基于神經元逆模型的烤箱溫度控制研究

摘 要:溫度控制在大型工業和日常生活用品生產中都具有廣泛的應用。神經元網絡是智能控制的一個新的分支，為解決復雜的非線性、不確定性、不確知系統的控制問題開辟了一條新途徑。針對烤箱溫控具有升溫單向性、大時滯性和時變，以及溫度在工作區域內的變化具有非線性的特點，運用神經網絡逆控制和預測控制相結合的方法對整個系統進行控制，根據神經元模型結構特點，用Matlab工具進行設計和仿真，仿真結果令人滿意。

關鍵詞:神經網絡;烤箱溫度控制;神經元逆模型;Matlab仿真

中圖分類號:TP273文獻標識碼:A

文章編號:1004-373X(2010)05-112-03

Study on Temperature Control of Oven Based on Inverse Model of Neuron

XU Xiuling

(College of Mathematics，Physics and Information Engineering，Zhejiang Normal University，Jinhua，321004，China)

Abstract:The temperature control has broad application prospects in large scale industry and daily production.Neural network is a branch of intelligent control，the control problems of complex nonlinear system，uncertainty system and unascertained system are solved.The oven′s temperature control has characteristics of time delay and time varying，and the temperature has non-linear feature in the work area，combining inverse control with prediction control of neural network，using Matlab simulation，the simulation results are satisfactory.

Keywords:neural network;oven′s temperature-control;inverse model of neuron;Matlab simulation

0 引 言

溫度控制技術廣泛應用于社會生活的各個領域，如家電、汽車、材料、電力電子等，傳統的溫度控制技術中最常見的是繼電器調溫，但由于繼電器動作頻繁，溫度控制范圍小，精度不高，可能會因觸點不良而影響正常工作。最近幾年快速發展的有PID溫控[1]、模糊控制[2]、神經網絡[3]以及遺傳算法[4]在溫度控制中的應用。由于溫度控制系統的負載變化且外界干擾因素復雜，采用PID控制只能對電參數的影響做精確計算，對于外界環境的變化只能做近似估算，從而影響控制精度。神經網絡以其高度的非線

性映射、自組織、自學習和聯想記憶等功能，可對復雜的非線性系統建模，其響應速度快、抗干擾能力強、算法簡單且易于用硬件和軟件實現。

烤箱是熱處理生產中應用最廣的加熱設備，它電流通過電熱元件產生熱量，借助輻射和對流的傳遞方式，將熱量傳遞給所要加熱的物品，使其加熱到所要求的溫度。烤箱溫控具有升溫單向性、大時滯性和時變的特點，如升溫靠電阻絲加熱，降溫依靠自然冷卻，溫度超調后調整慢，因此用傳統控制方法難以得到更好的控制效果。本文主要針對烤箱溫度在工作區域內非線性變化的特點，運用神經網絡控制方法對整個系統進行控制[8]。

1 烤箱模型

現以控制一個通風烤箱的溫度作為研究對象，熱量由熱電阻產生，由功率放大器產生電壓VC控制。溫度由放在測量孔中的熱電偶測量，儀表放大器產生電壓Vm，顯示溫度Qm。在烤箱溫度范圍內，假定傳感器和儀表放大器是線性的。

此過程包含的參數如下:Ra為減少導管熱向機殼傳播的熱電阻;Ca為機殼的熱容;Rm為降低測量洞中的烤箱熱循環熱電阻;Cm為測量洞的熱容;R1為降低朝烤箱外的熱循環泄漏電阻;Ce為烤箱外的熱容，認為很大;Qu，Qm，Qe分別表示烤箱機殼、測量洞和烤箱外的溫度，其等效電路如圖1所示。

Q=Cadθadt+Cmdθmdt+θa-θeRf

式中:θ=θa-RmCmdθmdtθe，使用拉普拉斯變換，得到根據Q和系統參數關于θa的表達式。經過一些計算后，也就是:

θa=Q+θeRf#8226;

Rf(1+RmCmp)1+(RmCm+RfCm+RfCm)p+RfRmCmCap2

測量溫度和烤箱機殼溫度的關系如下:

θmθa=11+RmCmp

圖1 烤箱等價電路圖

烤箱參數:

Ra=0.01 ℃/W;

Rm=3 ℃/W;

Rt=0.1 ℃/W;

Qmax=5 000 W;

Ca=500 J/℃;

Cm=10 J/℃;

Ce=∞;

θe=20 ℃;

k1=100 W/V;

k2=0.1 V/℃。

通過計算可以得出烤箱方程如下:

T1(p)=0.1+3p1+531p+1 500p2

T2(p)=11+30p

2 神經網絡對烤箱溫度的控制

2.1 神經網絡算法介紹

神經網絡的三層節點表示為輸入節點:xj;隱節點:yi;輸出節點:Ot。輸入節點與隱節點間的網絡權值為ωij，隱節點與輸出節點間的網絡權值為Tli，輸出節點的期望輸出為tl，隱節點的輸出為:

yi=f(∑jωijxj-θi)=f(neti)

式中:

neti=∑iTliyi-θi。

輸出節點的計算輸出:

Ol=f(∑iTliyi-θl)=f(netl)

式中:

netl=∑iTliyi-θl。

網絡的希望輸出與實際輸出的偏差設為:

δl=(tl-Ol)

輸出節點的誤差可寫為:

E=12∑lδ2l

網絡的學習規則實現的是學習模式集合上平方和誤差E的梯度下降，而不是特定某個模式分量的絕對誤差δ的梯度下降。因此，在每次校正完后，網絡輸出端的誤差對于某些神經元來說也有可能增加，但在進行多次反復計算后，其誤差還是應該變小的。

2.2 神經元逆模型控制溫度

根據通風口烤箱結構特點及神經網絡特點設計神經元控制結構，以實現溫度控制的目的，其結構圖如圖2所示。輸入、輸出變量均進行標準化，其值均在0.1~0.9之間。輸入層有6個節點，輸出變量為t-1時刻的控制電壓uN(t-1)，控制電壓變化量為

ΔuN(t)=uN(t)-uN(t-1);t時刻儀表放大器輸出電壓yN(t)，t-1時刻儀表放大器輸出電壓yN(t-1)，由此，儀表放大器輸出電壓變化量ΔyN(t)=yN(t)-yN(t-1)。進行一步預測控制，輸入還包括預測儀表放大器輸出電壓變化量ΔyN(t+1)。隱含層有7個節點，輸出層有1個節點，輸出變量為t時刻的控制電壓變化量。N是標準化模塊，DN是解標準化模塊。

圖2 控制結構圖

2.3 仿真結果及其分析

通過Matlab 7.0搭建仿真模型檢測該神經網絡控制的可行性。

(1) 不考慮烤箱溫度變化非線性因素，仿真結果如圖3、圖4所示。

圖3 控制電壓Vc和測量電壓Vm

圖4 烤箱溫度圖

圖3中Vc為控制電壓，Vm為測量電壓。由圖3可見，測量電壓迅速達到穩定值，并保持穩定不變。這說明通過神經元模型控制，可以自動控制溫度達到穩定值。由圖4可看出，烤箱相當于一個時間常數接近1 500 s的一階過程。在瞬間測量溫度θm很接近烤箱溫度θa，在穩定狀態下，θm和θa是相等的。

(2)考慮烤箱溫度非線性變化因素。在實際的烤箱中，工作區域沒有線性化。為得到一個在任何工作點都能適用的神經元模型，給這個過程施加一個帶有偽隨機二進制序列的斜坡信號。重新搭建仿真模型，仿真結果如圖5所示。

圖5 烤箱神經控制仿真圖

從圖5可以看出，采用神經網絡控制烤箱溫度，即使是考慮烤箱的非線性因素，通過神經網絡的反復在線優化，控制信號r和輸出信號y的誤差被控制在很小范圍內。

3 結 語

針對烤箱溫度在工作區域內的變化具有非線性的特點，運用神經網絡逆控制方法對整個系統進行控制。仿真結果顯示，使用神經元網絡能很好地控制烤箱的溫度。

參考文獻

[1]周韻玲.基于PLC的神經網絡PID控制器設計[J].控制系統，2007，23(7):97-100.

[2]董秀瑾，那文波.基于線性預測模型的神經網絡模糊PID控制[J].機電工程，2007，24(2):62-65.

[3]郭秀才，舒懷林.基于PID神經網絡的溫度控制[J].工礦自動化，2008，6(3):31-34.

[4]孫豐昌，樂愷，姜澤毅，等.智能控制算法對加熱爐溫度控制研究 [J].熱能動力工程，2009，24(3):337-341.

[5]李春華，李欣，羅綺.不確定非線性系統的直接自適應神經網絡控制[J].計算機工程與應用，2008，44(2):124-128.

[6]張敏，胡壽松.不確定多時滯系統動態自適應神經網絡控制[J].系統工程與電子技術，2009，31(2):435-438.

[7]顏園園，張宏群.基于LabVIEW的溫濕度測量系統[J].現代電子技術，2009，32(1):120-123.

[8]于乃功，李明，李建更.機械手軌跡規劃的神經網絡逆?？刂芠J].控制工程，2008，15(3):225-228.

[9]閆大朋，閆世杰，李愛平，等.微型燃氣輪機的新型神經網絡控制的研究[J].控制工程，2008，15(5):541-545.

[10]田毅韜，周曉慧.基于預測控制的神經網絡在熱分散溫度控制中的應用[J].陜西科技大學學報，2007，25(3):93-95.