维普资讯 http://www.cqvip.com ２００６年ｌ０月 农机化研究 第ｌ０期 神经网络模糊Ｐ Ｉ Ｄ算法在温室温度控制中的仿真研究 刘东利。，王延耀。，张建勇 （１．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：￥６２５．５；ＴＰ１８３ 文献标识码：Ａ 文章编号：１００３￣１８８Ｘ（２００６）１ｃ’＿—００７ｃ’＿—０３ ０ 引言 ＢＰ网络的输出节点分别对应ＰＩＤ控制器的３个 可调参数 。 和 。本方案采用的是经典增量 温室是非线性、分布参数、时变、大时延与多 式数字ＰＩＤ控制。 变量耦合的复杂对象，但根据对多变量的解耦、园 Ｈ（七）＝Ｈ（七一１）＋Ｋｐ［ｅ（ｋ）一ｅ（ｋ—１）】＋Ｋ１ｅ（ｋ）＋ＫＤ【 （七）一 艺经验及实际的测量结果。可以把温室对象简化为 ２ （七－Ｄ＋ （七一２）】 一个一阶大惯性加大时延的环节。大时延是控制界 式中：ＫＰ，ＫＩ和 。分别表示比例、积分和微 一直未得到妥善解决的问题，控制作用的时延极易 分系数，是神经网络ＮＮ的３个输出； （七）表示控制 引起系统的大超调和持续振荡或单调的过渡过程。 器的输出，用来控制被控对象。 动态品质很差甚至可能使系统不稳定。而且使系统 ２被控对象及总的控制算法 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 本文所考虑的被控对象可由具有纯滞后的一 网络、模糊控制和ＰＩＤ控制融合在一起可相互补充。 阶惯性环节来表示，其传递函数为 充分发挥各自的优点。以达到最优的控制效果。 Ｇ（ｓ）＝ ／（ＩＳ＋１） 式中： 表示静态增益；Ｔ表示时间常数；ｆ表示 １ 总体控制方案的设计 纯滞后时间。 温室环境中要控制的因子很多。比如温度、湿 用线性辨识方法在线估计系统的预报模型。整 度、光照和ｃ０。浓度等。对作物来说。温度是最重 体控制工作流程如图２所示。 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Ｉ所示。 圈１ 神经网络曩翔ＰＩＤ控■系绞结构 ・・（ ・・・（七一１）＋工 七）一・（七一Ｉ）】＋工 ＋＾，【０（七）一２｜（七一Ｄ＋・（七一 ｌ 模糊化模块的功能是对系统状态变量｛ （七））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。 收藕日期：２００５－１（＂＝２８ 作者简介：刘东翻（１９７５一）。男．山东茌平人。在读硕士。（Ｅ－ｍａｉｌ） ｌｄｌＯＯ３６Ｏ５●ｔＯ－．ＣＯｍ。 圈２整体控■工作藏翟圈 ．７Ｏ． 维普资讯 http://www.cqvip.com ２００６年ｌ０月 农机化研究 第ｌ０期 神经网络的模糊ＰＩＤ控制算法的计算步骤归纳 如下： ６）根据经典增量式数字ＰＩＤ控制算式，计算 ＰＩＤ控制器的输出“（七），参与控制计算； ７）计算预算输出和预算输出对“（七）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：ｋ＋１，返回到２）。 １）事先选定ＢＰ网络的结构，即选定输入层节 点数ｊｌｆ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，７和惯性系数口，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（七）和）’（七），则有￡（七）＝ｒ（七）一）’（七）； ４）对 七）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 （七），ＫＩ（ｋ）和ＫＤ（ｋ）； ／－、 ３仿真比较及结论 ３．１仿真比较 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ｒ＝３０００ 时的阶跃响应曲线。 《 ｜ ｛ ｉ ｌ ２ ３ ４ 时间ｒ×ｌ０‘ 圈３ ＰＩＤ控嗣算法输跃响应■线 厂 ／ ， ， ｆ ｌ ２ ３ ４ 时间ｒ×ｌ０‘ 圈４曩翔自整定ＰＩＤ控爿算法输跃响应曲线 １．４ １．２ １．０ ０．８ ０．６ ０．４ ／ ｉ ／ ， ｉ ； Ｏ．２ ０ ／ ， ｉ ｌ ２ ３ ４ ５ ６ 时间ｒ×ｌ０‘ 圈５神经网络曩翔ＰＩｏ控爿算法输跃响应曲线 Ｔ＝６００，Ｋ：１和ｒ＝３０００时，在幅值为１０％的设定 网络模糊ＰＩＤ控制阶跃响应曲线如图６～图８所示。 值干扰下，其ＰＩＤ控制算法、模糊自整定ＰＩＤ和神经 １．４ １．２ １．０ ０．８ ０．６ ０．４ ０．２ ０ ／ 、 ｌ ｌ ｌ ｛ ｛ ｌ ２ ３ Ｖ ４ 时间ｒ×ｌ０‘ 圈６舭为１０％的设定值干扰下．ＰＩＤ控爿算法输跃响应曲线 －７ｌ－ 维普资讯 http://www.cqvip.com ２００６年ｌ０月 １．４ 农机化研究 第１０期 １．２ １．０ Ｏ．８ ０．６ Ｏ．４ Ｏ．２ Ｏ 时间ｌ×ｌ 圈７●＿值为ｌＯ％的设定值千抗下．■期自奠定ＰＩＤ控翻算法阶跃响应曲线 圈８ ０１１值为１０％￣Ｊ设定值千抗下。神经月络Ｒｉｌｌ ＰＩＤ控■算法骱跃响应曲线 ３一．３ ２ 苎 纰七蔼 １动静态性能方面 ． ．４结束语。 、恫 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。 参考文献： ［１】刘金琨．先进ＰＩＤ控制－ＩＡＴＬＡＢ仿真［Ｍ】．北京：电子工 业出版社，２００４． 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 ［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。２００１，４０（１）：１９２－１９５． 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。 ［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—ｌｉ ，ＷＡＮＧ Ｙａｎ—ｙａｏ ，ＺＨＡＮＧ Ｊｉａｎ－ｙｏｎｇ （１．Ｌａｉｙａｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｃｏｌｌｅｇｅ，Ｌａｉｙａｎｇ ２６５２００，Ｃｈｉｎａ；２．Ｗｅｎａｅｎｇ Ｆｏｒｅｉｇｎ Ｉｎｖｅｓｔｍｅｎｔ Ｓｅｒｖｉｃｅ Ｃｅｎｔｅｒ，Ｗｅｔ，ｄｅｎｇ 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 ｃｈａｒａｃｔｅｒｉｓｔｉｃ，Ｒｏｂｕｓｔ ａｎｄ Ａｎｔｉｊａｍｍｉｎｇ ｃａｐａｂｉｌｉｔｙ ｒｅ ｄｉｓｃｕｓｓｅｄ ｉｎ ｔｈｉｓ ａｒｔａｉｃｌｅ．Ｔｈｅ ｒｅｓｕｌｔ ｐｒｏｖｅｓ ｔｈａｔ ｔｈｅ ｎｅｗ ｍｅｔｈｏｄ ｉｓ ｇｏｏｄ ｉｎ ｔｈｅｓｅ ａｓｐｅｃｔｓ ａｂｏｖｅ． Ｋｅｙ ｗｏｒｄｓ：ｇａｒｄｅｎｍｇ；ｔｅｍｐｅｒａｔｕｒｅ ｃｏｎｔｒｏｌ ｉｎ ｇｒｅｅｎｈｏｕｓｅ；ｓｉｍｕｌａｔｉｏｎ ｓｔｕｄｙ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｆｕｚｚｙ ｃｏｎｔｒｏ１ ．７２．
