[发明专利]一种基于新型神经网络的自抗扰温度控制方法

说明书

本发明公开了一种基于新型神经网络的自抗扰温度控制方法，在外界环境干扰和系统内扰未知条件下，采用五层网络结构的新型神经网络来优化自抗扰温度控制偏差参数，获取到自抗扰温度控制增益系数，然后基于自抗扰温度控制增益系数，结合信号调节器和高阶偏差探测器矫正温度控制信号，实现调整冷链温度。包括以下步骤：采集当前温度数据，获取自抗扰温度控制偏差参数；优化新型神经网络的神经网络参数，获取神经网络参数最优解；基于神经网络参数最优解优化自抗扰温度控制偏差参数，获取自抗扰温度控制增益系数；基于自抗扰温度控制增益系数矫正温度控制信号，调整冷链温度。

技术领域

本发明涉及温度控制领域，具体涉及基于新型神经网络的自抗扰温度控制方法。

背景技术

随着人们生活水平的不断提升，对于绿色生鲜食品的需求越来越大，而本地的优质生鲜产品很有限，远远满足不了现代消费者的时鲜需求，冷链是为保持新鲜食品及冷冻食品的品质，使其从生产、运输到消费过程中，始终处于低温状态的配有专用设备的物流网络，因此生鲜产品对冷链物流的需求越来越大。而现有的产品冷链物流运输温度控制系统大多仅能提供大概的温度来运输新鲜产品，对产品运输过程中的产品温度控制不够精确，还存在缺乏实时性和准确性的缺点，从而导致大量新鲜产品腐败、变质，造成巨大损失，严重影响了产品冷链物流体系的建设和发展。因此，对产品在冷链物流的运输过程中对温度进行智能管控，建立完善的冷链物流的温度控制系统，对于冷链物流的发展至关重要。

温度控制作为冷链物流中的必不可少的环节之一，对冷链物流运输过程的温度进行优化也具有重大意义。目前，我国冷链物流过程的温度控制系统仍然以传统的PID控制器为主，传统的PID控制器对于一般的温度控制系统能取得比较满意的控制效果，但由于冷藏车在运输过程的常常会出现一些特殊的情况，这些特殊情况会对温控系统进行干扰，可能引起温控系统的不稳定。由于温度控制系统控制输入和输出间存在着非线性的不确定关系，在外界干扰或在控制对象参数发生变化时，常规线性PID控制器的控制效果会变差，从而无法获得令人满意的控制效果。而自抗扰控制方法继承了经典PID控制方法，独立于被控对象。它是对经典PID控制方法固有缺点的改进而发展起来的一种新型控制方法。自抗扰控制算法简单，参数适应范围广，是解决非线性、不确定性、强扰动耦合、大时滞问题的有效方法。具有较强的适应性、鲁棒性和操作简便等优点。但是，应用自抗扰控制算法的自抗扰控制器需要整定的参数较多，这直接影响控制器的性能。为此，可以采用模糊控制器在线修改自抗扰控制器参数。模糊控制器对被控对象和过程具有较强的鲁棒性，对非线性系统能进行有效控制。但模糊控制器的规则提取困难，在此基础上利用人工神经网络技术的学习特性，可使模糊规则自动提取及模糊隶属函数自动生成，同时克服了神经网络结构难以确定以及模糊控制无自学能力的缺点，使模糊系统成为一种自适应的模糊系统，提高自抗扰控制器自适应能力。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于针对传统控制系统中的控制器因温度控制存在多种干扰情况等特性而难以获得令人满意的控制效果问题，结合自抗扰控制的优缺点，提供了一种基于新型神经网络的自抗扰温度控制方法，使得在外界环境干扰和系统内扰未知条件下，能够较好地对被控对象进行控制。同时本发明采用通过乌鸦算法优化的新型神经网络去调试自抗扰温度控制偏差参数，从而提高控制器的自适应能力，降低参数整定难度。

本发明的技术方案为：

本发明提供一种基于新型神经网络的自抗扰温度控制方法，包括以下步骤；

采集当前温度数据，获取自抗扰温度控制偏差参数；

优化新型神经网络的神经网络参数，获取神经网络参数最优解；

基于神经网络参数最优解优化自抗扰温度控制偏差参数，获取自抗扰温度控制增益系数；