基于PSO-BP神经网络的微波加热温度预测研究*

陈 诚，周新志，雷印杰（四川大学　电子信息学院，四川　成都 610065）

基于PSO-BP神经网络的微波加热温度预测研究*

陈 诚，周新志，雷印杰
（四川大学电子信息学院，四川成都 610065）

针对微波加热物料难以建立准确模型的问题，采用粒子群算法优化BP神经网络后，对微波加热物料的温度变化构建系统模型。在该模型上，对温度的变化趋势进行预测。实验结果表明，经过粒子群算法优化后的BP网络，具有更高的精度，预测能力显著提高。

BP神经网络；粒子群优化算法；微波加热；温度预测

0　引言

微波作为一种新型能源在工业上开始得到广泛应用。微波加热的原理与常规加热不同，常规加热是利用热传导的原理加热。而微波加热是利用外加电场，改变介质分子间的运动情况并使分子间相互摩擦产生热量，因此，加热效果是由里及表。与传统加热相比，微波加热具有提取时间短、温度低、耗能低、品质高等优良特性［1］。由于微波加热速度快，普通的反馈控制方法有严重的时间滞后问题，媒质内部出现热点，出现热失控，可能烧毁工业物料，甚至引发爆炸，因此存在较大的安全隐患［2］。

解决智能实时控制微波加热的一个关键问题就是温度控制。输出功率要伴随负载温度的变化而改变输出值，因此需要实时监测负载的温度值。由于大功率微波加热存在严重的时间滞后问题，因此，温度预测就成了解决问题的关键所在。常见的温度预测方法有：人工神经网络、时间序列、支持向量机等［3］。本文采用粒子群算法优化BP神经网络的方法进行了加热物料温度变化趋势的预测，实验仿真结果证实了该方法的有效性。

1　PSO-BP神经网络在微波加热中的具体应用

1.1粒子群算法优化BP神经网络

BP神经网络是一种3层或者3层以上的神经网络，包括输入层、输出层和隐含层。它的训练算法包括正向和反向传递两个过程。输入信息通过隐含层传递给输出层，将输出信号和预测信号做比较，若有误差，则采用误差反向传播方法，将误差信息沿原网络返回，从输出层经过中间各层逐层向前修正网络的连接权值［4］。随着不断学习，误差将越来越小，最终使误差到达指定的精度。但是BP网络主要由经验和反复试验确定参数，算法训练时间较长，效率不高，造成网络性能低下。

粒子群算法（PSO）将每个个体抽象成优化问题的可能解，再根据需要优化的目标函数确定一个具体值，再用一个速度来决定它们的方向和距离，粒子通过自己和其他粒子的飞行经验来动态调整，并追寻当前最优粒子，不断迭代以找到最优解［5］。其算法公式为：

f=√m+n+a（2）其中，m和n分别表示输入层和隐含层的神经元个数，a是［0，10］之间的常数。因此，本文拟定隐含层神经元个数为3～15，根据试错法，当MSE的结果达到最小时，确定隐含层神经元的个数［8］。

输入层和隐含层的传递函数分别选定为 tansig和purelin，训练函数采用trainlm。根据每秒采集到的数据，整理并训练样本。

BP神经网络设置参数为：

最大训练次数：net.trainParam.epochs=100；

训练目标：net.trainParam.goal=0.000 4；

学习率：net.trainParam.lr=0.1。

粒子群算法设置参数为：

加速常数：c1=c2=1.49

进化次数：maxgen=100

种群规模：sizepop=30

粒子位置和速度取值区间分别为［-5，5］和［-1，1］。

设置取优化后的权值、阈值训练网络［9］。

1.2实验设备及过程

在本文中，以工业加热煤作为实验。其中磁控管微波功率源为控制对象，被控物理量为温度参数。该实验装置主要由以下几部分组成：磁控管微波功率输入控制系统、传送带、传感测温器、温度检测装置等，装置如图1所示。在工业煤加热过程中，对煤从初始温度加热到拟定的上限温度150℃。在系统加热过程中，每间隔30 s对煤炭进行温度采集并记录，同时记录该时刻的输入功率和反射功率值。

本文研究的对象是微波加热物料的温度，因此输出量是要预测的未来时刻物料的温度，温度预测模型设计为3层BP神经网络。输入层拟定为加热时间和介质的反射功率，输出层为预测的温度［6］。隐含层个数的确定至今为止没有明确的结论，只能根据特定的问题，结合经验公式［7］给出估计值。这里采用的经验公式为：

图1　磁控管微波源功率控制实验平台

2　实验结果及分析

2.1BP模型预测

在BP模型预测中，预测值与实际值对比如图2所示，误差分析如图3所示。

2.2PSO-BP模型预测

在PSO-BP模型预测中，预测值与实际值如图4所示，误差分析如图5所示。

图2　BP模型预测值与实际值对比

图3　BP模型误差图

图4　PSO-BP模型预测值与实际值对比

图5　PSO-BP模型误差结果图

2.3结果分析

（1）BP和PSO-BP两个模型的预测值都比较趋近实际值，但部分点误差较大，原因如下：①在工业中，受外界干扰的情况较多；②采集时间间隔比较长，因此温度的涨幅相对较大；③由于加热对象煤是固体，因此存在热失控的点，但这些采集的特殊点的温度不能代表煤整体的温度，所以导致有些点误差较大。此时，预测值比测量值更能反映煤整体的真实温度。

（2）从预测的精度分析，PSO-BP预测的精度比纯BP要高。

综上，PSO-BP神经网络的模拟结果比BP神经网络更接近测量数据，精度更高，训练所需时间更少。

3　结论

本文针对微波加热物料系统具有时变性、滞后性和

非线性的特性，建立神经网络预测模型。实验仿真结果表明，使用粒子群算法优化BP神经网络进行温度预测，能够达到最优的拟合效果，并提高了预测的速度和精度。这将为下一步的生产实践提供理论指导，为工业生产提供新的技术支持。

［1］张天琦，崔献奎，张兆镗.微波加热原理、特性和技术优势［J］.筑路机械与施工机械化，2008，25（7）：10-14.

［2］刘长军，申东雨.微波加热陶瓷中热失控现象的分析与控制［J］.中国科学，2008，38（7）：1097-1105.

［3］汪建宇，罗祥远.微波加热自动控制系统［J］.微计算机信息，2003，19（10）：16-17.

［4］王龙刚.基于PSO-BP的智能温度控制器［D］.西安：西安科技大学，2012.

［5］黄文秀.粒子群优化算法的发展研究［J］.软件，2014（4）：73-77.

［6］王龙刚，侯媛彬.BP-PSO在电加热炉中的温度智能预测［J］.自动化仪表，2013，34（1）：54-56.

［7］李松，刘力军，翟曼.改进粒子群算法优化 BP神经网络的短时交通流预测 ［J］.系统工程理论与实践，2012，32 （9）：2045-2049.

［8］张俊，沈轶.神经网络指数稳定性分析的一种方法［J］.华中科技大学学报（自然科学版），2003，31（1）：7-9.

［9］胡冰蕾.基于遗传优化的BP神经网络算法的短期负荷预测［J］.供用电，2010，27（6）：42-44.

Research on microwave heating based on BP neural network optimized by the particle swarm optimization algorithm

Chen Cheng，Zhou Xinzhi，Lei Yinjie
（College of Electronics and Information Engineering，Sichuan University，Chengdu 610065，China）

For the microwave heating of materials is difficult to establish an accurate model，using particle swarm optimization algorithm to optimize BP neural network，aiming at temperature changes of microwave heating of materials，building the system model.On this model，the temperature trends are predicted.Experiment results show that，the BP network through particle swarm optimization algorithm optimized，with high accuracy and faster convergence，significantly improve the predictive ability.

BP neural network；particle swarm optimization algorithm；microwave heating；prediction of temperature

TP183

A

1674-7720（2015）05-0068-02

国家重点基础研究发展计划（973计划）（2013CB328903）

（2014-11-06）

陈诚（1986-），男，硕士研究生，主要研究方向：智能控制。

周新志（1966-），男，教授，硕士生导师，主要研究方向：人工智能、智能控制技术及应用。

雷印杰（1983-），男，博士，主要研究方向：模式识别、智能控制。