无温度传感器的感应加热温度控制研究--《山东大学》2012年硕士论文
无温度传感器的感应加热温度控制研究
【摘要】：在工业感应加热过程中,普通的热电偶(阻)带有金属保护套管,在靠近感应加热场时,套管会被感应加热,严重影响测温精度。所以在电磁场中获得比较高的测温精度,只能将热电偶裸丝点焊在工件上。而点焊热电偶丝费时费力,不能应用于工业的批量生产。辐射测温仪可实现非接触测温,但由于金属在高温下表面会生成氧化皮,引起发射率的变化,造成辐射测温仪的测量会有较大的误差。
本文提出不使用温度传感器,采用具有外部输入的非线性自回归网络(NARX)建立感应加热温度预测模型,并将预测模型应用于PID温度控制实验,实现了无温度传感器的感应加热温度控制。
感应加热主回路由晶闸管中频电源、电热电容器、中频淬火变压器、感应器和20#钢管组成,控制器采用了研华工控机IPC510和PCL812PG多功能模拟量数字量输入输出卡。分析了感应加热温度的影响因素并确定了神经网络的输入输出参数。采用Matlab2010b神经网络工具箱的时间序列训练和仿真NARX神经网络。网络训练采用了串并联模式,输入是前几个时刻的直流电流和温度,输出是下一个时刻的温度。网络仿真采用了并联模式,输入是前几个时刻的直流电流和前几个时刻网络输出的温度,输出是下一个时刻的温度。用阶梯信号和正弦信号的样本分别训练神经网络,并用正弦、阶梯、恒值、PID控制信号样本测试仿真网络。发现正弦信号训练的网络比阶梯信号训练的网络泛化能力好,因此把正弦信号训练的网络用于PID控制。
采用Matlab的Real-Time Workshop (RTW)建立了实时半实物仿真控制系统,设定温度从32℃升温到1000℃,并在1000℃保温。由工控机采集直流电流输入神经网络温度模型,将其预测的温度与设定温度比较,误差输入PID控制器,计算电源的输出功率给定,然后输出控制信号给中频电源,调节直流电流从而控制钢管温度。
实验的结果：在升温的初始阶段预测温度与实际温度的偏差较大,最大偏差168℃；在中间阶段偏差较小,最大偏差38℃；在保温阶段(大约100s)偏差由大到小、然后由小变大,最大偏差±25℃,从实际温度的变化趋势来看,超过180s后实际温度有可能进一步升高。造成误差的原因一是训练模型的初始状态与实际控制的初始状态不同,造成了升温阶段前半部分的误差较大。二是可能训练数据较少,在控制时间超过训练样本的时间后误差逐渐增大.三是神经网络的结构参数需要进一步优化。
通过本课题的研究,表明基于NARX神经网络预测模型的PID控制方法可以控制感应加热的工件温度,在保温阶段的精度可达到±2.5%。通过对训练样本的进一步改善,控温的精度可以进一步提高。此方法可以简化装置的复杂程度,降低设备成本,为解决温度传感器在感应加热工业应用中的局限提供了一种途径。
【关键词】：
【学位授予单位】：山东大学【学位级别】：硕士【学位授予年份】：2012【分类号】：TP273;TM924【目录】：
摘要8-10ABSTRACT10-12第一章 绪论12-22 1.1 课题背景和意义12-13 1.2 温度建模研究的应用与发展13-20
1.2.1 机理分析建模13-14
1.2.2 神经网络建模14-18
1.2.3 模糊神经网络建模18-19
1.2.4 机理分析与神经网络结合建模19-20 1.3 本文的主要研究工作20-22第二章 无温度传感器的感应加热温度控制方案22-36 2.1 技术路线22-24 2.2 实施方案24-36
2.2.1 实验装置24-27
2.2.2 中频电源的控制原理27-28
2.2.3 感应加热温度的影响因素28-29
2.2.4 神经网络的输入输出参数确定29-30
2.2.5 神经网络类型的选择30-32
2.2.6 训练样本的采集32-33
2.2.7 神经网络的训练和仿真策略33-34
2.2.8 无温度传感器控制策略34-35
2.2.9 小结35-36第三章 NARX神经网络的训练和仿真实验36-51 3.1 神经网络模型训练和仿真的方法36-40
3.1.1 训练步骤36-38
3.1.2 仿真方法38
3.1.3 数据处理38-40 3.2 神经网络模型的训练和仿真40-49
3.2.1 阶梯信号神经网络的训练和仿真40-44
3.2.2 正弦信号神经网络的训练和仿真44-49 3.3 小结49-51第四章 基于神经网络模型的PID实时温度控制51-60 4.1 建立RTW实时控制系统51-56
4.1.1 建立神经网络的Simulink模块51
4.1.2 PID控制器的设计51-53
4.1.3 建立RTW实时控制系统53-56 4.2 温度控制实验56-59 4.3 小结59-60第五章 总结60-62附录62-65参考文献65-67致谢67-68攻读工程硕士期间完成的论文68-69学位论文评阅及答辩情况表69
欢迎：、、)
支持CAJ、PDF文件格式
【参考文献】
中国期刊全文数据库
何谦,李宏光;[J];北京化工大学学报(自然科学版);2000年04期
朱刚,李纯喜,蒋荔荔,郭宇春;[J];电力电子技术;1998年04期
惠晶,蔡爱军,沈锦飞,吴雷;[J];电力电子技术;2004年05期
夏伯才,钱翰城,AWAD SAMIRH;[J];重庆大学学报(自然科学版);2005年03期
刘亚秋,马广富,石忠;[J];哈尔滨工业大学学报;2005年02期
王中杰,关守平,柴天佑;[J];钢铁研究学报;1999年02期
季中敏;刘晓东;;[J];激光与红外;2010年01期
惠晶;蔡爱军;沈锦飞;;[J];金属热处理;2006年02期
吴风霞;李纯厚;戴明;;[J];南方水产;2009年01期
孙晓刚,原桂彬,林科锋,戴景民;[J];清华大学学报(自然科学版);2005年07期
中国硕士学位论文全文数据库
杨明辉;[D];北京工业大学;2000年
张翔;[D];武汉理工大学;2004年
龚赢;[D];吉林大学;2005年
张月红;[D];江南大学;2008年
【共引文献】
中国期刊全文数据库
夏业启,于中;[J];工程塑料应用;2000年05期
郭伟,刘兴远,张力,王跃文,孙亮;[J];四川建筑科学研究;2004年01期
刘兴远,郭伟,林文修,杜文龙,易珂;[J];四川建筑科学研究;2004年04期
丁晓贵;[J];安徽工程科技学院学报(自然科学版);2003年04期
路子贇;[J];安徽工程科技学院学报(自然科学版);2004年01期
陈跃宏;刘安俊;;[J];安徽建筑;2011年02期
杨兴义;;[J];安庆科技;2004年02期
丁晓贵;[J];安庆师范学院学报(自然科学版);2004年03期
丁晓贵;;[J];安庆师范学院学报(自然科学版);2008年04期
丁然,王克成,魏东,陈海朋;[J];鞍山科技大学学报;2003年01期
中国重要会议论文全文数据库
胡伟明;;[A];“2011西部汽车产业·学术论坛”暨四川省汽车工程学会四届第九次学术年会论文集[C];2011年
高飞燕;李兰君;阳武娇;;[A];第二十六届中国控制会议论文集[C];2007年
戎袁杰;汤洪海;郑雪生;王荣蓉;李春文;;[A];第二十六届中国控制会议论文集[C];2007年
孟庆金;权悦;景绍洪;;[A];第二十六届中国控制会议论文集[C];2007年
闫艳霞;李宏武;刘杰伟;冯伟;;[A];中国计量协会冶金分会2012年会暨能源计量与节能降耗经验交流会论文集[C];2012年
李强松;;[A];中国计量协会冶金分会2012年会暨能源计量与节能降耗经验交流会论文集[C];2012年
代峰献;刘文灿;;[A];2011中国有色金属行业仪表自动化学术会议论文集[C];2011年
邵珂;吴志刚;杨超;;[A];第十一届全国空气弹性学术交流会会议论文集[C];2009年
叶萍;韩如成;;[A];2005中国电机工程学会电力系统自动化专委会全国供用电管理自动化学术交流暨供用电管理自动化学科组第二届年会论文集[C];2005年
冯沛;郜长安;王钺;;[A];第九次全国焊接会议论文集（第1册）[C];1999年
中国博士学位论文全文数据库
陈云松;[D];中国海洋大学;2010年
王德广;[D];合肥工业大学;2010年
刘杨华;[D];湖南大学;2010年
王正顺;[D];华南理工大学;2010年
汤亮;[D];武汉理工大学;2010年
刘美玲;[D];中国地质大学（北京）;2011年
杨铭;[D];吉林大学;2011年
李建文;[D];华北电力大学（北京）;2011年
胡毅;[D];合肥工业大学;2011年
刘波平;[D];南京理工大学;2011年
中国硕士学位论文全文数据库
马记;[D];山东科技大学;2010年
朱正强;[D];辽宁师范大学;2010年
范不井;[D];郑州大学;2010年
赵秋山;[D];郑州大学;2010年
侯建华;[D];郑州大学;2010年
杨书显;[D];郑州大学;2010年
范学磊;[D];郑州大学;2010年
史文韬;[D];哈尔滨工程大学;2010年
李长鹏;[D];哈尔滨工程大学;2009年
王存刚;[D];哈尔滨工程大学;2010年
【二级参考文献】
中国期刊全文数据库
阮晓钢;[J];北京工业大学学报;1999年04期
王莉,葛平,孙一康;[J];北京科技大学学报;2002年05期
韩力群;[J];北京轻工业学院学报;1996年01期
杨会林,颜云辉,宗振奇,张海燕;[J];东北大学学报;2004年11期
沈锦飞,惠晶,吴雷;[J];电力电子技术;2002年06期
李敏远,姜海鹏,都延丽,张素荣;[J];电力电子技术;2003年04期
吴雷,惠晶;[J];电力电子技术;2003年04期
沈锦飞,颜文旭,惠晶,吴雷;[J];电力电子技术;2003年06期
惠晶,蔡爱军,沈锦飞,吴雷;[J];电力电子技术;2004年05期
沈锦飞,颜文旭,惠晶,吴雷;[J];电力电子技术;2005年05期
中国硕士学位论文全文数据库
王宏;[D];吉林大学;2005年
【相似文献】
中国期刊全文数据库
闫笑虹,顾德英,徐秀云;[J];基础自动化;1999年02期
,吕恬生;[J];新技术新工艺;2001年12期
,王胜军;[J];拖拉机与农用运输车;2003年02期
吴雷;付焕森;韦凯;蒋峰;;[J];电力电子技术;2007年12期
马春燕,李更新;[J];太原理工大学学报;2000年01期
陈明祥;甘志银;刘胜;;[J];功能材料与器件学报;2006年06期
潘如峰;陈辉明;汪世平;周军伟;;[J];电工技术;2004年02期
顾德英;李义杰;王学东;;[J];阜新矿业学院学报(自然科学版);1996年01期
杜晓静,傅衿量,郭军,刘国生;[J];工业加热;1999年01期
陈明祥;刘胜;刘文明;;[J];中国电子科学研究院学报;2011年01期
中国重要会议论文全文数据库
张雪彪;杨玉龙;刘玉君;;[A];2011中国造船工程学会造船工艺学术委员会造船企业精益生产学术研讨会论文集[C];2011年
赵晶;齐铂金;陈景武;;[A];第十次全国焊接会议论文集（第2册）[C];2001年
王克鸿;徐越兰;余进;;[A];第十次全国焊接会议论文集（第1册）[C];2001年
闵永安;王桢;邵光杰;符仁钰;朱雅年;;[A];全国材料理化测试与产品质量控制学术研讨会论文专辑（物理测试部分）[C];2002年
StanleyJ.KEdwardJ.R;[A];1999中国钢铁年会论文集（下）[C];1999年
王四亭;朱洪滨;朱烨;侯印春;;[A];首届中国功能材料及其应用学术会议论文集[C];1992年
汤小娇;;[A];冶金自动化信息网年会论文集[C];2004年
张继成;;[A];第十届中国核靶技术学术交流会摘要集[C];2009年
董祥林;;[A];第六届全国摩擦学学术会议论文集（上册）[C];1997年
胡铁军;王克争;张滨;;[A];第十次全国焊接会议论文集（第2册）[C];2001年
中国重要报纸全文数据库
;[N];中国有色金属报;2003年
黄启军;[N];电子报;2007年
郭廷杰;[N];中国冶金报;2006年
通讯员　武云飞;[N];济宁日报;2006年
本版编辑?冯晓伟
梁红兵;[N];中国电子报;2008年
;[N];云南科技报;2005年
廖建国;[N];世界金属导报;2007年
;[N];世界金属导报;2004年
老凯;[N];卫生与生活报;2007年
;[N];世界金属导报;2007年
中国博士学位论文全文数据库
赵前哲;[D];华北电力大学;2013年
刘文明;[D];华中科技大学;2010年
庞玲玲;[D];河北工业大学;2011年
杨晓光;[D];河北工业大学;2004年
石伟;[D];浙江大学;2003年
张春祥;[D];南京理工大学;2010年
徐鸿博;[D];哈尔滨工业大学;2009年
陈明祥;[D];华中科技大学;2006年
张恒华;[D];上海大学;2004年
黄永俊;[D];华中科技大学;2009年
中国硕士学位论文全文数据库
曹宏;[D];沈阳理工大学;2013年
杨晨光;[D];燕山大学;2010年
马玉荣;[D];东北大学;2008年
汤猛猛;[D];上海交通大学;2012年
朱翠玉;[D];沈阳航空航天大学;2013年
宋燕莎;[D];山东大学;2013年
吕申快;[D];东北大学;2012年
王文成;[D];天津大学;2012年
杨玉龙;[D];大连理工大学;2011年
张毅静;[D];河北工业大学;2012年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号一种基于NARX神经网络的多步预测模型_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
一种基于NARX神经网络的多步预测模型
上传于|0|0|暂无简介
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢张云丽 韩宪忠 王克俭
&&&&&&& （河北农业大学信息科学与技术学院，071001，河北保定）
&&&&&&& 摘要：本文在介绍了Matlab神经网络工具箱的基础上，主要对时间序列预测工具箱的使用作了说明，并用实例仿真说明如何进行时间序列预测的调用实现，通过不断的调整参数，最后使训练的模型比较理想，满足实际的需求，表明了直接使用时间序列预测的有效性，并为Matlab神经网络工具箱的使用提供了新的方法。
&&&&&&& 关键词：Matlab；神经网络；时间序列；预测
&&&&&&& 中图分类号：TP391.41&&&&& 文献识别码：A
&&&&&&& 引言
&&&&&&& 时间序列是根据时间顺序得到跟时间相关的变量或者参数的观测数据[1]。对时间序列的研究主要是挖掘其中有价值的信息，找到其中变化的内在规律[2]。时间序列预测是时间序列分析研究的主要内容，是指根据现有的和历史的时间序列的数据，建立能反映时间序列中所包含的动态依存关系的数学模型[3]，从而能对序列未来的趋势做出合理的预测。简单的说，时间序列预测就是用已有的数据预测下一个时间段的值。目前，时间序列预测已经广泛应用在自然界、经济、化学、科学工程等各个领域。
&&&&&&& 随着Matlab版本的不断更新，神经网络工具箱不断的完善，使得仿真的实现日益简单，R2010b后的版本对时间序列预测的实现不需要手动写代码，网络训练完毕，从Simple Script可看到网络代码，并可对代码进行编辑、改编，因此，只要调用就可应用在各个领域。本文结合时间序列预测的特点，将Matlab神经网络工具箱中的时间序列预测应用到温度预测的实例中，通过快速的仿真及不断的调整参数，从而形成较理想的数学模型，为后期进行温度的预测奠定了基础。
&&&&&&& 1Matlab神经网络工具箱简介
&&&&&&& 神经网络分为静态和动态两类。静态神经网络是无反馈、无记忆的，输出仅依赖于当前的输入，例如BP神经网络和RBF神经网络。动态神经网络是有记忆的神经网络，其输出依赖于当前和以前的输入。动态神经网络又分为有反馈和无反馈，有反馈指输出依赖于当前输入和前一个输入输出，无反馈指输出依赖于当前和之前的输入。因此，动态神经网络比静态神经网络功能强，本文选择动态神经网络进行时间序列预测。
&&&&&&& Matlab神经网络工具箱提供了一系列用于模型训练的工具，包括曲线拟合工具箱、模式识别工具箱、聚类工具箱和时间序列工具箱，利用这些工具箱可进行快速的调整参数，通过仿真得到直观的结果。另外，Matlab神经网络工具箱还提供人机交互界面，可根据提示一步一步的完成模型的训练，并对仿真的结果进行分析，直到满足要求为止。
&&&&&&& 选择时间序列工具箱或者直接在命令窗口中输入ntstool，可打开时间序列预测工具箱界面，根据数据选择符合哪种情况，根据人机交互界面的提示，将数据分成训练数据、验证数据、测试数据三类，选择神经元的个数进行训练预测，最后根据Plot Error Autocorrelation和Plot Input-Error Correlation判断误差是否在规定的界限内，如果满足要求则训练结束，否则通过重新训练Train Again、调整参数Adjust Network Size或者改变输入数据Import Larger Data Set来重新进行训练，直到训练误差满足要求为止。
&&&&&&& 2仿真实例
&&&&&&& 假设有一组随时间和加上风扇影响的温度的数据，存放time_series_data.xls中，训练步骤如下：
&&&&&&& （1）导入数据：输入rawData=xlsread(&time_series_data.xls&,&sheet1&,&数据的位置&);输出y_t=rawData(:,3);输入x_t=rawData(:,2);
&&&&&&& （2）调用时间序列预测工具箱：输入nnstart调用出神经网络总窗口，选择其中的Rime Series Tool或直接输入ntstool命令，打开时间序列预测工具箱界面，选择其中的NARX模型；
&&&&&&& （3）设置参数： Inputs列选择x_t，Targets列选择（y_t），Time step列选择Matrix row，将进行训练、验证和测试的数据分别设置为70%、15%和15%，Number of Hidden Neurons列设置隐含层神经元的个数，Number of delays d列设置依赖于几个时间的输入输出。需要注意的是：三种数据的比例、神经元的个数和依赖的时间都是可以改变的，因此需根据需要不断的调整这些参数。
&&&&&&& （4）仿真训练：参数设置好之后，点击Train训练，训练完成后，通过Plot Error Autocorrelation和Plot Input-Error Correlation检查误差是否满足要求，若满足要求，则训练完成；若误差不满足要求，则进行重新训练。
&&&&&&& 从上图可看出，通过不断的训练后Plot Error Autocorrelation中的误差都在95%误差界限内，满足要求，而Input-Error Correlation中仍有超出误差区间的点，还需进一步进行训练，但总体满足了要求。
&&&&&&& 3结语
&&&&&&& 通过直接调用时间序列预测工具箱，简单快速，节省了手写代码的时间，通过对参数不断的调整，最终形成理想的模型，满足实际的需要，为后期进行时间序列预测工具箱的广泛使用奠定了基础，同时也为其他工具箱的使用提供了依据。
&&&&&&& 参考文献
&&&&&&& [1]田铮.时间序列的理论与方法.北京:高等教育出版社，2001.
&&&&&&& [2]E. KEOGH.Data mining and machine learning in time series database[C]//Proc of the 5th Industrial Conference on Data Mining(ICDM), Leipzig. 2005.
&&&&&&& [3]刘大同.基于Online SVR的在线时间序列预测方法及其应用研究[D].哈尔滨工业大学..
您可能感兴趣的其他文章
&&站长推荐
&&期刊推荐
&&原创来稿文章
&&网络读者服务
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的邮件地址:
写信给编辑
您的邮件地址:孔夫子旧书网该图书“MATLAB神经网络43个案例分析”已经找不到了, 为您推荐一些相同图书。装订：平装开本：版次：24.00十品装订：平装开本：版次：139.80十品装订：平装开本：版次：25.00十品装订：平装开本：版次：30.00八五品装订：平装开本：版次：145.50十品装订：平装开本：版次：24.00八五品装订：平装开本：版次：24.00十品装订：其它开本：版次：139.17十品装订：平装开本：版次：137.90十品装订：平装开本：版次：148.00十品Copyright(C)
孔夫子旧书网
京ICP证041501号
海淀分局备案编号}