标题 | 基于神经网络的蓄热式加热炉的温度控制研究 |
范文 | 周建新 熊延辉 摘?要:文中提出了一种基于BP神经元网络控制PID的复合方法,通过线下学习并对控制对象模型进行分类辨识,这样就形成了相似与人类大脑的辨识器(NNI),并通过改正其网络结构权值,让它自己逐渐地调整,使符合控制系统对象的特性。把它用在蓄热式加热炉的自动化温度控制里,通过matlab仿真有着很好的效果。 关键词:蓄热式加热炉;BP神经网络;温度控制 钢铁企业也随着社会的发展。对加热炉加热效果,炉温控制更加严格,但是以前传常规的PID调节控制炉温,在大滞后,强耦合的条件下完成的不是很理想,根据实际的现状,设计了一种通过神经网络的学习训练,识别出学习结果,它的输出控制PID参数的方法,通过神经网络学习训练,控制三个PID的参数,根据实时状态去变化参数,使系统达到稳定。引进了神经网络算法,它的输出控制PID.通过matlab对温度控制系统进行仿真工作。[3] 1 神经网络优点 神经网络的优点如下:非线性较强。在神经网络中只要有大量的神经元,就能用三层神经元结构来近似的展现出任意的一种非线性连续函数。 2 BP网络的前馈计算 在神经网络学习的时候,它要训练样本,假如总共有N个采样的数据来培训,第一在许多的样本中选择里面的一个,它的的输入模式?XP?、输出模式{?dpk?}来培训神经网络。为了写公式的时候工整,省略样本的p,所以下面将隐含层中的第?j?个节点写为: netpj=netj=∑Mi=1wijoi?(1) 第j个节点输出为: oj=fnetj?(2) 其中?fnetj?为激活函数: fnetj=11+e(netj-θj)θ0?(3) 其中?θj?代表著偏移值或者阈值,正数的?θj?的功能是让?fnetj?函数右移平行于y轴,?θ0?的功能是改变?δ?函数的曲线图型,特别小的?θ0?让?δ?函数近似于阶跃函数,特别大?θ0?的作用是让函数?δ?变化的比之前平稳,取为2.067,为1.371对式(3)求导,可得: f'netj=fnetj1-f(netj)?(4) 第j个神经元的的输出?o?j?即要经过加权系数?w?jk?往前传递到第k个神经元的总共输入为: netk=∑qj=1w?jko?j?(5) 其中q为隐含层的节点数。输出层中的神经元是第k个节点,它的真实神经网络输出为: O?k=fnetk?(6) 3 仿真实验 本实验采用matlab对控制对象进行仿真,在常规控制器的基础上,加入一个神经网络控制器,构成如图一所示的神经网络控制器。通过仿真得出两个曲线。如图1、图2所示。 4 结论 通过对比上述两个曲线得出常规的PID需要调节的时间较长,响应时间太长,达到了15秒以后才趋于稳定,而神经网络的PID控制在5秒就趋于稳定,调节时间缩短了3倍,结果与期望相符。 参考文献: [1]赵望达,刘勇求,贺毅.一种用RBF神经网络改善传感器测量精度的新方法[J].电子技术应用,2004(11). [2]何继爱,黄智武,田亚菲.一种单神经元PID控制器[J].甘肃科学学报,2004(04). [3]吴学文,吴黎明,张力锴,陈泰伟.遗传神经网络在车身姿态测量中的应用[J].自动化与信息工程,2012(01). |
随便看 |
|
科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。