一种基于改进RBF神经网络的高温高压卷染机温度控制方法技术

本发明专利技术公开了一种基于改进RBF神经网络的高温高压卷染机温度控制方法，包括如下步骤：S1，建立染液温度变化曲线模型；S2，根据染液温度的实际测量值和对应采样时刻的染液温度变化曲线模型中的染液温度计算温度控制偏差并设定阈值；S3，按照温度控制偏差与设定阈值的关系分别采用PD控制器、PID控制器和/或基于改进RBF神经网络的PID控制器对染液温度进行分段控制，直至温度控制偏差的数值为零。本发明专利技术利用基于改进的RBF神经网络的特征学习方法和PID控制器结合实现了对卷染机温度控制系统在恶劣应用环境下的自适应控制和调整，保证了控制过程的高精度和高效性，而且控制调整周期短，控制效率高。

A Temperature Control Method of High Temperature and High Pressure Jigger Based on Improved RBF Neural Network

【技术实现步骤摘要】
一种基于改进RBF神经网络的高温高压卷染机温度控制方法
本专利技术涉及纺织行业卷染过程自动控制领域，尤其涉及一种基于改进RBF神经网络的高温高压卷染机温度控制方法。
技术介绍
卷染环节是纺织生产过程的必备环节，对于纺织品质量控制和管理至关重要。在卷染过程中，保证染液温度精确控制直接影响着织物卷染质量，是卷染机控制系统设计中的核心工作。随着自动控制技术的高速发展和控制算法研究的不断深入，基于神经网络的控制算法已经在工业控制领域中得到越来越广泛的应用，以基于神经网络的控制算法来替代传统控制算法不仅可以提高参数控制精度，而且可以提高反馈调节速度，从而提高控制系统整体控制效率，减少织物染色不匀现象，提升织物品质，有利于我国纺织技术发展和纺织品的出口外销。现有的用于卷染机控制领域的算法主要以PID控制算法为主，该类控制算法包括比例、积分与微分3类控制分量，PID控制器是将预先设定值与实际输出值的差值的比例、积分和微分的线性组合作为综合控制量对被控对象进行控制。[参考文献[1]:MahmoodQA,NawafAT,EsmaelMN,etal.PIDTemperatureControlofDemineralizedWaterTank[J].IOPConferenceSeriesMaterialsScienceandEngineering,2018,454:012031.]在PID控制系统的使用过程中，PID控制算法的参数确定是难点。在实际应用中，这些参数会受具体工作环境的影响，使得传统PID控制器存在参数粗糙、适应性差和控制效果欠佳等问题，难以适应复杂的工况。采用常规的PID控制器，存在着系统抗干扰能力差,对于不同数学模型的系统适应性差，超调量大等问题[参考文献[2]:El-SamahyAA,ShamseldinMA.BrushlessDCmotortrackingcontrolusingself-tuningfuzzyPIDcontrolandmodelreferenceadaptivecontrol[J].AinShamsEngineeringJournal,2016:S209044791630003X.]。针对这一问题，将模糊控制与PID控制结合，提出了模糊自适应PID控制算法，利用模糊规则在线调整PID的参数，再由控制器进行温度调节。达到了响应速度快、超调量小，对于不同数学模型的系统，适应性强的效果[参考文献[3]:DuWen,Ding.(2010).TheResistance-heatedFurnaceTemperatureControlBasedonCMAC-FuzzyImmunePIDControl.AppliedMechanicsandMaterials.29-32.10.4028/www.scientific.net/AMM.29-32.407.]。该类算法虽然对控制参数计算环节进行了调整，控制效率有所提高，但是算法控制精度不高，而且仍然沿用PID的多次反馈调节机制，未能从根本上缩短控制周期。目前提出的算法在一定程度上达到了自适应控制的目标，但仍存在着许多问题未得到解决，亟待进一步研究：1)随着纺织技术的发展，织品种类繁多，织物材质多样，染色工艺各不相同(譬如：棉质、丝质、人造纤维等)，因此应该对不同的织物分别建立染液温度控制模型，实现卷染过程的精细化控制；2)随着纺织技术不断发展，纺织行业竞争激烈，如何进一步提高控制反应速度，降低卷染过程中的织物损耗，提高纺织品生产效率，也是急需解决的产业问题。3)现有控制算法需要多次反馈调整过程，控制调整周期过长，控制效率不高，且随着纺织技术的发展，对温度控制的要求逐渐提高，现有控制算法控制精度有限难以达到更高生产要求。近年来，基于神经网络的特征学习算法发展迅速，在智能信息、智能医疗、智能交通、工业生产等领域得到了广泛的应用。该类算法通过收集到的大量先验数据提取控制参数变化特征，修正网络权重，训练网络模型，作为控制参数核心算法，实现控制参数的实时快速调整。即使织物品类多样，控制过程复杂，基于神经网络的控制算法也可以根据实际情况切换不同权值模型，实现对不同应用情景的适应性调整，具有很好的自适应控制特性。[参考文献[3]:LiuY.,WangJ.,YangJ.,LiQ.(2018)AnImprovedPIDAlgorithmBasedonBPNeuralNetworkofAmbientTemperatureController.In:QiaoF.,PatnaikS.,WangJ.(eds)RecentDevelopmentsinMechatronicsandIntelligentRobotics.ICMIR2017.AdvancesinIntelligentSystemsandComputing,vol690.Springer,Cham]及[参考文献[4]:FlavioSanchezEN,XiaY,etal.Real-timeneuralinverseoptimalcontrolforindoorairtemperatureandhumidityinadirectexpansion(DX)airconditioning(A/C)system[J].InternationalJournalofRefrigeration,2017,79.]将基于神经网络的控制算法应用于温室大棚温度控制和汽车制造领域，达到了很好的控制效果。然而针对纺织行业高温高压环境下卷染过程中染液温度参数的神经网络控制技术还有待深入研究。
技术实现思路
针对现有控制方法的控制精度不能满足生产需求的技术问题，本专利技术在基于BP神经网络的卷染机温度控制技术的基础上改进网络结构，使用改进的径向基函数神经网络(RadicalBasisFunction，RBF)替换BP网络，提出了一种基于改进RBF神经网络的高温高压卷染机温度控制方法。本专利技术将温度控制偏差值按照经验阈值进行划分，结合了改进RBF神经网络和积分分离PID控制器两种算法进行分段控制，改进的RBF神经网络在学习能力和学习速率上均优于BP神经网络，且改进的RBF神经网络对于线性和非线性变化曲线都有很好的逼近效果，使得该技术在兼顾计算复杂度的同时可实现对卷染过程中染液温度的高效率高精度控制。为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于改进RBF神经网络的高温高压卷染机温度控制方法，其步骤如下：S1：建立染液温度变化曲线模型；根据能量转换定律，分析染液热量交换过程，并考虑热量流散和对流辐射等因素的影响，建立染液温度变化曲线模型；S2：计算温度控制偏差并设定阈值；S2.1：根据染液温度的实际测量值和对应采样时刻的染液温度变化曲线模型中的染液温度计算温度控制偏差|e(n)|；S2.2：根据具体应用环境和染色经验，设定阈值ε1和ε2，且ε1＜ε2；S3：按照温度控制偏差|e(n)|的大小对实际染液温度进行分段控制；将温度控制偏差|e(n)|与阈值ε1和ε2进行比较，当|e(n)|＞ε2，采用PD控制器对染液温度进行控制；当ε1＜|e(n)|≤ε2，采用PID控制器对染液温度进行控制；当0＜|e(n)|≤ε1，采用基于改进RBF神经网络的PID控本文档来自技高网...

【技术保护点】
1.一种基于改进RBF神经网络的高温高压卷染机温度控制方法，其特征在于，其步骤如下：S1：建立染液温度变化曲线模型；根据能量转换定律，建立染液温度变化曲线模型；S2：计算温度控制偏差并设定阈值；S2.1：根据染液温度的实际测量值和对应采样时刻的染液温度变化曲线模型中的染液温度计算温度控制偏差|e(n)|；S2.2：设定阈值ε1和ε2，且ε1＜ε2；S3：按照温度控制偏差|e(n)|的大小对实际染液温度进行分段控制；将温度控制偏差|e(n)|与阈值ε1和ε2进行比较，当|e(n)|＞ε2，采用PD控制器对染液温度进行控制；当ε1＜|e(n)|≤ε2，采用PID控制器对染液温度进行控制；当0＜|e(n)|≤ε1，采用基于改进RBF神经网络的PID控制器对染液温度进行控制；S4：根据步骤S3得到的PD控制器、PID控制器或基于改进RBF神经网络的PID控制器的染液温度控制输出值和实际染液温度计算温度控制偏差，更新温度控制偏差|e(n)|，循环步骤S3‑S4，直至|e(n)|＝0。

【技术特征摘要】
1.一种基于改进RBF神经网络的高温高压卷染机温度控制方法，其特征在于，其步骤如下：S1：建立染液温度变化曲线模型；根据能量转换定律，建立染液温度变化曲线模型；S2：计算温度控制偏差并设定阈值；S2.1：根据染液温度的实际测量值和对应采样时刻的染液温度变化曲线模型中的染液温度计算温度控制偏差|e(n)|；S2.2：设定阈值ε1和ε2，且ε1＜ε2；S3：按照温度控制偏差|e(n)|的大小对实际染液温度进行分段控制；将温度控制偏差|e(n)|与阈值ε1和ε2进行比较，当|e(n)|＞ε2，采用PD控制器对染液温度进行控制；当ε1＜|e(n)|≤ε2，采用PID控制器对染液温度进行控制；当0＜|e(n)|≤ε1，采用基于改进RBF神经网络的PID控制器对染液温度进行控制；S4：根据步骤S3得到的PD控制器、PID控制器或基于改进RBF神经网络的PID控制器的染液温度控制输出值和实际染液温度计算温度控制偏差，更新温度控制偏差|e(n)|，循环步骤S3-S4，直至|e(n)|＝0。2.根据权利要求1所述的基于改进RBF神经网络的高温高压卷染机温度控制方法，其特征在于，在步骤S1中，还包括先预设温度控制曲线，再根据温度控制曲线建立染液温度变化曲线模型；所述温度控制曲线包括至少一个升温段、至少一个降温段和至少一个保温段。3.根据权利要求1或2所述的基于改进RBF神经网络的高温高压卷染机温度控制方法，其特征在于，在步骤S1中，所述的染液温度变化曲线模型为：式中，u表示染缸内的蒸汽流速，T表示染液温度，t表示时间；求解式(1)得：式中，C1表示染液初始温度。4.根据权利要求1所述的基于改进RBF神经网络的高温高压卷染机温度控制方法，其特征在于，在步骤S3中，所述PD控制器的计算公式为：式中，kP,kD分别表示比例参数和微分参数，Ts表示训练样本的采样间隔，e(n)表示训练样本在第n个采样时刻的温度控制差值，e(n-1)表示训练样本在第n-1个采样时刻的温度控制差值，u(n)表示第n个采样时刻PD控制器的染液温度控制输出值。5.根据权利要求1所述的基于改进RBF神经网络的高温高压卷染机温度控制方法，其特征在于，在步骤S3中，所述PID控制器的计算公式为：式中，Ts表示训练样本的采样间隔，kP,kI,kD表示采用PID控制器的反馈控制回路的控制参数，e(n)表示训练样本在第n个采样时刻的温度控制差值，e(n-1)表示训练样本在第n-1个采样时刻的温度控制差值，u(n)表示第n个采样时刻PID控制器的染液温度控制输出值，e(m)表示训练样本在第m个采样时刻的温度控制差值，m＝1,2,…n，n表示采样时刻的个数。6.根据权利要求1所述的基于改进RBF神经网络的高温高压卷染机温度控制方法，其特征在于，在步骤S3中，所述基于改进RBF神经网络的PID控制器的控制步骤如下：S3.1：根据改进RBF神经网络计算PID控制器的控制参数；S3.1.1：选择高斯函数作为径向基函数的实现形式，隐藏层的输出的计算公式为：式中，i＝1,2,…M，M表示隐藏层神经元的个数，j＝1,2,…N，N表示输入层的训练样本数，ci(n)表示隐藏层第i个神经元在第n时刻所选取的中心，ej(n)表示第j个训练样本在第n个采样时刻的温度控制差值，dm表示中心之间的最大距离；其中，最大距离dm与个数M和方差σ相关，方差...

【专利技术属性】
技术研发人员：魏苗苗，刘洲峰，李春雷，张爱华，朱永胜，李碧草，杨艳，徐庆伟，林漫漫，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南,41