高斌

摘要由于工業生產過程總體性能要求的不斷提升，智能控制發展十分迅猛。近年來，科研設計人員對溫度控制裝置進行了全方位的探討，特別是隨著計算機等高科技技術的進步，溫度控制的研究也由此獲得很大的提升，從而組成了一批商品化的溫度控制裝置，為企業技術改造服務。本文主要說明并驗證神經網絡控制算法的基本原理。

1系統設計分析

1.1研究內容

1.溫度傳感器感測待測區域的溫度，由傳感器和模擬量擴展模塊把非電信號轉換成電信號傳送到控制器PLC中。

2.觸摸屏顯示實時采集的數據，同時對預設值進行設定。

3.PLC采集傳感器測量信號，經過神經網絡控制的溫度控制算法，并進行神經控制算法。

4.比例積分微分變化如下：

（1）P：比例環節：

控制作用快， Kp大，容易發生振蕩;

改進方法：在智能算法上設置合理數值;

（2）I：積分環節：

消除了系統的靜態偏差，降低系統回應速度，加大超調量;

改進辦法，算法設計改進：積分分離;抗積分飽和;變速積分.

（3）D：微分環節：

輸入信號的干擾影響大;

改進辦法：不完全微分PID控制;微分先行PID控制;

1.2系統流程分析

與常規PID控制器相對比，不需要進行完整數據、精密數據的數學建模，對那些穩定性較差、數據信息不完備的系統，神經網絡控制算法技術比常規PID控制理論方法更穩定，更出色。

1.3系統軟件設計

觸摸屏可以實現運用和使用者與設計者之間的信息傳遞與交流，由于實驗場地可能存在危險性，觸摸屏又可遠程監控，因此人機遠程監控是不可缺少的一部分。

觸摸屏在系統中是直接與PLC通過串口線連接在一起的，這樣可以更直接的讀取和顯示數據產生和運動狀態的監控。之所以觸摸屏和PLC之間實現了數據交換，實際是使用了串口232協議，這就可以把程序里實時產生的信息或儲存性信息更直觀的顯示在了觸摸屏界面上。

3.數據分析與調試

3.1程序調試

（1）模擬調試：

在正式開始實驗之前，應進行簡單的檢查與調試，下載測試程序時應斷開主電路電源，測試各個輸出點是否有信號，輸出點也可以用容易分辨的裝置代替，例如：燈泡。

（2）實際調試：

在完成模擬調試的前提下，將完整的系統軟件程序下載到PLC中，進行簡單數據實驗，首先，要嚴格保證設備安裝的正確，其次進行實驗的同時要保證外界因素影響降到最小，保證實驗的嚴謹性和可用性。

3.2軟硬件整體協調

程序調試是通過在規范狀態下自己操作設備所產生的軟、硬件中的各類問題，記錄下來并加以修正。對各個模塊進行單獨反復調試，對程序邏輯、語法進行反復檢查，觀察系統功能是否運行正常。

在程序調試過程中首先進行逐級分類，逐級檢測。調試的同時也要注意系統的穩定性，關注系統產品的工藝性能和安全性，首先保證急停按鈕、熔斷器和停止按鈕的正常使用，以此來避免正常調試過程中發生事故時，不能及時控制局面。

其次就是對程序在運行的過程中出現的一些漏洞進行更改和填充，例如：自鎖、互鎖等技巧性程序語句。但是，通電聯機調試程序的目的一定不只是為了看到自己預想的輸出現象和各類操作，而是熟練操作這套系統的各個步驟的操作，在正、逆向思維同時思考的情況下，保證系統的正常運行，并且輸出信號正常。

3.3預實驗數據分析

實驗中進行了大量的（500+組）加溫、降溫控制實驗，實驗數據及分析如下：

特取兩組實驗加以舉例，實驗前提如下：

（1）起始溫度相同（包括室溫）;

（2）記錄相同實驗時間;

（3）在預實驗驗證的基礎上，實驗參數一致;

（4）各組升降溫實驗各自獨立;

神經網絡控制可以完成用模型和規則難以實現的系統控制，具有很強的容錯率，很適合這個實時性處理并且控制要求高的系統。

同時，在不同溫度（室溫）進行穩定性分析，來確保實驗的嚴謹，數據圖像如下圖所示（下表中只是取其中有代表性的兩個溫度值進行舉例）：

神經網絡控制相對于傳統PID控制上升、下降速度更快，能夠在較短的時間內達到穩定狀態。

結論：15攝氏度的穩定性為0.055：30℃的穩定性為0.42。穩定性誤差分析滿足預先的實驗要求，適合本設計。

4.總結

本文重點對基于神經網絡的智能控制方法進行了探討，對比了兩種控制策略的控制的特殊性。并將神經網絡控制技術運用于溫度控制箱的設計控制中，進行了一系列實驗和仿真研究，總結了典型的神經網絡的控制方式，對于控制過程中存在的問題逐一進行了分析。用MATLAB語言處理進行數據分析，并通過繪制圖像直接的驗證了其相較于傳統方法的控制效果。對神經網絡控制及常規PID控制進行了各方面性能的比較分析，討論了它們的優缺點。

參考文獻

[1]湯啟友.基于遺傳算法的BP神經網絡對高爐爐溫的預測[J].山東工業技術，2018（10）：146.

[2]Azhdar Soleymanpour Bakefayat，Marjan Mahmoodi Tabrizi. Lyapunov stabilization of the nonlinear control systems via the neural networks[J]. Applied Soft Computing，2016，42.