罗云芳
（广西职业技术学院，广西南宁530226）
摘要：实验室中的电子设备和化学试剂等对温度条件的要求较高，需要进行智能温度控制。传统的实验室温度控制方法采用BP神经网络控制方法，系统连接权值表现为一种静态属性相关权重，难以适应实验室温度自适应控制的需求。提出一种基于变结构BP神经网络自适应校正的实验室智能温度控制算法。进行实验室温度数据的挖掘和预处理，构建变结构BP神经网络自校正控制模型，采用自适应校正方法对温差进行调整，采用比例元进行温度过高情况下的微调，采用积分元进行温度过低下的微调，实现控制算法改进。基于TMS320VC5509A DSP芯片进行智能温控系统的核心电路设计。仿真结果表明，采用该系统能有效实现实验室温度智能控制，性能较好，可靠性高。
教育期刊网 http://www.jyqkw.com
关键词 ：实验室；温度控制；BP神经网络；系统设计
中图分类号：TN911?34；TP373 文献标识码：A 文章编号：1004?373X（2015）20?0084?04
收稿日期：2015?04?25
基金项目：基于嵌入式的蔗糖结晶过程自动控制系统研究（桂教科研[2014]8号（YB2014488））；基于物联网技术的高校消防管理系统的设计与应用研究（桂教科研[2015]2 号（KY2015LX614））
Research on laboratory’s intelligent temperature control system based onBP network correction algorithm
LUO Yunfang
（Guangxi Vocational and Technical College，Naning 530226，China）
Abstract：The electronic equipment and chemical reagents in laboratory need intelligent temperature control due to theirhigh requirements for temperature conditions. The traditional temperature control method with BP neural network control can notmeet the requirements of laboratory temperature self?adaptive control since the system connection weight is a kind of relativeweight of static attribute. An intelligent temperature control algorithm based on structure?transform BP neural network self?adap?tive correction is proposed for laboratories. On the basis of the data mining and preprocessing，the improvement of the control al?gorithm is realized by the methods that the BP neural network self?adaptive control model is constructed，the adaptive correctionmethod is adopted to adjust the temperature difference，the proportion element is used to conduct fine adjustment of excess tem?perature，and the integral element is employed to execute fine adjustment of too low temperature. the core circuit of intelligenttemperature control system based on DSP TMS320VC5509A chip was designed. The simulation results show that the system caneffectively achieve the laboratory temperature intelligent control.
Keywords：laboratory；temperature control；BP neural network；system design
0 引言
大型的实验室采用封闭设计，空气循环和温度调节需要通过实验室的温度传感器和空调进行智能控制，对实验室温度的精确控制，对保证实验结果准确性具有重要意义。通过对大型实验室温度传感数据状态模式的准确挖掘，以此为样本数据，实现对实验室温度的精确控制，提高实验分析的精度和性能。由于实验室中的电子设备和化学试剂等对温度条件的要求较高，需要进行智能温度控制，研究实验室的温度自适应智能控制系统设计和控制算法改进具有重要的意义，相关的研究受到了广大学者和专家的重视[1]。
在进行实验室智能温控过程中，实验室温度传感数据状态采集系统进行温度信息的感知，实现温度数据的挖掘和采集，实验室温度数据采集方法主要有热催化式测定法、半导体气敏传感器测量法、光纤吸收法、光声光谱法等，热催化式的测定方法中探测元件的寿命较短，无法在温控要求较高的实验室中进行精确测试，关于实验室温控智能控制系统的设计中，传统光干涉的温度控制设计方法较为复杂，无法进行大规模的普及。更多是采用光电检测技术进行信号处理后对温度进行检测[2 ? 4]。温度控制理论上，传统的温度控制主要从控制论出发，通过传感器数据状态模式的挖掘实现对实验室温度的精确控制，常见的如PID控制方法[5?8]。传统方法中对实验室温度传感器的数据状态模式挖掘采用半导体气敏传感器测量法进行数据采集，并采用神经网络控制法实现数据状态模式挖掘和温度控制，方法受限于温度数据的均衡控制无法准确把握，控制效果不好[9]。而采用BP神经网络控制方法，神经网络控制的连接权值表现为一种静态属性相关权重，难以适应实验室温度自适应控制的需求。
针对上述问题，本文提出一种基于变结构BP神经网络自适应校正的实验室智能温控方法，并进行系统设计。首先进行实验室温度控制算法设计，然后采用DSP芯片进行实验室温控系统的硬件设计与实现，最后进行仿真实验实现性能测试和验证，得出有效性结论。
1 实验室温度数据的挖掘和预处理
为了实验室温度智能控制，需要进行数据分析，本文进行实验室温度数据采集方法采用半导体气敏传感器测量法，实验室温度数据的采集流程如图1所示。 
结合图1所示的算法流程图，进行温度传感数据的状态模式挖掘，采用PID控制器进行实验室的温度调节和自适应控制，根据实验室温度的非线性控制特性，采用粗糙低分辨率的模糊训练集，得到实验室的温度控制模糊决策函数的输入为： 
式中：Emax 表示传感器节点采集的温度数据的模糊论域最大值；a 为常数。此时智能温控传感器系统向CTCS发送温度控制指令，得到实验室的温度传感信息包络指向性特征表示为：
随着实验室温度变化，实验室温度传感数据的自相关控制状态方程为：
式（3）表明，可以用自动模糊匹配方法实现对实验室温度数据的冲激响应特征分析，采用
来描述列实验室温度控制中心的脉冲响应频率，得到温度控制量偏差为：
温度传感器记录到的输入温度变化幅度s(t) 为一个带宽为W 的冲激响应函数，根据抽样定理，其等效低通滤波输出可以表示为：
式中：B = W 2
为实验室温度控制的带宽，温度采样间隔
。输出等效低通温度调整配置权重为：
式中，温度控制的权系数α 应随控制状态和环境因素自适应变化，得到稳态误差输出为：
通过解调和A/D转换，输出实验室温度数据的挖掘结果，以此为数据基础，进行信息融合和分析，为后续控制系统提供信息输入。
2 实验室温度智能控制算法改进设计
在上述进行数据挖掘和特征提取的基础上，得到了温度数据传感信息，以此作为数据源，进行温度控制。传统的实验室温度控制方法采用BP 神经网络控制方法，难以适应实验室温度自适应控制的需求。本文提出一种基于变结构BP神经网络自适应校正的实验室智能温度控制算法。BP神经网络自适应校正控制算法的设计描述如下。
首先构建变结构BP神经网络自校正控制模型，如图2所示。
图2 变结构BP神经网络自校正控制模型图2 中，变结构BP 神经网络自校正系统的输入向量为第1节所述中提取的温度传感器采集的温度数据原始数据r1,r2 ,?,rn ，作为变结构BP神经网络的温度变化幅度输入，在神经网络系统中，输入层为2n 个神经元结构，温度控制偏差变化率ec ，偏差积分ed ，此时BP神经元输入为：
变结构BP神经网络采用双闭环控制，通过振幅调制使测量的实验室温度控制信号为一个低频信号，当温度控制偏差较小时进行系统细调，得到神经元的状态为：
实验室温度控制的BP神经网络第三层神经元的输出为：
式中：1和-1分别表示温度控制系统中出现温度过高和过低的情形，在限定条件下实验室温度数据的温度控制结构需要进行自适应校正，实现温差补偿，得到被控量序号（ s = 1，2，…，n）；BP神经元中i 为子网输入层序号（ i = 1,2）。通过上述分析，采用自适应校正方法对温度的温差进行调整，得到实验室温度控制的模糊匹配系数表达式为：
在BP神经网络系统中，采用比例元进行温度过高情况下的微调，其中比例元的状态为：
采用积分元进行温度过低下的粗调，得到BP神经网络的积分元状态为：
测试温度进行粗调后的预测值，得到BP神经网络的微分元状态为：
通过上述处理，实现BP神经网络下的实验室温度自适应校正，得到校正后的温度控制系统的隐含层各神经元的输出为：
式中：s 为温度扫描周期；j 为子网中隐含层神经元序号（ j = 1,2,3）；wsij 为温度控制BP神经网络输入层至隐含层的连接权重值。通过上述处理，使得实验室的温度变化率、积分时间和微分时间通过线性组合的方式进行自适应组合，提高温度控制精度。
3 智能温控系统硬件设计与实现
在上述算法设计的基础上，进行实验室温度智能控制系统的硬件设计，本文采用DSP芯片进行温度控制和核心电路设计，数字信号处理器选用了TI 公司的TMS320VC5509A，整个系统的硬件设计如图3所示。 
系统设计主要包括时钟发生器、部存储器、电源电路、外围电路、模拟信号到数字信号的转换器等，时钟发生器将接收到的温度传感信息数据输入时钟变换电路中，通过CPU 及其外设所需要的工作时钟进行温度控制系统的A/D 转换和数据调节。另外温度控制系统需要进行外部存储器扩展，系统中选用了SRA，FLASH和SDRAM三种不同类型的存储器，进行温度数据的存储和调度。温度控制系统外部存储器电路结构如图4所示。
硬件系统设计的另一个重要子系统为温度传感数据的波形发生器，波形发生器是依据直接数字频率合成（DDS）原理来设计的。频率精密可控，其范围为2～200 Hz，可输出两路波形，一路正弦波，一路方波。两路输出分别有同步信号输出，以供调试使用。且方波占空比可控，范围为5%~70%。幅度固定为（4±0.1）V，控制由键盘输入，并带有LCD 显示系统当前状态。该子程序的基本功能是：当接收到FPGA 给出的启动信号时，定时器3（T3）开始工作；当定时器内部计数器值达到预设的周期值时，启动ADC 转换，同时进入A/D 中断，在A/D中断子程序中完成对数据的读取，并保存到预先设定的数组里面，然后等待下一时刻中断，如此循环；当数组数据储存满时，关闭定时器，进入温度传感数据处理子程序来处理先前保存的那一组数据。并通过接入电阻使输出电压为0～10 V。VAA为+5 V电压输入，VDD，VEE为±15 V 电压供电，由此实现了实验室温度的智能控制。实验室智能温控系统的逻辑控制电路如图5所示。
4 系统仿真实验与结果分析
为了测试本文设计的改进的实验室智能温控系统的性能，进行仿真实验，中心频率32 阶可控，可达140 kHz；根据设计的温度传感器数据采集系统，进行实验室的温度数据采集，行实验室温度原始数据采集中，采用双通道温度信息采集传感装置，基于4位控制信号来实验室温度信息的偏差和衰减量。得到温度数据采样结果见表1。根据上述温度数据采集样本，进行温度BP 自校正控制，设温度控制的BP 神经网络的系数为：KI = 0.05 ，KP = 0.02 ，KD = 0 ；中心频率32阶可控，可达140 kHz；时钟范围为40 Hz～4.0 MHz。根据上述结果，得到温度数据的幅值采用结果如图6所示。
从图6可见，采用本文设计方法能有效实现温度信息的提取和数据感知，为进行温度控制提供准确的数据基础。以此为基础，调整FPGA输出波形时显示当前信号频率、方波占空比、信号幅度及衰减器衰减值，得到温度控制处理结束时显示波形和所需数据，实现智能温控，得到仿真结果如图7所示。从图可见，采用本文算法，能有效实现实验室温度智能控制，对实验室温度的微调和粗调的精度都较高。
5 结语
实验室中的电子设备和化学试剂等对温度条件的要求较高，需要进行智能温度控制。传统的实验室温度控制方法采用BP神经网络控制方法，神经网络控制的连接权值表现为一种静态属性相关权重，难以适应实验室温度自适应控制的需求。提出一种基于变结构BP神经网络自适应校正的实验室智能温度控制算法。首先进行实验室温度控制算法设计，采用比例元进行温度过高情况下的微调，采用积分元进行温度过低下的粗调，测试温度进行粗调后的预测值，实现BP神经网络下的实验室温度自适应校正，然后采用DSP芯片进行实验室温控系统的硬件设计与实现，系统设计主要包括时钟发生器、部存储器、电源电路、外围电路、模拟信号到数字信号的转换器等。仿真结果表明，采用本文设计的系统能有效实现实验室温度智能控制，性能较好，可靠性高。
教育期刊网 http://www.jyqkw.com
参考文献
[1] 雷琪.焦炉加热燃烧过程的智能集成优化控制策略及其应用研究[D].长沙：中南大学，2007．
[2] 王伟，吴敏，曹卫华，等.基于组合灰色预测模型的焦炉火道温度模糊专家控制[J].控制与决策，2010，25（2）：185?190.
[3] 高宪文，刘浩，赵亚平.模糊复合控制方法在焦炉控制系统中的应用研究[J].控制与决策，2005，20（4）：434?438.
[4] 张小冰.变频器优化控制方法研究与仿真[J].计算机仿真，2011，28（11）：409?412.
[5] 郭伟.基于互信息的RBF神经网络结构优化设计[J].计算机科学，2013，40（6）：252?255.
[6] 闻新，张兴旺，张威.基于HBF神经网络的自适应观测器[J].电子学报，2015，43（7）：1315?1319.
[7] 杨大为，丛杨，唐延东.基于结构化的加权联合特征表观模型的目标跟踪方法[J].信息与控制，2015，44（3）：372?378.
[8] MEI X，LING H. Robust visual tracking using L1 minimization[C]// Proceedings of 2009 IEEE International Conference onComputer Vision. Berlin，Germany：Springer，2009：1436?1443.
[9] COLLINS R，LIU Y，LEORDEANU M. Online selection of dis?criminative tracking features [J]. IEEE Transactions on PatternAnalysis and Machine Intelligence，2005，27（8）：1631?1643.
作者简介：罗云芳（1981—），男，广西贺州人，硕士，讲师。主要研究方向为软件工程、计算机网络编程和计算机教学。