本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
本专利技术属于孵化控制领域，涉及。
技术介绍
随着人民生活水平的不断提高，家禽(如鸡、鸭、鹅、鸽子等)的需求大幅度上升。为了满足人们对肉禽的需求，需要进行大规模的肉禽孵化。在禽蛋的孵化过程中，要保证受精种蛋尽可能多地变成优质的雏禽，温度是决定孵化成功与否的决定性因素，精确控制孵化过程的温度，不仅能提高出雏率，而且还能提高雏禽品质。禽蛋孵化过程是一个具有高度非线性、大滞后、时变特性且强耦合性的农业生产过程，且禽蛋孵化过程的温度经常会受到通风量、电网波动及周边设备等不确定性和随机性因素的影响，所以禽蛋孵化过程的精确数学模型是很难建立的，目前的孵化设备都采用传统的控制方法，但是孵化过程的模型未进行建立，不能很好的保证禽蛋孵化过程温度的稳定控制。过程神经网络是对传统人工神经网络在时间域上的扩展，其输入和相应的连接权可以是时变函数。因其非线性时变映射能力，过程神经网络用于问题求解无需事先特殊的建模，能够充分反映时变系统中实际存在的时间累积效应，适用于复杂的非线性过程建模。因此研究禽蛋孵化过程工艺分析，采用过程神经网络，建立禽蛋孵化过程预测模型，对于保证禽蛋孵化过程中温度的稳定控制具有很好的效果。
技术实现思路
本专利技术所要解决的技术问题是提供一种于过程神经网络的孵房温度控制方法，对依次采集的每连续50组孵房内温度值进行二次多项式拟合，作为具有3层结构的过程神经网络预测模型的输入，预测孵房内第51组温度值，将给定温度值和所预测的第51组温度值进行比较，得到其偏差，对该偏差进行PID控制调节，从而控制温度调节器调节孵房内的温度，使得孵房内的温度值跟踪给定的温度值。专利技术的技术解决方案如下:，包括以下步骤:1.，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:(I)数据采集和拟合，每隔I秒，采集孵房温度一次，依次对每连续50组孵房温度值:xk，Xk^1, xk_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权利要求1.，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I秒，采集孵房温度一次，依次对每连续50组孵房温度值:xk，Xk^1, xk_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.全文摘要本专利技术公开了，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。本专利技术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。文档编号G05B13/00GK103197538SQ20131014554公开日2013年7月10日 申请日期2013年4月24日 优先权日2013年4月24日专利技术者周国雄 申请人:中南林业科技大学本文档来自技高网...
【技术保护点】
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：xk,xk?1,xk?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yk+1=Σi=17vif(∫0Tωi(t)x(t)dt-θi)-θ,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x^k+1=Σi=17vif(Σn=150ωinain-θi)-θ;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，wi(t)为相应的连接权函数，vi为隐含层节点到输出节点的连接权值，初始值为0.01，θi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，ani,win∈R为展开式系数,根据现场计算的ωi(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wi(t)，连接权值vi，阈值θi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，xk+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。FDA00003092961700012.jpg,FDA00003092961700013.jpg,FDA00003092961700015.jpg,FDA00003092961700016.jpg,FDA00003092961700017.jpg,FDA00003092961700018.jpg,FDA00003092961700021.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：周国雄，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。