大滞后系统的温度控制方案

黄晨 欧小雨 纪倩文 陈君宽 郁剑

摘   要：温度控制在冶金、电子、机械等工业领域的应用相当广泛，其对生产过程和产品质量有重大影响。但由于温度控制系统通常具有非线性、时变、大滞后等特性，而传统的PID（比例、积分、微分）控制参数在整个控制过程中是固定的，这就使得其在较复杂的温度控制系统中作用效果较差。文章提出一种基于BP神经网络的PID控制方法，该方法先通过BP神经网络得到一组基于ITAE指标下最优化的PID控制参数作为初始值，然后对该组PID参数进行在线调整，以达到在不同的情况下都能起到较好的温度控制效果的目的。通过比较采用不同控制器下的仿真实验，结果表明基于BP神经网络的PID控制方法更具有效性和优势。

关键词：温度控制;BP神经网络;PID控制;大滞后

随着我国科技的飞速发展，工业生产对温度控制的要求也不断提高。在工业控制过程中，由于纯滞后的存在，使得被控对象不能及时响应系统的输入或者扰动。为了克服大滞后的影响，现已有不少温度控制方案，如Simth预估控制，比例、积分、微分（Proportion-Integral-Differential，PID）控制、模糊控制、神经网络等，但现有的温度控制方法取得的效果并不是很理想：Simth预估控制虽能减弱纯滞后因素的影响，但其对扰动的抑制能力较差;传统PID控制对拥有大滞后、时变等特性的复杂温度控制系统的作用效果较差;模糊控制适应学习能力较弱，比较依賴人的经验。本文以电阻炉为温控对象，结合PID控制与神经网络，通过Matlab仿真研究，提出了一种基于误差反向传播算法（Back Propagation Neural Network，BP）神经网络的PID控制方法，该法对模型参数变化有较好的适应性，且能达到较优的控制效果，能满足工业温度控制的要求。

1    温控对象数学模型

4    结语

温度控制是一种具有非线性、时变、大滞后特性的系统，传统的PID控制方法不能使系统达到很好的动态性能。本文提出的基于BP神经网络的PID控制法先通过BP神经网络的拟合作用得到能够根据时间常数T和纯滞后时间τ的不同，而给出该情况下较优的PID控制参数初始值的BP神经网络模块。通过该BP神经网络模块得到初始值后再对PID参数进行在线调整，以达到较好的控制效果。从仿真结果可以看出基于BP神经网络的PID控制法可以得到较理想的控制效果，系统基本无超调，调节时间短，且具有较好的抗干扰性和鲁棒性，完全可以达到大滞后系统的温度控制要求。

[参考文献]

[1]李强.大滞后温度系统的控制方法研究[D].成都：西南交通大学，2009.

[2]韩力群.人工神经网络理论、设计及应用[M].2版.北京：化学工业出版社，2007.

[3]何芝强.PID控制器参数整定方法及其应用研究[D].杭州：浙江大学，2005.

[4]李莲，贾栋，张晓.基于BP神经网络PID在地铁车站温度控制中的研究[J].天津理工大学学报，2018（5）：9-13.

[5]姜增如.自动控制理论创新实验案例教程[M].北京：机械工业出版社，2015.

[6]赵卫华.基于神经网络参数优化的PID控制研究[D].太原：中北大学，2008.

[7]林辉，常继彬.基于PID控制的温度大滞后系统算法研究[J].甘肃科学学报，2011（1）：118-121.