基于神经网络的PID温度控制系统

1、技术创新微计算机信息(测控自动化2010年第26卷第8-1期控制系统基于神经网络的PID温度控制系统Temperature Control System Based on Neural Network PID(1.山东省对外经济贸易职业中专学校;2.泰山医学院王岩1陆强2WANG Yan LU Qiang摘要:本文以美国国家仪器公司的图形化编程语言LabVIEW8.0为开发平台,将虚拟仪器技术和神经网络技术相结合,利用神经网络对PID参数进行整定,建立了BP神经网络PID控制模型,并且应用于热处理炉炉温控制。本文阐述了炉温控制系统的硬件结构和PID控制器的设计方法,给出了炉温控制系统的软件设计

2、。该温度控制系统应用于热处理炉的炉温控制中,取得了较好的效果。关键词:神经网络;PID;虚拟仪器中图分类号:TP206文献标识码:AAbstract:The paper builds PID control model based on BP neutral network,which takes graphical language LabVIEW8.0by NI as development platform,connects virtual instrument with neutral network technology and set PID parameters with neu

3、tral network.Then we applicate the technology to temperature control system.This paper shows the hardware structure of temperature control system,the design method of PID controller and the software of this system.The application has shown that the system has good effects.Key words:Neural Network;PI

4、D;Virtual Instrument文章编号:1008-0570(201008-1-0068-02引言热处理炉是一种具有纯滞后的大惯性、非线性系统,升降温调节较难。而热处理工艺和温度测量过程要求恒温准确且迅速。针对热处理炉对恒温稳定性要求高的特性采取闭环控制。传统的热处理炉控制系统大多建立在一定的精确数学模型基础上,然而热处理炉的模型参数难以确定,故很难保证加热工艺和测试的要求。在热处理炉炉温控制系统的实践中发现传统的PID调节不能达到较为理想的效果,而神经网络由于具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力,适合于进行PID控制器的设计,为此,建立起了BP神经网络PID

5、温度控制模型,开发了热处理炉炉温控制系统。1系统组成热处理炉炉温控制系统由两个模块组成:硬件模块、BP神经网络PID软件控制模块。热处理炉炉温采用铠装热电偶来进行检测,热电偶输出电信号在100mV以下,选用PCI数据采集卡配以信号调理模块,将热电偶输出的微小电压转换成数据采集卡可识别的010V的信号,有效的将外部硬件设备与计算机相连,进行数据的采集。由LabVIEW8.0软件模块对采集的数据进行分析处理,根据系统的给定温度和加热炉内实际温度求出偏差,再利用BP神经网络PID控制模块控制系统的输出,同时通过数据采集卡输出控制信号给外部调功器,控制输入给加热炉的功率,从而改变炉内的温度,完成控制炉

6、温的过程。2BP神经网络PID控制模型2.1网络的结构本文采用一种在线训练的方法,网络在实时测试中不断在线学习。通过神经网络自身的学习,可以找到某一最优控制下的PID参数。BP神经网络的PID控制系统结构如图1所示。BP神经网络的控制系统结构由两个部分组成:PID控制器:直接对被控对象进行闭环控制,三个参数为在线整定;神经网络NN:根据系统的运行状态,调节PID控制器的参数,以期达到某种性能指标的最优化,即使神经网络的输出对应于PID控制器的三个可调参数,通过神经网络的自学习、调整权系数,从而使其稳定状态对应于某种最优控制规律下的PID控制器参数,即网络权值的调整也就是BP神经网络对PID的参

7、数进行调整,同时形成闭环控制系统。图1BP神经网络的PID控制系统结构Fig1Structure of PID Control System Based on BP Neural Network2.2参数自学习PID控制器算法经典的增量式数字PID的控制算式为(12.3BP神经网络模型取神经网络NN为一个三层BP网络,其结构如图2所示。图2BP神经网络结构Fig2Network Structure of BP Neural Network王岩:高级讲师技术创新控制系统您的论文得到两院院士关注BP 网络有M 个输入节点、Q 个隐层节点、3个输出节点。输入节点对应所选的系统运行状态量,如系统不同时

8、刻的输入量和输出量等。输出节点分别对应PID 控制器的三个可调参数。由于不能为负值,所以输出层神经元的活化函数取非负的Sigmoid 函数,而隐含层神经元的活化函数可取正负对称的Sigmoid 函数。由于不能为负值,所以输出层神经元的活化函数取非负的Sigmoid 函数:(2而隐含层神经元的活化函数可为正负对称的Sigmoid 函数:(3假设是输出层的输出,它们与相匹配,那么NN-PID 控制器的目的是使下式最小。(4依最速下降法修正网络的加权系数,即按J 对加权系数的负梯度方向搜索调整,并附加一使搜索快速收敛全局极小的惯性项,则有(5则(6由于未知,所以近似用符号函数取代,由此带来计算不精确

9、的影响可以通过调整学习速率来补偿。因此可得BP 神经网络NN 输出层的加权系数计算公式为(7依据上述推算办法,可得隐含层加权系数的计算公式为(8式中与传统的PID 控制器不同的是,参数Wi可以进行在线修正。不断调整Wi,从而使之达到最优值W*,从而可以改善控制系统的控制性能。2.4BP 神经网络PID 软件编程LabVIEW 提供了MATLAB Script 节点。可以在MATLAB Script 节点中编辑MATLAB 程序,并在LabVIEW 环境下运行。使两者很好的结合在一起。采用LabVIEW 实现BP 神经网络PID 控制算法的编程,其软件流程如下:(1选定BP 神经网络NN 的结构

10、,即选定输入层节点数M 和隐含层节点数Q,并给出各层权系数的初值,选定学习速率和平滑因子;(2采样得到r(k和y(k,计算;(3对进行归一化处理,作为NN 的输入;(4计算NN 的各层神经元的输入和输出,NN 输出层的输出即为PID 控制器的三个可调参数;(5根据式子(1,计算PID 控制器的控制输出u(k,参与闭环控制和计算;(6根据性能指标函数(8来计算误差,若误差满足要求,则结束,否则继续;基于以上设计,在实际工程应用中,BP 神经网络结构选4-5-3型,整个系统用LabVIEW8.0软件编程,同时为了便于系统的调用,将此设计成子VI 的形式,其程序如图3所示。图3BP 神经网络PID

11、子VIFig 3Sub-VI of PID Based on BP Neural Network3仿真验证在完成软件编程的基础上,选取一个二阶纯滞后的被控对象,利用LabVIEW 进行了仿真验证。选取被控对象的传递函数为:(9控制器中的加权系数采用BP 网络学习算法进行自整定,加权系数初始矩阵区间为00.5。按照上面的算法用Lab -VIEW8.0编程,仿真图形如图4所示。可见,系统响应速度快,并且不用去凑试PID 参数。图4BP 神经网络PID 跟踪曲线Fig 4Tracking Curve of PID Based on BP Neural Network 而对于常规PID,调整曲线如图5

12、所示。图5常规PID 仿真跟踪曲线Fig 5Tracking Curve Based on Classical PID由此可见BP 神经网络PID 控制器调节曲线中超调量、上升时间和调节时间明显比常规PID 中的小,其调节控制能力优于常规PID 。4结论该温度控制系统采用LabVIEW8.0完成了整个系统的软件编程,(下转第195页技术创新软件天地您的论文得到两院院士关注5结束语本文总结了JAVA 虚拟机的相关问题,包括虚拟机算法的种类,虚拟机实时性和回收率。其中特别介绍了一种改进的分代算法火车算法,并在开源JVM SableVM 上实现了这一经典算法。不同的Java 系统对虚拟机环境有不同的

13、要求。复制收集器回收率高,但是耗时长,没有可控性;分代收集效率得到提高,但是可控性方面表现不如人意;火车算法降低回收率,提高了可控性,可以满足实时系统的要求。目前没有完美的虚拟机可以兼顾各方面性能要求,所以Java 程序在选择虚拟机时应根据实际情况,选择最适宜的环境。本文创新点:本文通过对开源JAVA 虚拟机SableVM 的研究,分析了其原有的垃圾收集原理,并且利用火车收集算法,对其成熟对象管理方式进行了改进,从而使SableVM 具备了实时的功能特性。参考文献2SACHINDRAN N ,ELIOT J ,MOSS B.Mark -Copy :Fast Copying GC with Le

14、ss Space Overhead A.OOPSLA p03C.Anaheim,California ,USA.October 2003.3SRISA -AN W,CHANGJM,LO CD.Generational Schemes Improve the Garbage Collection Efficiency A.ISPASS 03C.Austin ,TX.April 2000.作者简介:何思渊(1981-,男,江苏无锡人,江南大学工程硕士生,主要研究嵌入式系统,实时系统;柴志雷(1975-,男,山西新绛人,江南大学副教授,主要研究嵌入式及实时系统;须文波(1946-,男,江苏无锡人,江

15、南大学教授,博士生导师,主要研究人工智能、计算机控制技术、嵌入式操作系统。Biography:HE Si -yuan,Male,Jiangsu,Jiangnan University,Master,Chiefly research:Embedded System and Real -time System.(214122无锡江南大学信息工程学院何思渊柴志雷须文波(College of Information,Jiangnan University,Wuxi 214122,ChinaHE Si-yuan CHAI Zhi-lei XU Wen-bo通讯地址:(214122无锡江南大学蠡湖家园29

16、号601室何思渊(上接第69页实现了基于神经网络的PID 智能算法,并且用于热处理炉加热有效区测试的温度控制,现场结果表明采用BP 神经网络PID 控制的热处理炉炉温控制系统具有升温超调量小、恒温速度快、准确度高等特点,得到了较理想的控制效果。本文所介绍的BP 神经网络PID 控制器也可以推广到其它设备的温度测控中。本文作者创新点:提出了基于BP 神经网络PID 控制的热处理炉炉温控制系统,给出了系统的硬件和软件设计结构,并将系统应用于现场,结果表明完全适应工业要求。在热处理炉炉温测试方面有很大的应用前景。项目经济效益20万元。参考文献2高聪杰,李松岩,徐赫.基于LabVIEW 的信号输出与数

17、据采集系统J.微计算机信息,2008,7-1:135-136.3杨乐平.LabVIEW 程序设计与应用M.北京:电子工业出版社,2005。4范文兵,李亚萍,丁国忠.基于LabVIEW 聚酯培训模型的仿真与分析J.微计算机信息,2008,1-1:195-197.5何新霞.基于Labview 虚拟对象的PLC 控制实现J.微计算机信息,2007,2-1:23-25.作者简介:王岩(1970-,男(汉族,山东泰安人,山东省对外经济贸易职业中专学校高级讲师,主要从事计算机教学和研究工作。Biography:WANG Yan (1970-,Male (Han ethnic,Taian in ShanDo

18、ng Province,ShanDong Foreign Trade and Economical Secondary Technology School,Advanced Lecturer,Research in computer.(271000山东泰安山东省对外经济贸易职业中专学校王岩(271016山东泰安泰山医学院信息工程学院陆强通讯地址:(271000山东省泰安市迎宾大道120号山东省对外经济贸易职业中专学校王岩(上接第136页Timer Granularity 与Slow-start Threshold 的取值需要视具体情况而定。本文创新点:1利用NS2软件仿真TCP 的性能;2对影响TCP 性能的因素进行了实验验证分析。参考文献1W.Richard Stevens.TCP/IP 详解卷1:协议M.机械工业出版社.2000,1:107-110