摘 要： 針對(duì)微波加熱物料難以建立準(zhǔn)確模型的問題，采用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)后，對(duì)微波加熱物料的溫度變化構(gòu)建系統(tǒng)模型。在該模型上，對(duì)溫度的變化趨勢進(jìn)行預(yù)測。實(shí)驗(yàn)結(jié)果表明，經(jīng)過粒子群算法優(yōu)化后的BP網(wǎng)絡(luò)，具有更高的精度，預(yù)測能力顯著提高。
關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；粒子群優(yōu)化算法； 微波加熱；溫度預(yù)測
0 引言
微波作為一種新型能源在工業(yè)上開始得到廣泛應(yīng)用。微波加熱的原理與常規(guī)加熱不同，常規(guī)加熱是利用熱傳導(dǎo)的原理加熱。而微波加熱是利用外加電場，改變介質(zhì)分子間的運(yùn)動(dòng)情況并使分子間相互摩擦產(chǎn)生熱量，因此，加熱效果是由里及表。與傳統(tǒng)加熱相比，微波加熱具有提取時(shí)間短、溫度低、耗能低、品質(zhì)高等優(yōu)良特性[1]。由于微波加熱速度快，普通的反饋控制方法有嚴(yán)重的時(shí)間滯后問題，媒質(zhì)內(nèi)部出現(xiàn)熱點(diǎn)，出現(xiàn)熱失控，可能燒毀工業(yè)物料，甚至引發(fā)爆炸，因此存在較大的安全隱患[2]。
解決智能實(shí)時(shí)控制微波加熱的一個(gè)關(guān)鍵問題就是溫度控制。輸出功率要伴隨負(fù)載溫度的變化而改變輸出值，因此需要實(shí)時(shí)監(jiān)測負(fù)載的溫度值。由于大功率微波加熱存在嚴(yán)重的時(shí)間滯后問題，因此，溫度預(yù)測就成了解決問題的關(guān)鍵所在。常見的溫度預(yù)測方法有：人工神經(jīng)網(wǎng)絡(luò)、時(shí)間序列、支持向量機(jī)等[3]。本文采用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行了加熱物料溫度變化趨勢的預(yù)測，實(shí)驗(yàn)仿真結(jié)果證實(shí)了該方法的有效性。
1 PSO-BP神經(jīng)網(wǎng)絡(luò)在微波加熱中的具體應(yīng)用
1.1 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)是一種3層或者3層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、輸出層和隱含層。它的訓(xùn)練算法包括正向和反向傳遞兩個(gè)過程。輸入信息通過隱含層傳遞給輸出層，將輸出信號(hào)和預(yù)測信號(hào)做比較，若有誤差，則采用誤差反向傳播方法，將誤差信息沿原網(wǎng)絡(luò)返回，從輸出層經(jīng)過中間各層逐層向前修正網(wǎng)絡(luò)的連接權(quán)值[4]。隨著不斷學(xué)習(xí)，誤差將越來越小，最終使誤差到達(dá)指定的精度。但是BP網(wǎng)絡(luò)主要由經(jīng)驗(yàn)和反復(fù)試驗(yàn)確定參數(shù)，算法訓(xùn)練時(shí)間較長，效率不高，造成網(wǎng)絡(luò)性能低下。
粒子群算法（PSO）將每個(gè)個(gè)體抽象成優(yōu)化問題的可能解，再根據(jù)需要優(yōu)化的目標(biāo)函數(shù)確定一個(gè)具體值，再用一個(gè)速度來決定它們的方向和距離，粒子通過自己和其他粒子的飛行經(jīng)驗(yàn)來動(dòng)態(tài)調(diào)整，并追尋當(dāng)前最優(yōu)粒子，不斷迭代以找到最優(yōu)解[5]。其算法公式為：
vid=vid+c1·rand（）·（pid-xid）+c2·rand（）·（pgd-xid）（1）
本文研究的對(duì)象是微波加熱物料的溫度，因此輸出量是要預(yù)測的未來時(shí)刻物料的溫度，溫度預(yù)測模型設(shè)計(jì)為3層BP神經(jīng)網(wǎng)絡(luò)。輸入層擬定為加熱時(shí)間和介質(zhì)的反射功率，輸出層為預(yù)測的溫度[6]。隱含層個(gè)數(shù)的確定至今為止沒有明確的結(jié)論，只能根據(jù)特定的問題，結(jié)合經(jīng)驗(yàn)公式[7]給出估計(jì)值。這里采用的經(jīng)驗(yàn)公式為：
其中，m和n分別表示輸入層和隱含層的神經(jīng)元個(gè)數(shù)，a是[0，10]之間的常數(shù)。因此，本文擬定隱含層神經(jīng)元個(gè)數(shù)為3~15，根據(jù)試錯(cuò)法，當(dāng)MSE的結(jié)果達(dá)到最小時(shí)，確定隱含層神經(jīng)元的個(gè)數(shù)[8]。
輸入層和隱含層的傳遞函數(shù)分別選定為tansig和purelin，訓(xùn)練函數(shù)采用trainlm。根據(jù)每秒采集到的數(shù)據(jù)，整理并訓(xùn)練樣本。
BP神經(jīng)網(wǎng)絡(luò)設(shè)置參數(shù)為：
最大訓(xùn)練次數(shù)：net.trainParam.epochs=100；
訓(xùn)練目標(biāo)：net.trainParam.goal=0.000 4；
學(xué)習(xí)率：net.trainParam.lr=0.1。
粒子群算法設(shè)置參數(shù)為：
加速常數(shù)：c1=c2=1.49
進(jìn)化次數(shù)：maxgen=100
種群規(guī)模：sizepop=30
粒子位置和速度取值區(qū)間分別為[-5，5]和[-1，1]。
設(shè)置取優(yōu)化后的權(quán)值、閾值訓(xùn)練網(wǎng)絡(luò)[9]。
1.2 實(shí)驗(yàn)設(shè)備及過程
在本文中，以工業(yè)加熱煤作為實(shí)驗(yàn)。其中磁控管微波功率源為控制對(duì)象，被控物理量為溫度參數(shù)。該實(shí)驗(yàn)裝置主要由以下幾部分組成：磁控管微波功率輸入控制系統(tǒng)、傳送帶、傳感測溫器、溫度檢測裝置等，裝置如圖1所示。在工業(yè)煤加熱過程中，對(duì)煤從初始溫度加熱到擬定的上限溫度150℃。在系統(tǒng)加熱過程中，每間隔30 s對(duì)煤炭進(jìn)行溫度采集并記錄，同時(shí)記錄該時(shí)刻的輸入功率和反射功率值。
2 實(shí)驗(yàn)結(jié)果及分析
2.1 BP模型預(yù)測
在BP模型預(yù)測中，預(yù)測值與實(shí)際值對(duì)比如圖2所示，誤差分析如圖3所示。
2.2 PSO-BP模型預(yù)測
在PSO-BP模型預(yù)測中，預(yù)測值與實(shí)際值如圖4所示，誤差分析如圖5所示。
2.3 結(jié)果分析
?。?）BP和PSO-BP兩個(gè)模型的預(yù)測值都比較趨近實(shí)際值，但部分點(diǎn)誤差較大，原因如下：①在工業(yè)中，受外界干擾的情況較多；②采集時(shí)間間隔比較長，因此溫度的漲幅相對(duì)較大；③由于加熱對(duì)象煤是固體，因此存在熱失控的點(diǎn)，但這些采集的特殊點(diǎn)的溫度不能代表煤整體的溫度，所以導(dǎo)致有些點(diǎn)誤差較大。此時(shí)，預(yù)測值比測量值更能反映煤整體的真實(shí)溫度。
?。?）從預(yù)測的精度分析，PSO-BP預(yù)測的精度比純BP要高。
綜上，PSO-BP神經(jīng)網(wǎng)絡(luò)的模擬結(jié)果比BP神經(jīng)網(wǎng)絡(luò)更接近測量數(shù)據(jù)，精度更高，訓(xùn)練所需時(shí)間更少。
3 結(jié)論
本文針對(duì)微波加熱物料系統(tǒng)具有時(shí)變性、滯后性和非線性的特性，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。實(shí)驗(yàn)仿真結(jié)果表明，使用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行溫度預(yù)測，能夠達(dá)到最優(yōu)的擬合效果，并提高了預(yù)測的速度和精度。這將為下一步的生產(chǎn)實(shí)踐提供理論指導(dǎo)，為工業(yè)生產(chǎn)提供新的技術(shù)支持。
參考文獻(xiàn)
[1] 張?zhí)扃?，崔獻(xiàn)奎，張兆鏜.微波加熱原理、特性和技術(shù)優(yōu)勢[J].筑路機(jī)械與施工機(jī)械化，2008，25（7）：10-14.
[2] 劉長軍，申東雨.微波加熱陶瓷中熱失控現(xiàn)象的分析與控制[J].中國科學(xué)，2008，38（7）：1097-1105.
[3] 汪建宇，羅祥遠(yuǎn).微波加熱自動(dòng)控制系統(tǒng)[J].微計(jì)算機(jī)信息，2003，19（10）：16-17.
[4] 王龍剛.基于PSO-BP的智能溫度控制器[D].西安：西安科技大學(xué)，2012.
[5] 黃文秀.粒子群優(yōu)化算法的發(fā)展研究[J].軟件，2014（4）：73-77.
[6] 王龍剛，侯媛彬.BP-PSO在電加熱爐中的溫度智能預(yù)測[J].自動(dòng)化儀表，2013，34（1）：54-56.
[7] 李松，劉力軍，翟曼.改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測[J].系統(tǒng)工程理論與實(shí)踐，2012，32（9）：2045-2049.
[8] 張俊，沈軼.神經(jīng)網(wǎng)絡(luò)指數(shù)穩(wěn)定性分析的一種方法[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2003，31（1）：7-9.
[9] 胡冰蕾.基于遺傳優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法的短期負(fù)荷預(yù)測[J].供用電，2010，27（6）：42-44.