基于神经网络的蓄热式加热炉的温度控制研究

来源: 发布时间:2019-09-05 09:02:32

  摘要:文中提出了一种基于BP神经元网络控制PID的复合方法,通过线下学习并对控制对象模型进行分类辨识,这样就形成了相似与人类大脑的辨识器 (NNI) ,并通过改正其网络结构权值,让它自己逐渐地调整,使符合控制系统对象的特性。把它用在蓄热式加热炉的自动化温度控制里,通过matlab仿真有着很好的效果。

  关键词:蓄热式加热炉;BP神经网络; 温度控制

  1、引言 钢铁企业也随着社会的发展。对加热炉加热效果,炉温控制更加严格,但是以前传常规的PID调节控制炉温,在大滞后,强耦合的条件下完成的不是很理想,根据实际的现状,设计了一种通过神经网络的学习训练,识别出学习结果,它的输出控制PID参数的方法,通过神经网络学习训练,控制三个PID的参数,根据实时状态去变化参数,使系统达到稳定。引进了神经网络算法,它的输出控制PID.通过matlab对温度控制系统进行仿真工作[3]。

  2、神经网络优点

  神经网络的优点如下: 非线性较强。在神经网络中只要有大量的神经元,就能用三层神经元结构来近似的展现出任意的一种非线性连续函数。

  3、BP网络的前馈计算

  在神经网络学习的时候,它要训练样本,假如总共有N个采样的数据来培训,第一在许多的样本中选择里面的一个,它的的输入模式 、输出模式{ }来培训神经网络。为了写公式的时候工整,省略样本的p,所以下面将隐含层中的第 个节点写为:

  (1)

  第j个节点输出为:

  (2)

  其中 为激活函数:

  (3)

  其中 代表着偏移值或者阈值,正数的 的功能是让 函数右移平行于y轴, 的功能是改变 函数的曲线图型,特别小的 让 函数近似于阶跃函数,特别大 的作用是让函数 变化的比之前平稳,取为2.067,为1.371对式(3)求导,可得:

  (4)

  第j个神经元的的输出 即要经过加权系数 往前传递到第k个神经元的总共输入为:

  (5)

  其中q为隐含层的节点数。输出层中的神经元是第k个节点,它的真实神经网络输出为:

  (6)

  4、仿真实验

  本实验采用matlab对控制对象进行仿真,在常规控制器的基础上,加入一个神经网络控制器,构成如图一所示的神经网络控制器。通过仿真得出两个曲线。如图2.图3所示,

  图2 常规PID仿真曲线

  图3 神经网络的PID曲线

  5、结论

  通过对比上述两个曲线得出常规的PID需要调节的时间较长,响应时间太长,达到了15秒以后才趋于稳定,而神经网络的PID控制在5秒就趋于稳定,调节时间缩短了3倍,结果与期望相符。

  [1] 赵望达,刘勇求,贺毅. 一种用RBF神经网络改善传感器测量精度的新方法[J]. 电子技术应用.2004年11期.

  [2] 何继爱,黄智武,田亚菲. 一种单神经元PID控制器[J]. 甘肃科学学报. 2004年04期.

  [3] 吴学文,吴黎明,张力锴,陈泰伟. 遗传神经网络在车身姿态测量中的应用[J]. 自动化与信息工程.2012年01期.


京ICP备19010415号  版权所有:科技风杂志社官网  未经本刊授权不得转载本站文章