当前位置:首页 > 上海一恒生化培养箱智能控制系统的设计

上海一恒生化培养箱智能控制系统的设计

[导读]生化培养箱过程中, 存在温、湿度变化耦合性强、设备性能易变的问题, 本文提出了一种基于解耦补偿的改进模糊控制设计方法, 保证改进模糊算法计算的控制量相互独立, 实现对温度和湿度控制量解耦关系的学习, 对控制量进行补偿。

      生化培养箱是是生物、医学、环境保护、农林畜牧等行业的科研机构、大专院校、生产单位或部门实验室的重要试验设备, 广泛应用于恒温恒湿试验、培养试验、环境试验等。然而长期以来, 生化培养箱的温湿度控制存在严重耦合, 研究生化培养箱的温、湿度控制算法, 提升控制精度, 对相关领域的生产和科研具有重要意义。目前国内外对生化培养箱的温湿度控制主要通过开关控制、单纯PID控制及模糊控制来实现。然而开关控制效果非常粗糙, 同时会造成设备的频繁启停, 降低设备使用寿命; PID控制对于非线性时变、滞后较大的温湿度控制系统来说, 鲁棒性不强;而单纯的模糊控制器存在静差, 控制精度不够高。同时大部分生化培养箱控制系统由于没有考虑系统温、湿度的相互影响, 加上生化培养箱模型的不确定性以及过程参数受环境影响变化大, 导致对温、湿度控制的精度不理想。本文针对生化培养箱工作过程中温、湿度变化的耦合性强, 以及传感器性能曲线受外界干扰较大等问题, 为更好满足生化培养过程对温、湿度指标的工艺要求, 采用神经元对温湿度控制进行解耦, 同时采用变参数模糊控制, 提升控制系统自调节能力, 提高茶叶品质。

     1 算法结构为了解决生化培养过程中, 温度和湿度相互制约, 相互影响的问题, 需要对系统温、湿度变化进行解耦, 然而生化培养过程的数学模型难以直接获取, 导致常规的解耦方法无法使用。针对具有双输入双输出的生化培养箱, 本文提出了一种基于神经元解耦的变参数模糊制方法, 其结构如图1 所示。整个控制系统由基于改进模糊算法的温、湿度独立控制, 以及基于神经元的解耦补偿两部分组成。基于改进模糊算法, 首先利用模糊控制器根据温、湿度设定值和系统检测反馈值, 实现对温、湿度独立闭环控制, 同时为了解决传感器漂移和固定参数模糊算法环境适应性差的问题, 采用粒子群算法算法对模糊隶属度进行在线优化。神经元解耦补偿器, 位于模糊控制器与控制对象之间, 利用神经元的自学习特性, 实现对温度和湿度控制量耦合关系的学习, 利用解耦结果对控制量进行补偿。从而保证改进模糊算法计算的控制量相互独立, 无需关心耦合关系。

2 模糊控制器的设计温度模糊控制器采用双输入, 单输出结构。输入e1为生化培养过程温度与设定值偏差, 模糊变量为{NL, NM, NS, O, PS, PM, PL}, 论域E1= {-7, -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6, 7}。输入e2为温度偏差变化率, 模糊变量为{NL, NS, O, PS, PL}, 论域E2= { -4, -3, -2, -1, 0, 1, 2, 3, 4}。输出u为温度调节量, U的模糊变量为:{NL, NM, NS, O, PS, PM, PL}, 论域U= { -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6}。                                                                  图2 温度对比实验曲线    下载原图

湿度模糊控制器, 输入e1为湿度与设定值偏差, 模糊变量为{NL, NM, NS, O, PS, PM, PL}, 论域E1= {-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5} ;输入e2为湿度偏差变化率, 模糊变量为{NL, NS, O, PS, PL}, 论域为E2= { -4, -3, -2, -1, 0, 1, 2, 3, 4} ;输出u为湿度调节量, U的模糊变量为:{NL, NM, NS, O, PS, PM, PL}, 论域U= { -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6}。为了更好的抑制环境参数变化对生化培养过程控制系统的影响, 方便参数调节, 本文采用梯形函数。根据生化培养过程工艺的专家经验, 温、湿度模糊控制的规则, 均按照偏差较大时快速调节, 偏差较小时精细调节的原则, 总结出模糊控制规则, 如表1 所示。根据所本文所设计的隶属度及模糊推理规则, 同时利用Mamdani模糊推理方法进行解模糊, 得到模糊控制查询表。通过清晰化接口和查询表, 分别得热电偶电流和鼓风机转速的调节量。

相关文章