基于神經網絡和DSP的錫爐溫度控制系統的研究與應用

現代電子元件裝配要求錫爐焊接溫度更加穩定，對錫爐高溫控制的難度也就增強。隨著預測神經網絡的應用研究不斷深入，由于其運算數據量大、收斂比較慢的特點，使其應用受到了硬件上的限制，實際應用并不多。但DSP高速數字信號處理速度越來越快，在線實時控制能力越來越強，在結合神經網絡的應用方面效果顯著。本文采用神經網絡的預測能力對溫度參數進行學習和調整，同時結合數字信號處理（DSP）模塊進行控制和運算，實現高速運算處理控制，最終實現了錫爐溫度控制系統在線實時補償加熱控制。
1 神經網絡控制結構
神經網絡對事件預測是一種很好的數據處理技術，在學習過程中發現規則，通過預測和DSP運算處理控制相結合來學習及調節控制函數的參數。基于神經網絡和DSP的控制系統結構如圖1所示。控制系統由預測神經網絡和DSP數字信號處理運算控制兩部分構成，這兩部分有共同的輸入信號，即網絡溫度誤差e。預測神經網絡對采樣溫度樣本和預先設置樣本進行預測和評估，預測值經過外部環境控制的影響因子進行適當校正后，進行預測神經網絡的權重和控制函數的參數調節。DSP運算處理控制中心根據控制溫度誤差和神經網絡預測值，通過高速數據運算處理，接收和發布各種控制命令并加以執行，包括實時溫度顯示、溫度控制輸出、溫度超越限值報警等輸入和輸出參數。執行機構是控制模塊的對象，溫度控制系統的最終對象為加熱器。因此，錫爐溫度控制系統以溫度的變化作為整個控制核心，它由溫度傳感器來轉化，經過神經網絡的預測和數字信號處理（DSP）進行有效的控制。

該控制系統的預測采用BP神經網絡[1]，其特點是只有前后相鄰兩層之間的神經元相互連接，輸出神經元輸出預測值，預測神經網絡結構如圖2所示。網絡結構分為3層，即為輸入層、隱層和輸出層。輸入層負責接收數據，不進行運算。其中x0激活函數的初始值，位于[-1，1]之間的隨機數，而x1是網絡控制系統的溫度誤差e，x2和x3分別為加熱器的電壓電流檢測值。

實際應用中w_ij為各層連接權值，針對激活函數f(net)的控制參數net進行網絡系統收斂范圍的控制，從而有利于保證整個系統的穩定性。