基于神經網絡的蓄熱式加熱爐的溫度控制研究

周建新 熊延輝

摘?要：文中提出了一種基于BP神經元網絡控制PID的復合方法，通過線下學習并對控制對象模型進行分類辨識，這樣就形成了相似與人類大腦的辨識器（NNI），并通過改正其網絡結構權值，讓它自己逐漸地調整，使符合控制系統對象的特性。把它用在蓄熱式加熱爐的自動化溫度控制里，通過matlab仿真有著很好的效果。

關鍵詞：蓄熱式加熱爐;BP神經網絡;溫度控制

鋼鐵企業也隨著社會的發展。對加熱爐加熱效果，爐溫控制更加嚴格，但是以前傳常規的PID調節控制爐溫，在大滯后，強耦合的條件下完成的不是很理想，根據實際的現狀，設計了一種通過神經網絡的學習訓練，識別出學習結果，它的輸出控制PID參數的方法，通過神經網絡學習訓練，控制三個PID的參數，根據實時狀態去變化參數，使系統達到穩定。引進了神經網絡算法，它的輸出控制PID.通過matlab對溫度控制系統進行仿真工作。[3]

1 神經網絡優點

神經網絡的優點如下：非線性較強。在神經網絡中只要有大量的神經元，就能用三層神經元結構來近似的展現出任意的一種非線性連續函數。

2 BP網絡的前饋計算

在神經網絡學習的時候，它要訓練樣本，假如總共有N個采樣的數據來培訓，第一在許多的樣本中選擇里面的一個，它的的輸入模式?XP?、輸出模式{?dpk?}來培訓神經網絡。為了寫公式的時候工整，省略樣本的p，所以下面將隱含層中的第?j?個節點寫為：

netpj=netj=∑Mi=1wijoi?（1）

第j個節點輸出為：

oj=fnetj?（2）

其中?fnetj?為激活函數：

fnetj=11+e（netj-θj）θ0?（3）

其中?θj?代表著偏移值或者閾值，正數的?θj?的功能是讓?fnetj?函數右移平行于y軸，?θ0?的功能是改變?δ?函數的曲線圖型，特別小的?θ0?讓?δ?函數近似于階躍函數，特別大?θ0?的作用是讓函數?δ?變化的比之前平穩，取為2.067，為1.371對式（3）求導，可得：

f'netj=fnetj1-f（netj）?（4）

第j個神經元的的輸出?o?j?即要經過加權系數?w?jk?往前傳遞到第k個神經元的總共輸入為：

netk=∑qj=1w?jko?j?（5）

其中q為隱含層的節點數。輸出層中的神經元是第k個節點，它的真實神經網絡輸出為：

O?k=fnetk?（6）

3 仿真實驗

本實驗采用matlab對控制對象進行仿真，在常規控制器的基礎上，加入一個神經網絡控制器，構成如圖一所示的神經網絡控制器。通過仿真得出兩個曲線。如圖1、圖2所示。

4 結論

通過對比上述兩個曲線得出常規的PID需要調節的時間較長，響應時間太長，達到了15秒以后才趨于穩定，而神經網絡的PID控制在5秒就趨于穩定，調節時間縮短了3倍，結果與期望相符。

參考文獻：

[1]趙望達，劉勇求，賀毅.一種用RBF神經網絡改善傳感器測量精度的新方法[J].電子技術應用，2004（11）.

[2]何繼愛，黃智武，田亞菲.一種單神經元PID控制器[J].甘肅科學學報，2004（04）.

[3]吳學文，吳黎明，張力鍇，陳泰偉.遺傳神經網絡在車身姿態測量中的應用[J].自動化與信息工程，2012（01）.