PID 控制方法是控制领域中十分常用且经典控制方法，PID 控制器由于其控制结 构并不复杂、比例、积分和微分三个参数的调整和确定也比较简单，所以 PID 控制器 在实际的工业生产控制中应用十分普遍且积累了很多调试经验。尽管如此，PID 控制 器本身也有自已的一些局限性，比如说它对于被控对象的依赖程度较高，这要求在设 计控制器之前必须知道特定被控对象的传递函数，这就给控制器的设计带来了难度。 虽然可以通过理论计算整定或者是工程整定以及一些经验选择确定 PID 参数，但仍 需要反复调试与试验，一般很难达到最优。

神经网络是一种交叉的、多学科融合的技术，它在面对非线性程度较高和难以确 定具体输入输出关系的被控系统中具有较好的处理能力。神经网络不需要知道被控对 象具体的数学模型，能够很好地适应各类被控系统并且它可以最大限度地贴合任意复 杂的非线性映射。因此当某一个神经元发生变化时，他对整体的影响并不大，因此神 经网络还具有较好的容错能力和鲁棒性，能够较好地适应环境的变化。

由于神经网络在复杂控制系统中出色的控制能力，近年来神经网络技术发展迅速 并且获得了广泛地应用。基于神经网络的众多优点，本文将其应用于多变量耦合系统 中，实现复杂系统的解耦控制。本文主要研究内容分为两部分，第一部分为将 PID 控制与神经网络相结合，将 PID 控制的三个参数：比例、积分、微分应用于神经网络 的隐含层，该算法以 PID 控制为核心，通过不断修正神经网络的网络权值达到最优的 控制效果。第二部分提出了一种基于粒子群算法的 PID 神经网络解耦控制方法，利用 粒子群优化算法收敛速度快，对目标函数要求不高等特点，进一步优化连接权值，改 善 PID 神经网络的性能。

1。2 神经网络研究的发展及现状

1。3 解耦技术的研究现状

1。3。1 传统解耦方法

1。3。2 自适应解耦方法

1。3。3 模糊解耦

1。3。4 神经网络解耦

1。4 本文主要研究内容

本文主要以耦合情况较为严重的多输入多输出系统为控制对象，进行了以下研 究：

（1）研究经典解耦方法包括前馈解耦方法、反馈解耦方法、对角矩阵解耦方法等， 按照对角阵解耦原理，针对多输入多输出模型设计对角阵解耦器，并用 Simulink 进 行仿真。

（2）研究神经网络算法，根据其原理设计 PID 神经网络解耦器进行控制律计算和 权值修正，对该算法在 MATLAB 中编程，得到误差控制曲线、控制量曲线及被控量 曲线。

（3）针对网络权值更新较慢且容易陷入局部最优等缺点，本文通过增加动量项和 增加神经元系数的方法对原始的 PID 神经元网络算法进行了改进。文献综述

（4）在 PID 神经网络的基础上加入粒子群算法，使系统能够更快地进行网络权值 修正，找到权值的最优值，控制量能够在更短的时间内迅速逼近控制目标。

第二章 经典解耦算法研究

现代工业飞速发展，为了实现更好的生产工艺和更加精确的控制要求，生产规模 越来越复杂，大多数生产过程都无法仅在一个结构十分简单、只具有一个控制变量的 控系统中，完成指定的生产任务。这就使得在实际的工业控制中，被控系统往往具有 多个输入输出变量，想要对它们进行控制，就必须设置多个控制回路，对每一对输入 输出变量逐个控制，才能对整个控制系统进行较好的控制。虽然被控系统千差万别， 但是很多时候，这么多的控制回路之间经常会以这样或者那样的形式产生影响，这就 导致了耦合情况的产生。各个回路及输入输出量之间的相互耦合会给各变量的单独控 制带来较大的难度，情况严重的时候可能会给这个系统带来毁坏，影响整个系统的正 常运行。