CN109445484B - 一种基于猫群优化和免疫模糊pid的孵化室温度控制方法 - Google Patents
一种基于猫群优化和免疫模糊pid的孵化室温度控制方法 Download PDFInfo
- Publication number
- CN109445484B CN109445484B CN201811482290.2A CN201811482290A CN109445484B CN 109445484 B CN109445484 B CN 109445484B CN 201811482290 A CN201811482290 A CN 201811482290A CN 109445484 B CN109445484 B CN 109445484B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- immune
- pid
- algorithm
- controller
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000012447 hatching Effects 0.000 title claims abstract description 70
- 241000282326 Felis catus Species 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 70
- 238000013139 quantization Methods 0.000 claims abstract description 46
- 238000012546 transfer Methods 0.000 claims abstract description 12
- 230000005764 inhibitory process Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 55
- 238000005070 sampling Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000011056 performance test Methods 0.000 claims description 12
- 210000004027 cell Anatomy 0.000 claims description 10
- 239000000427 antigen Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 102000036639 antigens Human genes 0.000 claims description 8
- 108091007433 antigens Proteins 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 5
- 210000001744 T-lymphocyte Anatomy 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000003112 inhibitor Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 3
- 241000287828 Gallus gallus Species 0.000 description 5
- 238000011534 incubation Methods 0.000 description 5
- 244000144977 poultry Species 0.000 description 4
- 210000002257 embryonic structure Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Control Of Temperature (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,首先,以孵化室温度为被控对象,采用传递函数建立孵化室温度物理模型,设计模糊ID控制器算法的控制规则表、模糊论域、模糊语言值、隶属度函数,实现积分系数、微分系数的整定;之后使用模糊推理来逼近免疫算法中抑制细胞的抑制量,确定免疫控制规则,并设计免疫P控制器算法的免疫控制规则、模糊论域、模糊语言值、隶属度函数,实现比例系数的整定;利用猫群优化算法对免疫P控制器算法的量化因子和比例因子的取值进行智能寻优,确定量化因子、比例因子的最优值,能够对孵化室温度的精确控制,具有良好的动态和静态性能,超调量小,调节时间快,高效地实现了PID参数的自整定。
Description
技术领域
本发明属于农业与控制的交叉领域,涉及孵化室温度控制方法,具体为一种基于猫群优化和免疫模糊PID的孵化室温度控制方法。
背景技术
家禽孵化的最重要条件是适宜的温度,可以保证胚胎的正常发育。因此,能否对温度进行精确控制是衡量一个孵化室优劣的重要指标。高精度孵化室温度控制,是获得高孵化率和优质雏家禽的必要条件。若孵化室温度控制精度不够,会导致孵化室温度时而过高,时而过低。比如在高温下,胚胎发育迅速,孵化期缩短,会导致胚胎死亡率增加,雏家禽质量下降;在低温下,胚胎发育迟缓,孵化期延长,死亡率也会增加。可见过高或过低的温度都会对雏家禽的孵化率造成较大的影响。
由于孵化室温度系统难以建立精准的数学模型,所以采用常规PID控制很难保证控制精度,即使结合了Smith预估器,其调节时间仍然偏长、超调量大、控制精度不理想。使用模糊PID控制孵化室温度,虽然在很大程度上改善了温度控制效果,但是研究发现,对于比例环节的参数整定,并不适合采用模糊算法来调节。后来,有的研究提出用免疫算法来改进比例环节的参数整定,但又发现,免疫算法自身的一些关键参量先需要进行优化,对比例环节的参数进行自整定。
传统的各种PID控制器控制效果不理想、参数整定效果差,孵化室温度控制效果仍有很大的提升空间。目前,亟需有效的温度控制方法来改善孵化室温度控制的动态和静态性能,降低超调量,减少调节时间,并提高PID参数的自整定效果。为此,本发明通过以孵化室温度为被控对象,提出了一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,改进了传统PID控制器在孵化室温度控制中的缺陷。
发明内容
本发明的目的在于提供一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,包括以下步骤:以孵化室温度为被控对象,采用传递函数建立孵化室温度物理模型,由比例环节、积分环节和微分环节构成PID控制器算法,调节温度趋向于设定值;
采用模糊算法整定PID控制器算法中的积分系数和微分系数,模糊算法与PID控制器算法中积分环节和微分环节构成模糊ID控制器算法;采用免疫算法整定PID控制器算法中比例环节的比例系数,免疫算法与比例环节相结合构成免疫P控制器算法,然后使用猫群优化算法确定免疫P控制器算法的量化因子和比例因子的最优值,通过量化因子和比例因子的最优值,采用免疫P控制器算法实现孵化室温度的精准调节。
进一步的,被控对象由孵化室温度物理模型描述,采用传递函数进行建模,给出孵化室内被控温度变化量ΔT与温控机箱控制量ΔQ之间传递函数:
其中,K为增益系数;D为惯性时间常数;τ为温度响应延时。
进一步的,具体的,模糊ID控制器算法包括模糊控制规则和隶属度函数,通过模糊算法对PID控制器算法中的积分系数和微分系数进行整定,在线计算第n时刻积分系数的增量Δki(n)和微分系数的增量Δkd(n);
建立模糊ID控制器算法中的模糊控制规则:
首先给出孵化室温度的设定值Td,作为控制目标;将n时刻的孵化室温度采样数据记为T(n),将T(n)与设定值Td的偏差记为e(n),温度偏差e(n)经过微分得到偏差变化率ec(n),将温度偏差e(n)和温度偏差变化率ec(n)作为模糊算法的输入,得到模糊算法的输出:积分系数ki的增量Δki和积分系数的增量Δkd;
接着,给出温度偏差e(n)、温度偏差变化率ec(n)的模糊论域、模糊语言值,设计隶属度函数:给出温度偏差e(n)的模糊论域为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB};给出温度偏差变化率ec(n)的模糊论域为{-3,-2,-1,0,1,2,3},模糊语言值为{NB,NM,NS,O,PS,PM,PB};
给出积分系数增量Δki的模糊论域和模糊语言值,设计隶属度函数:给出积分系数增量Δki的模糊论域为{-0.36,-0.3,-0.24,-0.18,-0.12,-0.06,0,0.06,0.12,0.18,0.24,0.3,0.36},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB};制定积分系数增量Δki的模糊控制规则:根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值,制定二者组合情况下Δki的控制规则;
然后,给出微分系数增量Δkd的模糊论域和模糊语言值,设计隶属度函数:给出微分系数增量Δkd的模糊论域为{-0.24,-0.2,-0.16,-0.12,-0.08,-0.04,0,0.04,0.08,0.12,0.16,0.2,0.24},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB};制定微分系数增量Δkd的模糊控制规则:根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值,制定二者组合情况下Δkd的控制规则;
对Δki(n)和Δkd(n)分别乘以积分系数增量的比例因子α、微分系数增量的比例因子β,进行反模糊化;再分别加上常规PID参数整定方法整定出的常规PID控制器积分系数初值和微分系数初值,得到第n时刻模糊ID控制器的积分系数ki(n)和微分系数kd(n):
其中,ki0和kd0分别为常规PID控制器参数整定方法整定出的积分系数初值和微分系数初值。
进一步的,免疫P控制器算法包括免疫控制规则、隶属度函数、量化因子和比例因子,其中量化因子包括PID输出量化因子和PID输出变化率量化因子;免疫算法对为了对PID控制器中比例系数进行整定,在线计算第n时刻比例系数的增量Δkp(n),使用模糊推理来逼近免疫算法中抑制细胞的抑制量,确定免疫控制规则。
进一步的,设计免疫P控制器算法:设第m代的抗原数量为ε(m),由抗原刺激增强细胞TH的输出为TH(m),且有TH(m)=g1ε(m),其中g1>0是激励因子;抗原抑制细胞的输出为TS(m),则Ts(m)=g2f(·)ε(m),其中g2>0是抑制因子;f(·)是一个非线性函数,表示抑制细胞TS的抑制量,它的输出限制在[0,1];则细胞接受的总刺激为:S(m)=TH(m)-Ts(m)=(g1-g2f(ΔS(m)))ε(m),以偏差e(m)作为抗原数量ε(m),免疫P控制器的比例系数为g1-g2f(ΔS(m));则免疫P控制器输出为g1(1-ηf(·))e(m),免疫P控制器的比例系数为g1(1-ηf(·)),其中g1控制反应速度,η=g2/g1控制稳定效果。
进一步的,首先,确定非线性函数f(·)取值的模糊论域{-1,0,1},模糊语言值{N,Z,P},也可表示为{负,零,正},隶属度函数采用三角形隶属度,其次,使用模糊逼近和反模糊化来确定f(·),采用二维模糊逼近结构,包含两个输入变量和一个输出变量;输入变量为PID控制器算法的输出u和输出变化率Δu,输出为逼近的非线性函数模糊逼近采用以下规则:
进一步的,设计免疫P控制器的比例系数增量Δkp的控制规则:第n时刻PID控制器的输出记为u(n),经微分得到输出变化率Δu(n),u(n)和Δu(n)均作为免疫P控制器的输入值;确定PID控制器输出的模糊论域{-2,-1,0,1,2},模糊语言值{NB,NM,NS,NO,PO,PS,PM,PB},PID控制器的输出变化率的模糊论域{-2,-1,0,1,2},模糊语言值为模糊语言值{NB,NM,NS,NO,PO,PS,PM,PB},输出及输出变化率的隶属度函数均采用三角形隶属度。
进一步的,输出u(n)和输出变化率Δu(n)分别乘以PID输出量化因子ke、PID输出变化率量化因子kec进行模糊化,使用免疫P控制算法,得到第n时刻的比例系数增量Δkp(n),乘以比例因子ku将其精确化;再加上常规PID参数整定方法整定出的常规PID控制器比例系数初值,得到第n时刻免疫P控制器的比例系数kp(n):
kp(n)=kp0+Δkp(n)×ku
其中,kp0为常规PID控制器参数整定方法整定出的比例系数初值。
进一步的,利用猫群优化算法对量化因子和比例因子的取值进行寻优,以温度控制的性能测试函数为指标,找到一组相对最优的参数,提高免疫P控制器中比例系数的参数整定效果。
进一步的,基于孵化室温度偏差构造性能测试函数,以输入的形式进入猫群优化算法,性能测试函数同时也是猫群优化算法的评价指标;采用ITAE作为参数优劣评判的性能测试函数,定义如下:
其中,T为采样周期,n为当前采样时刻,e(k)为k时刻的采样误差;
通过猫群优化算法对PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku进行寻优:首先,初始化猫群的种群数、最大迭代次数、分组率、记忆池以及变化域;通过猫群优化算法的迭代解算,分别得到免疫P控制器关于ITAE的PID输出量化因子ke的寻优轨迹图、PID输出变化率量化因子kec的寻优轨迹图和比例因子ku的寻优轨迹图;在最大迭代次数范围内,查找ITAE寻优轨迹图中ITAE的最小值,获取其最小值所对应的进化代数;进而在该进化代数求解所对应的PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku的值,这些值即为ke、kec和ku的最优取值。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,首先,以孵化室温度为被控对象,采用传递函数建立孵化室温度物理模型,设计模糊ID控制器算法的控制规则表、模糊论域、模糊语言值、隶属度函数,实现积分系数、微分系数的整定;之后使用模糊推理来逼近免疫算法中抑制细胞的抑制量,确定免疫控制规则,并设计免疫P控制器算法的免疫控制规则、模糊论域、模糊语言值、隶属度函数,实现比例系数的整定;利用猫群优化算法对免疫P控制器算法的量化因子和比例因子的取值进行智能寻优,确定量化因子、比例因子的最优值,本发明所提方法可实现对孵化室温度的精确控制,具有良好的动态和静态性能,超调量小,调节时间快,高效地实现了PID参数的自整定。
附图说明
图1是本发明实例中所述孵化室温度控制流程图;
图2是本发明实例中所述孵化室温度偏差值的隶属度函数曲线;
图3是本发明实例中所述孵化室温度偏差变化率值的隶属度函数曲线
图4是本发明实例中所述积分系数增量的隶属度函数曲线;
图5是本发明实例中所述微分系数增量的隶属度函数曲线;
图6是本发明实例中所述免疫P控制器中非线性函数f(·)的隶属度函数曲线;
图7是本发明实例中所述PID控制器输出的隶属度函数曲线;
图8是本发明实例中所述PID控制器输出变化率的隶属度函数曲线;
图9是本发明实例中所述鸡孵化室温度控制的响应曲线。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明提出一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,旨在改善孵化室温度控制的动态和静态性能,降低超调量,减少调节时间,并提高PID参数的自整定效果,下面结合附图和实例对本发明做进一步说明。
附图中图1是基于猫群优化和免疫模糊PID的孵化室温度控制流程图,其具体实施方法包括以下步骤:
1、以孵化室温度为被控对象,采用传递函数建立孵化室温度物理模型;
由比例环节、积分环节和微分环节构成PID控制器算法,调节温度趋向于设定值;其比例系数kp、积分系数ki、微分系数kd均为可调节参数;
采用模糊算法整定PID控制器算法中的积分系数和微分系数,模糊算法与PID控制器算法中积分环节和微分环节构成模糊ID控制器算法;采用免疫算法整定PID控制器算法中比例环节的比例系数,免疫算法与比例环节相结合构成免疫P控制器算法,然后使用猫群优化算法来确定免疫P控制器算法的量化因子、比例因子的最优值;
被控对象由孵化室温度物理模型描述,采用传递函数进行建模,给出孵化室内被控温度变化量ΔT与温控机箱控制量ΔQ之间传递函数:
其中,K为增益系数;D为惯性时间常数;τ为温度响应延时;
如图1所示,孵化室的主要设备为温控机箱,被控对象由孵化室温度物理模型描述;
2:模糊ID控制器算法包括模糊控制规则和隶属度函数,通过模糊算法对PID控制器算法中的积分系数和微分系数进行整定,在线计算第n时刻积分系数的增量Δki(n)和微分系数的增量Δkd(n),
建立模糊ID控制器算法中的模糊控制规则,给出模糊论域、模糊语言值和隶属度函数;
具体的:孵化室的温度控制,基于监测温控机箱的实时温度采样数据,首先给出孵化室温度的设定值Td,作为控制目标;将n时刻的孵化室温度采样数据记为T(n),将T(n)与设定值Td的偏差记为e(n),温度偏差e(n)经过微分得到偏差变化率ec(n),将温度偏差e(n)和温度偏差变化率ec(n)作为模糊算法的输入;利用模糊算法得到模糊算法的输出:积分系数ki的增量Δki和积分系数的增量Δkd;
接着,给出温度偏差e(n)、温度偏差变化率ec(n)的模糊论域、模糊语言值,设计隶属度函数:给出温度偏差e(n)的模糊论域为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB},模糊语言值也可以表示为{负大,负中,负小,零负,零正,正小,正中,正大};给出温度偏差变化率ec(n)的模糊论域为{-3,-2,-1,0,1,2,3},模糊语言值为{NB,NM,NS,O,PS,PM,PB},模糊语言值也可以表示为{负大,负中,负小,零,正小,正中,正大};偏差e(n)和偏差变化率ec(n)的隶属度函数均采用三角形隶属度,分别如附图中图2和图3所示。
给出积分系数增量Δki的模糊论域、模糊语言值,设计隶属度函数:给出积分系数增量Δki的模糊论域为{-0.36,-0.3,-0.24,-0.18,-0.12,-0.06,0,0.06,0.12,0.18,0.24,0.3,0.36},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB},模糊语言值也可以表示为{负大,负中,负小,零负,零正,正小,正中,正大}。积分系数增量Δki的隶属度函数采用三角形隶属度,如附图中图4所示。
制定积分系数增量Δki的模糊控制规则。根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值,制定二者组合情况下Δki的控制规则。比如,当e(n)为NB(负大)且ec(n)为NB(负大)时,设定Δki为NB(负大)。第n时刻积分系数增量Δki(n)的详细模糊控制规则如表1所示:
表1 Δki(n)的模糊控制规则
然后,给出微分系数增量Δkd的模糊论域和模糊语言值,设计隶属度函数:给出微分系数增量Δkd的模糊论域为{-0.24,-0.2,-0.16,-0.12,-0.08,-0.04,0,0.04,0.08,0.12,0.16,0.2,0.24},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB},模糊语言值也可以表示为{负大,负中,负小,零负,零正,正小,正中,正大}。微系数增量Δkd的隶属度函数采用三角形隶属度,如附图中图5所示。
接下来,制定微分系数增量Δkd的模糊控制规则:根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值,制定二者组合情况下Δkd的控制规则。比如,当e(n)为NB(负大)且ec(n)为NB(负大)时,设定Δkd为PS(正大);第n时刻微分系数增量Δkd(n)的详细模糊控制规则如表2所示:
表2 Δkd(n)的模糊制规则
对Δki(n)和Δkd(n)分别乘以积分系数增量的比例因子α、微分系数增量的比例因子β,进行反模糊化;再分别加上常规PID参数整定方法整定出的常规PID控制器积分系数初值和微分系数初值,得到第n时刻模糊ID控制器的积分系数ki(n)和微分系数kd(n)。
其中,ki0和kd0分别为常规PID控制器参数整定方法整定出的积分系数初值和微分系数初值。
3:免疫P控制器算法包括免疫控制规则、隶属度函数、量化因子和比例因子,其中量化因子包括PID输出量化因子和PID输出变化率量化因子;免疫算法对为了对PID控制器中比例系数进行整定,在线计算第n时刻比例系数的增量Δkp(n),其主要流程包括:使用模糊推理来逼近免疫算法中抑制细胞的抑制量,确定免疫控制规则;
首先,设计免疫P控制器算法,设第m代的抗原数量为ε(m),由抗原刺激增强细胞TH的输出为TH(m),且有TH(m)=g1ε(m),其中g1>0是激励因子。抗原抑制细胞的输出为TS(m),则Ts(m)=g2f(·)ε(m),其中g2>0是抑制因子;f(·)是一个非线性函数,表示抑制细胞TS的抑制量,它的输出限制在[0,1]。则细胞接受的总刺激为:S(m)=TH(m)-Ts(m)=(g1-g2f(ΔS(m)))ε(m),以偏差e(m)作为抗原数量ε(m),免疫P控制器的比例系数为g1-g2f(ΔS(m))。则免疫P控制器输出为g1(1-ηf(·))e(m),免疫P控制器的比例系数为g1(1-ηf(·)),其中g1控制反应速度,η=g2/g1控制稳定效果。
下面具体说明免疫算法中非线性函数f(·)的确定方法。首先,确定非线性函数f(·)取值的模糊论域{-1,0,1},模糊语言值{N,Z,P},也可表示为{负,零,正},隶属度函数采用三角形隶属度,如附图中图6所示。其次,使用模糊逼近和反模糊化来确定f(·),采用二维模糊逼近结构,包含两个输入变量和一个输出变量。输入变量为PID控制器的输出u和输出变化率Δu,输出为逼近的非线性函数模糊逼近采用以下规则:
针对逼近的非线性函数使用Zadeh的模糊逻辑AND操作,并采用mom反模糊器(具体实施细节参考文献Chongfu Huang.Fuzzy Sets and Fuzzy Information–granulation Theory[M].Beijing Normal University Press,2000.),可以得到模糊控制器的输出f(·)。
其次,设计免疫P控制器的比例系数增量Δkp的控制规则。第n时刻PID控制器的输出记为u(n),经微分得到输出变化率Δu(n),u(n)和Δu(n)均作为免疫P控制器的输入值。确定PID控制器输出的模糊论域{-2,-1,0,1,2},模糊语言值{NB,NM,NS,NO,PO,PS,PM,PB},也可以表示为{负大,负中,负小,零负,零正,正小,正中,正大},PID控制器的输出变化率的模糊论域{-2,-1,0,1,2},模糊语言值为模糊语言值{NB,NM,NS,NO,PO,PS,PM,PB},也可以表示为{负大,负中,负小,零负,零正,正小,正中,正大},输出及输出变化率的隶属度函数均采用三角形隶属度,分别如附图中图7和图8所示。比例系数增量Δkp的免疫控制规则如表3:
表3 Δkp的免疫控制规则
输出u(n)和输出变化率Δu(n)分别乘以PID输出量化因子ke、PID输出变化率量化因子kec进行模糊化,使用免疫P控制算法,得到第n时刻的比例系数增量Δkp(n),乘以比例因子ku将其精确化;再加上常规PID参数整定方法整定出的常规PID控制器比例系数初值,得到第n时刻免疫P控制器的比例系数kp(n)。
kp(n)=kp0+Δkp(n)×ku
其中,kp0为常规PID控制器参数整定方法整定出的比例系数初值。
确定了免疫P控制器的控制规则和隶属度函数之后,需要确定免疫P控制器的PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku,由步骤4来实现。
4:使用猫群优化算法来确定免疫P控制器算法的量化因子和比例因子:利用猫群优化算法对量化因子和比例因子的取值进行智能寻优,以温度控制的性能测试函数为指标,找到一组相对最优的参数,提高免疫P控制器中比例系数的参数整定效果。
基于孵化室温度偏差构造性能测试函数,以输入的形式进入猫群优化算法,性能测试函数同时也是猫群优化算法的评价指标。采用ITAE,即时间绝对值误差积分性能指标,作为参数优劣评判的性能测试函数,定义如下:
其中,T为采样周期,n为当前采样时刻,e(k)为k时刻的采样误差。ITAE的值越小,则表明免疫P控制器的控制效果越好。
接下来,通过猫群优化算法对PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku进行寻优。首先,初始化猫群的种群数、最大迭代次数、分组率、记忆池以及变化域。通过猫群优化算法的迭代解算,分别得到免疫P控制器关于ITAE的PID输出量化因子ke的寻优轨迹图、PID输出变化率量化因子kec的寻优轨迹图和比例因子ku的寻优轨迹图。在最大迭代次数范围内,查找ITAE寻优轨迹图中ITAE的最小值,获取其最小值所对应的进化代数;进而在该进化代数求解所对应的PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku的值,这些值即为ke、kec和ku的最优取值。
本发明以鸡孵化室温度控制设计为例,说明基于猫群优化和免疫模糊PID的孵化室温度控制方法的应用过程。
首先,鸡孵化室温度物理模型建模。孵化室温度物理模型的相关参数为:增益系数K=1.21714,惯性时间常数D=472s,温度响应延时τ=47s。孵化室温度物理模型的传递函数为:
然后,初始化猫群的种群数、最大迭代次数、分组率、记忆池以及变化域,本专利的猫群优化参数设置如下:猫群的种群大小为100,最大迭代次数为150,分组率为0.1,变化域为0.2,记忆池大小为10。
运用本发明所提出的基于猫群优化参数的改进模糊免疫PID控制方法,得到PID控制器的三个控制参数分别为:kp=0.32,ki=0.05,kd=0.02。在Matlab中进行仿真可以得到鸡孵化室温度控制的响应曲线,如附图中图9所示。鸡孵化室温度控制的超调量σ%较小,动态性能的延迟时间td、上升时间tr、峰值时间tp、调节时间ts均较快。具体结果如表4所示:
Claims (10)
1.一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,包括以下步骤:以孵化室温度为被控对象,采用传递函数建立孵化室温度物理模型,由比例环节、积分环节和微分环节构成PID控制器算法,调节温度趋向于设定值;
采用模糊算法整定PID控制器算法中的积分系数和微分系数,模糊算法与PID控制器算法中积分环节和微分环节构成模糊ID控制器算法;采用免疫算法整定PID控制器算法中比例环节的比例系数,免疫算法与比例环节相结合构成免疫P控制器算法,然后使用猫群优化算法确定免疫P控制器算法的量化因子和比例因子的最优值,通过量化因子和比例因子的最优值,采用免疫P控制器算法实现孵化室温度的精准调节。
3.根据权利要求2所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,具体的,模糊ID控制器算法包括模糊控制规则和隶属度函数,通过模糊算法对PID控制器算法中的积分系数和微分系数进行整定,在线计算第n时刻积分系数的增量Δki(n)和微分系数的增量Δkd(n);
建立模糊ID控制器算法中的模糊控制规则:
首先给出孵化室温度的设定值Td,作为控制目标;将n时刻的孵化室温度采样数据记为T(n),将T(n)与设定值Td的偏差记为e(n),温度偏差e(n)经过微分得到偏差变化率ec(n),将温度偏差e(n)和温度偏差变化率ec(n)作为模糊算法的输入,得到模糊算法的输出:积分系数ki的增量Δki和微分系数的增量Δkd;
接着,给出温度偏差e(n)、温度偏差变化率ec(n)的模糊论域、模糊语言值,设计隶属度函数:给出温度偏差e(n)的模糊论域为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB};给出温度偏差变化率ec(n)的模糊论域为{-3,-2,-1,0,1,2,3},模糊语言值为{NB,NM,NS,O,PS,PM,PB};
给出积分系数增量Δki的模糊论域和模糊语言值,设计隶属度函数:给出积分系数增量Δki的模糊论域为{-0.36,-0.3,-0.24,-0.18,-0.12,-0.06,0,0.06,0.12,0.18,0.24,0.3,0.36},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB};制定积分系数增量Δki的模糊控制规则:根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值,制定二者组合情况下Δki的控制规则;
然后,给出微分系数增量Δkd的模糊论域和模糊语言值,设计隶属度函数:给出微分系数增量Δkd的模糊论域为{-0.24,-0.2,-0.16,-0.12,-0.08,-0.04,0,0.04,0.08,0.12,0.16,0.2,0.24},模糊语言值为{NB,NM,NS,NO,PO,PS,PM,PB};制定微分系数增量Δkd的模糊控制规则:根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值,制定二者组合情况下Δkd的控制规则;
对Δki(n)和Δkd(n)分别乘以积分系数增量的比例因子α、微分系数增量的比例因子β,进行反模糊化;再分别加上常规PID参数整定方法整定出的常规PID控制器积分系数初值和微分系数初值,得到第n时刻模糊ID控制器的积分系数ki(n)和微分系数kd(n):
其中,ki0和kd0分别为常规PID控制器参数整定方法整定出的积分系数初值和微分系数初值。
4.根据权利要求1所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,免疫P控制器算法包括免疫控制规则、隶属度函数、量化因子和比例因子,其中量化因子包括PID输出量化因子和PID输出变化率量化因子;免疫算法对PID控制器中比例系数进行整定,在线计算第n时刻比例系数的增量Δkp(n),使用模糊推理来逼近免疫算法中抑制细胞的抑制量,确定免疫控制规则。
5.根据权利要求4所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,设计免疫P控制器算法:设第m代的抗原数量为ε(m),由抗原刺激增强细胞TH的输出为TH(m),且有TH(m)=g1ε(m),其中g1>0是激励因子;抗原抑制细胞的输出为TS(m),则Ts(m)=g2f(·)ε(m),其中g2>0是抑制因子;f(·)是一个非线性函数,表示抑制细胞TS的抑制量,它的输出限制在[0,1];则细胞接受的总刺激为:S(m)=TH(m)-Ts(m)=(g1-g2f(ΔS(m)))ε(m),以偏差e(m)作为抗原数量ε(m),免疫P控制器的比例系数为g1-g2f(ΔS(m));则免疫P控制器输出为g1(1-ηf(·))e(m),免疫P控制器的比例系数为g1(1-ηf(·)),其中g1控制反应速度,η=g2/g1控制稳定效果。
6.根据权利要求5所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,首先,确定非线性函数f(·)取值的模糊论域{-1,0,1},模糊语言值{N,Z,P},也可表示为{负,零,正},隶属度函数采用三角形隶属度,其次,使用模糊逼近和反模糊化来确定f(·),采用二维模糊逼近结构,包含两个输入变量和一个输出变量;输入变量为PID控制器算法的输出u和输出变化率Δu,输出为逼近的非线性函数模糊逼近采用以下规则:
7.根据权利要求5所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,设计免疫P控制器的比例系数增量Δkp的控制规则:第n时刻PID控制器的输出记为u(n),经微分得到输出变化率Δu(n),u(n)和Δu(n)均作为免疫P控制器的输入值;确定PID控制器输出的模糊论域{-2,-1,0,1,2},模糊语言值{NB,NM,NS,NO,PO,PS,PM,PB},PID控制器的输出变化率的模糊论域{-2,-1,0,1,2},模糊语言值为模糊语言值{NB,NM,NS,NO,PO,PS,PM,PB},输出及输出变化率的隶属度函数均采用三角形隶属度。
8.根据权利要求7所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,输出u(n)和输出变化率Δu(n)分别乘以PID输出量化因子ke、PID输出变化率量化因子kec进行模糊化,使用免疫P控制算法,得到第n时刻的比例系数增量Δkp(n),乘以比例因子ku将其精确化;再加上常规PID参数整定方法整定出的常规PID控制器比例系数初值,得到第n时刻免疫P控制器的比例系数kp(n):
kp(n)=kp0+Δkp(n)×ku
其中,kp0为常规PID控制器参数整定方法整定出的比例系数初值。
9.根据权利要求1所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,利用猫群优化算法对量化因子和比例因子的取值进行寻优,以温度控制的性能测试函数为指标,找到一组相对最优的参数,提高免疫P控制器中比例系数的参数整定效果。
10.根据权利要求9所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法,其特征在于,基于孵化室温度偏差构造性能测试函数,以输入的形式进入猫群优化算法,性能测试函数同时也是猫群优化算法的评价指标;采用ITAE作为参数优劣评判的性能测试函数,定义如下:
其中,T为采样周期,n为当前采样时刻,e(k)为k时刻的采样误差;
通过猫群优化算法对PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku进行寻优:首先,初始化猫群的种群数、最大迭代次数、分组率、记忆池以及变化域;通过猫群优化算法的迭代解算,分别得到免疫P控制器关于ITAE的PID输出量化因子ke的寻优轨迹图、PID输出变化率量化因子kec的寻优轨迹图和比例因子ku的寻优轨迹图;在最大迭代次数范围内,查找ITAE寻优轨迹图中ITAE的最小值,获取其最小值所对应的进化代数;进而在该进化代数求解所对应的PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku的值,这些值即为ke、kec和ku的最优取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482290.2A CN109445484B (zh) | 2018-12-05 | 2018-12-05 | 一种基于猫群优化和免疫模糊pid的孵化室温度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482290.2A CN109445484B (zh) | 2018-12-05 | 2018-12-05 | 一种基于猫群优化和免疫模糊pid的孵化室温度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109445484A CN109445484A (zh) | 2019-03-08 |
CN109445484B true CN109445484B (zh) | 2020-09-15 |
Family
ID=65558066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811482290.2A Active CN109445484B (zh) | 2018-12-05 | 2018-12-05 | 一种基于猫群优化和免疫模糊pid的孵化室温度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109445484B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112114517A (zh) * | 2019-06-19 | 2020-12-22 | 洁誉科技(上海)股份有限公司 | 3d打印温度控制算法 |
CN112000150B (zh) * | 2020-08-11 | 2021-08-20 | 宁夏九三零生态农牧有限公司 | 一种孵化种蛋的温度控制方法、装置及设备 |
CN112083740B (zh) * | 2020-09-02 | 2022-09-23 | 浙江工业大学 | 一种基于模糊pid控制的精确施肥量控制方法 |
CN113220048B (zh) * | 2021-05-31 | 2022-07-12 | 长安大学 | 一种基于数值微分的锅炉温度调整方法与系统 |
CN113625548B (zh) * | 2021-08-11 | 2024-06-28 | 西安科技大学 | 一种基于模拟退火算法和模糊pid的元动作单元转速控制方法 |
CN115031088B (zh) * | 2022-06-27 | 2023-07-25 | 合肥工业大学 | 一种管道检测器的速度和加速度控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002066686A1 (en) * | 2001-02-19 | 2002-08-29 | Id-Lelystad, Instituut Voor Dierhouderij En Diergezondheid B.V. | Feline infectious peritonitis viruses (fipv) diagnosis |
CN201926879U (zh) * | 2011-03-02 | 2011-08-10 | 中南林业科技大学 | 基于分层结构的孵化过程模糊免疫pid控制系统 |
CN103197564A (zh) * | 2013-04-23 | 2013-07-10 | 湖南工学院 | 数字化人机界面监视单元数量优化方法及系统 |
CN105320173A (zh) * | 2015-11-04 | 2016-02-10 | 沈阳化工大学 | 一种基于混沌优化免疫模糊pid的汽提温度控制方法 |
CN105451349A (zh) * | 2015-10-16 | 2016-03-30 | 南京邮电大学 | 一种基于启发式蚁群算法的家庭基站信道分配方法 |
CN105974794A (zh) * | 2016-06-08 | 2016-09-28 | 江南大学 | 基于改进的猫群算法的离散制造车间调度方法 |
CN107942679A (zh) * | 2017-12-19 | 2018-04-20 | 中国人民解放军空军工程大学 | 基于模糊免疫神经网络算法的全向底盘控制方法 |
-
2018
- 2018-12-05 CN CN201811482290.2A patent/CN109445484B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002066686A1 (en) * | 2001-02-19 | 2002-08-29 | Id-Lelystad, Instituut Voor Dierhouderij En Diergezondheid B.V. | Feline infectious peritonitis viruses (fipv) diagnosis |
CN201926879U (zh) * | 2011-03-02 | 2011-08-10 | 中南林业科技大学 | 基于分层结构的孵化过程模糊免疫pid控制系统 |
CN103197564A (zh) * | 2013-04-23 | 2013-07-10 | 湖南工学院 | 数字化人机界面监视单元数量优化方法及系统 |
CN105451349A (zh) * | 2015-10-16 | 2016-03-30 | 南京邮电大学 | 一种基于启发式蚁群算法的家庭基站信道分配方法 |
CN105320173A (zh) * | 2015-11-04 | 2016-02-10 | 沈阳化工大学 | 一种基于混沌优化免疫模糊pid的汽提温度控制方法 |
CN105974794A (zh) * | 2016-06-08 | 2016-09-28 | 江南大学 | 基于改进的猫群算法的离散制造车间调度方法 |
CN107942679A (zh) * | 2017-12-19 | 2018-04-20 | 中国人民解放军空军工程大学 | 基于模糊免疫神经网络算法的全向底盘控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109445484A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109445484B (zh) | 一种基于猫群优化和免疫模糊pid的孵化室温度控制方法 | |
CN104154635B (zh) | 基于模糊pid与预测控制算法的变风量室温控制方法 | |
Bansal et al. | PID controller tuning techniques: a review | |
CN112327625B (zh) | 基于机器学习的不确定系统模型预测控制参数整定方法 | |
CN112947627B (zh) | 一种基于ddpg-模糊pid的温度控制方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN103197538A (zh) | 一种基于过程神经网络的孵房温度控制方法 | |
CN117970782A (zh) | 一种基于鱼鳞进化gsom改进的模糊pid控制方法 | |
Liu et al. | Two-stage method for diagonal recurrent neural network identification of a high-power continuous microwave heating system | |
CN102323750A (zh) | 嵌入式非线性脉冲协同控制器 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN106094524A (zh) | 基于输入趋势补偿的快速模型预测控制方法 | |
CN110095985B (zh) | 一种观测器设计方法和抗干扰控制系统 | |
CN111240201B (zh) | 一种扰动抑制控制方法 | |
Liu et al. | Design for fuzzy decoupling control system of temperature and humidity | |
CN105259761B (zh) | 一种基于特征模型的连续灭菌反复学习自适应控制器 | |
CN108333947B (zh) | 基于智能寻优的单调整系数预测函数控制参数整定方法 | |
CN108459501A (zh) | 一种网络环境下的基于ga-powell算法的约束广义预测控制器 | |
Outanoute et al. | Predictive control algorithm using Laguerre functions for greenhouse temperature control | |
CN113839072B (zh) | 一种燃料电池服役稳定性控制方法及系统 | |
Fu et al. | Research and Application of Precision Fertilizer Application Algorithm Based on PSO Optimized Fuzzy PID Control | |
CN117152588B (zh) | 一种数据优化方法、系统、装置及介质 | |
Zhou et al. | Fuzzy sliding-mode temperature-control system for soaking and germination of rice seeds | |
CN110032171B (zh) | 一种基于截止频率控制回路设计方法 | |
CN117057255B (zh) | 一种用于数字孪生模型在线同步的预训练模型获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210113 Address after: 1-1-505-1, Xindu building, southwest of the intersection of Weijin road and wandezhuang street, Nankai District, Tianjin Patentee after: HUIJIAWANG (TIANJIN) TECHNOLOGY Co.,Ltd. Address before: 710064 middle section of South Second Ring Road, Beilin District, Xi'an City, Shaanxi Province Patentee before: CHANG'AN University |
|
OL01 | Intention to license declared | ||
OL01 | Intention to license declared | ||
OL02 | Intention to license withdrawn | ||
OL02 | Intention to license withdrawn |