PID控制算法在工业控制领域的应用最为普遍,但被控系统参数特性随时都可能发生变化,常规PID参数整定方法已不能满足实时、精确的控制要求,因此,需要解决PID参数的在线调整问题。随着微处理器和传感器等硬件性能的大幅提高和智能控制理论的发展,智能PID控制算法研究成为当今比较热门的课题,具有很高的研究和应用价值。目前存在的智能PID控制方式大都能以控制经验、实验数据等为依据,通过构建知识库,编制模糊规则表、训练神经网络等形式,表达被控对象的输入、输出信息与控制器输出之间的函数或逻辑映射关系,在系统辨识或控制对象特性参数识别的基础上,对参数实现自整定,提高参数整定的准确性,进而提高控制性能,但仍然存在运算速度慢、难以实现在线整定与实时控制同时进行的问题。由于神经网络的自学习和对非线性函数的逼近能力,使得神经网络在智能PID研究中具有很广阔的研究空间。神经元是构成神经网络的基本单元,具有较强的自学习和自适应能力,而且结构简单、易于计算,可以在一定程度上解决传统PID调节器不易在线整定参数的不足。RBF网络的输入到隐含层非线性且不需要权值系数调整,隐含层空间到输出空间的映射是线性的结构特点,能够大大加快学习速度并避免局部极小问题。因此,可以有效利用RBF网络的局部逼近和能以任意精度逼近任意连续函数的特性,通过对被控对象的Jacobian信息辨识来指导单神经元的自学习,实现PID控制参数的在线调整和实时控制。本文首先简介了PID控制算法的发展过程,详细论述了近年来国内外智能PID控制领域的研究成果,并系统地分析、比较了现有的几种典型智能PID控制方式;然后围绕如何实时获得精确的被控系统特性,研究了基于RBF神经网络辨识的单神经元PID自整定控制算法;最后,设计了数字化直流调速软硬件系统,利用VB/MATLAB/SQLServer数据库混合编程技术,实现实时数据采集和在线辨识,为单神经元PID控制器提供了梯度信息,达到了在线辨识、在线控制的目的,控制精度高,自适应性强,鲁棒性好。