。在平时的生活学业中张老师也给予我莫大的帮助和无微不至的关怀。张老师学识渊博，治学严谨，其积极乐观豁达的人生治学态度使我终身受益。在此我要向我的导师致以最衷心的感谢和深深的敬意,同时也感谢四年来教过我的各位老师，是老师们付出的辛勤劳动，才塑造了我的专业素养培养了我的专业技能，在此表示崇高的敬意和真挚的感谢,整个学习期间，得到了舍友和同学们的多方支持与鼓励。几年来，大家和睦相处亲如兄弟，如今，我们即将各奔东西，但愿这分深厚的友谊能地久天长。在此感谢他们的陪伴和帮助。也衷心感谢在百忙之中评阅我的论文和参加答辩的各位专家和教授。学生郝玉春年月号摘要目前，由于具有结构简单，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控制或导前微分控制，当机组稳定运行时，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。因此本文研究神经网络的控制，利用神经网络的自学习非线性和不依赖模型等特性实现参数的在线自整定，充分利用和神经网络的优点。本处用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，依次作为控制器的实时参数，代替传统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。对这样个系统在平台上进行仿真研究仿真结果表明基于神经网络的自整定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这种方案的网络中主要有网络及网络反馈网络主要有网络自组织网络主要有网，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，神经控制，神经模型参考自得了定效果。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。这四种类型各自具有不同的网络模型前馈更高的智能，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，它的些类似人的智能特性有可能被用于解决现代控制面临的些难题。因此，从世纪年代起，人们就开始研究神经网络在控制中的应用了，取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，因此人们直在探索如何使控制系统具有非线性映射功，高度并行处理功能等几方面优势，这使得神经网络成为当今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。国内外研究现状随着现代工业过程的日益复杂，制是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，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。神经网络控学和计算机技术的发展，人工神经网络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个重要方向。在年，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光电子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。无模型控制能作出有效的控神经网络模型参考自适应控制神经网络模型参考自适应控制，将神经网络同模型参考自适应控制相结合，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过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个重要方向。在年，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光电子学和计算机技术的发展，人工神经网络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。神经网络控制是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，这使得神经网络成为当今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。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，它的些类似人的智能特性有可能被用于解决现代控制面临的些难题。因此，从世纪年代起，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。这四种类型各自具有不同的网络模型前馈网络中主要有网络及网络反馈网络主要有网络自组织网络主要有网，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，神经控制，神经模型参考自适应控制，神经内膜控制等等神经网络自校正控制神经自校正控制结构如图，它由两个回路组成自校正控制器与被控对象构成的反馈回路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。方框图如下图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。