传统的PID控制器由于结构简单、易于调整等优点,至今仍广泛应用于控制领域。但在实际的应用中,许多被控过程机理复杂,具有高度非线性、时变不确定性和纯滞后等特点。在噪声、负载扰动等因素的影响下,过程参数甚至模型结构均会随时间和工作环境的变化而变化,这时采用传统的PID控制就不能取得令人满意的控制效果。人工神经网络ANN(Artificial Neural Network)具有自学习、自适应和自组织的能力,将ANN与传统的PID控制结合,构成智能型的神经网络PID控制器,能够自动辨识被控过程参数、自动整定控制参数、适应被控过程参数的变化,是解决传统PID控制器参数整定难、不能实时调整参数和鲁棒性不强的有效措施。本文在分析研究了国内外神经网络PID复合控制结构方案的基础上,针对神经网络在线调整PID参数以及CMAC(Cerebellar Model Articulation Controller)与PID的复合控制这两种控制方案,采用理论加仿真的方法进行研究。主要的工作和结论如下:(1)指出基于神经网络在线调整PID参数的控制方案中一般采用全局学习神经网络(如BP网络),存在学习速度慢,并且容易陷入局部极小的缺点。通过一个具体实例的仿真结果,在跟踪方波信号时,反应比较“迟钝”,跟踪误差大,不能满足实时控制的要求。(2)提出一种CMAC概念映射算法,给出了算法公式。(3)提出了改进型CMAC-PID控制方案。改进型CMAC-PID控制器中,通过系统误差调整联想存储空间中的权值,并采用变学习速率的结构,使得CMAC的学习为包含了PID控制器在内的整个系统的逆动态模型,有效克服原有控制结构,在跟踪连续变化信号时,由于CMAC和PID相互作用,产生过学习导致系统不稳定的现象。另外,把状态相量引入CMAC网络的输入空间,充分利用了CMAC中已存储的信息,提高了抗干扰能力,在跟踪方波信号时,学习速度快,输出误差小,体现了良好的控制性能。(4)将改进型CMAC-PID控制器用于非线性及时变性非常突出的柴油发电机组调速系统,建立了火电厂应急柴油发电机组的仿真模型,仿真结果表明在顺序投入负载时,应急柴油发电机组在改进型CMAC-PID控制下比常规PID控制下有更好的动态性能——转速(频率)瞬态调整率小和稳定时间(调节时间)短,克服了常规控制器不能避免的一些弊端,提高了控制效果。