基于BPNN-PID的温度优化控制  

Temperature Optimization Control Based on BPNN-PID

作　　者：张得龙[1,2,3] 吕金隆 朱敏 张德宁 ZHANG Delong;LYU Jinlong;ZHU Min;ZHANG Dening(Weifang University of Science and Technology,Weifang 262700,China;Dongshin University,Naju 58245,Korea;Shandong Provincial University Laboratory for Protected Horticulture,Weifang 262700,China;Hebei Agricultural University,Baoding 071001,China)

机构地区：[1]潍坊科技学院,山东潍坊262700 [2]东新大学,韩国罗州58245 [3]山东省设施园艺生物工程研究中心,山东潍坊262700 [4]河北农业大学,河北保定071001

出　　处：《商丘职业技术学院学报》2025年第2期70-74,共5页JOURNAL OF SHANGQIU POLYTECHNIC

基　　金：2023年度潍坊科技学院科技类研究项目“基于深度神经网络的前景运动目标检测方法研究”(KJBS202205)。

摘　　要：传统的PID(Proportional-Integral-Derivative Control,比例积分微分控制)控制,在高精度温度控制系统中使用时,参数整定相对复杂,并且超调量严重,针对此类情况,优化了一种高精度温控系统.该系统采用BPNN(Back Propagation Neural Network,反向传播神经网络)算法实现了对PID参数的动态实时调整.实验结果表明,BPNN-PID温度控制系统与传统PID控制系统相比,收敛速度更快和超调量更小.In high-precision temperature control systems,traditional PID(Proportional-Integral-Derivative Control)control presents complex parameter tuning and significant overshoot.To address these issues,a high-precision temperature control system has been optimized,incorporating the BPNN(Back Propagation Neural Network)algorithm for dynamic real-time adjustment of PID parameters.Experimental results demonstrate that the BPNN-PID temperature control system achieves faster convergence and smaller overshoot than the traditional PID control system.

关 键 词：BP神经网络 PID控制 参数整定 温度控制 

分 类 号：TP273.3[自动化与计算机技术—检测技术与自动化装置]