比例-积分-微分(PID)是过程控制中最常使用的一种控制算法。由于PID控制算法简单、在实际应用中容易被理解和实现，因此它被广泛应用于化工、冶金、机械、热工和轻工等过程控制系统中，许多高级控制大多是以PID控制为基础的。但PID参数的整定一般需要经验丰富的工程技术人员来完成，十分费时耗力，加之实际系统千差万别，又有滞后、非线性等因素，使PID参数的整定有一定难度，许多PID调节器不能工作在令人满意的状态，因此研究自整定PID控制具有重要意义。 论文第一章阐述了课题背景与意义，综述了PID参数自整定技术的研究现状。根据PID参数自整定在实际应用中存在的问题，提出了本文的主要工作。 论文第二章分析了常规的工程整定方法—Ziegler-Nichols整定法，该方法获得的参数在有负载扰动时存在较大误差。文中分析得出误差产生原因是由于负载扰动作用下系统的不对称输出和不平衡周期直接导致的，针对该问题，提出用滞环继电反馈来抵消由负载扰动所产生的不对称性，从而减小扰动误差，获得更精确的辨识结果。在此基础上，提出一种滞环继电反馈辨识方法，利用多点频率响应得到对象的二阶加滞后模型，然后设计了基于该模型的两种PID参数自整定方法：直接综合法和稳定裕度法，仿真实验表明，两种自整定方法都能使一般的被控对象具有很好的抗干扰性和控制性能，简单有效，适用于在线实时的工业过程控制。 论文第三章研究了基于神经网络的参数自整定PID控制。常规PID参数自整定方法应用于一般被控对象时，能够获得良好的控制效果，但是在过程控制系统中，对于越来越复杂的被控对象，尤其当对象发生变化或者突发大的外来扰动时，传统PID控制算法往往无法达到期望的控制效果。为解决此问题，提出一种基于RBF神经网络的微分先行PID参数自整定算法，利用人工神经网络间接的实现PID控制，使传统PID控制能够继续发挥其在过程控制中的良好作用。由于RBF网络是一种局部逼近网络，在自适应辨识PID参数时可以避免BP网络存在的局部极小问题。大量的仿真实验表明，