基于BP神經網絡PID的黑體溫控系統

王志剛 韓 愈， 王景輝

1(天津理工大學天津市先進機電系統設計與智能控制重點實驗室 天津 300384)2(天津理工大學機電工程國家級實驗教學示范中心 天津 300384)3(中國計量科學研究院熱工所 北京 100013)

0 引 言

近幾年，隨著科學技術發展的不斷進步,低溫輻射測溫計和紅外熱像儀已經廣泛應用于國防、航空、電力、建筑等行業中，對于常溫以及低溫輻射測溫計的校準需求越來越迫切[1]。由于黑體溫度控制質量的高低，例如溫度均勻性、升降溫反應速率、魯棒性等，直接影響了紅外設備的標定，進而影響在其他領

域的應用[2]。對于黑體的設計方面,由于黑體形狀與其溫度均勻性有著密切關系，不少研究人員對其重視程度也逐漸增加[3]。目前,由于常規的PID控制具有穩定性好、操作簡便、響應敏捷等特點，在工業控制領域中的應用仍然占據著主導地位[4]。使用傳統單一的PID對于不同的設備控制需要人工調節PID參數,無法快速、高精確、高穩定地控制黑體。控制系統其實質為溫度控制系統,這類系統一般具有擾動性、滯后性且具有較難的系統建模,是屬于比較難的控制問題[2]。龔嵐[5]將模糊PID控制算法應用在銦點黑體溫度控制中，雖然發揮了模糊控制的優勢達到了系統穩定的要求，但是在實際應用中需要建立專家經驗的規則庫的過程工作量大且較為復雜實驗應用較為困難。楚萬文[6]將神經網絡PID算法應用于水泥回轉窯溫度控制系統中，雖然在達到質量要求的前提下降低了節能降耗目的，但是沒有應用于實際生產，缺乏實際應用價值。張靜[7]將神經網絡的自抗擾算法應用于黑體溫控系統中，通過BP神經網絡對自抗擾算法進行改進達到了參數整定更加準確簡單的目的，在實際的溫控系統中具有一定的應用價值，對本文具有一定的參考價值。

本文將BP神經網絡PID算法應用于黑體溫控系統的實際控制驗證了鎵點黑體的熔點溫度，將該算法與模糊PID算法和傳統PID算法進行仿真比較，并利用NI公司的Compact RIO作為實時控制器，搭建鎵點黑體溫度控制系統的實驗模型，在上位機上利用LabVIEW編寫BP神經網絡PID算法的控制程序，并與經典PID控制算法進行實驗控制效果應用比較，實驗驗證了BP神經網絡PID算法的可行性與適用性，具有一定的實際應用價值。

1 黑體輻射源系統描述

黑體溫控系統主要由面源黑體、標準鉑電阻測溫計、加熱膜、溫度調節器等部分構成。其裝置組成部分原理和結構分別如圖1、圖2所示。

圖1 黑體輻射源裝置組成部分原理

圖2 鎵點面源黑體結構

在圖1中首先接通電源，在溫度控制面板上設定預定溫度值，通過在控制器內進行一系列的數模轉換，使得控制器控制加熱膜對鎵點面源黑體進行加熱，同時利用鉑電阻溫度計對黑體空腔的溫度進行實時測量，將實時測得的溫度傳遞到溫度顯示面板上，并將測量的溫度反饋給控制器，通過控制器輸出的控制信號控制加熱功率，直至溫度達到在設定值附近并保持恒定。

黑體空腔形狀大多選用球型、柱型、柱錐形和錐形等結構[8]。本文的研究對象是一個基于鎵點的小面源黑體，通過對腔體體積進行計算，在圓柱形空腔內注入質量約0.2 g的鎵；然后用膠體將后面板封住，在后面板的槽體中插入鉑電阻溫度傳感器；最后將加熱膜貼合在面源黑體的后面板上，完成面源黑體的組裝后將黑體連接在控制系統中。

2 溫控系統設計與仿真

2.1 BP神經網絡PID的基本原理

BP(Back Propagation)神經網絡是由信號的正向傳播和誤差的反向傳播兩個部分構成，即誤差的反向傳播算法[9]。網絡輸入層接到外部的輸入信號，并把接收到的信息傳給隱含層，隱含層主要是對接收的信號進行處理，對信息進行轉變，隱含層可以根據系統復雜程度的不同選擇單隱層或多隱層網絡；然后隱含層將接收到信號經過處理之后傳給輸出神經元層，這一系列動作就是網絡學習的正向傳播處理過程，最后由輸出神經元向外部輸出信息的最終結果。

若在輸出層得到的結果與期望的效果存在差距，則轉為反向傳播，將誤差由輸出層通過梯度下降的方式逐一調整各網絡的權值，反復不停的信息正向傳播和誤差的反向傳播，使得各層網絡連接權值得到不斷調整的過程，就是神經網絡學習訓練的過程，直到整個系統的誤差在精度的要求之內或者達到系統設定的訓練次數為止。

采用BP神經網絡，對參數kp、ki、kd進行在線調整，實現網絡的自學習[10]，系統結構如圖3所示。

圖3 基于BP神經網絡的PID控制結構

本文BP神經網絡的網絡連接形式如圖4所示。該網絡為4-5-3的三層前饋網絡結構。

圖4 三層BP神經網絡結構

圖4中，輸入為4個神經元，分別代表目標輸入r(k),實際的輸出值yout(k),誤差e(k)和輸入1；隱含層的數量通過經驗以及仿真效果測試對比，最終定為5；輸出節點的個數根據實際的輸出定為3，分別代表PID的三個參數kp、ki、kd；wji(k)為輸入層到隱含層的突觸權值；wnj(k)為隱含層到輸出層的突觸權值；φ(·)為網絡隱含層權值。

由于在實際PID控制器中，kp、ki、kd不能是負值，因此網絡的輸出層激活函數為非負的Sigmoid函數[11]：

網絡輸出層的表達式為：

(2)

PID控制器的控制律為：

(4)

BP神經網絡PID算法目的在于通過網絡訓練在線調整PID的三個參數，不斷更新權值閾值減小誤差，最終達到期望值[12-13]。

2.2 仿真研究

根據黑體輻射源的溫度特性曲線，結合相關文獻可知，它的模型可以簡化為一階慣性加純滯后環節[14-15]。本文仿真部分的數學模型為：

式中：K為系統的開環增益；T為慣性時間常數；τ為純滯后時間；s是拉普拉斯變換的專用變量。

首先利用MATLAB對BP神經網絡PID算法在黑體溫控系統中的適用性進行仿真驗證，然后根據系統對象模型，使用MATLAB/Simulink工具將常規PID和模糊PID與BP神經網絡PID算法進行仿真比較，搭建的Simulink模型分別如圖5、圖6所示。

圖5 PID算法Simulink仿真圖

圖6 基于BP神經網絡PID算法Simulink圖

圖7、圖8為系統階躍響應仿真結果圖，在t=600 s的時候加入一個擾動，經過21 s的滯后延遲最后趨于穩定，由于BP神經網絡PID算法能實時修正PID控制器的三個參數，因此對非線性系統對象能夠有良好的跟蹤效果。通過MATLAB仿真顯示，傳統PID超調量為22.42%，模糊PID超調量為10.17%，而BP神經網絡PID幾乎無超調，同時BP神經網絡PID控制算法的抗干擾能力優于傳統PID，與其他兩種算法相比BP神經網絡PID算法具有更好的控制效果。

圖7 階躍響應仿真圖

圖8 kp、ki、kd參數的變化曲線

3 實驗原理及結果

該系統使NI公司的Compact RIO-9024 作為實時控制器，上位機部分利用LabVIEW軟件對其控制編程，控制對象為鎵點面源黑體。系統結構如圖9所示。

圖9 溫控系統組成及原理

本溫控系統主要由鎵點面源黑體、NI公司的Compact RIO-9024實時控制器、上位機以及C系列I/O模塊等構成。本文使用NI-9217和NI-9472兩個模塊，另外預留兩個模塊插孔，通過熱電阻PT100作為溫度傳感器采集黑體的實時溫度變化情況，NI-9472具有8個通道，輸出電源為5 V，本文選其作為PWM控制輸出，通過調節電壓占空比對黑體加熱膜實現控制加熱，上位機通過在LabVIEW編寫BP神經網絡PID控制算法驗證金屬鎵熔點的溫度，同時通過以太網將控制器與上位機進行連接，將編寫好的控制算法部署到控制器中運行，9217模塊將采集到的黑體溫度實時上傳到上位機并顯示出來，以便觀察鎵點黑體的溫度變化情況。

根據圖9所示搭建硬件平臺，在上位機LabVIEW中編寫BP神經網絡PID的算法程序，圖10-圖14所示分別為隱含層權值修正、輸出層權值修正、數據輸入層、隱含層、數據輸出層的程序。

圖10 隱含層權值修正VI程序框圖

圖11 輸出層權值修正VI程序框圖

圖12 數據輸入層VI程序框圖

圖13 隱含層VI程序框圖

圖14 輸出層VI程序框圖

根據搭建的實驗平臺，利用LabVIEW分別編寫常規PID以及BP神經網絡PID算法程序，在LabVIEW的人機界面分別設置常規PID以及BP神經網絡PID的相關參數。控制采樣時間為h=100 ms,控制結果分別如圖15、圖16所示，由實際應用控制效果可得BP神經網絡PID算法控溫曲線平滑且在達到設定值處較為穩定，并且在驗證鎵點黑體的熔點溫度的控溫效果優于常規PID。

圖15 PID算法的鎵點黑體溫度控制曲線

圖16 鎵點黑體溫度控制曲線

本文通過BP神經網絡PID控制算法驗證鎵點黑體熔點的溫度，為了減小實驗誤差以及驗證實驗的可重復性，故分別在不同時間實驗了7次。由于采集時間為0.1 s數據量過大，所以將采集的數據進行處理，圖17是將數據處理為每5 s一次的平均值繪制的鎵點黑體的溫度變化曲線，從實驗得到的數據可得鎵點黑體升溫熔點約為29.94 ℃，相比鎵的熔點29.8 ℃已較為接近，由于鎵點面源黑體易受環境條件等因素的影響，故在實驗過程中存在一定的誤差，進行多次實驗最終占空比為3.6% 得出的結果較為可觀，溫度曲線較為平穩。

圖17 鎵點黑體升溫變化曲線

4 結 語

本文使用BP神經網絡PID算法結合NI Compact RIO- 9024硬件設備對鎵點面源黑體熔點的溫度進行控制，構成了一套完整的黑體的溫度控制系統，在仿真部分將該算法與模糊PID以及常規PID算法進行仿真對比，由仿真分析可得BP神經網絡PID算法具有響應快、超調小、魯棒性強、較好的跟蹤能力，改善了黑體的控溫品質。在實驗過程中利用上位機LabVIEW編寫算法程序，結合Compact RIO-9024實時控制器實現了對鎵點面源黑體熔點溫度的驗證，驗證了仿真部分該算法的可行性。