油冷却机的高精度温度控制算法研究
本文关键词:油冷却机的高精度温度控制算法研究
更多相关文章: 油冷却机 温度控制 PID 神经网络 粒子群优化算法 RBF
【摘要】:随着科技的发展,对器件模具的制造精度的要求越来越高。能否制造出高质量的模具取决于模具的数控加工精度,而影响数控机床加工精度最重要的因素是热误差。油冷机根据制冷原理,通过液态冷媒热交换来稳定机床加工的温度。温度控制具有非线性、强耦合、时变、延迟等特点,如何实现精确的温度控制对油冷机的性能有着重要的现实意义。 论文首先分析了油冷机温度控制的发展现状以及研究意义,然后研究了油冷机的制冷循环系统,,使用数学工具对油冷机的部件及整机系统进行了数学建模,最终获得了温度控制传递函数。 接着,论文系统地研究了神经网络控制原理,采用RBF神经网络和增量式PID控制相结合,用RBF神经网络对PID参数进行在线辨识,并基于油冷机的制冷模型,用Matlab仿真得到整定结果,与普通的PID控制器控制效果进行了对比分析。 论文还深入研究了粒子群算法,引入收缩因子改进粒子群优化算法性能,利用粒子群优化算法去整定PID控制器的参数,并进行了仿真和结果分析。论文最后提出一种新的PSO-RBF混合控制算法:利用粒子群优化算法来全局优化整定RBF神经网络的网络参数,再利用RBF神经网络去整定PID参数,从而融合了粒子群优化算法优秀的全局搜索能力和RBF神经网络的局部寻优性能。论文阐述了新控制算法的PID参数整定步骤,并进行了仿真对比试验。仿真结果证明:相比其他PID参数自整定算法而言,粒子群优化RBF网络参数的PID参数整定算法控制效果良好,鲁棒性和适应性良好,改善了油冷却机的温度控制收敛时间和控制精度。
【关键词】:油冷却机 温度控制 PID 神经网络 粒子群优化算法 RBF
【学位授予单位】:杭州电子科技大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:TG659;TP18
【目录】:
- 摘要5-6
- ABSTRACT6-10
- 第一章 绪论10-15
- 1.1 课题研究背景及意义10-11
- 1.2 国内外研究现状综述11-14
- 1.2.1 制冷循环系统国内外发展现状11-12
- 1.2.2 温度控制算法国内外发展现状12-14
- 1.3 本文主要内容及结构安排14-15
- 第二章 油冷机的数学建模15-25
- 2.0 油冷机工作原理15-16
- 2.1 压缩机的数学建模16-19
- 2.1.1 压缩机简化16-17
- 2.1.2 基本数学模型17-19
- 2.2 换热器模型19-22
- 2.2.1 冷凝器数学建模20-21
- 2.2.2 蒸发器数学建模21-22
- 2.3 电子膨胀阀数学建模22-23
- 2.4 油冷机数学模型传递参数的确定23-24
- 2.5 本章小结24-25
- 第三章 神经网络 PID 控制器的控制参数自整定25-42
- 3.1 神经网络原理25-29
- 3.1.1 MP 模型26-27
- 3.1.2 激励函数类型27-28
- 3.1.3 神经网络学习方式和学习规则28-29
- 3.2 RBF 神经网络29-33
- 3.2.1 RBF 神经网络概述29-30
- 3.2.2 RBF 网络的优势30-31
- 3.2.3 被控对象 Jacobian 信息的辨识算法31
- 3.2.4 RBF 神经网络学习算法31-33
- 3.3. PID 控制的基本原理33-37
- 3.3.1 PID 控制器基本理论33-35
- 3.3.2 增量式 PID 控制器35
- 3.3.3 PID 控制器参数的整定35-36
- 3.3.4 PID 控制器的缺陷及改进设想36-37
- 3.4 RBF 神经网络 PID 控制器的设计37-39
- 3.4.1 RBF 神经网络 PID 参数自整定原理37-38
- 3.4.2 RBF 神经网络 PID 参数自整定步骤38-39
- 3.5 仿真结果分析39-40
- 3.6 本章小结40-42
- 第四章 基于粒子群算法优化的 RBF PID 控制器参数整定42-64
- 4.1 粒子群算法的概念42-45
- 4.1.1 粒子群优化算法基本原理43-44
- 4.1.2 粒子群优化算法的基本数学理论44
- 4.1.3 粒子群算法基本流程44-45
- 4.2 粒子群学习算法的优化45-47
- 4.2.1 惯性权重因子的引入46-47
- 4.2.2 收缩因子的引入47
- 4.3 粒子群优化算法参数选择47-49
- 4.3.1 应用粒子群优化算法的基本步骤48
- 4.3.2 算法参数的初始设置48-49
- 4.4 基于粒子群优化算法的 PID 控制器参数整定49-57
- 4.4.1 粒子群优化算法整定 PID 参数基本原理49-50
- 4.4.2 粒子群算法设计步骤50-52
- 4.4.3 粒子群算法的伪码描述52-53
- 4.4.4 基于 PSO 算法优化的 PID 控制器设计53-55
- 4.4.5 仿真结果分析55-57
- 4.5 粒子群算法优化的 RBF 神经网络 PID 控制器设计57-62
- 4.5.1 应用粒子群优化算法优化 RBF 初始参数57-60
- 4.5.2 仿真结果分析60-62
- 4.6 本章小结62-64
- 第五章 总结与展望64-66
- 5.1 总结64-65
- 5.2 未来展望65-66
- 参考文献66-71
- 致谢71-72
- 详细摘要72-76
【参考文献】
中国期刊全文数据库 前10条
1 何娇;;基于粒子群优化算法随机试卷生成的分析[J];重庆城市管理职业学院学报;2011年03期
2 潘宏侠;马清峰;;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 刘吉臻;李建强;张栾英;朱成林;;用RBF网络整定的火电厂主汽温PID串级控制系统[J];动力工程;2006年01期
4 韦彬贵;;制冷系统中双转子压缩机建模与性能分析[J];低温与超导;2011年05期
5 胡广良,李思明;神经网络在结构优化设计中的应用[J];工程建设与设计;2003年06期
6 郭慧;潘家祯;;采用进化算法的空间曲线误差计算[J];工程图学学报;2008年03期
7 徐天;;粒子群优化算法在神经网络控制中的应用[J];工业控制计算机;2010年08期
8 周敬利,吴桂林,余胜生;基于BP神经网络的人脸检测算法[J];计算机工程;2004年11期
9 肖晓丽;黄继红;刘志朋;;基于MPSO的BP网络及其在入侵检测中的应用[J];计算机工程;2008年15期
10 刘玉喜;于延;冯卉;;多目标优化的粒子群算法研究[J];计算机工程与科学;2009年09期
本文编号:798412
本文链接:https://www.wllwen.com/kejilunwen/jinshugongy/798412.html