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-TimeWorkshop(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。

目录

声明

摘要

第一章 绪论

1．1 课题背景和意义

1．2 温度建模研究的应用与发展

1．2．1 机理分析建模

1．2．2 神经网络建模

1．2．3 模糊神经网络建模

1．2．4 机理分析与神经网络结合建模

1．3 本文的主要研究工作

第二章 无温度传感器的感应加热温度控制方案

2．1 技术路线

2．2 实施方案

2．2．1 实验装置

2．2．2 中频电源的控制原理

2．2．3 感应加热温度的影响因素

2．2．4 神经网络的输入输出参数确定

2．2．5 神经网络类型的选择

2．2．6 训练样本的采集

2．2．7 神经网络的训练和仿真策略

2．2．8 无温度传感器控制策略

2．2．9 小结

第三章 NARX神经网络的训练和仿真实验

3．1 神经网络模型训练和仿真的方法

3．1．1 训练步骤

3．1．2 仿真方法

3．1．3 数据处理

3．2 神经网络模型的训练和仿真

3．2．1 阶梯信号神经网络的训练和仿真

3．2．2 正弦信号神经网络的训练和仿真

3．3 小结

第四章 基于神经网络模型的PID实时温度控制

4．1 建立RTW实时控制系统

4．1．1 建立神经网络的Simulink模块

4．1．2 PID控制器的设计

4．1．3 建立RTW实时控制系统

4．2 温度控制实验

4．3 小结

第五章 总结

附录

参考文献

致谢

攻读工程硕士期间完成的论文

学位论文评阅及答辩情况表