BP-PSO在电加热炉中的温度智能预测.pdf

《BP-PSO在电加热炉中的温度智能预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、BP．PSO在电加热炉中的温度智能预测王龙刚。等BP—PSO在电加热炉中的温度智能预测ntelligentTemperaturePredictionBasedonBP-PSOforElectricFurnace互龙∽侯磋形(西安科技大学电气与控制工程学院，陕西西安710054)摘要：针对电加热炉难以建立精确模型的问题，提出采用BP神经网络与粒子群优化(PSO)相结合的算法对电加热炉的温度变化进行辨识，并建立系统模型。在建立系统模型的基础上，对温度变化趋势进行了预测。试验结果显示，与BP神经网络算法相比，粒子群优化BP神经网

2、络算法所得到的预测值有效时间范围延长了60％；在相同有效的预测时间内，预测值精度提高了43％。关键词：电加热炉粒子群优化BP神经网络系统模型预测精度中图分类号：TPl8文献标志码：AAbstract：Aimingatthefeaturesofelectricfulllace，e．g．，multiplevariables，non-uniformdistribution，andslowrealtimeperformance，thatbringdifficultyforestablishingaccuratemodelIthea

3、lgorithmthatcombiningBPneuralnetworkandparticleswamioptimization(PSO)ispmposedtoestablishthesystemmodelthroughrecognizingthetemperaturevariationofelectricfulllace，andtoimplementpredictionoftemperaturevaryingtrendbasedonthemodel．Theexperimentalresultsshowthatcompar

4、ingtheBPneuralnetworkalgorithm。throughPSOandBPneuralnetworkalgorithm-theeffectivetimerangeofthepredictivevalueisextendedby60％，andtheaccuracyofthepredictivevalueisenhancedby44％withinthe锄eeffectivepredictiontime．Keywords：ElectricfurnaceParticleSWmt'TIIoptimizationBP

5、neuralnetworkSystemmodelPredictionaccuracy0引言电加热炉是一个非均匀分布、随时间连续变化的温度场，其炉温不仅与时间有关，而且还与空间位置有关。严格地说，电加热炉具有多变量、分布参数非线性、慢时变等特性，因此，很难建立精确的系统模型⋯。而传统的控制理论往往要求建立精确的系统模型。近年来，智能控制理论得到了飞跃式的发展，它具有自适应、自组织和自学习等优点，所以被广泛地应用到工业过程控制，并在工业控制中发挥着越来越重要的作用‘2一引。本文以c卜Fe合金作为合金试样，采用粒子群优化BP神经

6、网络算法(以下称BP．PSO算法)来辨识电加热炉工作在500℃时的系统模型。同时，利用辨识得到的系统模型对炉内温度的变化趋势进行预测，从而为提高电加热炉的稳态性能奠定基础H1。1BP-PSO的算法原理及步骤1．1BP-PSO的算法原理BP．PSO算法是一种将BP神经网络和粒子群优修改稿收到日期：201卜12-09。第一作者王龙刚(1986-)，男，现为西安科技大学控制理论与控制工程专业在读硕士研究生；主要从事工业智能控制方面的研究。化(PSO)算法相结合，经训练得到BP神经网络权值的算法。由于BP神经网络学习算法是一种采用

7、随机梯度最小均方的算法，导致其存在以下固有缺陷：容易陷入局部极小、泛化能力较弱、网络的收敛速度较慢"]。PSO算法是一种基于全局搜索的算法，能计算获得全局最优解，不存在陷入局部极值等问题，且训练效率更高。因此，采用BP与PSO结合的算法，既能发挥BP神经网络的非线性应用，又能克服BP训练神经网络权值时容易出现的一些问题¨。。BP．PSO算法是将BP神经网络中的权值和阈值作为移动粒子，粒子的位置表示当前权值和阈值的大小。将神经网络输出与样本的输出误差平方和作为粒子移动的适应度函数∞o，即：1LL=÷互[(Y。一夕。)2+(儿

8、一托)2](1)‘⋯式中：Y，为样本的输出值；九为神经网络的输出值；￡为样本的组数。歹，值越小，粒子的适应度越高，神经网络训练的误差越小。为了计算得到神经网络权值和阈值最优解，按照PSO算法迭代式(2)和式(3)o7

9、，得到训练神经网络的权值和阈值。在每一次迭代中，权值和阈值粒子通过全局最优值Gk。和局