摘  要： 針對微波加熱物料難以建立準確模型的問題，采用粒子群算法優(yōu)化BP神經網絡后,，對微波加熱物料的溫度變化構建系統(tǒng)模型,。在該模型上，對溫度的變化趨勢進行預測,。實驗結果表明,，經過粒子群算法優(yōu)化后的BP網絡，具有更高的精度,，預測能力顯著提高,。

　　關鍵詞： BP神經網絡；粒子群優(yōu)化算法,； 微波加熱,；溫度預測

0 引言

　　微波作為一種新型能源在工業(yè)上開始得到廣泛應用。微波加熱的原理與常規(guī)加熱不同,，常規(guī)加熱是利用熱傳導的原理加熱,。而微波加熱是利用外加電場，改變介質分子間的運動情況并使分子間相互摩擦產生熱量,，因此,，加熱效果是由里及表。與傳統(tǒng)加熱相比,，微波加熱具有提取時間短,、溫度低、耗能低,、品質高等優(yōu)良特性[1],。由于微波加熱速度快，普通的反饋控制方法有嚴重的時間滯后問題,，媒質內部出現熱點,，出現熱失控,，可能燒毀工業(yè)物料，甚至引發(fā)爆炸,，因此存在較大的安全隱患[2],。

　　解決智能實時控制微波加熱的一個關鍵問題就是溫度控制。輸出功率要伴隨負載溫度的變化而改變輸出值,，因此需要實時監(jiān)測負載的溫度值,。由于大功率微波加熱存在嚴重的時間滯后問題，因此,，溫度預測就成了解決問題的關鍵所在,。常見的溫度預測方法有：人工神經網絡、時間序列,、支持向量機等[3],。本文采用粒子群算法優(yōu)化BP神經網絡的方法進行了加熱物料溫度變化趨勢的預測，實驗仿真結果證實了該方法的有效性,。

1 PSO-BP神經網絡在微波加熱中的具體應用

　　1.1 粒子群算法優(yōu)化BP神經網絡

　　BP神經網絡是一種3層或者3層以上的神經網絡,，包括輸入層、輸出層和隱含層,。它的訓練算法包括正向和反向傳遞兩個過程,。輸入信息通過隱含層傳遞給輸出層，將輸出信號和預測信號做比較,，若有誤差,，則采用誤差反向傳播方法，將誤差信息沿原網絡返回,，從輸出層經過中間各層逐層向前修正網絡的連接權值[4],。隨著不斷學習，誤差將越來越小,，最終使誤差到達指定的精度,。但是BP網絡主要由經驗和反復試驗確定參數，算法訓練時間較長,，效率不高,，造成網絡性能低下。

　　粒子群算法（PSO）將每個個體抽象成優(yōu)化問題的可能解,，再根據需要優(yōu)化的目標函數確定一個具體值,，再用一個速度來決定它們的方向和距離，粒子通過自己和其他粒子的飛行經驗來動態(tài)調整,，并追尋當前最優(yōu)粒子,，不斷迭代以找到最優(yōu)解[5]。其算法公式為：

　　vid=vid+c1·rand（）·（pid-xid）+c2·rand（）·（pgd-xid）（1）

　　本文研究的對象是微波加熱物料的溫度,，因此輸出量是要預測的未來時刻物料的溫度,，溫度預測模型設計為3層BP神經網絡,。輸入層擬定為加熱時間和介質的反射功率,，輸出層為預測的溫度[6],。隱含層個數的確定至今為止沒有明確的結論，只能根據特定的問題,，結合經驗公式[7]給出估計值,。這里采用的經驗公式為：

　　其中，m和n分別表示輸入層和隱含層的神經元個數,，a是[0,，10]之間的常數。因此,，本文擬定隱含層神經元個數為3~15,，根據試錯法，當MSE的結果達到最小時,，確定隱含層神經元的個數[8],。

　　輸入層和隱含層的傳遞函數分別選定為tansig和purelin，訓練函數采用trainlm,。根據每秒采集到的數據,，整理并訓練樣本。

　　BP神經網絡設置參數為：

　　最大訓練次數：net.trainParam.epochs=100,；

　　訓練目標：net.trainParam.goal=0.000 4,；

　　學習率：net.trainParam.lr=0.1。

　　粒子群算法設置參數為：

　　加速常數：c1=c2=1.49

　　進化次數：maxgen=100

　　種群規(guī)模：sizepop=30

　　粒子位置和速度取值區(qū)間分別為[-5,，5]和[-1,，1]。

　　設置取優(yōu)化后的權值,、閾值訓練網絡[9],。

　　1.2 實驗設備及過程

　　在本文中，以工業(yè)加熱煤作為實驗,。其中磁控管微波功率源為控制對象,，被控物理量為溫度參數。該實驗裝置主要由以下幾部分組成：磁控管微波功率輸入控制系統(tǒng),、傳送帶,、傳感測溫器、溫度檢測裝置等,，裝置如圖1所示,。在工業(yè)煤加熱過程中，對煤從初始溫度加熱到擬定的上限溫度150℃,。在系統(tǒng)加熱過程中,，每間隔30 s對煤炭進行溫度采集并記錄,，同時記錄該時刻的輸入功率和反射功率值。

2 實驗結果及分析

　　2.1 BP模型預測

　　在BP模型預測中,，預測值與實際值對比如圖2所示,，誤差分析如圖3所示。

　　2.2 PSO-BP模型預測

　　在PSO-BP模型預測中,，預測值與實際值如圖4所示,，誤差分析如圖5所示。

　　2.3 結果分析

　?。?）BP和PSO-BP兩個模型的預測值都比較趨近實際值,，但部分點誤差較大，原因如下：①在工業(yè)中,，受外界干擾的情況較多,；②采集時間間隔比較長，因此溫度的漲幅相對較大,；③由于加熱對象煤是固體,，因此存在熱失控的點，但這些采集的特殊點的溫度不能代表煤整體的溫度,，所以導致有些點誤差較大,。此時，預測值比測量值更能反映煤整體的真實溫度,。

　?。?）從預測的精度分析，PSO-BP預測的精度比純BP要高,。

　　綜上,，PSO-BP神經網絡的模擬結果比BP神經網絡更接近測量數據，精度更高,，訓練所需時間更少,。

3 結論

　　本文針對微波加熱物料系統(tǒng)具有時變性、滯后性和非線性的特性,，建立神經網絡預測模型,。實驗仿真結果表明，使用粒子群算法優(yōu)化BP神經網絡進行溫度預測,，能夠達到最優(yōu)的擬合效果,，并提高了預測的速度和精度。這將為下一步的生產實踐提供理論指導,，為工業(yè)生產提供新的技術支持,。

　　參考文獻

　　[1] 張?zhí)扃瞢I奎，張兆鏜.微波加熱原理,、特性和技術優(yōu)勢[J].筑路機械與施工機械化,，2008，25（7）：10-14.

　　[2] 劉長軍,，申東雨.微波加熱陶瓷中熱失控現象的分析與控制[J].中國科學,，2008，38（7）：1097-1105.

　　[3] 汪建宇,，羅祥遠.微波加熱自動控制系統(tǒng)[J].微計算機信息,，2003，19（10）：16-17.

　　[4] 王龍剛.基于PSO-BP的智能溫度控制器[D].西安：西安科技大學,，2012.

　　[5] 黃文秀.粒子群優(yōu)化算法的發(fā)展研究[J].軟件，2014（4）：73-77.

　　[6] 王龍剛,，侯媛彬.BP-PSO在電加熱爐中的溫度智能預測[J].自動化儀表,，2013，34（1）：54-56.

　　[7] 李松,，劉力軍,，翟曼.改進粒子群算法優(yōu)化BP神經網絡的短時交通流預測[J].系統(tǒng)工程理論與實踐，2012,，32（9）：2045-2049.

　　[8] 張俊,，沈軼.神經網絡指數穩(wěn)定性分析的一種方法[J].華中科技大學學報（自然科學版），2003,，31（1）：7-9.

　　[9] 胡冰蕾.基于遺傳優(yōu)化的BP神經網絡算法的短期負荷預測[J].供用電,，2010，27（6）：42-44.