CN101216715B - 用神经元网络调节参数的pid控制温度仪表及其控制方法 - Google Patents

Abstract

一种用神经元网络调节参数的PID控制温度仪表及其控制方法，在该仪表的微处理器MCU内设有预测神经元网络、调节PID参数的神经元网络、PID控制器、误差微分器及减法器。向所述神经元网络输入设定温度和控制周期；所述的预测神经元网络根据测量温度、PID控制器输出的控制量预测下一控制周期的温度；所述的调节PID参数的神经元网络依据设定温度，预测温度和测量温度，进行在线计算，输出Kp、Ki、Kd给PID控制器；PID控制器通过计算并输出控制量去控制受控对象。本发明利用神经元网络的目标函数作为评价指标，在线学习、调节优化Kp、Ki和Kd控制参数，使控制温度不断趋近于设定温度，提高了智能化和控制精度。经国家权威部门的检测，检测结果达到了0.1级温度仪表的标准。

Description

用神经元网络调节参数的PID控制温度仪表及其控制方法

技术领域

本发明涉及一种温度控制仪表，特别是用神经元网络调节控制参数的温度仪表及其控制方法。

背景技术

温度控制仪表大量应用在生化箱、烤箱、培养箱的产品中。随着我国经济技术发展，仪表将保持较为旺盛的市场需求，温度控制仪表市场逐渐由低端产品市场向高端过渡，温度控制仪表设备正进一步向数字化、智能化方向发展。

目前温度控制仪表算法多为PID算法、模糊控制算法等。PID算法在给定模型下控制稳态性能好，能消除静差。但许多受控对象由于负荷变化、特征参数或结构改变、环境温度变化等，在受控之前必需根据不同的受控体和环境，设置或整定P、I、D参数，给使用者带来了极大的不便。模糊控制是利用人工智能的方法将操作人员的调整经验作为知识存入计算机，建立模糊控制规则。利用系统输出的误差及误差的变化趋势来消除系统误差。一般情况下，单一的模糊控制方法，控制精度不会太高。

神经元网络调节参数的PID方法在温度控制仪表中应用，神经元网络能解决模型不确定性、非线性等，用传统方法难以解决的复杂系统的控制问题。PID算法有比例控制环节、微分控制环节和积分控制环节，在确定模型下控制具有稳态性能好，同时能消除静差。将神经元网络和PID控制两者结合起来，采用神经元网络调节参数的PID方法，既具有神经元网络适应模型不确定性的优点，又有PID控制的精度高和稳定性好特点。特别是应用于生化箱、烤箱、培养箱等封闭腔体的温度控制。

发明内容

本发明要解决的技术问题是用神经元网络和PID方法相结合，形成神经元网络调节参数的PID控制方法，应用于温度控制仪表中，使其达到适应性好、控制精度高的目的。

本发明采用以下技术方案实现上述目标：

用神经元网络调节参数的PID控制温度仪表，包括一个微处理器MCU，其一输入端接入模数转换、信号放大和传感器电路，微处理器MCU输出端接入显示电路、驱动电路和执行机构，其特征在于：在微处理器MCU内设有预测神经元网络、调节PID参数的神经元网络、PID控制器、误差微分器及减法器；预测神经元网络的输入端和受控对象的输入端与PID控制器的输出端相连接，预测神经元网络的输出端与调节PID参数的神经元网络的输入端相连接；调节PID参数的神经元网络的输入端与减法器的输出端相连接，误差微分器的输入端与减法器的输出端相连接，调节PID参数的神经元网络输出端与PID控制器的输入端相连接，PID控制器的输入端与减法器和误差微分器的输出端相连接，PID控制器的输出端与预测神经元网络和受控对象的输入端相连接。

用神经元网络调节参数的PID温度控制方法，其特征包括以下步骤：

a、在微处理器MCU内设定预测神经元网络、调节PID参数的神经元网络、PID控制器、减法器和误差微分器；

b、向所述微处理器MCU输入设定温度r(k)和控制周期T；

c、所述的预测神经元网络根据测量温度y(k)、PID控制器输出的控制量u(k)预测下一个控制周期的温度fy(k)；

d、所述的调节PID参数的神经元网络依据由b步的设定温度r(k)，由c步输出下一控制周期的预测温度fy(k)和前一控制周期的测量温度y(k)，进行实时计算，输出比例系数K_p、积分系数K_i、微分系数K_d给所述的PID控制器；

e、所述的PID控制器通过计算并输出控制量u(k)去控制受控对象。

所述的减法器为设在微处理器MCU内的设定温度与测量温度之差的计算模块。

所述的误差微分器为设在微处理器MCU内的本次温度误差与前次温度误差之差与控制周期的微分计算模块。

温度控制仪表的神经元网络调节参数的PID温度控制方法是控制核心，它可分为三部分：

1、PID控制器。

它根据设定r(k)与受控对象输出值y(k)构成控制误差e(k)＝r(k)-y(k)和前次误差e(k-1)作为输入，通过比例、积分和微分参数计算出控制输出量u(k)。

离散型PID控制过程表达式：

$u\left(k\right)=k_{p}e\left(k\right)+k_i\underset{j=0}{\overset{k}{\mathrm{\Σ}}}e\left(j\right)T+k_d\frac{e\left(k\right)-e(k-1)}{T}---\left(1\right)$

其中：K_p       比例系数

      K_i       积分系数

      K_d       微分系数

      e(k)     为第k次误差

      e(k-1)   为前一次误差

      u(k)     为第k次控制输出

      T        控制周期

2、调节PID参数的神经元网络

调节PID参数的神经元网络是一个3层BP网络，它能根据预测温度fy(k)与设定温度r(k)的差e(k+1)、本次测量温度误差e(k)和前次测量温度误差e(k-1)作为输入，输入为3个节点；输出为PID参数K_p、K_i和K_d，输出为3个节点；隐含层为3个节点。

神经元网络的输入层的输入为：

$O_j^{\left(1\right)}=x\left(j\right),j=\mathrm{1,2,3}$

神经元网络的隐含层的输入、输出为：

${\mathrm{net}}_i^{\left(2\right)}\left(k\right)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(2\right)}{O}_j^{\left(1\right)},i=\mathrm{1,2,3}$

$O_i^{\left(2\right)}\left(k\right)=f({\mathrm{net}}_i^{\left(2\right)}\left(k\right)$

式中，w_ij ⁽²⁾为隐含层加权系数，上角标(1)、(2)、(3)分别代表输入层、隐含层和输出层。

隐含层神经元的活化函数取正负对称函数：

$f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$

网络输出层的输入输出为：

${\mathrm{net}}_l^{\left(3\right)}\left(k\right)=\underset{i=0}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{li}}^{\left(3\right)}{O}_i^{\left(2\right)}\left(k\right)$

$O_l^{\left(3\right)}\left(k\right)=g\left({\mathrm{net}}_l^3\left(k\right)\right)$

$O_1^{\left(3\right)}\left(k\right)=k_p,l=\mathrm{1,2,3}$

$O_2^{\left(3\right)}\left(k\right)=k_i$

$O_3^{\left(3\right)}\left(k\right)=k_d$

输出层节点分别对应三个可调参数k_p，k_i，k_d。由于k_p，k_i，k_d不能为负，所以输出层神经元的活化函数取非负的函数：

$g\left(x\right)=\frac{e^x}{e^x+e^{-x}}$

取性能目标函数为：

$J_1=\frac{1}{2}{(r\left(k\right)-y\left(k\right))}^2---\left(2\right)$

按梯度下降法修正网络的权系数，即按e(k)对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项。

隐含层加权的学习算法：

${\mathrm{\Δw}}_{\mathrm{ij}}^{\left(2\right)}\left(k\right)={\mathrm{\α\Δw}}_{\mathrm{ij}}^{\left(2\right)}(k-1)+{\mathrm{\η\δ}}_i^{\left(2\right)}{O}_j^{\left(1\right)}\left(k\right)$

${\mathrm{\δ}}_i^{\left(2\right)}=f^{\′}\left({\mathrm{net}}_i^{\left(2\right)}\left(k\right)\stackrel{l=1}{\mathrm{\Σ}}{\mathrm{\δ}}_l^{\left(3\right)}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)\right)$

式中：f′(x)＝(1-f²(x))/2    i＝1，2，3

输出层加权系数的学习算法为：

Δw_li ⁽³⁾(k)＝αΔw_li ⁽³⁾(k-1)+nδ_l ⁽³⁾O_j ⁽³⁾(k)

${\mathrm{\δ}}_i^{\left(3\right)}=e\left(k\right)\mathrm{sgn}\left(\frac{\∂y\left(k\right)}{\∂\mathrm{\Δu}\left(k\right)}\right)\left(\frac{\∂\mathrm{\Δu}\left(k\right)}{{{\∂\mathrm{\ΔO}}^{\left(3\right)}}_l}\right)g^{\′}\left({{\mathrm{net}}_l}^{\left(3\right)}\left(k\right)\right)$

其中： $\frac{\∂\mathrm{\Δu}\left(k\right)}{{{\∂\mathrm{\ΔO}}_1}^{\left(3\right)}}=e\left(k\right)-e(k-1)$

$\frac{\∂\mathrm{\Δu}\left(k\right)}{{{\∂\mathrm{\ΔO}}_2}^{\left(3\right)}}=e\left(k\right)$

$\frac{\∂\mathrm{\Δu}\left(k\right)}{{{\∂\mathrm{\ΔO}}_3}^{\left(3\right)}}=e\left(k\right)-2e(k-1)+e(k-2)$

g′(x)＝g(x)(1-g(x))    l＝1，2，3

式中：η、α分别为学习速率、惯性系数。

3、预测神经网络。

预测神经网络是一个3层BP网络，和调节PID参数的神经元网络的计算过程一样。以y(k)和u(k)为神经元网络输入，输出为预测温度值fy(k)。输出为一个节点，隐含层为3个节点。

取性能目标函数：

$J_2=\frac{1}{2}{(y\left(k\right)-\mathrm{fy}\left(k\right))}^2---\left(3\right)$

按梯度下降法修正网络的加权系数，即按J₂对加权系数的负梯度方向搜索调整。

本发明是采用PID控制器、调节PID参数的神经元网络与预测神经网络相结合的方法来控制受控对象。预测神经网络以其预测温度fy(k)和测量温度y(k)之差的平方作为性能目标函数J₂来调节其网络连接的加权系数。调节PID参数的神经元网络则以设定温度r(k)与测量温度y(k)之差的平方作为性能目标函数J₁算出调节PID参数的神经元网络的加权系数，自动调节PID控制器的3个参数K_p、K_i和K_d，经PID控制器计算出控制量，作用于受控对象，从而使系统的输出接近系统的给定值。实验表明，本控制系统能在线有效地计算出K_p、K_i和K_d参数，作用于PID控制器，使得的温度控制仪表的控制性能得到改善，控制精度得到提高。

本发明的有益效果是提高了温度控制仪表的控制性能。神经元网络调节参数的PID控制方法具有预测下一时刻输出温度的功能，为调节PID参数的神经元网络提供了温度变化趋势。利用目标函数作为评价指标，能在线优化K_p、K_i和K_d参数，提高了控制精度和智能化，为用户应用提供方便。上述技术方案设计的智能温度控制仪，经国家权威部门的检测，检测结果达到了0.1级温度仪表的标准。

附图说明

图1温度控制系统示意图；

图2神经元网络调节参数的PID温度控制器结构示意图；

图3温度控制仪表电路框图；

图4调节PID参数的神经元网络结构示意图；

图5预测神经网络结构示意图；

图6调节PID参数的神经元网络程序流程框图；

图7第k次PID运算程序框图；

图8温度控制仪表电路原理图，其中8-1为电源部分电路图，8-2为控制部分电路图，8-3为显示部分电路图。

具体实施方式

封闭腔体主要进行温度控制和时间调节以保持封闭腔体的恒温。

图1.是封闭腔体的温度控制系统示意图。封闭腔体的热能由电热源产生，热能在风机的作用下由风道送入腔体，在腔体的上端有温度测量洞，洞中有测量传感器，测量腔体的温度。腔体的壳体有保温层，能防止热能的散失。传感器信号经采样、放大、V/F转换、计算，接入温度控制仪表，温度控制仪表输出控制量驱动加热源工作加热封闭腔体，使受控对象达到恒温的目的。

图2是神经元网络调节参数的PID温度控制方法结构示意图，其包括减法器1、微分器2、调节PID参数的神经元网络3、PID控制器4、预测神经元网络5和受控对象6。预测神经元网络5的输入端有PID控制器4输出的控制量u(k)和测量温度y(k)，预测神经元网络5输出预测温度fy(k)和减法器1输出的温度误差e(k)输给调节PID参数的神经元网络3，它的输出K_p、K_i和K_d参数和减法器1输出的温度误差e(k)及微分器2输出误差微分值，输入给PID控制器4，PID控制器4输出控制量u(k)作用于受控对象6。

图4和图5分别表示设在图2中的调节PID参数的神经元网络3和预测神经元网络5的结构示意图，分别由输入层j、隐含层i和输出层1组成。预测神经元网络5输入层j输入u(k)和y(k)，输出层为fy(k)。调节PID参数的神经元网络3，经辅助计算，分别输入e(k+1)和e(k)及e(k-1)，输出层输出PID参数K_p、K_i和K_d。

图3.是温度控制仪表电路框图。它包括：微处理器MCU 8、传感器12、信号放大电路10、模数转换11、显示电路14、键盘电路13、数据存储电路9、电源7包括继电器或可控硅输出电路。通过对温度传感器输出检测信号，信号放大，将这电压信号转换成频率信号(V/F)，经微处理器MCU采样。微处理器用软件对采样的温度数值信号进行滤波和线性校准，可得到受控对象的检测温度，其中温度传感器选用热电阻或热电偶。然后，将测得温度值作为输入，经预测神经元网络和调节PID参数的神经元网络输出控制参数控制增量，送入执行机构驱动加热源，对受控对象进行加热。这样构成一个闭环回路系统，控制受控对象的温度，使受控对象的温度稳定在设定温度，达到控制目的。

参看图8-2所示，微处理器8为图中的U1：采用Microchip PIC16F76，微处理器的主频为20MHz，U1程序存储空间为8K字节(14位)，192个字节的RAM，采用3.6-6伏电压供电，U1仅28各引脚，性价比高。传感器信号放大电路，由运算放大器U3和U2A，外围电阻R33、R24、R28、R29、R34及电容C5组成，U3的正输入端连接传感器输出电阻R33，U3的输出端连接电阻R28后与U2A的负输入端连接，U3的负输入端连接传感器的电阻R15和电阻R29与电容C5连接，对传感器桥路的信号进行差动放大。模数转换电路包括V/F转换电路和多路选择开关芯片U6。模拟量V转化为脉冲量F电路由运算放大器U2D、输入电阻R30和电容C12相连组成信号反相跟踪。运算放大器U2C和连接其负端的电阻R26、电容C10组成充放电电路，运算放大器U2B和三极管T5通过电阻R22连接U3B的输出端和T5的基极及外围电阻R12、R22、R37、R38、R39、R35和R25组成比较电路，向U1申请中断。A/D转换有24位。U6是多路选择开关，用于选择不同种类的传感器，如选用热电阻或热电偶。

参看图8-3所示，仪表显示电路采用动态扫描方式工作，包括微处理器U1的引脚16、17、18作为数据输出与控制信号线2、3、4、5和6作为位选择线，移位寄存器U7的输出端分别与第一排共阳极显示模块LB1-LB4的输入端相连，移位寄存器U8的输出端与第二排共阳极显示模块LB5-LB8的输入端相连，三个信号指示灯LED1-LED3及5个段选择三极管T12-T16共同组成。微处理器U1的引脚16清零信号线、17数据线、18时钟线，显示数据在时钟线18的控制下，U1通过数据线17向U7、U8移位寄存器发送数据，两个8位移位寄存器U7、U8是串连，当移位寄存器接受16位数据后，向两排显示模块输出16位显示数据。微处理器U1通过的引脚2、3、4、5和6选择哪一组显示模块工作(共分5组，LB1和LB5一组，LB2和LB6一组，LB3和LB7一组，LB5和LB8一组，LED1-LED3一组)，微处理器MCU引脚2与电阻R9相连，R9通过接插件J1、J2又与段选择三极管T12相连，三极管T12与LB1和LB5的阳极相连，控制显示模块LB1和LB5，其它组的工作过程类推。微处理器U1通过的引脚2、3、4、5和6选择哪一组显示模块工作，采用分时工作，使各组轮流显示。用4位的LED显示，采用动态扫描循环技术，少占用U1引脚。键盘电路：仪表有3个键，由MCU的3个引脚检测，3个键通过复用能实现仪表的各种功能。数据存储电路9：由24LC002 EEPROM，能存贮2k的数据，在仪表中，保存各种参数，如：密码，校表放大修正系数、温度校零参数等。输出驱动电路：输出控制类型有继电器、可控硅和固态继电器。

图6.调节PID参数的神经元网络程序流程框图。

100 更新误差

101 输入层赋值

预测温度误差x(1)、本次温度误差x(2)和前次温度误差x(3)，作为输入

x(1)＝e(k+1)，x(2)＝e(k)，x(3)＝e(k-1)

102计算神经元网络隐含层输出

I(j)＝x(1)*W_i1(j)+x(2)*W_i2(j)+x(3)*W_i3(j)    j＝1，2，3

Oh(i)＝a₁₀+a₁₁*I(i)+a₁₂*I(i)*I(i)            i＝1，2，3

其中：W_i1为加权系数

103计算神经元网络输出层输出

K(m)＝W_o1(m)*Oh(1)+W_o2(m)*Oh(2)+W_o3(m)*Oh(3)    m＝1，2，3

Ko(n)＝b_1o+b₁₁*K(n)+b₁₂*K(n)*K(n)               n＝1，2，3

其中：W_o1为加权系数

104输出PID参数K_p、K_i和K_d

K_p＝Ko(1)，K_i＝Ko(2)，K_d＝Ko(3)

105计算性能目标函数

$J_1=\frac{1}{2}{(r\left(k\right)-y\left(k\right))}^2$

106修正隐含层网络系数W_ij

$w_{\mathrm{ij}}^{\left(2\right)}\left(k\right)={w^{\left(2\right)}}_{\mathrm{ij}}(k-1)+{\mathrm{\Δw}}_{\mathrm{ij}}^{\left(2\right)}\left(k\right),i=\mathrm{1,2,3}$

107修正输出层网络系数W_1i

$w_{\mathrm{lj}}^{\left(2\right)}\left(k\right)={w^{\left(2\right)}}_{\mathrm{lj}}(k-1)+{\mathrm{\Δw}}_{\mathrm{li}}^{\left(2\right)}\left(k\right),l=\mathrm{1,2,3}$

108更新隐含层和输出层网络加权系数

通过神经元网络的自学习，不断地调整加权系数，使神经元网络输出最优的PID控制参数。

复杂函数运算处理。

在所述温度传感器非线性校正和神经元网络中的复杂函数，如隐含层神经元的活化函数：

$f\left(x\right)=\frac{e^x+e^{-x}}{e^x+e^{-x}}$

微处理器计算函数f(x)，无论从计算速度和内存容量都受到限制。在保证误差精度的情况下，采用分段拟合成二次曲线来处理，将该曲线分段拟合成两段二次曲线。

f₁(x)＝a₁₀+a₁₁×x+a₁₂×x²

f₁(x)＝a₂₀+a₂₁×x+a₂₂×x²

其中：a₁₀ a₁₁，a₁₂，a₂₀，a₂₁，a₂₂为拟合系数

这样就降低了微处理器的计算量，提高了处理速度。

微处理器MCU内PID控制实施方法

将所述的PID控制器控制量u(k)计算式(1)式简化为适合微处理器运算递推的公式：

u(k)＝a0*EN0+a1*(EN0-EN1)+a2*SMP

SMP＝a1*(EN0-EN1)+a2*SMP

其中：系数a0，a1，a2，由PID参数k_p，k_i，k_d，T计算出

EN0和EN1是本次输入误差e(k)和前次输入误差e(k-1)

图7.为第k次PID运算程序流程框图。

200 PID控制量计算程序

201判断PID参数k_p，k_i，k_d，T是否新值

否  202调用原a0，a1，a2

是  203由PID参数k_p，k_i，k_d，T计算a0，a1，a2新值

204更新温度误差

EN2＝EN1，EN1＝EN0，EN0＝e(k)

205  u＝a0*EN0

206  p1＝a1*(EN0-EN1)

207  P2＝a2*SMP

208  更新SMp

     SMP＝p1+p2

209  计算第k次u(k)

     u(k)＝u+p1+p2

210  判断u(k)是否大于0，小于1

当0＜u(k)＜1时，

例如u(k)＝0.7，此值表示：控制量u(k)输出给受控对象使其在该控制周期70％的时间内处于加热状态，30％的时间内处于停止加热状态；

当u(k)＜0时，

211  u(k)＝0，此值表示：控制量u(k)输出给受控对象使其在该控制周期内一直处于停止加热状态；

当u(k)＞1时，

212  u(k)＝1，此值表示：控制量u(k)输出给受控对象使其在该控制周期内一直处于加热状态；

213  将210步计算出的控制量u(k)输出给受控对象。

温度控制仪表软件还包括：主程序，中断服务程序，显示程序，键盘控制程序，传感器温度线性校正程序，采样数据滤波程序，超温度报警程序，EEPROM数据写入程序，控制输出程序，控制量转化程序等。

中断服务程序：从程序地址04入口，进入中断后，判断是什么中断，中断包括：定时中断和V/F中断。定时中断，3ms中断一次，主要管理着时间子程序、显示刷新子程序等。V/F中断，是通过MCU引脚PORTB，0申请完成的，MCU内部进行计数，当PORTB，0产生中断，完成A/D一次，并读出计数器的数据，作为AD转换值。

显示程序：包括正常显示、各参数输入显示，生产厂家校正显示，温度设定显示等。

键盘控制程序：主要功能是扫描键盘，约20ms一次，检测到的按下不同键，完成各种功能。KEY1键是功能键，该键能切换不同的功能；KEY2键是上升键，调节数据的增加，KEY3是下降键，调节数据的减少。

Claims (4)

1.一种用神经元网络调节参数的PID控制温度仪表，包括一个微处理器MCU，其一输入端接入模数转换、信号放大和传感器电路，微处理器MCU输出端接入显示电路、驱动电路和执行机构，其特征在于：在微处理器MCU内设有预测神经元网络、调节PID参数的神经元网络、PID控制器、误差微分器及减法器；预测神经元网络的输入端和受控对象的输入端与PID控制器的输出端相连接，预测神经元网络的输出端与调节PID参数的神经元网络的输入端相连接；调节PID参数的神经元网络的输入端与减法器的输出端相连接，误差微分器的输入端与减法器的输出端相连接，调节PID参数的神经元网络输出端与PID控制器的输入端相连接，PID控制器的输入端与减法器和误差微分器的输出端相连接，PID控制器的输出端与预测神经元网络和受控对象的输入端相连接。

2.用神经元网络调节参数的PID温度控制方法，其特征包括以下步骤：

a、在微处理器MCU内设定预测神经元网络、调节PID参数的神经元网络、PID控制器、减法器和误差微分器；

b、向所述微处理器MCU输入设定温度r(k)和控制周期T；

c、所述的预测神经元网络根据测量温度y(k)、PID控制器输出的控制量u(k)预测下一个控制周期的温度fy(k)；

d、所述的调节PID参数的神经元网络依据由b步的设定温度r(k)，由c步输出下一控制周期的预测温度fy(k)和前一控制周期的测量温度y(k)，进行实时计算，输出比例系数Kp、积分系数Ki、微分系数Kd给所述的PID控制器；

e、所述的PID控制器通过计算并输出控制量u(k)去控制受控对象。

3.根据权利要求2所述的用神经元网络调节参数的PID温度控制方法，其特征是预测神经元网络(5)以其预测温度fy(k)与测量温度y(k)之差的平方作为性能目标函数J₂来调节网络连接的加权系数。

4.根据权利要求2所述的用神经元网络调节参数的PID温度控制方法，其特征是调节PID参数的神经元网络(3)以设定温度r(k)与测量温度y(k)之差的平方作为性能目标函数J₁来调节网络连接的加权系数。

Images