基于BP神经网络PID的黑体温控系统

王志刚 韩 愈， 王景辉

1(天津理工大学天津市先进机电系统设计与智能控制重点实验室 天津 300384)2(天津理工大学机电工程国家级实验教学示范中心 天津 300384)3(中国计量科学研究院热工所 北京 100013)

0 引 言

近几年，随着科学技术发展的不断进步,低温辐射测温计和红外热像仪已经广泛应用于国防、航空、电力、建筑等行业中，对于常温以及低温辐射测温计的校准需求越来越迫切[1]。由于黑体温度控制质量的高低，例如温度均匀性、升降温反应速率、鲁棒性等，直接影响了红外设备的标定，进而影响在其他领

域的应用[2]。对于黑体的设计方面,由于黑体形状与其温度均匀性有着密切关系，不少研究人员对其重视程度也逐渐增加[3]。目前,由于常规的PID控制具有稳定性好、操作简便、响应敏捷等特点，在工业控制领域中的应用仍然占据着主导地位[4]。使用传统单一的PID对于不同的设备控制需要人工调节PID参数,无法快速、高精确、高稳定地控制黑体。控制系统其实质为温度控制系统,这类系统一般具有扰动性、滞后性且具有较难的系统建模,是属于比较难的控制问题[2]。龚岚[5]将模糊PID控制算法应用在铟点黑体温度控制中，虽然发挥了模糊控制的优势达到了系统稳定的要求，但是在实际应用中需要建立专家经验的规则库的过程工作量大且较为复杂实验应用较为困难。楚万文[6]将神经网络PID算法应用于水泥回转窑温度控制系统中，虽然在达到质量要求的前提下降低了节能降耗目的，但是没有应用于实际生产，缺乏实际应用价值。张静[7]将神经网络的自抗扰算法应用于黑体温控系统中，通过BP神经网络对自抗扰算法进行改进达到了参数整定更加准确简单的目的，在实际的温控系统中具有一定的应用价值，对本文具有一定的参考价值。

本文将BP神经网络PID算法应用于黑体温控系统的实际控制验证了镓点黑体的熔点温度，将该算法与模糊PID算法和传统PID算法进行仿真比较，并利用NI公司的Compact RIO作为实时控制器，搭建镓点黑体温度控制系统的实验模型，在上位机上利用LabVIEW编写BP神经网络PID算法的控制程序，并与经典PID控制算法进行实验控制效果应用比较，实验验证了BP神经网络PID算法的可行性与适用性，具有一定的实际应用价值。

1 黑体辐射源系统描述

黑体温控系统主要由面源黑体、标准铂电阻测温计、加热膜、温度调节器等部分构成。其装置组成部分原理和结构分别如图1、图2所示。

图1 黑体辐射源装置组成部分原理

图2 镓点面源黑体结构

在图1中首先接通电源，在温度控制面板上设定预定温度值，通过在控制器内进行一系列的数模转换，使得控制器控制加热膜对镓点面源黑体进行加热，同时利用铂电阻温度计对黑体空腔的温度进行实时测量，将实时测得的温度传递到温度显示面板上，并将测量的温度反馈给控制器，通过控制器输出的控制信号控制加热功率，直至温度达到在设定值附近并保持恒定。

黑体空腔形状大多选用球型、柱型、柱锥形和锥形等结构[8]。本文的研究对象是一个基于镓点的小面源黑体，通过对腔体体积进行计算，在圆柱形空腔内注入质量约0.2 g的镓；然后用胶体将后面板封住，在后面板的槽体中插入铂电阻温度传感器；最后将加热膜贴合在面源黑体的后面板上，完成面源黑体的组装后将黑体连接在控制系统中。

2 温控系统设计与仿真

2.1 BP神经网络PID的基本原理

BP(Back Propagation)神经网络是由信号的正向传播和误差的反向传播两个部分构成，即误差的反向传播算法[9]。网络输入层接到外部的输入信号，并把接收到的信息传给隐含层，隐含层主要是对接收的信号进行处理，对信息进行转变，隐含层可以根据系统复杂程度的不同选择单隐层或多隐层网络；然后隐含层将接收到信号经过处理之后传给输出神经元层，这一系列动作就是网络学习的正向传播处理过程，最后由输出神经元向外部输出信息的最终结果。

若在输出层得到的结果与期望的效果存在差距，则转为反向传播，将误差由输出层通过梯度下降的方式逐一调整各网络的权值，反复不停的信息正向传播和误差的反向传播，使得各层网络连接权值得到不断调整的过程，就是神经网络学习训练的过程，直到整个系统的误差在精度的要求之内或者达到系统设定的训练次数为止。

采用BP神经网络，对参数kp、ki、kd进行在线调整，实现网络的自学习[10]，系统结构如图3所示。

图3 基于BP神经网络的PID控制结构

本文BP神经网络的网络连接形式如图4所示。该网络为4-5-3的三层前馈网络结构。

图4 三层BP神经网络结构

图4中，输入为4个神经元，分别代表目标输入r(k),实际的输出值yout(k),误差e(k)和输入1；隐含层的数量通过经验以及仿真效果测试对比，最终定为5；输出节点的个数根据实际的输出定为3，分别代表PID的三个参数kp、ki、kd；wji(k)为输入层到隐含层的突触权值；wnj(k)为隐含层到输出层的突触权值；φ(·)为网络隐含层权值。

由于在实际PID控制器中，kp、ki、kd不能是负值，因此网络的输出层激活函数为非负的Sigmoid函数[11]：

网络输出层的表达式为：

(2)

PID控制器的控制律为：

(4)

BP神经网络PID算法目的在于通过网络训练在线调整PID的三个参数，不断更新权值阈值减小误差，最终达到期望值[12-13]。

2.2 仿真研究

根据黑体辐射源的温度特性曲线，结合相关文献可知，它的模型可以简化为一阶惯性加纯滞后环节[14-15]。本文仿真部分的数学模型为：

式中：K为系统的开环增益；T为惯性时间常数；τ为纯滞后时间；s是拉普拉斯变换的专用变量。

首先利用MATLAB对BP神经网络PID算法在黑体温控系统中的适用性进行仿真验证，然后根据系统对象模型，使用MATLAB/Simulink工具将常规PID和模糊PID与BP神经网络PID算法进行仿真比较，搭建的Simulink模型分别如图5、图6所示。

图5 PID算法Simulink仿真图

图6 基于BP神经网络PID算法Simulink图

图7、图8为系统阶跃响应仿真结果图，在t=600 s的时候加入一个扰动，经过21 s的滞后延迟最后趋于稳定，由于BP神经网络PID算法能实时修正PID控制器的三个参数，因此对非线性系统对象能够有良好的跟踪效果。通过MATLAB仿真显示，传统PID超调量为22.42%，模糊PID超调量为10.17%，而BP神经网络PID几乎无超调，同时BP神经网络PID控制算法的抗干扰能力优于传统PID，与其他两种算法相比BP神经网络PID算法具有更好的控制效果。

图7 阶跃响应仿真图

图8 kp、ki、kd参数的变化曲线

3 实验原理及结果

该系统使NI公司的Compact RIO-9024 作为实时控制器，上位机部分利用LabVIEW软件对其控制编程，控制对象为镓点面源黑体。系统结构如图9所示。

图9 温控系统组成及原理

本温控系统主要由镓点面源黑体、NI公司的Compact RIO-9024实时控制器、上位机以及C系列I/O模块等构成。本文使用NI-9217和NI-9472两个模块，另外预留两个模块插孔，通过热电阻PT100作为温度传感器采集黑体的实时温度变化情况，NI-9472具有8个通道，输出电源为5 V，本文选其作为PWM控制输出，通过调节电压占空比对黑体加热膜实现控制加热，上位机通过在LabVIEW编写BP神经网络PID控制算法验证金属镓熔点的温度，同时通过以太网将控制器与上位机进行连接，将编写好的控制算法部署到控制器中运行，9217模块将采集到的黑体温度实时上传到上位机并显示出来，以便观察镓点黑体的温度变化情况。

根据图9所示搭建硬件平台，在上位机LabVIEW中编写BP神经网络PID的算法程序，图10-图14所示分别为隐含层权值修正、输出层权值修正、数据输入层、隐含层、数据输出层的程序。

图10 隐含层权值修正VI程序框图

图11 输出层权值修正VI程序框图

图12 数据输入层VI程序框图

图13 隐含层VI程序框图

图14 输出层VI程序框图

根据搭建的实验平台，利用LabVIEW分别编写常规PID以及BP神经网络PID算法程序，在LabVIEW的人机界面分别设置常规PID以及BP神经网络PID的相关参数。控制采样时间为h=100 ms,控制结果分别如图15、图16所示，由实际应用控制效果可得BP神经网络PID算法控温曲线平滑且在达到设定值处较为稳定，并且在验证镓点黑体的熔点温度的控温效果优于常规PID。

图15 PID算法的镓点黑体温度控制曲线

图16 镓点黑体温度控制曲线

本文通过BP神经网络PID控制算法验证镓点黑体熔点的温度，为了减小实验误差以及验证实验的可重复性，故分别在不同时间实验了7次。由于采集时间为0.1 s数据量过大，所以将采集的数据进行处理，图17是将数据处理为每5 s一次的平均值绘制的镓点黑体的温度变化曲线，从实验得到的数据可得镓点黑体升温熔点约为29.94 ℃，相比镓的熔点29.8 ℃已较为接近，由于镓点面源黑体易受环境条件等因素的影响，故在实验过程中存在一定的误差，进行多次实验最终占空比为3.6% 得出的结果较为可观，温度曲线较为平稳。

图17 镓点黑体升温变化曲线

4 结 语

本文使用BP神经网络PID算法结合NI Compact RIO- 9024硬件设备对镓点面源黑体熔点的温度进行控制，构成了一套完整的黑体的温度控制系统，在仿真部分将该算法与模糊PID以及常规PID算法进行仿真对比，由仿真分析可得BP神经网络PID算法具有响应快、超调小、鲁棒性强、较好的跟踪能力，改善了黑体的控温品质。在实验过程中利用上位机LabVIEW编写算法程序，结合Compact RIO-9024实时控制器实现了对镓点面源黑体熔点温度的验证，验证了仿真部分该算法的可行性。