基于神经网络的蓄热式加热炉的温度控制研究

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）.