基于神经网络和DSP的锡炉温度控制系统的研究与

现代电子元件装配要求锡炉焊接温度更加稳定，对锡炉高温控制的难度也就增强。随着预测神经网络的应用研究不断深入，由于其运算数据量大、收敛比较慢的特点，使其应用受到了硬件上的限制，实际应用并不多。但DSP高速数字信号处理速度越来越快，在线实时控制能力越来越强，在结合神经网络的应用方面效果显著。本文采用神经网络的预测能力对温度参数进行学习和调整，同时结合数字信号处理（DSP）模块进行控制和运算，实现高速运算处理控制，最终实现了锡炉温度控制系统在线实时补偿加热控制。
1 神经网络控制结构
神经网络对事件预测是一种很好的数据处理技术，在学习过程中发现规则，通过预测和DSP运算处理控制相结合来学习及调节控制函数的参数。基于神经网络和DSP的控制系统结构如图1所示。控制系统由预测神经网络和DSP数字信号处理运算控制两部分构成，这两部分有共同的输入信号，即网络温度误差e。预测神经网络对采样温度样本和预先设置样本进行预测和评估，预测值经过外部环境控制的影响因子进行适当校正后，进行预测神经网络的权重和控制函数的参数调节。DSP运算处理控制中心根据控制温度误差和神经网络预测值，通过高速数据运算处理，接收和发布各种控制命令并加以执行，包括实时温度显示、温度控制输出、温度超越限值报警等输入和输出参数。执行机构是控制模块的对象，温度控制系统的最终对象为加热器。因此，锡炉温度控制系统以温度的变化作为整个控制核心，它由温度传感器来转化，经过神经网络的预测和数字信号处理（DSP）进行有效的控制。

该控制系统的预测采用BP神经网络[1]，其特点是只有前后相邻两层之间的神经元相互连接，输出神经元输出预测值，预测神经网络结构如图2所示。网络结构分为3层，即为输入层、隐层和输出层。输入层负责接收数据，不进行运算。其中x0激活函数的初始值，位于[-1，1]之间的随机数，而x1是网络控制系统的温度误差e，x2和x3分别为加热器的电压电流检测值。

实际应用中w_ij为各层连接权值，针对激活函数f(net)的控制参数net进行网络系统收敛范围的控制，从而有利于保证整个系统的稳定性。