[發明專利]一種基于神經網絡的超聲波分散儀溫度控制方法

在審

• 申請號: 201910092679.4
• 申請日: 2019-01-30
• 公開（公告）號: CN109597449A
• 公開（公告）日: 2019-04-09
• 發明（設計）人: 陳華葵
• 申請（專利權）人: 杭州慶睿科技有限公司
• 主分類號: G05D23/32
• 分類號: G05D23/32;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于神經網絡的超聲波分散儀溫度控制方法，其特征在于，該方法具體包括以下步驟：

步驟1、通過傳感器對恒溫控制系統的各項指標進行數據采集；

用流量傳感器采集反應材料的進料量，用溫度傳感器采集反應釜中的環境溫度，用流量傳感器采集冷卻水管中流量的大小；

步驟2、BP神經網絡訓練以及前饋控制；

以下為BP神經網絡訓練步驟：

STEP2.1、先對網絡中權值、學習率、動量因子進行初始化，選取N個擾動信號q作為樣本在BP神經網絡中的迭代訓練，設第k個樣本的輸入向量為

STEP2.2、BP神經網絡的隱含層的輸入輸出分別為

式中為隱含層對應的權值,u為隱含層對應的神經元個數；

設BP神經網絡隱含層神經元的泛化函數為

STEP2.3、BP神經網絡的輸出層的輸入輸出分別為

式中為輸出層權值；

STEP2.4、由誤差函數即r(k)為溫度在前饋系統中的期望輸出Y＝0，y(k)為系統在干擾下的實際輸出值；判斷誤差是否達到要求，到達則退出訓練，否則進行下一步；

STEP2.5、對于輸入樣本，反向計算每一層神經元的局部梯度，

按式

式中，g′(x)＝g(x)(1-g(x)),f′(x)＝(1-f²(x))/2，和分別為輸出層和隱含層之間的修正權值，

K+1時刻下輸出層和隱含層的權值為：

計算修正后的權值，放入下一個樣本值，轉到STEP2.3；

步驟3、用濾波算法對反應釜中的溫度采樣信號進行濾波

根據信號的采樣頻率F_s,用公式L_d＝K×F_s×L_p計算出中值濾波器的窗口寬度L_d，L_p為毛刺脈沖寬度，K為整數型窗口系數，；得到窗口寬度L_d后，按權值向量W＝[W₁,W₂,…,W_2d+1]對窗口內數據進行加權處理；再按L(A)＝Med[W₁※s(A-d),W_d+1※s(A),…,W_2d+1※s(A+d)]進行取中值運算，對信號進行重新的輸出，得到加權中值濾波后的處理結果作為神經網絡的輸入信號；其中Med表示取窗口內所有位數的中位數，※表示復制即

步驟4、對RBF神經網絡進行訓練；

STEP4.1、初始化隸屬函數的中心c₀和寬度b₀，以及網絡的初始權值；選定學習系數和慣性系數；

STEP4.2、采樣系統給定值和實際輸出，計算誤差e(k)和誤差變化率ec(k)；

STEP4.3、在RBF神經網絡中，設輸入向量X＝[x₁,x₂]^T,其中x₁為實際輸出溫度和期望值之間的誤差e(k)，x₂為誤差變化率ec(k)；K也表示第k個樣本；

由此可以確定模糊RBF神經網絡第二層的節點數為7層，即l＝7，第三層的節點數為49個，即n＝49；

第一層為輸入層即f₁(i)＝x_i，i＝1,2；

第二層為模糊化層，模糊隸屬函數均選用高斯函數，得到的輸入分量在不同的模糊語言值對應的隸屬度為：

其中c_ij、b_ij分別時第i個輸入變量第j個模糊集合的隸屬函數的中心矢量和寬度；

第三層為模糊推理層，每個節點的適用度為：

其中N_i是第i個輸入的模糊分割函數；

第四層為輸出層，即f₄(1),f₄(2),f₄(3)分別為PID的三個參數K_p，K_i，K_d；

其中w_sd為輸出層節點與第三層各個節點的連接權矩陣，s＝1，2，3；PID調節器的控制規律為：

其中K_p為比例系數，K_i為積分系數，K_d為微分系數；

因為控制器Δu(k)＝K_px(1)+K_ix(2)+K_dx(3)，其中

x(1)＝e(k)-e(k-1)

x(2)＝e(k)

x(3)＝e(k)-2e(k-1)+e(k-2)

采用增量式PID算法

u(k)＝u(k-1)+Δu(k)

網絡逼近誤差指標函數為二次型

其中r(k)為溫度的期望值也就是我們的給定值，y(k)為實際的輸出溫度值；判斷E是否小于閾值ε，小于則退出訓練，否則進行下一步；STEP4.4、根據梯度下降法，節點基寬、節點中心及權值調節可得

其中η₁為學習率，α₁為動量因子，取值均在0到1之間；

STEP4.5、取下一個采樣數據，返回STEP4.2；

步驟5、用模糊RBF神經網絡計算PID參數；

把RBF神經網絡和模糊PID算法相結合，設r(k)為輸入的給定信號，y(k)為輸出信號，則基于RBF神經網絡改進的PID控制誤差為e(k)＝r(k)-y(k)

將x(1),x(2),x(3)代入到增量式PID控制算法中求解，得控制算法

u(k)＝u(k-1)+K_px(1)+K_ix(2)+K_dx(3)

神經網絡的訓練指示為

將E(k)帶入增量PID控制器的參數K_p，K_i，K_d的表達式中

其中，學習效率由η表示，系統的靈敏度信息由表示，從而得出其中w_j為訓練后RBF模糊神經網絡第三層的輸出權值，c_j和b_j為訓練后的模糊神經網絡第三層各節點的中心值和寬度；然后將PID參數傳送到PID控制器中，輸出冷卻水閥得控制信號，來控制冷卻水閥的開度。