基于增量改进BP神经网络的微波干燥PID控制方法

摘要

本发明公开了一种基于增量改进BP神经网络的微波干燥PID控制方法，选用三层BP神经网络为原型，将增量学、L-M优化算法、BP神经网络和PID控制相结合，实现了PID控制参数的在线整定。首先利用微波干燥过程的实际生产数据作为训练数据对神经网络进行离线系统辨识，将网络的输出值与实测值进行对比，直到网络训练的均方误差达到要求，确定网络各层的权值和阈值，再根据实际生产过程测定的被控对象参数作为神经网络的输入，进行在线动态整定PID控制参数，神经网络的输出即为PID控制器的参数Kp、Ki、Kd。

主权项

一种基于增量改进BP神经网络的微波干燥PID控制方法，利用增量改进BP神经网络映射PID控制器的控制参数，其特征是：选取三层BP神经网络为原型，采用增量学习和Levenberg‑Marquardt(L‑M)算法对BP神经网络进行改进，确定网络各层的权值和阈值，再根据实际生产过程测定的被控对象参数作为神经网络的输入，神经网络的输出即为PID控制器的参数Kp、Ki、Kd，包括如下三个步骤，(1)数据采集：选取实际生产的数据作为样本数据，包括微波输入功率、微波作用时间、物料转速、物料含水率和物料温度；(2)建立增量改进BP神经网络PID控制模型，并对网络进行训练和测试：采用增量学习和L‑M算法对神经网络进行改进，并将采集到的样本数据输入到网络中，对网络进行离线系统辨识，将网络的输出值与实测值进行对比，直到网络训练的均方误差达到要求，确定网络各层的权值和阈值；(3)实时控制：根据微波干燥系统具有时变性、滞后性和非线性的特点，为方便控制算法的研究，借鉴公知的被控对象数学模型，将微波干燥系统简化为一个带有纯滞后的一阶惯性环节，根据试验过程测定的被控对象参数作为训练完成的神经网络的输入，进行在线动态整定PID控制参数，神经网络的输出即为PID控制器的参数Kp、Ki、Kd。