定理论推导得出估算转子的自适
应收敛率为[6 ] :
ωr = kp +
ki
S
e ( 5)
式中: kp、ki 分别为自适应结构PI调节器中的比例系
数和积分常数。
基于MRAS的转速、辨识的具体步骤为:选取电压
模型为参考模型、电流模型为理想模型,构造一个模型
参考自适应系统,并选择合适的自适应规律,使可调模
型的转速逼近真实的电机转速。该方法结构框图如
图2所示。
52
基于MRAS的交流异步电机变频调速系统研究 熊 祥,等
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
《自动化仪表》第31卷第2期 2010年2月
图2 模型参考自适应系统框图
Fig. 2 Block diagram ofMRAS
自适应机构采用PI调节器,即选择比例积分作为
自适应规律。在模型参考自适应系统中,参考模型应
该是理想的,即式( 2)应能始终映射出电动机的真实
状态。该方程中定子电阻Rs 是一个变化的参数, Rs
若不准确,对低频积分结果影响会很大。另外,采用低
通滤波器来代替纯积分环节,可以有效克服积分器的
部分缺陷,如误差积累或直流漂移问题;但在频率接近
或低于截止频率时,所产生的幅度和相位偏差会严重
影响磁链估计的精确性。
2. 1. 2 改进型模型参考自适应系统
模型参考自适应结构的优势在于模型的输出不必
是实际的转子磁链,只要是与其相关的辅助变量即可。
因此,可采用新的辅助变量作为模型的输出,构造出其
他的MRAS速度辨识方法。
将图2进行改进,可以得出相应的原理方框图,如
图3所示。
图3 改进型模型参考自适应系统框图
Fig. 3 Block diagram of imp rovedMRAS
参考模型的定子电压矢量方程可写成以下形式,
即:
Lm
Lr
×
dψrα
dt
= usα - Rs isα - σLs ×
disα
dt
Lm
Lr
×
dψrβ
dt
= usβ - Rs isβ - σLs ×
disβ
dt
(6)
式中: Ls =Lsl + Lm 为d2q坐标系下的等效二相定子绕
组的自感。
在基于转子磁场定向的矢量控制中, 由其等效电
路可以看出,εr =
Lm
Lr
dψr
dt
为转子磁链矢量生成的感应电
压,于是式(6)可以转换为:
εr
α =
Lm
Lr
×
dψrα
dt
= usα - Rs isα - σLs ×
disα
dt
εr
β =
Lm
Lr
×
dψrβ
dt
= usβ - Rs isβ - σLs ×
disβ
dt
(7)
2. 2 转速控制模块
在实际系统中,由于系统状态和参数等发生变化
时,过程中会出现状态和参数的不确定性,系统很难达
到最佳控制效果。基于上述问题考虑,本文利用RBF
神经网络对PID 控制器的参数进行在线调整。基于
RBF神经网络的PID控制系统如图4所示。
图4 基于RBF神经网络的P ID控制系统
Fig. 4 P ID control system based on RBF neural network
系统的控制误差为:
e ( k) = r( k) - y ( k) (8)
PID的输入为:
x ( 1) = e ( k) - e ( k - 1)
x ( 2) = e ( k)
x (3) = e ( k) - 2e ( k - 1) + e ( k - 2) (9)
采用增量式PID的控制算法具体表达式为:
u ( k) = u ( k - 1) + kp [ r( k) - y ( k) ] + ki [ e ( k) ] +
kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ]
Du = kp [ r( k) - y ( k) ] + ki [ e ( k) ] +
kd [ e ( k) - 2e ( k - 1) + e ( k - 2) ] ( 10)
神经网络整定性能指标函数为:
J ( k) =
1
2
[ r( k) - y ( k) ]2 ( 11)
由梯度下降法,可得[ 7 ] :
Δkp = - η
9J
9kp
= - η
9J
9y
×
9y
9Du
×
9Du
9kp
=ηe ( k)
9y
9Du
x ( 1)
Δki = - η
9J
9ki
= - η
9J
9y
×
9y
9Du
×
9Du
9ki
=ηe ( k)
9y
9Du
x (2)
Δkd = - η
9J
9kd
= - η
9J
9y
×
9y
9Du
×
9Du
9kd
=ηe ( k)
9y
9Du
x (3)
(12)
式中:η为学习速率。被控对象的输出对控制输入变
化的灵敏度信息Jacobian阵信息算法为:
9y
9Du
≈
9yL ( k)
9Du
=∑
m
j = 1
ωj hj
cji - u ( k)
b2
j
(13)
式中: hj为第j个隐含层点输出; cji为高斯转换函数的中
心位置参数; bj 为第j个隐节点高斯函数的宽度参数。
该神经网络的结构为3 - 6 - 1,即输入层有3个节
点,隐含层有6个节点,输出层有1 个节点,学习率为
53
基于MRAS的交流异步电机变频调速系统研究 熊 祥,等
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
PROCESS AUTOMATION INSTRUMENTATION Vol131 No12 February 2010
0. 25, a = 0. 05,β= 0. 01, PID初值= [ 0. 03, 0. 001, 0. 1 ] ,
权重初值= [ 3, 4, 1 ] ,采样周期为0. 001。由于RBF神
经网络PID控制器不能直接用传递函数加以描述,若简
单地应用Simulink,则将无法对其进行仿真。本文中
RBF神经网络PID控制器采用Matlab中的s2function实
现[ 8 ]。
2. 3 转矩控制模块和磁链控制模块
转矩控制器和磁链控制器均采用PI控制算法,可
得:
Iq
3
= kp ( T
3
e - Te ) + ki ∫( T
3
e - Te ) dt ( 14)
I
3
d = kp ( phir
3
- phir) + ki ∫( phir
3
- phir) dt (15)
式中: kp、ki 分别为比例增益系数和积分增益系数。
2. 4 仿真实验结果及分析
采用上述仿真模型,对矢量控制变频调速系统进
行空载及恒速加载运行仿真。当负载转矩值为0 时,
得到的异步电机定子电流、转速、转矩仿真图形如图5
所示。
图5 定子电流、转速、转矩仿真图形
Fig. 5 Simulation curves of current, rotating speed,
torque of the stator
选用的异步电动机有关参数如下: 额定数据为
41 kW、380V、4极、50 Hz、转动惯量J =1. 662 kg·m2、Rs =
0. 087Ω、Rr =0. 228Ω、Ls =Lr =0. 8mH、Lm =34. 7mH。
逆变器电流直流母线电压为780V;转子磁链参考
值取0. 96Wb;在powerful中指定所有的状态变量初始
条件为0,或者对异步电机设定初始条件为[ 1, 0, 0, 0,
0, 0, 0, 0 ] ,这样就可以在停止状态启动电机。为了加
快仿真速度,采用ode23 t仿真算法。
电机启动阶段,磁链和电磁转矩处于上升阶段,
在开始空载状态下,电磁转矩最后下降为0。在t =
0 s、1 s时,由于转速给定的量从60 rad / s瞬间跳到
80 rad / s,而在启动时,转子转速在0. 5 s已经趋于稳
定状态,因此,定子电流在启动时有较大的变化,转
矩电流和电磁转矩在启动及给定速度指令改变时有
超调。在系统的自动调节下,转矩电流和电磁转矩
量开始慢慢降低并趋于稳定。从仿真可以看出,在
该控制系统所采用的控制方法下,系统具有良好的
静态性能和动态性能,定子电流正弦度较好;且估计
的转速稳态精度好,能准确地跟踪电机转速的变化;
电机的机械角速度能够很快跟踪给定机械角速度的
变化,电机具有良好的启动性能。实际转速与辨识
转速仿真图形比较如图6所示。
图6 实际转速与辨识转速仿真图形比较
Fig. 6 Comparison between actual and identification rotating speed
3 结束语
本仿真试验利用易于测量的电机定子电压和电
流,结合矢量控制和MRAS原理,实时辨识电机转速。
通过理论分析和仿真研究,应用模型参考自适应方法
估算交流异步电机转子转速,计算量小,收敛速度快。
仿真结果验证了该系统的可行性和有效性。
参考文献
[ 1 ] CirrincioneM, PucciM. AnMRAS based on speed estimation meth2
od with a linear neuron for high performance induction motor drives
and its experimentation[ C ] ‖ IEEE International Conference on E2
lectricMachines and Drives, IEMDC’03, 2003 ( s1) : 617 - 623.
[ 2 ] 陈伯时. 电力拖动自动控制系统[M ]. 2版. 北京:机械工业出版
社, 2004.
[ 3 ] 王忠礼,段慧达,高玉峰. Matlab应用技术———在电气工程与自
动化专业中的应用[M ]. 北京:清华大学出版社, 2007.
[ 4 ] 王庆龙,张崇崴,张兴. 交流电机无速度传感器矢量控制系统变
结构模型参考自适应转速辨识[ J ]. 中国电机工程学报, 2007,
27 (15) : 70 - 74.
[ 5 ] 戴瑜兴,王耀南,陈际达. 基于DSP的模型参考自适应无速度传
感器矢量控制[ J ]. 信息与控制, 2003, 32 (6) : 507 - 511.
[ 6 ] 刘兴堂. 应用自适应控制[M ]. 西安: 西北工业大学出版社,
2003.
[ 7 ] Zhang Mingguang, LiWenhui, Liu Manqiang. Adaptive PID control
strategy based on RBF neural network identification[C] ‖17th IEEE
International Conference on Neural Network and Brain, 2005,
ICNN&B, 2005: 1854 - 1857.
[ 8 ] 刘金琨. 先进PID控制及其Matlab仿真[M ]. 北京:电子工业出
版社, 2003.
54
基于MRAS的交流异步电机变频调速系统研究 熊 祥,等

6、什么是PID调节器，并举例说明P、I、D的调节作用。

工业生产过程中，对于生产装置的温度、压力、流量、液位等工艺变量常常要求维持在一定的数值上，或按一定的规律变化，以满足生产工艺的要求。PID控制器是根据PID控制原理对整个控制系统进行偏差调节，从而使被控变量的实际值与工艺要求的预定值一致。不同的控制规律适用于不同的生产过程，必须合理选择相应的控制规律，否则PID控制器将达不到预期的控制效果。
PID控制器（Proportion Integration Differentiation.比例-积分-微分控制器），由比例单元 P、积分单元 I 和微分单元 D 组成。通过Kp， Ki和Kd三个参数的设定。PID控制器主要适用于基本线性和动态特性不随时间变化的系统。
PID 控制器是一个在工业控制应用中常见的反馈回路部件。这个控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参考值。和其他简单的控制运算不同，PID控制器可以根据历史数据和差别的出现率来调整输入值，这样可以使系统更加准确，更加稳定。可以通过数学的方法证明，在其他控制方法导致系统有稳定误差或过程反复的情况下，一个PID反馈回路却可以保持系统的稳定。
一个控制回路包括三个部分：
系统的传感器得到的测量结果 控制器作出决定 通过一个输出设备来作出反应 控制器从传感器得到测量结果，然后用需求结果减去测量结果来得到误差。然后用误差来计算出一个对系统的纠正值来作为输入结果，这样系统就可以从它的输出结果中消除误差。
在一个PID回路中，这个纠正值有三种算法，消除目前的误差，平均过去的误差，和透过误差的改变来预测将来的误差。
比如说，假如一个水箱在为一个植物提供水，这个水箱的水需要保持在一定的高度。一个传感器就会用来检查水箱里水的高度，这样就得到了测量结果。控制器会有一个固定的用户输入值来表示水箱需要的水面高度，假设这个值是保持65%的水量。控制器的输出设备会连在一个马达控制的水阀门上。打开阀门就会给水箱注水，关上阀门就会让水箱里的水量下降。这个阀门的控制信号就是我们控制的变量，它也是这个系统的输入来保持这个水箱水量的固定。
PID控制器可以用来控制任何可以被测量的并且可以被控制的变量。比如，它可以用来控制温度，压强，流量，化学成分，速度等等。汽车上的巡航定速功能就是一个例子。
一些控制系统把数个PID控制器串联起来，或是链成网络。这样的话，一个主控制器可能会为其他控制输出结果。一个常见的例子是马达的控制。我们会常常需要马达有一个控制的速度并且停在一个确定的位置。这样呢，一个子控制器来管理速度，但是这个子控制器的速度是由控制马达位置的主控制器来管理的。
连合和串联控制在化学过程控制系统中是很常见的。
PID是以它的三种纠正算法而命名的。这三种算法都是用加法调整被控制的数值。而实际上这些加法运算大部分变成了减法运算因为被加数总是负值。这三种算法是：
比例- 来控制当前，误差值和一个负常数P（表示比例）相乘，然后和预定的值相加。P只是在控制器的输出和系统的误差成比例的时候成立。这种控制器输出的变化与输入控制器的偏差成比例关系。比如说，一个电热器的控制器的比例尺范围是10°C，它的预定值是20°C。那么它在10°C的时候会输出100%，在15°C的时候会输出50%，在19°C的时候输出10%，注意在误差是0的时候，控制器的输出也是0。
积分 - 来控制过去，误差值是过去一段时间的误差和，然后乘以一个负常数I，然后和预定值相加。I从过去的平均误差值来找到系统的输出结果和预定值的平均误差。一个简单的比例系统会振荡，会在预定值的附近来回变化，因为系统无法消除多余的纠正。通过加上一个负的平均误差比例值，平均的系统误差值就会总是减少。所以，最终这个PID回路系统会在预定值定下来。
微分 - 来控制将来，计算误差的一阶导，并和一个负常数D相乘，最后和预定值相加。这个导数的控制会对系统的改变作出反应。导数的结果越大，那么控制系统就对输出结果作出更快速的反应。这个D参数也是PID被称为可预测的控制器的原因。D参数对减少控制器短期的改变很有帮助。一些实际中的速度缓慢的系统可以不需要D参数。 用更专业的话来讲，一个PID控制器可以被称作一个在频域系统的滤波器。这一点在计算它是否会最终达到稳定结果时很有用。如果数值挑选不当，控制系统的输入值会反复振荡，这导致系统可能永远无法达到预设值。
尽管不同类型的控制器，其结构、原理各不相同，但是基本控制规律只有三个：比例（P）控制、积分（I）控制和微分（D）控制。这几种控制规律可以单独使用，但是更多场合是组合使用。如比例（P）控制、比例-积分（PI）控制、比例-积分-微分（PID）控制等。
比例（P）控制
单独的比例控制也称“有差控制”，输出的变化与输入控制器的偏差成比例关系，偏差越大输出越大。实际应用中，比例度的大小应视具体情况而定，比例度太大，控制作用太弱，不利于系统克服扰动，余差太大，控制质量差，也没有什么控制作用；比例度太小，控制作用太强，容易导致系统的稳定性变差，引发振荡。
对于反应灵敏、放大能力强的被控对象，为提高系统的稳定性，应当使比例度稍小些；而对于反应迟钝，放大能力又较弱的被控对象，比例度可选大一些，以提高整个系统的灵敏度，也可以相应减小余差。
单纯的比例控制适用于扰动不大，滞后较小，负荷变化小，要求不高，允许有一定余差存在的场合。工业生产中比例控制规律使用较为普遍。
比例积分（PI）控制
比例控制规律是基本控制规律中最基本的、应用最普遍的一种，其最大优点就是控制及时、迅速。只要有偏差产生，控制器立即产生控制作用。但是，不能最终消除余差的缺点限制了它的单独使用。克服余差的办法是在比例控制的基础上加上积分控制作用。
积分控制器的输出与输入偏差对时间的积分成正比。这里的“积分”指的是“积累”的意思。积分控制器的输出不仅与输入偏差的大小有关，而且还与偏差存在的时间有关。只要偏差存在，输出就会不断累积（输出值越来越大或越来越小），一直到偏差为零，累积才会停止。所以，积分控制可以消除余差。积分控制规律又称无差控制规律。
积分时间的大小表征了积分控制作用的强弱。积分时间越小，控制作用越强；反之，控制作用越弱。
积分控制虽然能消除余差，但它存在着控制不及时的缺点。因为积分输出的累积是渐进的，其产生的控制作用总是落后于偏差的变化，不能及时有效地克服干扰的影响，难以使控制系统稳定下来。所以，实用中一般不单独使用积分控制，而是和比例控制作用结合起来，构成比例积分控制。这样取二者之长，互相弥补，既有比例控制作用的迅速及时，又有积分控制作用消除余差的能力。因此，比例积分控制可以实现较为理想的过程控制。
比例积分控制器是目前应用最为广泛的一种控制器，多用于工业生产中液位、压力、流量等控制系统。由于引入积分作用能消除余差，弥补了纯比例控制的缺陷，获得较好的控制质量。但是积分作用的引入，会使系统稳定性变差。对于有较大惯性滞后的控制系统，要尽量避免使用。
比例微分（PD）控制
比例积分控制对于时间滞后的被控对象使用不够理想。所谓“时间滞后”指的是：当被控对象受到扰动作用后，被控变量没有立即发生变化，而是有一个时间上的延迟，比如容量滞后，此时比例积分控制显得迟钝、不及时。为此，人们设想：能否根据偏差的变化趋势来做出相应的控制动作呢？犹如有经验的操作人员，即可根据偏差的大小来改变阀门的开度（比例作用），又可根据偏差变化的速度大小来预计将要出现的情况，提前进行过量控制，“防患于未然”。这就是具有“超前”控制作用的微分控制规律。微分控制器输出的大小取决于输入偏差变化的速度。
微分输出只与偏差的变化速度有关，而与偏差的大小以及偏差是否存在与否无关。如果偏差为一固定值，不管多大，只要不变化，则输出的变化一定为零，控制器没有任何控制作用。微分时间越大，微分输出维持的时间就越长，因此微分作用越强；反之则越弱。当微分时间为0时，就没有微分控制作用了。同理，微分时间的选取，也是需要根据实际情况来确定的。
微分控制作用的特点是：动作迅速，具有超前调节功能，可有效改善被控对象有较大时间滞后的控制品质；但是它不能消除余差，尤其是对于恒定偏差输入时，根本就没有控制作用。因此，不能单独使用微分控制规律。
比例和微分作用结合，比单纯的比例作用更快。尤其是对容量滞后大的对象，可以减小动偏差的幅度，节省控制时间，显著改善控制质量。
PID控制
最为理想的控制当属比例-积分-微分控制规律。它集三者之长：既有比例作用的及时迅速，又有积分作用的消除余差能力，还有微分作用的超前控制功能。
当偏差阶跃出现时，微分立即大幅度动作，抑制偏差的这种跃变；比例也同时起消除偏差的作用，使偏差幅度减小，由于比例作用是持久和起主要作用的控制规律，因此可使系统比较稳定；而积分作用慢慢把余差克服掉。只要三个作用的控制参数选择得当，便可充分发挥三种控制规律的优点，得到较为理想的控制效果。
调试方法编辑
比例系数的调节
比例系数P的调节范围一般是：0.1--100.
如果增益值取 0.1，PID 调节器输出变化为十分之一的偏差值。如果增益值取 100， PID 调节器输出变化为一百倍的偏差值。
可见该值越大，比例产生的增益作用越大。初调时，选小一些，然后慢慢调大，直到系统波动足够小，再调节积分或微分系数。过大的P值会导致系统不稳定，持续振荡；过小的P值又会使系统反应迟钝。合适的值应该使系统有足够的灵敏度但又不会反应过于灵敏，一定时间的迟缓要靠积分时间来调节。
积分系数的调节
积分时间常数的定义是，偏差引起输出增长的时间。积分时间设为 1秒，则输出变化 100%所需时间为 1 秒。初调时要把积分时间设置长些，然后慢慢调小直到系统稳定为止。
微分系数的调节
微分值是偏差值的变化率。例如，如果输入偏差值线性变化，则在调节器输出侧叠加一个恒定的调节量。大部分控制系统不需要调节微分时间。因为只有时间滞后的系统才需要附加这个参数。如果画蛇添足加上这个参数反而会使系统的控制受到影响。如果通过比例、积分参数的调节还是收不到理想的控制要求，就可以调节微分时间。初调时把这个系数设小，然后慢慢调大，直到系统稳定。
参数整定编辑
PID控制器的参数整定是控制系统设计的核心内容。它是根据被 控过程的特性确定PID控制器的比例系数、积分时间和微分时间的大小。PID控制器参数整定的方法很多，概括起来有两大类：一是理论计算整定法。它主要是 依据系统的数学模型，经过理论计算确定控制器参数。这种方法所得到的计算数据未必可以直接用，还必须通过工程实际进行调整和修改。二是工程整定方法，它主 要依赖工程经验，直接在控制系统的试验中进行，且方法简单、易于掌握，在工程实际中被广泛采用。PID控制器参数的工程整定方法，主要有临界比例法、反应 曲线法和衰减法。三种方法各有其特点，其共同点都是通过试验，然后按照工程经验公式对控制器参数进行整定。但无论采用哪一种方法所得到的控制器参数，都需 要在实际运行中进行最后调整与完善。现在一般采用的是临界比例法。利用该方法进行 PID控制器参数的整定步骤如下：(1)首先预选择一个足够短的采样周期让系统工作；(2)仅加入比例控制环节，直到系统对输入的阶跃响应出现临界振荡， 记下这时的比例放大系数和临界振荡周期；(3)在一定的控制度下通过公式计算得到PID控制器的参数。 [1]
在实际调试中，只能先大致设定一个经验值，然后根据调节效果修改。
对于温度系统：P（%）20--60，I（分）3--10，D（分）0.5--3
对于流量系统：P（%）40--100，I（分）0.1--1
对于压力系统：P（%）30--70，I（分）0.4--3
对于液位系统：P（%）20--80，I（分）1--5
参数整定找最佳，从小到大顺序查
先是比例后积分，最后再把微分加
曲线振荡很频繁，比例度盘要放大
曲线漂浮绕大湾，比例度盘往小扳
曲线偏离回复慢，积分时间往下降
曲线波动周期长，积分时间再加长
曲线振荡频率快，先把微分降下来
动差大来波动慢。微分时间应加长
理想曲线两个波，前高后低4比1
一看二调多分析，调节质量不会低
适应控制编辑
首先弄清楚什么是自适应控制
在生产过程中为了提高产品质量，增加产量，节约原材料，要求生产管理及生产过程始终处于最优工作状态。因此产生了一种最优控制的方法，这就叫自适应控制。在这种控制中要求系统能够根据被测参数，环境及原材料的成本的变化而自动对系统进行调节，使系统随时处于最佳状态。自适应控制包括性能估计（辨别）、决策和修改三个环节。它是微机控制系统的发展方向。但由于控制规律难以掌握，所以推广起来尚有一些难以解决的问题。
加入自适应的pid控制就带有了一些智能特点，像生物一样能适应外界条件的变化。
还有自学习系统，就更加智能化了。
参数整定编辑
PID控制器参数整定与实现》- 图书信息
书 名: PID控制器参数整定与实现
作　者：黄友锐，曲立国
出版社： 中国科学出版社
出版时间：2010-1-1
开本： 16开
定价: 39.00元
《PID控制器参数整定与实现》- 内容简介
本书是作者多年来在基于自然计算的PID控制器参数整定与实现方面进行深入研究的基础上撰写而成的。在吸收国内外许多具有代表性的最新研究成果的基础上，本书着重介绍作者在这一领域的研究成果，主要包括：PID控制器参数整定方法；分数阶PID控制器的参数整定；基于QDRNN的多变量PID控制器参数整定；数字PID控制器的FPGA实现；基于BP神经网络的PID控制器的FPGA实现；基于遗传算法的PID控制器的FPGA实现；基于粒子群算法的PID控制器的FPGA实现；主要算法的基本程序。
本书可作为与自动化相关专业的师生、研究人员以及工程技术人员的参考书。
《PID控制器参数整定与实现》- 图书目录
前言
第1章 绪论
第2章 PID控制器参数整定方法
第3章 分数阶PID控制器的参数整定
第4章 基于QDRNN的多变量PID控制器参数整定
第5章 数字PID控制器的FPGA实现
第6章 基于BP神经网络的PID控制器的FPGA实现
第7章 基于遗传算法的PID控制器的FPGA实现
第8章 基于粒子群算法的PID控制器的FPGA实现
附录
参考文献
比例积微分控制器的专利、软件及硬件编辑
这在IEEE《控制系统》杂志上有综述，包括最优控制器参数设定，可由格拉斯哥大学CAutoD网站免费下载改善PID微分和积分的方法及:
Patents, software, and hardware for PID control: An overview and analysis of the current art, IEEE Control Systems, 2006。[2]