CN103197538A - 一种基于过程神经网络的孵房温度控制方法 - Google Patents

Abstract

本发明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。

Description

一种基于过程神经网络的孵房温度控制方法

技术领域

本发明属于孵化控制领域，涉及一种基于过程神经网络的孵房温度控制方法。

背景技术

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。

发明内容

本发明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。

发明的技术解决方案如下：

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：

1.一种基于过程神经网络的孵房温度控制方法，包括以下步骤：

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：x_k,x_k-1,x_k-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 $y_{k+1}=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{v}_{i}f({\∫}_0^T{\mathrm{\ω}}_i\left(t\right)x\left(t\right)\mathrm{dt}-{\mathrm{\θ}}_i)-\mathrm{\θ},$

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 ${\hat{x}}_{k+1}=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{v}_{i}f(\underset{n=1}{\overset{50}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{in}}{a}_{\mathrm{in}}-{\mathrm{\θ}}_i)-\mathrm{\θ};$

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，w_i(t)为相应的连接权函数，

v_i为隐含层节点到输出节点的连接权值，初始值为0.01，θ_i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，a_ni,w_in∈R为展开式系数,根据现场计算的ω_i(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w_i(t)，连接权值v_i，阈值θ_i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，x_k+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。

有益效果：

本发明采用过程神经网络，能够在孵化过程中很好的实时预测当前时刻下一秒的孵房温度值，并采用PID控制，调节给定温度值与预测值的偏差，从而控制温度调节器调节孵房内的温度，使得孵房内温度紧紧跟踪给定温度值，上下波动小，极大的提高了出雏率和雏禽品质。

附图说明

图1为本发明中具有3层结构的过程神经网络预测模型，

图2为基于过程神经网络的孵房温度控制方法过程框图，

图3为本发明中给定温度值、过程神经网络预测模型预测温度值、孵房实际温度值曲线对比图。

具体实施方式

以下将结合附图和具体实施例对发明做进一步详细说明：

实施例1：

如图2所示，为本发明基于过程神经网络的孵房温度控制方法过程框图，根据该过程框图，实施步骤如下：

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：x_k,x_k-1,x_k-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；

在整个孵化过程中任取50秒时间段来进行分析，每隔1秒采集孵房温度一次，采集到该50秒时间中孵房温度值50组如下：

将该50秒采集的温度值进行二次多项式拟合，得到时变函数x(t)=0.006t²-0.0175t+38.218。

（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 $y_{k+1}=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{v}_{i}f({\∫}_0^T{\mathrm{\ω}}_i\left(t\right)x\left(t\right)\mathrm{dt}-{\mathrm{\θ}}_i)-\mathrm{\θ},$

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 ${\hat{x}}_{k+1}=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{v}_{i}f(\underset{n=1}{\overset{50}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{in}}{a}_{\mathrm{in}}-{\mathrm{\θ}}_i)-\mathrm{\θ};$

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，w_i(t)为相应的连接权函数，

v_i为隐含层节点到输出节点的连接权值，初始值为0.01，θ_i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，a_ni,w_in∈R为展开式系数,根据现场计算的ω_i(t)和x(t)确定；

本例中，将前面经过二次多项式拟合得到的时变函数x(t)=0.006t²-0.0175t+38.218作为本发明中具有3层结构的过程神经网络预测模型的输入，得到第51秒时的孵房温度值

摄氏度。

（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w_i(t)，连接权值v_i，阈值θ_i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，x_k+1为依次采集的第k+1组实际孵房温度值；

本例中经过2分钟35秒的数据采集和学习训练，误差函数

为0.3，小于0.5，停止对连接权函数w_i(t)，连接权值v_i，阈值θ_i和θ的学习训练，由具有3层结构的过程神经网络预测模型预测出来的孵房温度值为38.14摄氏度。

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组孵房实际温度值，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。

本例中给定温度值为38.2摄氏度。图3为本发明中给定温度值、过程神经网络预测模型预测温度值、孵房实际温度值曲线对比图。从图中可以看出，孵房实际温度一直保持在给定温度值上下0.3摄氏度范围，上下波动很小。

其中对于确定的偏差，采用PID控制调节，作为温度调节器的输入，进而调节孵房温度的方法，属于现有技术，本实施例中不再陈述。

本发明基于过程神经网络的孵化温度控制方法，其每一个实施步骤都是实时依次实施的，并不以某个特定时间段来确定结果，其最终的结果是保证整个孵化过程中每一时刻的温度值都紧紧跟踪给定温度值。

本发明中的温度调节器可以为电暖风、电暖器。在孵房内温度为38.2摄氏度左右时，孵化效果最好。因此，本发明适用于平常室温低于或等于38.2摄氏度的季节，而对于夏季中某些高温日子，平常室温高于38.2摄氏度时，则不需要采用本发明方法进行温度调节，直接打开窗户和风扇，散热即可。

本发明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给定值，保持在给定温度值上下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。

Claims (1)

1.一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：x_k,x_k-1,x_k-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 $y_{k+1}=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{v}_{i}f({\∫}_0^T{\mathrm{\ω}}_i\left(t\right)x\left(t\right)\mathrm{dt}-{\mathrm{\θ}}_i)-\mathrm{\θ},$

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 ${\hat{x}}_{k+1}=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{v}_{i}f(\underset{n=1}{\overset{50}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{in}}{a}_{\mathrm{in}}-{\mathrm{\θ}}_i)-\mathrm{\θ};$

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，w_i(t)为相应的连接权函数，v_i为隐含层节点到输出节点的连接权值，初始值为0.01，θ_i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，a_ni,w_in∈R为展开式系数,根据现场计算的ω_i(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w_i(t)，连接权值v_i，阈值θ_i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，x_k+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。

Images