溫室溫度控制的一種新方法

溫室溫度控制的一種新方法

0溫室智能控制時延和動態(tài)品質下降溫室是一個復雜的對象，非線性、分布參數(shù)、時間變量、高時延和多變量的組合。然而，根據(jù)對多變量的結構感、園藝經(jīng)驗和實際測量結果，可將溫室對象簡化為一個環(huán)節(jié)，以增加時間寬度。大時延是控制界一直未得到妥善解決的問題,控制作用的時延極易引起系統(tǒng)的大超調和持續(xù)振蕩或單調的過渡過程。動態(tài)品質很差甚至可能使系統(tǒng)不穩(wěn)定,而且使系統(tǒng)的擾動不能及時得到響應。未來溫室智能控制的發(fā)展方向將是各控制算法的融合技術。因此,將神經(jīng)網(wǎng)絡、模糊控制和PID控制融合在一起可相互補充,充分發(fā)揮各自的優(yōu)點,以達到最優(yōu)的控制效果。1模糊化模塊設計溫室環(huán)境中要控制的因子很多,比如溫度、濕度、光照和CO2濃度等,對作物來說,溫度是最重要的一個環(huán)境因子。因此,以溫室溫度控制為例,對溫度進行仿真控制。本文提出的控制算法的系統(tǒng)結構圖如圖1所示。模糊化模塊的功能是對系統(tǒng)狀態(tài)變量{e(k)}進行“歸檔”模糊量化、歸一化處理。所謂模糊化,就是把輸入的數(shù)值根據(jù)輸入變量模糊子集的隸屬函數(shù)找出相應的隸屬度的過程。BP網(wǎng)絡的輸出節(jié)點分別對應PID控制器的3個可調參數(shù)KP,KI和KD。本方案采用的是經(jīng)典增量式數(shù)字PID控制。式中:KP,KI和KD分別表示比例、積分和微分系數(shù),是神經(jīng)網(wǎng)絡NN的3個輸出;u(k)表示控制器的輸出,用來控制被控對象。2pid控制器表達本文所考慮的被控對象可由具有純滯后的一階慣性環(huán)節(jié)來表示,其傳遞函數(shù)為式中:K表示靜態(tài)增益;T表示時間常數(shù);τ表示純滯后時間。用線性辨識方法在線估計系統(tǒng)的預報模型,整體控制工作流程如圖2所示。神經(jīng)網(wǎng)絡的模糊PID控制算法的計算步驟歸納如下:1)事先選定BP網(wǎng)絡的結構,即選定輸入層節(jié)點數(shù)M和隱含層節(jié)點數(shù)Q,并給出各層加權系數(shù)的初值;選定學習速率η和慣性系數(shù)α,k=1;2)用線性系統(tǒng)辨識法估計出參數(shù)矢量,從而形成一步預報模型式;3)采樣得到r(k)和y(k),則有e(k)=r(k)-y(k);4)對e(k)進行歸檔模糊化處理,作為BP網(wǎng)絡的輸入;5)計算BP網(wǎng)絡NN的各層神經(jīng)元的輸入和輸出,NN輸出層的輸出即為PID控制器的3個可調參數(shù)Kp(k),KI(k)和KD(k);6)根據(jù)經(jīng)典增量式數(shù)字PID控制算式,計算PID控制器的輸出u(k),參與控制計算;7)計算預算輸出和預算輸出對ku)(的偏導數(shù);9)計算修正隱含層的加權系數(shù);3比較和結論3.1階躍響應曲線圖3～圖5分別為PID、模糊自整定PID和神經(jīng)網(wǎng)絡模糊PID控制算法在T=600,K=1和τ=3000時的階躍響應曲線。T=600,K=1和τ=3000時,在幅值為10%的設定值干擾下,其PID控制算法、模糊自整定PID和神經(jīng)網(wǎng)絡模糊PID控制階躍響應曲線如圖6～圖8所示。3.2模擬結論3.2.1模糊pid控制算法超調從仿真的結果可以看出,神經(jīng)網(wǎng)絡模糊PID控制算法有較好的動靜態(tài)性能。從圖3至圖5對比可以看出,神經(jīng)網(wǎng)絡模糊PID控制算法響應速度優(yōu)于模糊PID控制算法,略遜于PID控制算法。神經(jīng)網(wǎng)絡模糊PID控制算法的超調量是3種算法中最好的,基本是小超調或無超調;PID控制算法的超調依對象不同有一定的變化;模糊PID控制算法的超調也較小。穩(wěn)態(tài)誤差方面,神經(jīng)網(wǎng)絡模糊PID控制算法表現(xiàn)為零,有時為小范圍內波動;模糊PID控制算法穩(wěn)態(tài)出現(xiàn)紋波;PID控制算法在穩(wěn)定的前提下穩(wěn)態(tài)誤差為零。3.2.2pid控制算法的改進從圖6至圖8可以看出,神經(jīng)網(wǎng)絡模糊PID控制算法較PID控制和模糊PID控制算法有較小的波動,調節(jié)時間短,但還是存在波動,有待于進一步改進。3.2.3pid控制算法神經(jīng)網(wǎng)絡模糊PID控制算法最好,模糊PID控制算法次之,PID控制算法最差。當對象的參數(shù)變化時,特別是對象的結構發(fā)生變化時,神經(jīng)網(wǎng)絡模糊PID控制算法表現(xiàn)出很強的適應性。4神經(jīng)網(wǎng)絡模糊pid控制算法模糊控制在仿真過程中可以發(fā)現(xiàn),經(jīng)過參數(shù)整定的PID算法在對象不發(fā)生變化時的各種性能指標最優(yōu),這說明了PID控制本質上是一種最優(yōu)控制。但遺憾的是,這種參數(shù)的整定需要對象的模型,并且在對象變化時性能指標變化很大。模糊控制本質上是PD控制,因此在穩(wěn)態(tài)時會出現(xiàn)波動。神經(jīng)網(wǎng)絡模糊PID控制算法