[发明专利]一种基于过程神经网络的加热炉温度的计算机控制方法

说明书

技术领域

本发明涉及计算机领域，更具体的是，本发明涉及一种基于过程神经网络的加热炉温度的计算机控制方法。

背景技术

过程神经网络是对传统人工神经网络在时间域上的扩展，其输入和相应的连接权可以是时变函数。因其非线性时变映射能力，过程神经网络用于问题求解无需事先特殊的建模，能够充分反映时变系统中实际存在的时间累积效应，适用于复杂的非线性过程建模。

多温度区电加热炉在科学研究和生产实践的诸多领域中应用广泛，温度控制在冶金、化工、机械、材料等工业中具有举足轻重的作用，提高其温控性能不仅能提高产品质量，而且能节约电能，具有很大的现实意义。现代复杂工业生产过程中，热工对象所普遍存在的强耦合、时变性、大延迟、大惯性、非线性等特性，增加了自动控制系统的设计难度，所以加热炉加热并恒温的过程的精确数学模型是很难建立的，目前加热炉都采用传统的控制方法，但是恒温过程的模型未进行建立，不能很好的保证恒温过程温度的稳定控制。因此，对此类的非线性控制系统来说，控制方案的选择、控制参数的整定以及控制水平的提高是一个值得深入研究的问题。

发明内容

本发明设计开发了一种基于过程神经网络的加热炉温度的计算机控制方法，能够控制加热炉内温度调节器调节加热炉内的温度，使得加热炉在恒温过程中温度能够稳定控制。

本发明提供的技术方案为：

一种基于过程神经网络的加热炉温度的计算机控制方法，包括如下步骤：

步骤1：建立基于过程神经网络的加热炉温度预测模型；

每隔一定时间采集加热炉温度一次，依次对每连续k组加热炉温度值x_k,x_k-1,x_k-2,…x₁进行数据拟合，得到时变函数x(t)＝at⁴+bt³+ct²+dt+e，其中拟合系数a,b,c,d,e的值根据实时采集的数据进行多项式拟合得到；

将拟合的实变函数x(t)作为该三层过程神经网络预测模型的输入，该三层过程神经网络预测模型的输出为预测第k+1组加热炉温度值：

其中，为预测的第k+1组加热炉温度值，m为隐含层节点数，v_i为隐含层节点到输出节点的连接权值，T为连续采集k组加热炉温度的时间，θ_i为隐含层神经元阈值，θ为输出层神经元阈值，其为高斯函数，其为相应的连接权函数；

以依次采集到的第k+1组实际温度值x_k+1作为期望温度值，采用梯度下降方法，对连接权函数ω_i(t)，连接权值v_i，阈值θ_i和θ进行学习训练，直至误差函数小于0.5，停止训练，其中，y为训练样本数；

步骤2：将给定的温度值减去步骤1中由三层过程神经网络预测模型预测出来的第k+1组加热炉温度值得到温度偏差，将该温度偏差通过PID控制器调节，以控制加热炉内温度调节器，调节加热炉内第k+1组实际加热炉温度值，使其与给定的温度值的偏差不超过±1℃。

优选的是，所述步骤1的预测加热炉温度值中，将连续函数采用多项式级数展开为预测第k+1组加热炉温度值为：

其中，ω_in,a_in∈R为多项式展开系数，根据实时计算的ω_i(t)和x(t)计算。

优选的是，所述步骤1的数据采集中，每隔1s采集加热炉温度一次，依次对每连续60组加热炉温度值x₆₀,x₅₉,x₅₈,…x₁进行数据拟合。

优选的是，所述隐含节点数m为5。

优选的是，所述隐含层节点到输出节点的连接权值v_i的初始值为0.01，隐含层神经元阈值θ_i的初始值为0.005，输出层神经元阈值θ的初始值为0.02。

优选的是，所述步骤1的采用梯度下降方法中，学习速率为0.06，样本数y为60。