[发明专利]一种基于神经网络的超声波分散仪温度控制方法在审
申请号: | 201910092679.4 | 申请日: | 2019-01-30 |
公开(公告)号: | CN109597449A | 公开(公告)日: | 2019-04-09 |
发明(设计)人: | 陈华葵 | 申请(专利权)人: | 杭州庆睿科技有限公司 |
主分类号: | G05D23/32 | 分类号: | G05D23/32;G06N3/04;G06N3/08 |
代理公司: | 杭州君度专利代理事务所(特殊普通合伙) 33240 | 代理人: | 朱月芬 |
地址: | 310018 浙江省杭州市经*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 超声波分散仪 冷却水阀 神经网络 恒温控制系统 温度采样信号 控制信号 滤波算法 前馈控制 数据采集 反应釜 鲁棒性 传感器 开度 滤波 模糊 输出 | ||
1.一种基于神经网络的超声波分散仪温度控制方法,其特征在于,该方法具体包括以下步骤:
步骤1、通过传感器对恒温控制系统的各项指标进行数据采集;
用流量传感器采集反应材料的进料量,用温度传感器采集反应釜中的环境温度,用流量传感器采集冷却水管中流量的大小;
步骤2、BP神经网络训练以及前馈控制;
以下为BP神经网络训练步骤:
STEP2.1、先对网络中权值、学习率、动量因子进行初始化,选取N个扰动信号q作为样本在BP神经网络中的迭代训练,设第k个样本的输入向量为
STEP2.2、BP神经网络的隐含层的输入输出分别为
式中为隐含层对应的权值,u为隐含层对应的神经元个数;
设BP神经网络隐含层神经元的泛化函数为
STEP2.3、BP神经网络的输出层的输入输出分别为
式中为输出层权值;
STEP2.4、由误差函数即r(k)为温度在前馈系统中的期望输出Y=0,y(k)为系统在干扰下的实际输出值;判断误差是否达到要求,到达则退出训练,否则进行下一步;
STEP2.5、对于输入样本,反向计算每一层神经元的局部梯度,
按式
式中,g′(x)=g(x)(1-g(x)),f′(x)=(1-f2(x))/2,和分别为输出层和隐含层之间的修正权值,
K+1时刻下输出层和隐含层的权值为:
计算修正后的权值,放入下一个样本值,转到STEP2.3;
步骤3、用滤波算法对反应釜中的温度采样信号进行滤波
根据信号的采样频率Fs,用公式Ld=K×Fs×Lp计算出中值滤波器的窗口宽度Ld,Lp为毛刺脉冲宽度,K为整数型窗口系数,;得到窗口宽度Ld后,按权值向量W=[W1,W2,…,W2d+1]对窗口内数据进行加权处理;再按L(A)=Med[W1※s(A-d),Wd+1※s(A),…,W2d+1※s(A+d)]进行取中值运算,对信号进行重新的输出,得到加权中值滤波后的处理结果作为神经网络的输入信号;其中Med表示取窗口内所有位数的中位数,※表示复制即
步骤4、对RBF神经网络进行训练;
STEP4.1、初始化隶属函数的中心c0和宽度b0,以及网络的初始权值;选定学习系数和惯性系数;
STEP4.2、采样系统给定值和实际输出,计算误差e(k)和误差变化率ec(k);
STEP4.3、在RBF神经网络中,设输入向量X=[x1,x2]T,其中x1为实际输出温度和期望值之间的误差e(k),x2为误差变化率ec(k);K也表示第k个样本;
由此可以确定模糊RBF神经网络第二层的节点数为7层,即l=7,第三层的节点数为49个,即n=49;
第一层为输入层即f1(i)=xi,i=1,2;
第二层为模糊化层,模糊隶属函数均选用高斯函数,得到的输入分量在不同的模糊语言值对应的隶属度为:
其中cij、bij分别时第i个输入变量第j个模糊集合的隶属函数的中心矢量和宽度;
第三层为模糊推理层,每个节点的适用度为:
其中Ni是第i个输入的模糊分割函数;
第四层为输出层,即f4(1),f4(2),f4(3)分别为PID的三个参数Kp,Ki,Kd;
其中wsd为输出层节点与第三层各个节点的连接权矩阵,s=1,2,3;PID调节器的控制规律为:
其中Kp为比例系数,Ki为积分系数,Kd为微分系数;
因为控制器Δu(k)=Kpx(1)+Kix(2)+Kdx(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)
网络逼近误差指标函数为二次型
其中r(k)为温度的期望值也就是我们的给定值,y(k)为实际的输出温度值;判断E是否小于阈值ε,小于则退出训练,否则进行下一步;STEP4.4、根据梯度下降法,节点基宽、节点中心及权值调节可得
其中η1为学习率,α1为动量因子,取值均在0到1之间;
STEP4.5、取下一个采样数据,返回STEP4.2;
步骤5、用模糊RBF神经网络计算PID参数;
把RBF神经网络和模糊PID算法相结合,设r(k)为输入的给定信号,y(k)为输出信号,则基于RBF神经网络改进的PID控制误差为e(k)=r(k)-y(k)
将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)+Kpx(1)+Kix(2)+Kdx(3)
神经网络的训练指示为
将E(k)带入增量PID控制器的参数Kp,Ki,Kd的表达式中
其中,学习效率由η表示,系统的灵敏度信息由表示,从而得出其中wj为训练后RBF模糊神经网络第三层的输出权值,cj和bj为训练后的模糊神经网络第三层各节点的中心值和宽度;然后将PID参数传送到PID控制器中,输出冷却水阀得控制信号,来控制冷却水阀的开度。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州庆睿科技有限公司,未经杭州庆睿科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910092679.4/1.html,转载请声明来源钻瓜专利网。
- 上一篇:加热器
- 下一篇:一种多肉种植水分温度智能控制系统