下载文档原格式
蔬菜大棚模糊PID温度控制系统设计与仿真张莉莉;武艳【摘要】随着人们对高质量生活的需求,蔬菜大棚逐渐成为一种流行.培育蔬菜的技术的关键因素是温度,针对这一因素出现许多控制系统.模糊PID控制系统综合模糊控制与PID控制两者的优点,把温度偏差和温度偏差变化率作为输入,经模糊化处理决策,为PID控制器的参数选择提供寻优算法,根据这一算法在线修订PID控制器的参数,达到很好的温度控制效果.经仿真结果显示,可发现该控制系统具有很好的自适应性和鲁棒性.【期刊名称】《黑龙江科技信息》【年(卷),期】2017(000)036【总页数】2页(P17-18)【关键词】温度;模糊PID控制;自适应性;鲁棒性【作者】张莉莉;武艳【作者单位】洛阳师范学院,河南洛阳 471000;洛阳师范学院,河南洛阳 471000【正文语种】中文传统的蔬菜大棚温度控制的方式考虑的因素比较多，需要根据日照选择合适的地址来建造大棚及用合适的塑料膜来搭建大棚，建好后传统的大棚技术通过简单的温度计来观察大棚内的温度变化，通过施用增温肥或通风换气来达到增温降温的效果，尽管蔬菜大棚技术各方面的工作到位，但依然会随着节气时令的变化，温度或高或低。
现在比较广泛应用的模糊PID温度控制系统可以有效地改善这一关键因素，它综合了PID控制与模糊控制两者的优点，既有前者高精度的特点，又有后者的灵活性和自适应性。
该系统可利用传感器检测温度，并与温度差作为输入，经模糊化处理、决策来做出相应的调整，对控制设备做出相应的温度控制，从而使大棚内保持恒温以利于蔬菜健康成长，保持生产质量。
模糊PID控制在常规PID控制的基础上进行的改进使它不仅结构简单，而且抗干扰能力强，具有了很好的自适应性和鲁棒性。
模糊PID控制器的设计决定着控制系统的工作性能。
设计模糊PID控制器并将其用在蔬菜大棚温度控制系统中，能够利用它的优点达到很好的控制效果，满足生产需要。
模糊PID控制器的设计将温度和温度偏差变化率作为输入语言变量，经模糊控制器一系列的模糊处理得到常规PID控制器三个参数的修正量作为常规PID控制器运行的输入量，PID控制器根据得到的修正量对三个参数进行在线修正，实现对控制设备的控制作用，及时调整大棚内的温度以适应蔬菜生长生产。
基于模糊自适应PID控制的温室大棚控制策略研究刘亚伟;薛鹏【摘要】温室大棚是一个具有非线性、大滞后等特点的控制系统,采用传统的控制方法很难对温室大棚进行控制。
建立了温室大棚温度模型,采用模糊自适应PID控制方法,并对常规PID控制进行仿真测试。
通过仿真对比实验,模糊自适应PID比常规PID对温室大棚控制的效果更好。
【期刊名称】《科技与创新》【年(卷),期】2018(000)004【总页数】3页(P41-43)【关键词】温室大棚;温度控制;模糊PID;MATLAB仿真【作者】刘亚伟;薛鹏【作者单位】长春工业大学电气与电子工程学院,吉林长春130022;长春工业大学电气与电子工程学院,吉林长春130022;【正文语种】中文【中图分类】S625随着国家城镇化的发展和农业产量的提高，中国已成为一个农业大国，而农耕方式也逐渐由小规模种植向大规模方式变化[1]。
因此，需要利用智能化控制方式来改善温室大棚对农作物的控制。
温室大棚是一个具有大惯性、非线性、时滞性等特点的控制系统[2]，内部环境与多种因素有关，本文主要针对温度因素进行控制研究。
传统PID控制器结构简单，易于操作，控制效果较好，因此在很多方面得到了较为广泛的应用[3]。
由于影响温室环境的因素较多，本文针对温室温度控制系统提出模糊自适应PID控制算法，使温度保持在稳定状态，从而满足温室大棚控制要求，使温室大棚控制实现智能化。
1 温室大棚温度建模根据温室环境控制的特点，为了实现对控制算法的研究，本文采用了温室实验箱作为模拟对象来建立数学模型并简化出了相应的传递函数，其建模过程如下。
本模型是根据能量守恒定理得出来的，实验箱内存储的能量的变化量等于在单位时间内实验箱内的流入能量和流出能量的差，则有如下公式：式（1）中：C为实验箱的比热容，KJ/K；Ti为实验箱体内被控温度，K；TO为实验箱附近的环境温度，K；B为实验箱体内的传热系数，KJ/sm2K；Q为单位时间内电阻丝产生的热量，KJ/s；S为实验箱传热面积，m2。
将神经网络和模糊控制技术相结合实现温室控制系统
设计
引言
温室综合环境控制就是对如温度、湿度、光照强度等环境因子进行综合调节和控制。
通过合理地控制温室中的各个执行机构，使作物和环境因子达到最佳的统一，这是温室控制的目标。
温室系统是一个非线性、大滞后、大惯性、强耦合、时变的复杂大系统，它要受到多变的外部环境、受控对象的不确定性、作物形态、尺寸不断变化的影响.针对模糊控制和神经网络控制的优缺点，本文将模糊理论的知识表达与神经网络的自学习能力有机地结合起来，采用快速的学习算法，提出了一种模糊神经网络控制方案。
1 温室模糊神经网络控制器结构的确定
对温室内作物影响最大的环境因子为温度和湿度。
因此，在本文设计的温室模糊控制器中，输入量选择两个，分别是温度误差、湿度误差，输出量有六个，分别是天窗、遮阳网、循环风机、侧窗、燃油加热器、微雾加湿器。
图1 为温室智能控制基本结构图。
神经网络PID 在温度控制系统中的研究与仿真摘要：本文提出一种基于BP 神经网络的新型智能PID 控制方法和一些BP 神经网络的基本概念。
同传统的PID 控制相比较，神经网络智能PID 控制有许多优点。
把BP 神经网络的PID 控制方法应用到工业领域的温度控制系统中，仿真结果表明：这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。
关键词 ： 神经网络 ，PID 控制器 ，温度控制系统1 引言在工业控制过程中，PID 控制是一种最基本的控制方式 ，其鲁棒性好、结构简单、易于实现，但常规的PID 控制也有其自身的缺点，因为常规PID 控制器的参数是根据被控对象数学模型确定的，当被控对象的数学模型是变化的、非线性的时候，PID 参数不易根据其实际的情况做出调整，影响了控制质量，使控制系统的控制品质下降。
特别是在具有纯滞后特性的工业过程中，常规的PID 控制更难满足控制精度的要求。
由于神经网络具有自组织、自学习、自适应的能力，本文提出基于BP 神经网络的PID 控制器，使人工神经网络与传统PID 控制相结合互相补充，共同提高控制质量，并把该方法在温度控制系统中用Matlab 语言进行了仿真应用。
2 BP 神经网络的模型构成及算法2.1 BP 神经网络的模型构成B P 神经网络的学习过程主要由两个阶段构成：第一阶段（正向传播过程），输入信号通过输入层，经过隐含层逐层处理，在输出层计算出每个神经元的实际输出值。
第二阶段(误差反向传播过程)，如果在输出层未得到期望的输出值，则逐层递推地计算实际输出与期望输出的差值，并且根据这个误差调节权系数。
2.2神经网络PID 控制器的构成及算法在传统的PID 控制中，经典增量式PID 的控制形式：u(k)=u(k-1)+[p K e(k)-e(k-1)]+i K e(k)+d K [e(k)-2e(k-1)+e(k-2)]K p ：比例系数i K =io p T T K ：积分系数 o d p d T T K =K ：微分系数 建立BP 神经网络PID 控制器结构：y(k)为了达到自适应调节d i p K K K ,,目的，输出层为三个神经元，分别对应d i p K K K ,,。
基于模糊 PID 的温室温度控制器设计与仿真岳文杰;谢守勇;陈翀;李少华【摘要】Greenhouse temperature system is of large time delay and large time constant , which are hard to be controlled by traditional control methods .This paper proposes a fuzzy PID controller applied in Greenhouse temperature control . with temperature departures and the changes as its input , this fuzzy PID control can adjust the PID parameter in the real time.Through MATLAB simulation, it is demonstrated that the proposed fuzzy PID controller has rapid response ,strong robustness ,high steady accuracy ,low overshoot and strong anti-interference capacity .This control method has good con-trol effectiveness .%温室温度系统具有大时滞性、大惯性等特点，传统的控制方法效果不甚理想。
为此，提出了一种模糊PID 控制方法，可根据温度偏差和温度偏差变化率实时调整PID参数。
通过MATLAB 仿真表明，该控制方法可以使温室温度控制系统动态响应快、鲁棒性强、稳态精度高、超调量小、抗扰动能力强，具有良好的控制效果。
【期刊名称】《农机化研究》【年(卷),期】2014(000)004【总页数】4页(P194-197)【关键词】温室;模糊PID;温度控制器;仿真【作者】岳文杰;谢守勇;陈翀;李少华【作者单位】西南大学工程技术学院，重庆 400716;西南大学工程技术学院，重庆 400716;西南大学工程技术学院，重庆 400716;西南大学工程技术学院，重庆400716【正文语种】中文【中图分类】S625.5+1温室温度系统具有大时滞性、大惯性和多变量耦合性等特点，是一个复杂的系统，采用传统控制方法难以取得满意的控制效果。
摘要神经网络控制和 PID 算法是目前已经应用非常广泛的技术,基于神经网络的PID 算法是现在非常受欢迎的算法。
温度是温室中非常重要的一个环境因子, 植物要想生长得好,长得快,温室的温度必须合适。
温室中温度(即被控对象复杂、时变, 而实际中对被控对象的控制要求越来越严格, 且传统的温室温度系统不具有智能的功能,所以,研究基于神经网络的 PID 算法去设计人工温室温度控制系统,来提高控制精度,使其具有智能功能,具有重要的意义。
本设计运用基于神经网络的 PID 算法来控制温室温度,使温室的温度始终在 25摄氏度左右。
本设计中采用了单神经元自适应 PID 控制器。
其优点为:神经网络具有一定的学习能力、自适应性、非线性映射能力和容错能力, 自适应控制系统具有适应能力, 它能够认识系统的环境条件的变化, 并自动校正控制动作, 从而使系统达到最优的控制效果。
单神经元的学习规则有三种, 在本设计中, 我们使用了有监督的 Hebb 学习规则。
并把传统的 PID 控制与单神经元自适应 PID 控制进行比较。
最后 MATLAB 仿真结果表明,该控制系统的控制效果优于传统的 PID ,具有超调小、控制精度高、抗干扰能力强等等优点。
关键词 :神经网络控制 PID 算法有监督的 Hebb 学习规则 MATLAB 仿真Title___ABSTRACTThe neural network control and PID algorithm is now very extensive technology,base -d on neural network of PID algorithm is now very popular algorithm. The temperature is the greenhouse one of important environmental factors.If people want the plants to grow well and grow fast, the greenhouse temperature must be appropriate. The temperature of the greenhouse (namely the controlled object is complex and time-varying.But the controlled object is required more and more strictly in practice. And thereis not an intelligent function in the traditional greenhouse-temperature system.So research based on neural network of PID algorithm to design artificial greenhouse temperature control system has important significance in order to improve the control precision, has intelligent function.This design is based on neural network using PID algorithm to control greenhouse temperature. Make the temperature of greenhouse always in around 25 degrees Celsius. This applied to the design of the single neuron adaptive PID controller. The advantages of it is that the neural network has some learning ability, adaptability, nonlinear mapping capability and fault tolerance,and adaptive control system has the ability to adjust the system, it can know the system environment changes,and automatic correction control action, thus make the system to achieve optimal control effect.Single neuron learning rule has three.In this design, We uses the Hebb learning rule with supervision. And the traditional PID control and single neuron only adapt to the PID control are compared. Finally MATLAB simulation results show that control effect of this control system is better than that of traditional PID, having overshoot small, high control accuracy and strong anti-interference ability and so on.Keywords:Neural network controlPID algorithm T he Hebb learning rule with supervision MATLAB simulation目录摘要 (I)ABSTRACT . ......................................................................................................... II 1绪论 .............................................................................................................. 1 1.1本论文的背景和意义 . (1)1.2本论文的主要研究方法及内容 (2)2神经网络控制以及 PID 算法简介 . ............................................................. 3 2.1神经网络控制 ...................................................................................... 3 2.2常规 PID 算法 . (6)2.3 神经 PID 控制 (10)3基于神经网络 PID 算法的温室温度控制系统设计 . ............................... 16 3.1温室温度控制系统模型的建立 ........................................................ 16 3.2单神经元自适应 PID 控制系统设计实现 ....................................... 17 3.3 仿真 .................................................................................................... 21结论 ...................................................................................................................... 26致谢 ...................................................................................................................... 27参考文献 .............................................................................................................. 28附录 A PID 程序 .............................................................................................. 29附录 B 基于神经网络的 PID 程序 .. (31)1绪论1.1 本论文的背景和意义随着社会的发展, 各种农作物温室和园艺温室的数量在不断的增加, 温室也成为设施农业中一个最主要、最关键的生产设施之一。
基于模糊神经网络滑模变结构的供暖室温控制研究在冬季的严寒中，供暖系统就像是守护我们温暖家园的火炉。
然而，传统的供暖室温控制方式往往像是一个笨拙的巨人，难以精确地调节温度，让我们在寒冷与炎热之间徘徊。
因此，如何让这个“巨人”变得更加灵活和智能，成为了一个重要的研究课题。
近年来，一种名为“模糊神经网络滑模变结构”的控制方法应运而生，它就像是一位聪明的指挥家，能够准确地指挥供暖系统的工作。
这种方法结合了模糊逻辑、神经网络和滑模变结构三种技术，使得供暖系统能够更加精确地调节温度。
首先，模糊逻辑就像是一双敏锐的眼睛，能够准确地判断当前的温度状态。
它通过模糊化处理，将连续的温度值转化为模糊集合，从而更好地描述温度的变化趋势。
然后，神经网络就像是一位聪明的大脑，能够根据模糊逻辑的判断结果，自动调整供暖系统的输出功率。
最后，滑模变结构就像是一位果断的决策者，能够在关键时刻做出正确的决策，保证供暖系统的稳定运行。
这种基于模糊神经网络滑模变结构的供暖室温控制方法具有很多优点。
首先，它能够提高供暖系统的响应速度和稳定性。
其次，它能够降低能源消耗，实现节能减排。
再次，它能够提高用户的舒适度，让用户享受到更加舒适的生活环境。
然而，这种方法也存在一些局限性。
例如，它的控制算法相对复杂，需要较高的计算能力和存储空间。
此外，它的实施成本也相对较高，可能会影响其在实际应用中的推广。
总的来说，基于模糊神经网络滑模变结构的供暖室温控制方法是一种具有广阔应用前景的技术。
它不仅能够提高供暖系统的性能，还能够为用户带来更好的生活体验。
然而，我们也需要看到它的局限性，并在未来的研究中努力克服这些问题。
在这个寒冷的冬季，让我们一起期待这种新技术为我们带来的温暖吧！。
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.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{)(k e}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P K，I K和D K。
本方案采用的是经典增量
式数字PID控制。
−
+
+
−
−
+
−
=)
(
[
)
(
)]
1
(
)
(
[
)1
(
)
(k
e
K
k
e
K
k
e
k
e
K
k
u
k
u
D
I
P
)]
2
(
)1
(
2−
+
−k
e
k
e
式中：
P
K，I K和D K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
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
/(
)
(+
=−TS
Ke
s
G sτ
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。
图2 整体控制工作流程图
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）
ldl003605@。
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)(k r 和)(k y ，则有)()()(k y k r k e −=； 4) 对)(k e 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)(p k K ，)(I k K 和)(
D k 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)(k u ，参与控制计算；
7) 计算预算输出和预算输出对)(k u 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τ=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。
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t ×104
1.41.21.00.80.60.40.20
1 2 3 4 5 6
1.4
1.21.00.80.60.40.20
1 2 3 4 5 6 4
图4
1.4
1.21.00.80.60.40.20
1 2 3 4 5 6
时间t ×10
4 1.4
1.21.00.80.60.40.2时间t ×104
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,2001,40(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
(iyang 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 characteristic, 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。
