一种基于过程神经网络的孵房温度控制方法

摘要

本发明公开了一种基于过程神经网络的孵房温度控制方法，包括以下步骤：进行温度采集和数据拟合；将采集到并进行拟合后的温度函数作为过程神经网络的输入，采用过程神经网络预测当前时刻的下一秒的温度；将期望的温度值减去当前时刻下一秒的孵房温度预测值得到温度偏差，将该温度偏差进行PID控制调节，控制孵房内温度调节器，调节孵房内下一秒的温度。本发明依次对孵房内温度进行采集，数据拟合，预测，控制，可以保证孵房温度紧紧跟踪给定值，保持在给定温度上下0.3摄氏度范围，上下波动小，极大的提高了出雏率和雏禽品质。

主权项

一种基于过程神经网络的孵房温度控制方法，其特征在于，包括以下步骤：步骤1：建立基于过程神经网络的孵房温度预测模型：(1)数据采集和拟合，每隔1秒，采集孵房温度一次，依次对每连续50组孵房温度值：x_k,x_k‑1,x_k‑2,…,x₁，其中k＝50，进行二次多项式拟合，得到时变函数：x(t)＝at²+bt+c，其中拟合系数a,b,c的值为根据现场采集的数据、现场进行二次多项式拟合得到；(2)采用具有3层结构的过程神经网络预测模型，预测孵房温度值；将拟合所得的时变函数x(t)作为该具有3层结构的过程神经网络预测模型的输入，预测第51组孵房温度值，该具有3层结构的过程神经网络预测模型输出为$y_{k+1}=\underset{i=1}{\overset{7}{\Sigma }}{v}_{i}f({\int }_0^T{\omega }_i\left(t\right)x\left(t\right)\mathrm{dt}-{\theta }_i)-\theta ,$采用计算机计算，将连续函数用多项式级数展开为预测第k+1组孵房温度值为${\hat{x}}_{k+1}=\underset{i=1}{\overset{7}{\Sigma }}{v}_{i}f(\underset{n=1}{\overset{50}{\Sigma }}{\omega }_{\mathrm{in}}{a}_{\mathrm{ni}}-{\theta }_i)-\theta ;$其中，为由具有3层结构的过程神经网络预测模型预测出来的第k+1组孵房温度值，T为50，w_i(t)为相应的连接权函数，v_i为隐含层节点到输出节点的连接权值，初始值为0.01，θ_i为隐含层神经元阈值，初始值为0.005，f(x)为高斯函数，θ为输出层神经元阈值，初始值为0.03，a_ni,w_in∈R为展开式系数,根据现场计算的ω_i(t)和x(t)确定；(3)以依次采集到的第k+1组实际温度值作为期望温度值，采用梯度下降方法，学习速率为0.05，学习样本为50组，对连接权函数w_i(t)，连接权值v_i，阈值θ_i和θ进行学习训练，直到误差函数小于0.5为止，停止训练，其中为由具有3层结构的过程神经网络预测模型预测出来的第k+1组孵房温度值，x_k+1为依次采集的第k+1组实际孵房温度值；步骤2：将给定的温度值减去步骤1中由具有3层结构的过程神经网络预测模型预测出来的第k+1组孵房温度值得到温度偏差，将该温度偏差通过PID控制器调节，以控制孵房内温度调节器，调节孵房内第k+1组实际孵房温度值，使其跟踪给定的温度值，其中PID控制器的比例、积分、微分系数分别为p＝1.856，i＝0，d＝0.458。