黃酒發(fā)酵過程十分復雜,且難以建立準確的數(shù)學模型,發(fā)酵溫度自動控制一直是研究難點。傳統(tǒng)PID控制器在前酵溫度控制時,存在精度不高、響應緩慢和參數(shù)調節(jié)歷時較長等問題,因此提出了基于BP神經網絡的黃酒前酵溫度控制策略,將BP神經網絡應用于PID控制器的參數(shù)調節(jié),改進了性能,并構建了動態(tài)仿真模型。仿真結果表明:設計的PID控制器控制精度更高、響應速度更快且有效改善了耦合干擾等問題。 

【文章來源】：浙江工業(yè)大學學報. 2020,48(06)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

前酵溫控系統(tǒng)總體設計圖

神經元網絡通過各神經元之間的加權和形式輸出,只要神經元數(shù)量足夠多、網絡結構足夠復雜即可實現(xiàn)對任意變化規(guī)律的擬合[11]。并且利用BP神經網絡作為非線性組合函數(shù),可用于多模型的輸出融合[12]。神經元作為神經網絡的處理單元,是神經網絡最基本的組成部分,其模型結構如圖2所示。神經元j的狀態(tài)uj由此神經元的狀態(tài)函數(shù)g決定。以神經元當前輸入netj和當前狀態(tài)為自變量,按其狀態(tài)函數(shù)就可產生神經元的下一個狀態(tài)。

比例閾值函數(shù)輸入—輸出狀態(tài)曲線

【參考文獻】：
期刊論文
[1]基于模糊算法的2D伺服閥控制器的研究[J]. 李勝,董健,郭克,孫沖沖,姜志海.  浙江工業(yè)大學學報. 2019(04)
[2]基于AFSA-BPNN的MRVM模型非線性融合建模[J]. 夏陸岳,劉勇,潘海天.  浙江工業(yè)大學學報. 2017(03)
[3]SIMULINK模塊庫在計算機控制系統(tǒng)仿真設計中的應用[J]. 王雷,降華.  自動化與儀器儀表. 2016(06)
[4]基于BPR的壽生酒生產流程單元布局優(yōu)化[J]. 蔣美仙,魏宗敬,諸葛進豪,金壽松,蔣方明.  浙江工業(yè)大學學報. 2014(03)
[5]基于PID神經網絡的溫度控制系統(tǒng)[J]. 郭秀才,舒懷林.  工礦自動化. 2008(03)
[6]啤酒發(fā)酵過程溫度控制策略[J]. 杜鋒,雷鳴.  釀酒. 2002(06)

博士論文
[1]黃酒發(fā)酵過程的建模與優(yōu)化[D]. 劉登峰.江南大學 2014
[2]發(fā)酵過程混合建模及帶動態(tài)補償?shù)姆蔷�性預測控制方法研究[D]. 馮絮影.北京化工大學 2010

碩士論文
[1]黃酒生產過程綜合自動化技術若干關鍵問題研究[D]. 余祖應.浙江大學 2013
[2]智能溫度控制系統(tǒng)在啤酒發(fā)酵中的應用研究[D]. 畢競鍇.鄭州大學 2012
[3]智能控制在啤酒發(fā)酵溫控中的應用研究[D]. 劉迪.昆明理工大學 2011



本文編號：3559162