一种基于新型神经网络的自抗扰温度控制方法技术

本发明专利技术公开了一种基于新型神经网络的自抗扰温度控制方法，在外界环境干扰和系统内扰未知条件下，采用五层网络结构的新型神经网络来优化自抗扰温度控制偏差参数，获取到自抗扰温度控制增益系数，然后基于自抗扰温度控制增益系数，结合信号调节器和高阶偏差探测器矫正温度控制信号，实现调整冷链温度。包括以下步骤：采集当前温度数据，获取自抗扰温度控制偏差参数；优化新型神经网络的神经网络参数，获取神经网络参数最优解；基于神经网络参数最优解优化自抗扰温度控制偏差参数，获取自抗扰温度控制增益系数；基于自抗扰温度控制增益系数矫正温度控制信号，调整冷链温度。调整冷链温度。调整冷链温度。

【技术实现步骤摘要】
一种基于新型神经网络的自抗扰温度控制方法


[0001]本专利技术涉及温度控制领域，具体涉及基于新型神经网络的自抗扰温度控制方法。

技术介绍

[0002]随着人们生活水平的不断提升，对于绿色生鲜食品的需求越来越大，而本地的优质生鲜产品很有限，远远满足不了现代消费者的时鲜需求，冷链是为保持新鲜食品及冷冻食品的品质，使其从生产、运输到消费过程中，始终处于低温状态的配有专用设备的物流网络，因此生鲜产品对冷链物流的需求越来越大。而现有的产品冷链物流运输温度控制系统大多仅能提供大概的温度来运输新鲜产品，对产品运输过程中的产品温度控制不够精确，还存在缺乏实时性和准确性的缺点，从而导致大量新鲜产品腐败、变质，造成巨大损失，严重影响了产品冷链物流体系的建设和发展。因此，对产品在冷链物流的运输过程中对温度进行智能管控，建立完善的冷链物流的温度控制系统，对于冷链物流的发展至关重要。
[0003]温度控制作为冷链物流中的必不可少的环节之一，对冷链物流运输过程的温度进行优化也具有重大意义。目前，我国冷链物流过程的温度控制系统仍然以传统的PID控制器为主，传统的P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于新型神经网络的自抗扰温度控制方法，其特征在于，包括以下步骤；采集当前温度数据，获取自抗扰温度控制偏差参数；优化新型神经网络的神经网络参数，获取神经网络参数最优解；基于神经网络参数最优解优化自抗扰温度控制偏差参数，获取自抗扰温度控制增益系数；基于自抗扰温度控制增益系数矫正温度控制信号，调整冷链温度。2.根据权利要求1所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述基于新型神经网络的温度抗干扰控制方法通过温度传感器采集当前温度数据，并基于当前温度数据判断是否进行温度控制；若是，则根据信号调节器和高阶偏差探测器所获取的期望温度参数计算得到自抗扰温度控制参数；若否，则继续采集温度数据。3.根据权利要求2所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述期望温度参数包括期望温度近似值、期望温度微分信号、期望温度近似值探测值和期望温度微分信号探测值；其中，当当前温度数据超过信号处理器中预设的温度范围后，信号处理器则将期望温度发送给信号调节器，通过信号调解器计算到期望温度近似值和期望温度微分信号，然后通过高阶偏差探测器获取对应的期望温度近似值探测值和期望温度微分信号探测值。4.根据权利要求2所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述自抗扰温度控制偏差参数包括输出偏差e1、输出微分偏差e2和输出偏差的积分e3，通过所述期望温度参数计算得到所述自抗扰温度控制偏差参数，计算公式如下：e1＝x1‑
z1e2＝x2‑
z2；其中，x1表示期望温度近似值，x2表示期望温度微分信号，z1表示期望温度近似值探测值，z2表示期望温度微分信号探测值，t表示期望温度。5.根据权利要求1所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述新型神经网络采用乌鸦算法迭代神经网络参数，得到神经网络参数最优解。6.根据权利要求5所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述乌鸦算法迭代优化神经网络参数包括以下步骤：初始化神经网络参数和乌鸦算法参数，并随机生成乌鸦种群；其中，所述乌鸦为待优化的神经网络参数，乌鸦算法参数包括步长fl、感知概率AP、迭代次数iter、乌鸦群体规模N、问题维度D、乌鸦位置和乌鸦记忆；计算确定最佳乌鸦种群，并基于最佳乌鸦种群随机选择跟踪乌鸦；基于跟踪乌鸦更新乌鸦位置和乌鸦记忆；判断当前迭代次数是否达到最大迭代次数；若是，则输出当前最佳乌鸦位置作为神经
网络参数最优解；若否，则重新计算确定最佳乌鸦种群进行迭代更新。7.根据权利要求6所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述乌鸦算法在每一轮迭代中通过以下公式计算确定最佳乌鸦种群数目：，其中，iter表示第iter次迭代，K
iter
表示第iter次迭代的最佳乌鸦种群数目，K
max
表示最佳乌鸦种群最大数目，K
min
表示最佳乌鸦种群最小数目，iter
max
表示最大迭代次数。8.根据权利要求6所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述乌鸦算法通过判断跟踪乌鸦是否被发现跟踪确定乌鸦位置更新方式。9.根据权利要求8所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，当跟踪乌鸦未发现被跟踪时，通过以下公式更新乌鸦位置：X
i，iter+1
＝X
i，ite
r+r
i
×
fl
i，iter
×
(M
i，ite
r
‑
X
i，ite
r)
×
c1；其中，X
i，iter+1
表示乌鸦i在第iter+1次迭代的乌鸦位置，r
i
表示[0，1]之间的随机数，M
i，iter
表示乌鸦i在第iter次迭代的乌鸦记忆，X
i，iter
表示乌鸦i在第iter次迭代的乌鸦位置，Tl
i，iter
表示乌鸦i在第iter次迭代的飞行长度，c1表示收敛因子。10.根据权利要求8所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，当跟踪乌鸦发现被跟踪时，通过以下公式更新乌鸦i的位置：X
i，iter+1
＝a random position；其中，X
i，iter+1
表示乌鸦i在第iter+1次迭代的乌鸦位置，X
i，iter
表示乌鸦i在第iter次迭代的乌鸦位置。11.根据权利要求6所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述乌鸦算法基于跟踪目标更新乌鸦位置后，通过以下公式更新乌鸦记忆：，其中，M
i，iter+1
表示乌鸦i在第iter+1次迭代的乌鸦记忆，X
i，iter+1
表示乌鸦i在第iter+1次迭代的乌鸦位置，f(X
i，iter+1
)表示乌鸦i在第iter+1次迭代的乌鸦位置适应度，X
i，iter
表示乌鸦i在第iter次迭代的乌鸦位置，M
i，iter
表示乌鸦i在第iter次迭代的乌鸦记忆。12.根据权利要求5所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所
述新型神经网络采用乌鸦算法迭得到神经网络参数最优解以后，通过新型神经网络训练优化自抗扰温度控制偏差参数，获取自抗扰温度控制增益系数；其中，所述神经网络参数最优解包括神经网络最优初始权值参数和隶属度函数参数。13.根据权利要求12所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述新型神经网络包括输入层、模糊化层、规则层、规则强化层和清晰化层，通过五层结构的新型神经网络对输入的自抗扰温度控制偏差参数进行自适应调整，并输出自抗扰温度控制增益系数。14.根据权利要求13所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所示输入层的输入输出偏差e1、输出微分偏差e2和输出偏差的积分e3，所述模糊化层的输入为输出偏差e1、输出微分偏差e2和输出偏差的积分e3的隶属函数为F1、F2和F3；其中，所述模糊化层通过以下隶属函数模糊化自抗扰温度控制偏差参数：；其中，a和k为神经网络参数的常数参数，当x取值为e1、e2、e3时，对应的函数值为F1、F2、F3。15.根据权利要求13所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述规则层通过以下公式计算规则层中各节点输出的的神经元模糊规则的激活强度：；其中，bj表示节点j输出的神经元模糊规则的激活强度，i表示神经元的层数，n表示神经元节点数，F
ij
x(n)表示第i层第j个节点x的加权后的值，F
ij
为权值，x(n)表示输入值。16.根据权利要求13所述的基于新型神经网络的自抗扰温度控制方法，其特征在于，所述规则强化层通过以下公式对神经元模糊规则进行强化处理：；其中，yj表示节点j输出的神经元模糊规则加权结果，i表示神经元的层数，n表示神经元节点数，F
′
ij
x(n
’
)表示第i层第j个节点x的加权后的值，F
′

【专利技术属性】
技术研发人员：相峰，赵学健，张海霞，黄剑华，朱远娜，孙知信，孙哲，
申请(专利权)人：圆通速递有限公司，
类型：发明
国别省市：