2022年神经网络模糊PID算法在温室温度控制中的仿真研究.kdh .pdf

《2022年神经网络模糊PID算法在温室温度控制中的仿真研究.kdh .pdf》由会员分享，可在线阅读，更多相关《2022年神经网络模糊PID算法在温室温度控制中的仿真研究.kdh .pdf（3页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2006年 10 月 农 机 化 研 究 第10 期 - 70 - PID控制器re被控对象N N学习算法辨识算法预算模型模 糊 化yyKPKIKD取当前采样值 e(k)=r (k)-y(k)e(k)进行模糊化 BP网络NNu(k)=u(k-1)+KP e(k)-e(k-1)+ KI e(k)+KD e(k)-2e(k-1)+e(k-2)开 始线性系统辨识法估计出参数矢量计算预算输出和预算输出对u(k)的偏导数计算修正输出层的加权系数计算修正隐含层的加权系数k=k+1 结 束神 经网 络 模 糊 PID 算 法 在 温 室温 度 控 制中 的 仿 真 研 究刘东利1，王延耀1，张建勇2（1.

2、莱阳农学院，山东莱阳 265200；2. 文登市外商投资服务中心，山东文登 264200）摘 要： 为了更好地实现对温室温度的控制，提出了温室温度控制的一种新的控制方法；通过仿真比较证明了此方法的有效性，并对其动静态特性、鲁棒性和抗干扰能力进行了探讨。结果表明，采用神经网络模糊PID 算法的温室温度控制方法具有较好的动静态特性、鲁棒性和抗干扰能力。关键词： 园艺学；温室温度控制；仿真研究；BP 神经网络；模糊控制中图分类号：S625.5 ； TP183 文献标识码：A 文章编号：1003 188X(2006)10 0070 03 0 引言 温室是非线性、分布参数、时变、大时延与多变量耦合的复杂

3、对象，但根据对多变量的解耦、园艺经验及实际的测量结果，可以把温室对象简化为一个一阶大惯性加大时延的环节。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 总体控制方案的设计 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

4、制。本文提出的控制算法的系统结构图如图1 所示。图 1 神经网络模糊PID 控制系统结构 模糊化模块的功能是对系统状态变量)(ke 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PK，IK和DK。本方案采用的是经典增量式数字 PID 控制。-+-+-=)()()1()() 1()(keKkeKkekeKkukuDIP)2() 1(2-+-keke式中：PK，IK和DK分别表示比例、积分和微分系数，是神经网络NN的 3 个输出；)(k

5、u表示控制器的输出，用来控制被控对象。2 被控对象及总的控制算法 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) 1/()(+=-TSKesGs式中：K表示静态增益；T表示时间常数；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。图 2 整体控制工作流程图PKIKDKreyy收稿日期：2005-10-28 作者简 介 ：刘东 利（1975- ） ，男，山 东 茌平 人，在读 硕 士 ， （ E-mail）。)2() 1(2)()()1()() 1()(D-+-+-+-=kekekekkeKkekeKkukuIP1+= k

6、k)(ku计 算 修 正输 出 层 的加 权 系 数计 算 修 正隐 含 层 的加 权 系 数线 性 系 统辨 识 法 估 计出 参 数 矢 量名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 3 页 - - - - - - - - - 2006年 10 月 农 机 化 研 究 第10 期 - 71 - 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；选定学习速率和惯性系数，k=

7、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)(kr和)(ky，则有)()()(kykrke-=；4) 对)(ke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)(pkK，)(IkK和)(DkK；6) 根据经典增量式数字PID 控制算式，计算PID 控制器的输出)(ku，参与控制计算；7) 计算预算输出和预算输出对)(ku的偏导数；8) 计算修正输出层的加权系数；9) 计算修正隐含层的加权系数；10) 置k=1+k，返回到2) 。3 仿真比较及结论 3.1 仿真

8、比较 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=3000时的阶跃响应曲线。图 3 PID 控制算法阶跃响应曲线 图 5 神经网络模糊PID 控制算法阶跃响应曲线 T=600，K=1 和=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。图 6 幅值为 10% 的设定值干扰下，PID 控制算法阶跃响应曲线 时间 t1041.41.21.00.80.60.40.201 2 3 4 5 6 1.41.21.00.80.60.40.201 2 3

9、4 5 6 时间 t104图 4 模糊自整定PID 控制算法阶跃响应曲线1.41.21.00.80.60.40.201 2 3 4 5 6 时间 t1041.41.21.00.80.60.40.201 2 3 4 5 6时间 t104名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 3 页 - - - - - - - - - 2006年 10 月 农 机 化 研 究 第10 期 - 72 - 20.0. 40. 60. 81. 01. 21. 40Ti met1040123

10、456图 7 幅值为 10% 的设定值干扰下，模糊自整定PID 控制算法阶跃响应曲线 20.0. 40. 60. 81. 01. 21. 40Ti met1040123456图 8 幅值为 10% 的设定值干扰下，神经网络模糊PID 控制算法阶跃响应曲线 3.2 仿真结论 3.2.1动静态性能方面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

11、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 抗干扰特性方面从图 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 鲁棒性方面神经网络模糊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 结束语 在仿真过程

12、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。参考文献： 1 刘金琨 . 先进PID 控制 MATLAB仿真 M. 北京 : 电子工业出版社 ,2004. 2 任雪玲 , 徐立鸿 . 温室环境控制中时延问题的新型控制算法 J.厦门大学学报,2001

13、,40(1):192-195. 3 宫赤坤 , 毛罕平 . 温室夏季温湿度遗传模糊神经网络控制 J.农业工程学报,2000,16(4):104-109. 4 李迎霞 , 杜尚丰 . 中国温室环境智能控制算法研究进展J.农业工程学报,2004,20(2):267-271. Simulation Study of the Neural Network Fuzzy PID Control Method in the Temperature Control of the Greenhouse LIU Dong-li1, WANG Yan-yao1, ZHANG Jian-yong2(1.Laiyang

14、 Agricultural College, Laiyang 265200, China; 2.Wendeng Foreign Investment Service Center, Wendeng 264200, China) Abstract: In order to control temperature in greenhouse better, a new control method is presented and its validity is proved by comparative simulation. Dynamic characteristic, Static cha

15、racteristic, Robust and Antijamming capability are discussed in this article. The result proves that the new method is good in these aspects above. Key words: gardening; temperature control in greenhouse; simulation study; BP neural network; fuzzy control 1.41.21.00.80.60.40.201.41.21.00.80.60.40.201 2 3 4 5 6 1 2 3 4 5 6 时间 t104时间 t104名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 3 页 - - - - - - - - -