基于PSO-BP神經網絡的微波加熱溫度預測研究*

陳 誠，周新志，雷印杰（四川大學　電子信息學院，四川　成都 610065）

基于PSO-BP神經網絡的微波加熱溫度預測研究*

陳 誠，周新志，雷印杰
（四川大學電子信息學院，四川成都 610065）

針對微波加熱物料難以建立準確模型的問題，采用粒子群算法優化BP神經網絡后，對微波加熱物料的溫度變化構建系統模型。在該模型上，對溫度的變化趨勢進行預測。實驗結果表明，經過粒子群算法優化后的BP網絡，具有更高的精度，預測能力顯著提高。

BP神經網絡；粒子群優化算法；微波加熱；溫度預測

0　引言

微波作為一種新型能源在工業上開始得到廣泛應用。微波加熱的原理與常規加熱不同，常規加熱是利用熱傳導的原理加熱。而微波加熱是利用外加電場，改變介質分子間的運動情況并使分子間相互摩擦產生熱量，因此，加熱效果是由里及表。與傳統加熱相比，微波加熱具有提取時間短、溫度低、耗能低、品質高等優良特性［1］。由于微波加熱速度快，普通的反饋控制方法有嚴重的時間滯后問題，媒質內部出現熱點，出現熱失控，可能燒毀工業物料，甚至引發爆炸，因此存在較大的安全隱患［2］。

解決智能實時控制微波加熱的一個關鍵問題就是溫度控制。輸出功率要伴隨負載溫度的變化而改變輸出值，因此需要實時監測負載的溫度值。由于大功率微波加熱存在嚴重的時間滯后問題，因此，溫度預測就成了解決問題的關鍵所在。常見的溫度預測方法有：人工神經網絡、時間序列、支持向量機等［3］。本文采用粒子群算法優化BP神經網絡的方法進行了加熱物料溫度變化趨勢的預測，實驗仿真結果證實了該方法的有效性。

1　PSO-BP神經網絡在微波加熱中的具體應用

1.1粒子群算法優化BP神經網絡

BP神經網絡是一種3層或者3層以上的神經網絡，包括輸入層、輸出層和隱含層。它的訓練算法包括正向和反向傳遞兩個過程。輸入信息通過隱含層傳遞給輸出層，將輸出信號和預測信號做比較，若有誤差，則采用誤差反向傳播方法，將誤差信息沿原網絡返回，從輸出層經過中間各層逐層向前修正網絡的連接權值［4］。隨著不斷學習，誤差將越來越小，最終使誤差到達指定的精度。但是BP網絡主要由經驗和反復試驗確定參數，算法訓練時間較長，效率不高，造成網絡性能低下。

粒子群算法（PSO）將每個個體抽象成優化問題的可能解，再根據需要優化的目標函數確定一個具體值，再用一個速度來決定它們的方向和距離，粒子通過自己和其他粒子的飛行經驗來動態調整，并追尋當前最優粒子，不斷迭代以找到最優解［5］。其算法公式為：

f=√m+n+a（2）其中，m和n分別表示輸入層和隱含層的神經元個數，a是［0，10］之間的常數。因此，本文擬定隱含層神經元個數為3～15，根據試錯法，當MSE的結果達到最小時，確定隱含層神經元的個數［8］。

輸入層和隱含層的傳遞函數分別選定為 tansig和purelin，訓練函數采用trainlm。根據每秒采集到的數據，整理并訓練樣本。

BP神經網絡設置參數為：

最大訓練次數：net.trainParam.epochs=100；

訓練目標：net.trainParam.goal=0.000 4；

學習率：net.trainParam.lr=0.1。

粒子群算法設置參數為：

加速常數：c1=c2=1.49

進化次數：maxgen=100

種群規模：sizepop=30

粒子位置和速度取值區間分別為［-5，5］和［-1，1］。

設置取優化后的權值、閾值訓練網絡［9］。

1.2實驗設備及過程

在本文中，以工業加熱煤作為實驗。其中磁控管微波功率源為控制對象，被控物理量為溫度參數。該實驗裝置主要由以下幾部分組成：磁控管微波功率輸入控制系統、傳送帶、傳感測溫器、溫度檢測裝置等，裝置如圖1所示。在工業煤加熱過程中，對煤從初始溫度加熱到擬定的上限溫度150℃。在系統加熱過程中，每間隔30 s對煤炭進行溫度采集并記錄，同時記錄該時刻的輸入功率和反射功率值。

本文研究的對象是微波加熱物料的溫度，因此輸出量是要預測的未來時刻物料的溫度，溫度預測模型設計為3層BP神經網絡。輸入層擬定為加熱時間和介質的反射功率，輸出層為預測的溫度［6］。隱含層個數的確定至今為止沒有明確的結論，只能根據特定的問題，結合經驗公式［7］給出估計值。這里采用的經驗公式為：

圖1　磁控管微波源功率控制實驗平臺

2　實驗結果及分析

2.1BP模型預測

在BP模型預測中，預測值與實際值對比如圖2所示，誤差分析如圖3所示。

2.2PSO-BP模型預測

在PSO-BP模型預測中，預測值與實際值如圖4所示，誤差分析如圖5所示。

圖2　BP模型預測值與實際值對比

圖3　BP模型誤差圖

圖4　PSO-BP模型預測值與實際值對比

圖5　PSO-BP模型誤差結果圖

2.3結果分析

（1）BP和PSO-BP兩個模型的預測值都比較趨近實際值，但部分點誤差較大，原因如下：①在工業中，受外界干擾的情況較多；②采集時間間隔比較長，因此溫度的漲幅相對較大；③由于加熱對象煤是固體，因此存在熱失控的點，但這些采集的特殊點的溫度不能代表煤整體的溫度，所以導致有些點誤差較大。此時，預測值比測量值更能反映煤整體的真實溫度。

（2）從預測的精度分析，PSO-BP預測的精度比純BP要高。

綜上，PSO-BP神經網絡的模擬結果比BP神經網絡更接近測量數據，精度更高，訓練所需時間更少。

3　結論

本文針對微波加熱物料系統具有時變性、滯后性和

非線性的特性，建立神經網絡預測模型。實驗仿真結果表明，使用粒子群算法優化BP神經網絡進行溫度預測，能夠達到最優的擬合效果，并提高了預測的速度和精度。這將為下一步的生產實踐提供理論指導，為工業生產提供新的技術支持。

［1］張天琦，崔獻奎，張兆鏜.微波加熱原理、特性和技術優勢［J］.筑路機械與施工機械化，2008，25（7）：10-14.

［2］劉長軍，申東雨.微波加熱陶瓷中熱失控現象的分析與控制［J］.中國科學，2008，38（7）：1097-1105.

［3］汪建宇，羅祥遠.微波加熱自動控制系統［J］.微計算機信息，2003，19（10）：16-17.

［4］王龍剛.基于PSO-BP的智能溫度控制器［D］.西安：西安科技大學，2012.

［5］黃文秀.粒子群優化算法的發展研究［J］.軟件，2014（4）：73-77.

［6］王龍剛，侯媛彬.BP-PSO在電加熱爐中的溫度智能預測［J］.自動化儀表，2013，34（1）：54-56.

［7］李松，劉力軍，翟曼.改進粒子群算法優化 BP神經網絡的短時交通流預測 ［J］.系統工程理論與實踐，2012，32 （9）：2045-2049.

［8］張俊，沈軼.神經網絡指數穩定性分析的一種方法［J］.華中科技大學學報（自然科學版），2003，31（1）：7-9.

［9］胡冰蕾.基于遺傳優化的BP神經網絡算法的短期負荷預測［J］.供用電，2010，27（6）：42-44.

Research on microwave heating based on BP neural network optimized by the particle swarm optimization algorithm

Chen Cheng，Zhou Xinzhi，Lei Yinjie
（College of Electronics and Information Engineering，Sichuan University，Chengdu 610065，China）

For the microwave heating of materials is difficult to establish an accurate model，using particle swarm optimization algorithm to optimize BP neural network，aiming at temperature changes of microwave heating of materials，building the system model.On this model，the temperature trends are predicted.Experiment results show that，the BP network through particle swarm optimization algorithm optimized，with high accuracy and faster convergence，significantly improve the predictive ability.

BP neural network；particle swarm optimization algorithm；microwave heating；prediction of temperature

TP183

A

1674-7720（2015）05-0068-02

國家重點基礎研究發展計劃（973計劃）（2013CB328903）

（2014-11-06）

陳誠（1986-），男，碩士研究生，主要研究方向：智能控制。

周新志（1966-），男，教授，碩士生導師，主要研究方向：人工智能、智能控制技術及應用。

雷印杰（1983-），男，博士，主要研究方向：模式識別、智能控制。