CN103561497A - 一种分布式微波加热干燥控制装置及方法 - Google Patents

Abstract

一种分布式微波加热干燥控制装置，包括用于测量物料温度的温度传感器，还包括用于测量微波反射功率的微波功率计，用于传输温度数据、微波反射功率数据、微波输出功率数值的CAN总线和基于神经网络的PID控制器和微波执行单元；所述温度传感器采集的温度信号和所述微波功率计采集的反射功率信号送入所述CAN总线，所述基于神经网络的PID控制器从所述CAN总线取得相对应的温度和反射功率作为其输入，将经过算法处理好的微波输出功率数值送入相应的所述微波输出执行单元，所述微波输出执行单元收取微波输出功率数值，输出相应功率微波。装置根据负载温度变化而实时调整输出功率，使得加热或干燥过程安全、高效、快速，达到节能目的。

Description

一种分布式微波加热干燥控制装置及方法

技术领域

本发明涉及一种分布式实时微波加热，干燥控制装置及方法。

背景技术

微波的加热或干燥应用很多，当前对于功率的控制方面有以下几种方法，第一，类似家用微波炉在加热时，可选择不同的功率档位，定时输出不变功率。第二，通过继电器等开关器件增减磁控管的个数来控制微波功率。第三，当前可实现微波输出功率连续可调，但工业生产线，还停留在手动调节微波输出功率大小。与传统方法相比，微波加热，干燥具有速度快、效率高的特点，但是如果功率控制不当会造成能量浪费，甚至引起安全事故。加热或干燥过程中，物料的温度呈现非线性实时变化，根据不同的应用要求，应保证系统不出现热失控，并且尽可能做到加热或干燥过程可靠，快速，高效，以达到节能减排目的。而大部分微波加热和干燥场合没有实现微波功率随负载温度变化而相应改变。另外，微波加热，干燥环境下，有比较强烈的电磁辐射。如何保证在微波加热、干燥环境中避免电磁辐射也是亟待解决的问题。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种实现微波功率随负载温度变化而相应改变的分布式微波加热干燥控制装置及方法。为了实现上述发明目的，本发明提供了以下技术方案：

    一种分布式微波加热干燥控制装置，包括用于测量物料温度的温度传感器，还包括用于测量微波反射功率的微波功率计，用于传输温度数据、微波反射功率数据、微波输出功率数值的CAN总线和用于分析温度数据、微波反射功率数据进而计算得到微波输出功率数值的基于神经网络的PID控制器和微波执行单元；

所述温度传感器与所述微波功率计通过所述CAN总线与所述基于神经网络的PID控制器连接，所述基于神经网络的PID控制器与所述微波执行单元连接；

所述温度传感器和所述微波功率计采集的温度信号和反射功率信号送入所述CAN总线，所述基于神经网络的PID控制器从所述CAN总线取得相对应的温度和反射功率作为其输入，将经过算法处理好的微波输出功率数值送入相应的所述微波输出执行单元，所述微波输出执行单元收取微波输出功率数值，输出相应功率微波。

 微波加热，干燥环境下，有比较强烈的电磁辐射。实时系统强调数据传输的快速性。多传感器节点，要求接线少。通过传感器，各种数据会被发送到CAN总线上，这些数据不会指定唯一的接收者，凡是需要这些数据的接收端都可以从总线上读取需要的信息，并且CAN总线是一个多路传输系统，当某一单元出现故障时不会影响其他单元的工作。而RS-485通信方式只能以主站轮询的方式进行。CAN总线构成的网络各节点之间的数据通信实时性强，可以达到每秒传输32bytes有效数据，实时性比UART和以太网高。CAN有良好的错误检测能力且容易构成冗余结构，校验信息丰富，校验码中还掺杂了随即码，提高了信息传递的可靠性，这是UART和以太网都不具备的，且多点冗余也是UART和工业以太网难于实现的。 

 微波在加热，干燥时，物料的温度呈现非线性实时变化，根据不同的应用要求，应保证系统不出现热失控，并且尽可能做到加热或干燥过程快速高效，以达到节能减排目的。这就要求，在加热或干燥过程中，微波的输出功率应该随着负载温度的变化而相应调整。根据负载在微波作用下的温升曲线，初始阶段，应该加大微波输出功率，使物料充分吸收微波，达到一个快速升温。当负载达到一定温度时，应减小微波输出功率，防止温度上升过快，引起热失控。当负载吸收微波减少时，应减少微波输出功率，避免浪费。当加热或干燥过程达到要求，则停止输出功率。

    PID控制原理简单，使用方便，适应性强。根据被控对象的不同，适当地调整PID参数，可以获得比较满意的控制效果。但是PID算法只是在系统模型参数为非时变的情况下，才能获得理想的效果。PID参数的整定值是具有一定局限性的优化值，而不是全局性的最优值，因此这种控制作用无法从根本上解决动态品质和稳态精度的矛盾。当控制对象不同时，控制器的参数难以自动调整以适应外界环境的变化，且难于对一些复杂的过程和参数慢时变系统进行有效控制。神经网络控制能够充分任意地逼近任何复杂的非线性系统，所有定量和定性分析都等势分布贮存于神经网络内的各种神经元中，能够学习和适应严重不确定性系统的动态特性，故有很强的鲁棒性和容错性。将神经网络技术与传统PID控制相结合，则可以在一定程度上解决传统PID控制器不易进行在线实时参数整定等方面的缺陷，充分发挥PID控制的优点。

优选的，所述温度传感器和微波功率计以及所述基于神经网络的PID控制器的数量为N,N>=1。

 第x个基于神经网络的PID控制器采集第x个温度传感器和第x个微波功率计的数据，其中N>=X>=1，并进一步运行算法得到相应的微波输出数值。

进一步优选的，所述N的值取1。

进一步优选的，所述N的值取N>1。

一种分布式微波加干燥控制方法，包括以下步骤：

第一步：将N路温度信号送入CAN总线；

第二步：将N路反射功率信号送入CAN总线；

第三步：将N路基于神经网络的PID控制器从CAN总线上分别取对应的温度和反射功率的值，经过算法运算，得到微波输出功率数值；

第四步：将n路微波输出执行单元取微波输出功率数值，输出相应功率微波；

在以上步骤中N>=1。

    所述第三步中的算法具体为：

    （1）选择网络类型和结构;网络分为BP神经网络、感知器、自组织映射、Hopfield网络等。首先确定网络类型，然后确定神经网络的层数，每层的节点数，节点激活函数，初始权值，学习算法，并选定学习速率和平滑因子。

    （2）通过采样得到e(k)和y(k)，计算e(k)=r(k)-y(k)。对e(k)和微波反射功率进行归一化处理，作为神经网络的输入。其中r(k),y(k),e(k)分别为第k时刻所得的输入信号（即预期温度信号），输出信号（即实测温度信号）和偏差信号（即温度变化量）。k为采样序列号，k=1,2,3...。

    （3）利用神经网络相关关系式，计算神经网络的各层神经元的输入和输出，最后得到神经网络的输出，即PID控制器的控制参数Kp，Ki，Kd。其中，Kp，Ki，Kd分别为PID控制器的比例系数，积分系数和微分系数，这三个参数存在于PID的计算关系式中。

（4）根据k时刻在线整定的Kp,Ki,Kd，以e(k)作为PID控制器的输入，根据PID的计算关系式，可得到控制器在k时刻的输出u(k)，即微波功率数值数值，其中，Kp，Ki，Kd分别为PID控制器的比例系数，积分系数和微分系数，这三个参数存在于PID的计算关系式中。

（5）根据神经网络相关关系式，计算修正输出层的加权系数和隐含层的加权系数。输出层和隐含层的加权系数存在于神经网络相关关系式中，更新此系数即可达到自学习的目的，从而实现在线整定PID的控制参数。

（6）置k=k+1，返回（2）。

综上所述，与现有技术相比，本发明的有益效果是：针对不同的加热或干燥应用，本发明旨在结合具体加热或干燥应用，了解物料在微波作用下的温升特性，利用神经网络在线整定PID的控制参数，以温度和微波反射功率作为输入，经过算法处理，得到应当输出的功率数值，送给微波输出执行单元。保证系统能适应实时负载变化进行主动功率输出。

CAN总线技术的应用使得节点之间的连线减少，保证数据有效快速传输的同时，能适应电磁辐射强的恶劣环境，保证系统工作的可靠性。本发明构建了微波加热或干燥应用的分布式实时智能自动控制系统，系统根据负载温度变化而实时调整输出功率，使得加热或干燥过程安全、高效、快速，达到节能目的。

附图说明：

图1是本发明的结构示意图；

图2是基于神经网络的PID控制器的输入输出信号流程图；

图3是基于神经网络的PID控制算法的信号流程图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

 如图1所示，本控制方案中，n(n>=1)路温度1和n(n>=1)路反射功率2通过CAN与n路基于神经网络的PID控制器3相连，n路基于神经网络的PID控制器与n路微波输出执行单元4相连。温度信号和反射功率信号送入CAN总线，基于神经网络的PID控制器从CAN总线取相对应的温度和反射功率作为其输入，将经过算法处理好的功率值送入相应微波输出执行单元。微波加热或干燥时，根据负载的温度变化而实时更新微波的输出功率，以达到加热或干燥过程的高效，快速。

    如图2所示，基于神经网络的PID算法为本控制系统的核心。神经网络的作用在于根据系统的运行状态，调节PID的控制参数，以期达到某种性能指标的最优化。温度偏差信号和微波反射功率信号进行归一化处理后作为神经网络的输入，通过神经网络的自学习、加权系数调整，输出PID的控制参数。基于神经网络的PID控制器3以温度偏差信号作输入，通过神经网络算法在线整定其控制参数，从而实时更新微波输出功率数值。

该系统为分布式控制系统，其中，n为大于等于1的整数。当n=1时，该系统控制一个部分的微波加热或干燥。当n>1时，该系统控制多个部分的微波加热或干燥。

如图3所示，基于神经网络的PID算法具体为：

    （1）选择网络类型和结构;网络分为BP神经网络、感知器、自组织映射、Hopfield网络等。首先确定网络类型，然后确定神经网络的层数，每层的节点数，节点激活函数，初始权值，学习算法，并选定学习速率和平滑因子。

    （2）通过采样得到e(k)和y(k)，计算e(k)=r(k)-y(k)。对e(k)和微波反射功率进行归一化处理，作为神经网络的输入。其中r(k),y(k),e(k)分别为第k时刻所得的输入信号（即预期温度信号），输出信号（即实测温度信号）和偏差信号（即温度变化量）。k为采样序列号，k=1,2,3...。

    （3）利用神经网络相关关系式，计算神经网络的各层神经元的输入和输出，最后得到神经网络的输出，即PID控制器的控制参数Kp，Ki，Kd。其中，Kp，Ki，Kd分别为PID控制器的比例系数，积分系数和微分系数，这三个参数存在于PID的计算关系式中。

（4）根据k时刻在线整定的Kp,Ki,Kd，以e(k)作为PID控制器的输入，根据PID的计算关系式，可得到控制器在k时刻的输出u(k)，即微波功率数值。

（5）根据神经网络相关关系式，计算修正输出层的加权系数和隐含层的加权系数。输出层和隐含层的加权系数存在于神经网络相关关系式中，更新此系数即可达到自学习的目的，从而实现在线整定PID的控制参数。

（6）置k=k+1，返回（2）。

Claims (6)

1.一种分布式微波加热干燥控制装置，其特征在于，包括用于测量物料温度的温度传感器，还包括用于测量微波反射功率的微波功率计，用于传输温度数据、微波反射功率数据、微波输出功率数值的CAN总线和用于分析温度数据、微波反射功率数据进而计算得到微波输出功率数值的基于神经网络的PID控制器和微波执行单元；

所述温度传感器与所述微波功率计通过所述CAN总线与所述基于神经网络的PID控制器连接，所述基于神经网络的PID控制器与所述微波执行单元连接；

所述温度传感器采集的温度信号和所述微波功率计采集的反射功率信号送入所述CAN总线，所述基于神经网络的PID控制器从所述CAN总线取得相对应的温度和反射功率作为其输入，将经过算法处理好的微波输出功率数值送入相应的所述微波输出执行单元，所述微波输出执行单元收取微波输出功率数值，输出相应功率微波。

2.如权利要求1所述的   分布式微波加热干燥控制装置，其特征在于，所述温度传感器和微波功率计以及所述基于神经网络的PID控制器的数量为N,N>=1。

3.如权利要求2所述的分布式微波加热干燥控制装置，其特征在于，所述N的值取1。

4.如权利要求2所述的分布式微波加热干燥控制装置，其特征在于，所述N的值取N>1。

5.一种分布式微波加干燥控制方法，其特征在于，包括以下步骤：

第一步：将N路温度信号送入CAN总线；

第二步：将N路反射功率信号送入CAN总线；

第三步：将N路基于神经网络的PID控制器从CAN总线上分别取对应的温度和反射功率的值，经过算法运算，得到微波输出功率数值；

第四步：将N路微波输出执行单元取微波输出功率数值，输出相应功率微波；

在以上步骤中N>=1。

6.如权利要求5所述的分布式微波加热干燥控制方法，其特征在于，所述第三步中的算法为基于神经网络的PID算法,具体为：

    第一步：选择网络类型和结构；

第二步：通过采样得到e(k)和y(k)，计算e(k)=r(k)-y(k)；对e(k)和微波反射功率进行归一化处理，处理结果作为神经网络的输入；其中r(k),y(k),e(k)分别为第k时刻所得的预期温度信号，实测温度信号和温度变化量；k为采样序列号，k=1,2,3...；

第三步：利用神经网络关系式，计算神经网络的各层神经元的输入和输出，得到神经网络的输出，即PID控制器的控制参数Kp,Ki,Kd；其中，Kp，Ki，Kd分别为PID控制器的比例系数，积分系数和微分系数；

第四步：根据k时刻在线整定的Kp,Ki,Kd，以温度变化量作为PID控制器的输入，根据PID的计算关系式，得到控制器在k时刻的微波输出功率数值；

第五步：根据神经网络关系式，计算修正输出层的加权系数和隐含层的加权系数，输出层和隐含层的加权系数存在于神经网络关系式中，更新所述加权系数完成自学；

 第六步：置k=k+1，返回第二步。

Images