温室温度控制的一种新方法.docxVIP

温室温度控制的一种新方法 0 温室智能控制时延和动态品质下降 温室是一个复杂的对象，非线性、分布参数、时间变量、高时延和多变量的组合。然而，根据对多变量的结构感、园艺经验和实际测量结果，可将温室对象简化为一个环节，以增加时间宽度。大时延是控制界一直未得到妥善解决的问题,控制作用的时延极易引起系统的大超调和持续振荡或单调的过渡过程。动态品质很差甚至可能使系统不稳定,而且使系统的扰动不能及时得到响应。未来温室智能控制的发展方向将是各控制算法的融合技术。因此,将神经网络、模糊控制和PID控制融合在一起可相互补充,充分发挥各自的优点,以达到最优的控制效果。 1 模糊化模块设计 温室环境中要控制的因子很多,比如温度、湿度、光照和CO2浓度等,对作物来说,温度是最重要的一个环境因子。因此,以温室温度控制为例,对温度进行仿真控制。本文提出的控制算法的系统结构图如图1所示。 模糊化模块的功能是对系统状态变量{e(k)}进行“归档”模糊量化、归一化处理。所谓模糊化,就是把输入的数值根据输入变量模糊子集的隶属函数找出相应的隶属度的过程。 BP网络的输出节点分别对应PID控制器的3个可调参数KP,KI和KD。本方案采用的是经典增量式数字PID控制。 式中:KP,KI和KD分别表示比例、积分和微分系数,是神经网络NN的3个输出;u(k)表示控制器的输出,用来控制被控对象。 2 pid控制器表达 本文所考虑的被控对象可由具有纯滞后的一阶惯性环节来表示,其传递函数为 式中:K表示静态增益;T表示时间常数;τ表示纯滞后时间。 用线性辨识方法在线估计系统的预报模型,整体控制工作流程如图2所示。 神经网络的模糊PID控制算法的计算步骤归纳如下: 1)事先选定BP网络的结构,即选定输入层节点数M和隐含层节点数Q,并给出各层加权系数的初值;选定学习速率η和惯性系数α,k=1; 2)用线性系统辨识法估计出参数矢量,从而形成一步预报模型式; 3)采样得到r(k)和y(k),则有e(k)=r(k)-y(k); 4)对e(k)进行归档模糊化处理,作为BP网络的输入; 5)计算BP网络NN的各层神经元的输入和输出,NN输出层的输出即为PID控制器的3个可调参数Kp(k),KI(k)和KD(k); 6)根据经典增量式数字PID控制算式,计算PID控制器的输出u(k),参与控制计算; 7)计算预算输出和预算输出对ku)(的偏导数; 9)计算修正隐含层的加权系数; 3 比较和结论 3.1 阶跃响应曲线 图3～图5分别为PID、模糊自整定PID和神经网络模糊PID控制算法在T=600,K=1和τ=3000时的阶跃响应曲线。 T=600,K=1和τ=3000时,在幅值为10%的设定值干扰下,其PID控制算法、模糊自整定PID和神经网络模糊PID控制阶跃响应曲线如图6～图8所示。 3.2 模拟结论 3.2.1 模糊pid控制算法超调 从仿真的结果可以看出,神经网络模糊PID控制算法有较好的动静态性能。从图3至图5对比可以看出,神经网络模糊PID控制算法响应速度优于模糊PID控制算法,略逊于PID控制算法。神经网络模糊PID控制算法的超调量是3种算法中最好的,基本是小超调或无超调;PID控制算法的超调依对象不同有一定的变化;模糊PID控制算法的超调也较小。稳态误差方面,神经网络模糊PID控制算法表现为零,有时为小范围内波动;模糊PID控制算法稳态出现纹波;PID控制算法在稳定的前提下稳态误差为零。 3.2.2 pid控制算法的改进 从图6至图8可以看出,神经网络模糊PID控制算法较PID控制和模糊PID控制算法有较小的波动,调节时间短,但还是存在波动,有待于进一步改进。 3.2.3 pid控制算法 神经网络模糊PID控制算法最好,模糊PID控制算法次之,PID控制算法最差。当对象的参数变化时,特别是对象的结构发生变化时,神经网络模糊PID控制算法表现出很强的适应性。 4 神经网络模糊pid控制算法模糊控制 在仿真过程中可以发现,经过参数整定的PID算法在对象不发生变化时的各种性能指标最优,这说明了PID控制本质上是一种最优控制。但遗憾的是,这种参数的整定需要对象的模型,并且在对象变化时性能指标变化很大。模糊控制本质上是PD控制,因此在稳态时会出现波动。神经网络模糊PID控制算法结合了模糊、神经网络与PID控制算法的优点,具有良好的自适应能力,并且能够在线调整参数,进一步增强了这种算法的自适应能力。 8)计算修正输出层的加权系数; 10)置k=k+1,返回到2)。