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 PDF

Info

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
Application number
CN201811482290.2A
Other languages
English (en)
Other versions
CN109445484A (zh
Inventor
朱旭
任旭东
徐伟
闫茂德
杨盼盼
左磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HUIJIAWANG (TIANJIN) TECHNOLOGY Co.,Ltd.
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201811482290.2A priority Critical patent/CN109445484B/zh
Publication of CN109445484A publication Critical patent/CN109445484A/zh
Application granted granted Critical
Publication of CN109445484B publication Critical patent/CN109445484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于猫群优化和免疫模糊PID的孵化室温度控制方法
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：
Figure BDA0001893675710000021
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)：
Figure BDA0001893675710000041
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
Figure BDA0001893675710000051
模糊逼近采用以下规则：
(1)如果u是P，且Δu是P，则
Figure BDA0001893675710000052
为N；
(2)如果u是P，且Δu是N，则
Figure BDA0001893675710000053
为Z；
(3)如果u是Z，且Δu是P，则
Figure BDA0001893675710000054
为N；
(4)如果u是Z，且Δu是N，则
Figure BDA0001893675710000055
为P；
(5)如果u是N，且Δu是P，则
Figure BDA0001893675710000056
为Z；
(6)如果u是N，且Δu是N，则
Figure BDA0001893675710000057
为P；
针对逼近的非线性函数
Figure BDA0001893675710000058
使用Zadeh的模糊逻辑AND操作，并采用mom反模糊器，得到模糊控制器的输出f(·)。
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：
Figure BDA0001893675710000061
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：
Figure BDA0001893675710000081
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
Figure BDA0001893675710000101
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
Figure BDA0001893675710000111
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)。
Figure BDA0001893675710000121
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
Figure BDA0001893675710000131
模糊逼近采用以下规则：
(1)如果u是P，且Δu是P，则
Figure BDA0001893675710000132
为N；
(2)如果u是P，且Δu是N，则
Figure BDA0001893675710000133
为Z；
(3)如果u是Z，且Δu是P，则
Figure BDA0001893675710000134
为N；
(4)如果u是Z，且Δu是N，则
Figure BDA0001893675710000135
为P；
(5)如果u是N，且Δu是P，则
Figure BDA0001893675710000136
为Z；
(6)如果u是N，且Δu是N，则
Figure BDA0001893675710000137
为P。
针对逼近的非线性函数
Figure BDA0001893675710000138
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
Figure BDA0001893675710000141
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：
Figure BDA0001893675710000151
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：
Figure BDA0001893675710000161
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：
Figure BDA0001893675710000162

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。
2.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，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：
Figure FDA0002568444030000011
其中，K为增益系数；D为惯性时间常数；τ为温度响应延时。
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)：
Figure FDA0002568444030000031
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
Figure FDA0002568444030000041
模糊逼近采用以下规则：
(1)如果u是P，且Δu是P，则
Figure FDA0002568444030000042
为N；
(2)如果u是P，且Δu是N，则
Figure FDA0002568444030000043
为Z；
(3)如果u是Z，且Δu是P，则
Figure FDA0002568444030000044
为N；
(4)如果u是Z，且Δu是N，则
Figure FDA0002568444030000045
为P；
(5)如果u是N，且Δu是P，则
Figure FDA0002568444030000046
为Z；
(6)如果u是N，且Δu是N，则
Figure FDA0002568444030000047
为P；
针对逼近的非线性函数
Figure FDA0002568444030000048
使用Zadeh的模糊逻辑AND操作，并采用mom反模糊器，得到模糊控制器的输出f(·)。
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：
Figure FDA0002568444030000051
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。
CN201811482290.2A 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 Active CN109445484B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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