恒溫箱溫度測控系統設計及其BP網絡控制預測

蘇力，雷瑛

(1.西安航空學院 電子工程學院，陜西 西安 710077; 2.西安交通工程學院 機械工程學院，陜西 西安 710300)

0 引 言

溫度作為工業生產過程中最重要的參數之一，對絕大多數化學及物理反應有著決定性作用，直接影響反應的成敗，從而決定了生產工藝的好壞以及產品質量的高低，甚至決定了生產過程的安全問題。因此如何對溫度進行精確檢測和控制也成為人類不斷研究探索的領域[1-5]。

溫度控制的核心問題便是溫度控制環節控制算法的設計。在控制溫度過程中，由于被控對象的本質屬性及其所處外界環境等各種因素的影響，設計一個通用的溫度控制系統是十分艱難的[6-7]。國內武漢新美亞科技開發公司推出的開放式面板數字溫控器5 R 7-570，通過LED顯示屏顯示當前溫度(4位數)并可遠程設置目標溫度和旋鈕刻度盤，制冷制熱模式可通過LED顏色加以區分，具有斷路保護的功能，其溫控范圍為20～150 ℃，誤差范圍為±0.1 ℃[8]。成都業賢科技有限公司生產的TCM系列溫控模塊，延長了制冷片的壽命并提高了穩定性[9-12]。

1 溫度測量與控制系統整體方案設計

在合理設計恒溫箱的機械結構，減弱外界環境溫度變化對箱內溫度的影響的基礎上，設計高精度溫度測量與控制系統，其主要功能是根據上位機發送的指令精確控制恒溫箱內的溫度，使溫度波動范圍在目標溫度±0.02 ℃內。系統總體設計結構如圖1所示。

圖1 系統總體設計框圖

圖1中溫度測量環節主要包括兩部分：①溫度傳感器，將溫度值轉化為電壓信號，以便后續器件識別和轉換；②A/D轉換電路，將所得電壓信號轉換為相應的數字信號，以供控制器運算和處理。

系統的軟件部分采用C語言編寫，以嵌入式操作系統μC/OSII為基礎進行擴展開發。軟件系統主要可分為溫度測量、溫度控制和通信模塊三個部分，其組成如圖2所示。

圖2 軟件系統組成框圖

溫度信號的精確測量對后續的溫度控制等至關重要，溫度測量部分主要由信號采集和數字濾波兩部分組成，包括校準溫度傳感器的阻值，編寫A/D轉換器的讀寫函數以及數字濾波算法等。信號采集的過程可由圖3表示。

圖3 信號采集流程圖

2 基于BP神經網絡的恒溫箱溫度預測模型建立

恒溫箱內的溫度場受到外界環境溫度，箱內空氣對流情況，以及加熱或制冷元件工作功率等因素的綜合影響，是一個典型的非線性系統。溫度控制過程中，加熱或制冷效果充滿整個箱內空間也需要一定的時間，恒溫箱溫度控制具有一定的滯后性，提前做出預測可以進行超前控制，削弱滯后性。本文正是從這兩方面出發，利用BP神經網絡算法設計出恒溫箱溫度預測系統。經過多次嘗試后，最終確定本預測系統神經元個數為7個。溫度預測系統的輸入輸出如表1所示。

表1 溫度預測系統的輸入輸出

確定BP網絡隱含層激活函數f為Log-Sigmoid函數，最終，本文采用的溫度預測系統的BP神經網絡結構模型，如圖4所示。

圖4 恒溫箱溫度預測系統BP神經網絡結構

將輸入數據映射到[-1，1]之間，此步驟稱為歸一化處理，是為了便于后續對數據的運算和處理，達到提高訓練效果的目的，歸一化處理公式如式(1)：

(1)

式中:x為原始數據;y為歸一化后的數據;xmax和xmin分別為原始數據的最大值和最小值。

神經網絡相關參數確定后，利用MATLAB實現BP算法，訓練數據直至達到性能指標要求，從而建立溫控系統的預測模型。BP神經網絡的性能指標用式(2)表示。

(2)

式中：EN為N個樣本在網絡中的總誤差；tnk為第n個樣本的第k維對應標準值；onk為第n個樣本的第k維網絡輸出值。

選擇Levenberg-Marquardt算法對本BP神經網絡進行訓練，此時網絡權值和偏置值的調整公式為：

(3)

式中:k為迭代次數；xk和xk+1分別為當前的權值或偏置值以及迭代產生下一次的權值或偏置值；Δxk為網絡權值或偏置值的調整量；Je為雅可比矩陣；λ為調整系數；I為單位矩陣；e為網絡誤差向量。

選擇溫度范圍較大的500組樣本數據并進行歸一化處理，訓練樣本占比70%，測試樣本占比15%，剩余15%為驗證樣本，設置訓練步數為1 000步，最大性能誤差為10-7。

3 BP神經網絡預測模型驗證

為驗證BP網絡預測訓練結果準確性，將20組數據作為驗證樣本。圖5為預測溫度曲線圖，圖6為絕對誤差變化圖。經計算可知，預測溫度的絕對誤差的最大值為0.237 20 ℃，平均值為0.102 71 ℃，均方差為0.063 96 ℃。從預測結果來看，箱內溫度的預測可以通過BP神經網絡預測模型來實現。

圖5 BP網絡預測值與實際值比較

圖6 預測值與實際值的絕對誤差

4 結束語

(1)基于上述恒溫箱箱內情況和高精度的控制要求，系統采用STM 32 F 103系列芯片作為主控制器，基于C語言在Keil平臺實現。

(2)將由外界環境溫度經BP神經網絡預測并計算得到的溫度變化率作為模糊控制的其中一維輸入，使控制器具有超前控制的作用。

(3)預測溫度的絕對誤差的最大值為0.237 20 ℃，平均值為0.102 71 ℃，均方差為0.063 96 ℃。從預測結果來看，箱內溫度的預測可以通過BP神經網絡預測模型來實現。