CN111520878A - 一种基于rbf神经网络的空调温控系统及其控制方法 - Google Patents

一种基于rbf神经网络的空调温控系统及其控制方法 Download PDF

Info

Publication number
CN111520878A
CN111520878A CN202010369328.6A CN202010369328A CN111520878A CN 111520878 A CN111520878 A CN 111520878A CN 202010369328 A CN202010369328 A CN 202010369328A CN 111520878 A CN111520878 A CN 111520878A
Authority
CN
China
Prior art keywords
neural network
rbf neural
output
pid controller
parameters
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.)
Pending
Application number
CN202010369328.6A
Other languages
English (en)
Inventor
朱其新
陆烨
刘红俐
谢鸥
沈晔湖
牛雪梅
牛福洲
陈浩
苗静
尚文
吴永芝
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.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
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 Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN202010369328.6A priority Critical patent/CN111520878A/zh
Publication of CN111520878A publication Critical patent/CN111520878A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • 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
    • G05B13/027—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 neural networks 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于RBF神经网络的空调温控系统及其控制方法，该系统包括依次连接于系统输入端与系统输出端之间的RBF神经网络PID控制器和被控对象，采用RBF神经网络对PID控制器的参数进行自适应调整；Smith预估补偿器，连接于所述RBF神经网络PID控制器的输出端与输入端之间；以及前馈控制器，连接于所述RBF神经网络PID控制器的输出端与系统输入端之间。本发明基于RBF神经网络对PID控制器的参数进行自适应调整，同时结合Smith预估补偿器和前馈控制器，具有响应速度快、超调小、调节时间短、动态性能好、自适应强等特点，同时实现了参数在线整定，从而大大提高了其控制性能，达到了理想的控制效果。

Description

一种基于RBF神经网络的空调温控系统及其控制方法
技术领域
本发明涉及自动控制技术领域，尤其涉及一种基于RBF神经网络的空调温控系统及其控制方法。
背景技术
温度控制是决定一个空调系统是否有效的最直观的因素，智能地控制空调房间温度可以有效地提高房间内环境的舒适性。
目前，空调房间的温度控制一直是国内外研究的一个热点和难点。空调房间内的系统是一个复杂多变的系统，其温湿度、人员密度、设备散热量等参数，均具有较强的耦合性，是一种非线性、时变性、时滞性较强的复杂系统。
传统的PID控制具有结构简单易实现的优点，在工业控制中被广泛应用。但由于空调房间内的温度变化不仅与围护结构有关，还与太阳的照射、设备的散热、人员的流动等都有很大的关系，整个房间内的温度系统较为复杂，故而传统的PID控制方法难以实现高精度、高性能的控制要求，已经不能满足现在人们对是室内环境的舒适性要求。
国内外学者针对这一问题，提出了多种智能控制方法。例如，H.B.Kazemian提出的模糊自适应PID控制方法，该方法通过模糊规则的选取对其控制器参数进行了自适应选择，并取得了一定的控制效果。蒋鼎国提出的基于BP神经网络与PID相结合的控制算法，大大提高了控制系统性能，但不足之处是BP神经网络的学习速率和收敛速率较慢、训练时间过长。罗乐等人研究的温度控制的遗传算法，并进行了Multisim仿真分析，能改进控制效果。吉炜寰等人针对DFB激光器温度控制系统，采用了遗传算法和神经网络的复合控制结构，该方法综合了两种算法的优点，能在宽范围内实现温度的准确控制。周颖等人对生物发酵系统的温度控制进行了研究，提出了一种非线性的PID控制器，并利用自适应遗传算法应用于该控制器的参数寻优，具有较好的控制精度。外国工程师史密斯针对时滞系统的特性，提出一种带有纯滞后补偿环节的控制策略，即Smith预估补偿控制。袁成翔等人将Smith补偿控制器应用于变风量空调的温度的串级控制中。陈莉提出带两个补偿器进行串联来提高控制系统的稳定性。Atherton提出模糊Smith预估补偿控制器以及相关的改进策略。但这些方法的控制原理和结构较为复杂，使得控制系统参数的整定变得较为困难，不利于控制算法的推广应用。
发明内容
本发明提供一种基于RBF神经网络的空调温控系统及其控制方法，以解决上述技术问题。
为解决上述技术问题，本发明提供一种基于RBF神经网络的空调温控系统，包括依次连接于系统输入端与系统输出端之间的RBF神经网络PID控制器和被控对象，采用RBF神经网络对PID控制器的参数进行自适应调整；Smith预估补偿器，连接于所述RBF神经网络PID控制器的输出端与输入端之间；以及前馈控制器，连接于所述RBF神经网络PID控制器的输出端与系统输入端之间。
本发明还提供了一种如上所述的基于RBF神经网络的空调温控系统的控制方法，采用RBF神经网络对PID控制器的参数进行自适应调整的步骤如下：
步骤1：建立RBF神经网络的初始模型，并初始化所述初始模型中的各参数；
步骤2：采样得到系统输入r(k)以及系统输出y(k)，并根据系统输入r(k)和系统输出y(k)计算控制误差e(k)；
步骤3：计算所述初始模型的输出，根据所述初始模型的性能指标函数修正所述初始模型中的部分参数，并计算Jacobian式；
步骤4：根据所述控制误差e(k)和Jacobian式，调整所述PID控制器的比例、积分、微分系数，计算所述PID控制器的输出u(k)，更新所述被控对象的输出；
步骤5：循环执行步骤2至步骤4，直至采样时间结束。
较佳地，所述初始模型包括输入层、隐含层以及输出层，所述输入层包括n个输入节点，所述隐含层包括m个隐含节点，所述输出层包括1个输出节点。
较佳地，所述输入层包括3个输入节点，所述隐含层包括6个隐含节点，所述输出层包括1个输出节点。
较佳地，步骤1中，初始化所述初始模型中的各参数至少包括：输出权向量的初值设为10，节点中心向量的初值设为45，选择参数：网络学习速率η＝0.05，比例学习速率ηp＝0.3、积分学习速率ηi＝0.001、微分学习速率ηd＝0.1，动量因子α＝0.05。
较佳地，步骤3中，根据所述初始模型的性能指标函数修正所述初始模型中的部分参数至少包括：隐含层数据中心、标准化常数以及输出加权系数。
与现有技术相比，本发明提供的基于RBF神经网络的空调温控系统及其控制方法具有如下优点：
1.本发明基于RBF神经网络对PID控制器的参数进行自适应调整，同时结合Smith预估补偿器和前馈控制器，实现二自由度复合控制，具有响应速度快、超调小、调节时间短、动态性能好、自适应强等特点，是针对大时滞、多干扰系统控制的一次成功尝试；
2.传统PID控制无法自动在线整定PID三个控制参数，导致不能满足不同空调房间内人体舒适性对PID参数的不同要求，本发明实现了PID三个控制参数的在线整定，大大提高了其控制性能。
附图说明
图1为RBF神经网络的网络结构示意图；
图2为RBF神经网络PID控制器的系统框图；
图3为含有纯滞后的控制系统框图；
图4为理想控制系统框图；
图5为Smith预估补偿控制器的系统框图；
图6为本发明一具体实施方式中的基于RBF神经网络的空调温控系统的结构框图；
图7为图6所示的基于RBF神经网络的空调温控系统的系统框图；
图8为各类控制器的阶跃响应曲线仿真对比图。
具体实施方式
为了更详尽的表述上述发明的技术方案，以下列举出具体的实施例来证明技术效果；需要强调的是，这些实施例用于说明本发明而不限于限制本发明的范围。
本发明提供的基于RBF神经网络的空调温控系统，如图6所示，包括依次连接于系统输入端与系统输出端之间的RBF神经网络PID控制器和被控对象，采用RBF神经网络对PID控制器的参数进行自适应调整；Smith预估补偿器，连接于所述RBF神经网络PID控制器的输出端与输入端之间；以及前馈控制器，连接于所述RBF神经网络PID控制器的输出端与系统输入端之间。本发明基于RBF神经网络对PID控制器的参数进行自适应调整，同时结合Smith预估补偿器和前馈控制器，实现二自由度复合控制，具有响应速度快、超调小、调节时间短、动态性能好、自适应强等特点。
下面结合附图对本发明提出的控制系统进行逐步阐述和验证。
首先，传统PID控制器的偏差e(t)为：
e(t)＝x-y (1)
式中，x为输入值，y为实际输出值。
将偏差e(t)的比例、积分、微分进行线性组合从而构成PID控制，其控制数学模型为：
Figure BDA0002477723830000041
式中，KP为比例系数，KI为积分系数，KD为微分系数。
但当控制对象具有非线性以及随机性时，传统的PID控制方法并不能达到理想的控制效果。
因此，本申请引入了RBF神经网络模型。神经网络不仅具有非常强的非线性拟合能力，可以映射任何复杂的非线性关系，而且其学习规则简单，易于实现。上世纪80年代末，J.Moody和C.Darken提出了径向基函数RBF(Radial Basis Function)神经网络，它的结构是单隐层的三层前馈网络。由于其模拟了人类大脑中局部调整、相互覆盖接受域的神经网络结构，因此RBF神经网络是一种局部逼近型网络，而且它能以任意精度逼近任意一个目标函数。跟BP神经网络相比，当BP神经网络用于函数逼近时，其采用负梯度下降法来实现权值的调节，导致收敛速度慢且容易陷入局部极小值。而RBF神经网络在学习速度、逼近能力和分类能力均优于BP神经网络，故本申请选用了RBF神经网络。
具体地，RBF神经网络的网络结构图如图1所示，它是一种三层的前向网络，第一层为输入层，有n个输入节点，第二层为隐含层，有m个隐含节点，第三层为输出层，有1个输出节点。从第一层输入层到第三层输出层的映射为非线性，但隐含层到输出层的映射为线性，从而极大地加快了学习速度并避免了局部极小问题。
设计RBF神经网络PID控制器的方法如下：结合传统PID和RBF神经网络各自的优点，设计RBF神经网络PID控制器，通过RBF在线辨识得到梯度信息，再由梯度信息对控制系统中的PID参数进行自适应调整，从而使系统具有自适应性。
具体地，定义控制误差为：
e(k)＝r(k)-y(k) (3)
式中，r(k)为输入，y(k)为输出，e(k)为控制误差。
RBF神经网络PID控制器的系统框图如图2所示。
对式(1)进行离散化处理得：
Figure BDA0002477723830000051
即增量式PID控制器的控制算法，其中三个输入分别为：
Figure BDA0002477723830000052
控制算法的输出为：
u(k)＝u(k-1)+KPxe1+KIxe2+KDxe3 (6)
引入输入误差平方函数作为性能指标：
Figure BDA0002477723830000053
式中，KP、KI、KD采用梯度下降法进行调整：
Figure BDA0002477723830000061
Figure BDA0002477723830000062
式中，ηP、ηI、ηD为学习速率，
Figure BDA0002477723830000063
为被控对象Jacobian式，即被控对象的雅可比式，可通过神经网络辨识得到。
具体地，通过神经网络辨识得到被控对象Jacobian式的过程如下：在RBF网络结构中，X＝[x1，x2，…，xn]T是神经网络的输入量。设RBF网络的径向基向量为H＝[h1，h2，…，hj，…，hm]T，其中hj为高斯计函数：
Figure BDA0002477723830000064
式中，||·||表示欧几里得距离，Cj表示网络隐含层第j个节点的中心矢量，bj表示节点j的基宽度参数，且为大于0的数，Cj＝[cj1，cj2，…，cji，…，cjm]T，j＝1,2,…n，B＝[b1，b2，…，bm]T。网络的权向量为W＝[w1，w2，…，wj，…，wm]T辨识网络的输出为：
ym(k)＝w1h1+w2h2+…+wmhm (11)
辨识器的性能指标函数为：
Figure BDA0002477723830000065
根据梯度下降法，输出权值、节点中心及节点基宽参数的迭代算法如下：
wj(k)＝wj(k-1)+η(y(k)-ym(k))hj+α(wj(k-1)-wj(k-2)) (13)
Figure BDA0002477723830000071
bj(k)＝bj(k-1)+ηΔbj+α(bj(k-1)-bj(k-2)) (15)
Figure BDA0002477723830000072
cji(k)＝cji(k-1)+ηΔcji+α(cji(k-1)-cji(k-2)) (17)
式中，η为学习速率，α为动量因子。
利用RBF网络辨识输出近似替代系统输出，得到被控对象Jacobian式为：
Figure BDA0002477723830000073
其中，可以取x1＝u(k)。
综上，本发明可以基于RBF神经网络实现对PID控制器的参数进行自适应调整，且本发明实现了PID三个控制参数的在线整定，大大提高了其控制性能。
在此基础上，本申请还引入了Smith预估补偿器和前馈控制器。
具体地，为了解决控制系统中存在纯滞后问题，1957年O.J.Smith提出了一种预估补偿控制的方案，其针对纯滞后系统中闭环特征方程含有的滞后项，在PID反馈控制的基础上，加入了一个预估补偿环节，使得闭环特征方程不含有纯滞后项，从而提高了控制质量。
含有纯滞后的室内温度控制系统框图如图3所示，G1(s)为温度控制器的传递函数，G2(s)e-τs为被控对象的传递函数，其中G2(s)为不包含纯滞后部分的传递函数，τ为延迟时间，则e-τs为纯滞后部分的传递函数。
该温度控制系统的闭环传递函数为：
Figure BDA0002477723830000074
特征方程为：
1+G1(s)G2(s)e-τs＝0 (20)
由式(20)可以看出，特征方程中含有e-τs项，即纯滞后环节，降低了系统的稳定性。如图4所示，如果能在传递函数G2(s)之后、纯滞后环节之前把N测量出来，把该点信号反馈到控制器，即可将纯滞后环节转移到控制回路外。
理想控制系统闭环传递函数为：
Figure BDA0002477723830000081
特征方程为：
1+G1(s)G2(s)＝0 (22)
由于使用G1(s)的输出信号作为反馈信号，让该信号相应提前了τ时刻，由式(22)可以看出已经不含纯滞后项，从而控制质量得到很大的改善。但在空调房间温度控制的实际应用中，该系统为大滞后系统，会在N点出现扰动，故无法运用在实际工程中。
如图5所示，在实际工程中往往引入Smith预估补偿器G0(s)，并将其并联在PID控制器上，令
Figure BDA0002477723830000084
其中Gm(s)为被控对象的预估模型的传递函数，τm为预估滞后时间。
带Smith预估补偿控制的系统闭环传递函数为：
Figure BDA0002477723830000082
如果模型精确，可令G2(s)＝Gm(s)，τ＝τm，此时Φ(s)为：
Figure BDA0002477723830000083
由式(24)可知，与图4所示的理想控制所得到的结果一致，它们的特征方程都是：1+G1(s)G2(s)＝0。经过Smith预估补偿后，纯滞后环节已经被转到闭环控制回路之外，特征方程中已不含纯滞后项，从而加强了空调室内温度的控制，加快了响应时间。但由式(23)可知，Smith预估补偿依赖于精确的被控对象模型，如果无法满足G2(s)＝Gm(s)，τ＝τm，将引起系统动荡。为了克服这一缺点，本文将Smith预估补偿与上文所述的RBF神经网络相结合。
具体地，本申请控制系统中的研究对象为空调房间内温度控制系统，通过测试及反复试验，建立了被控对象的数学模型：
Figure BDA0002477723830000091
式中，K为放大系数，T为时间常数。
本申请中提供的基于RBF神经网络的空调温控系统的二自由度复合控制的系统框图如图7所示，其中Gc(s)则为前馈控制器的传递函数，则系统闭环的传递函数为：
Figure BDA0002477723830000092
误差传递函数为：
Figure BDA0002477723830000093
根据不变性原理，当1+G1(s)G0(s)+Gc(s)G0(s)＝0时，即可实现系统的误差为零。
由于G1(s)为PID控制器传递函数，则
Figure BDA0002477723830000094
根据式(24)、(25)、(28)以及不变性原理，设计前馈控制器，即
Figure BDA0002477723830000095
综上所述，本申请利用Smith预估补偿器解决了系统中的纯滞后问题；利用前馈控制器增强了系统的抗干扰能力，提升了控制系统的性能，保证了控制系统良好的适应性。
本发明还提供了一种如上所述的基于RBF神经网络的空调温控系统的控制方法，采用RBF神经网络对PID控制器的参数进行自适应调整的步骤如下：
步骤1：建立RBF神经网络的初始模型，本实施例中，初始模型的网络结构为3-6-1，即所述输入层包括3个输入节点，所述隐含层包括6个隐含节点，所述输出层包括1个输出节点。初始化所述初始模型中的各参数，初始化所述初始模型中的各参数至少包括：输出权向量的初值设为10，节点中心向量的初值设为45，选择参数：网络学习速率η＝0.05，比例学习速率ηp＝0.3、积分学习速率ηi＝0.001、微分学习速率ηd＝0.1，动量因子α＝0.05。
步骤2：采样得到系统输入r(k)以及系统输出y(k)，并根据系统输入r(k)和系统输出y(k)计算控制误差e(k)，具体参见式(3)部分。
步骤3：计算所述初始模型的输出，根据所述初始模型的性能指标函数修正所述初始模型中的部分参数，例如隐含层数据中心、标准化常数以及输出加权系数等，并计算Jacobian式，具体参见式(18)部分；
步骤4：根据所述控制误差e(k)和Jacobian式，调整所述PID控制器的比例、积分、微分系数，具体参见式(8)和式(9)部分，计算所述PID控制器的输出u(k)，更新所述被控对象的输出，具体参见式(6)部分；
步骤5：循环执行步骤2至步骤4，直至采样时间结束。
其原理是利用RBF神经网络来控制精确度不高的数学模型，并通过在线学习调整PID的三个控制参数KP、KI、KD，解决了控制系统的时变、非线性等问题，同时结合Smith预估补偿器，解决了系统中的纯滞后问题，最后通过前馈控制器大大增强了系统的抗干扰能力，提升了控制系统的性能，保证了控制系统良好的适应性。
具体地，下面对四种控制系统的仿真结果进行比较。
仿真系统的输入信号为阶跃响应，采样时间t＝20s，取时间常数T＝144，延迟时间τ＝30，增益系数K＝0.92，则被控对象表示为：
Figure BDA0002477723830000101
传统的PID控制参数基于单容时滞模型PID控制器参数整定计算ZN公式整定，如表1所示。根据式(30)和表1可得KP＝6.26，KI＝60，KD＝15。
表1基于单容时滞模型PID控制器参数整定计算ZN公式
Figure BDA0002477723830000102
Figure BDA0002477723830000111
RBF-PID控制中的初始的PID参数可与传统PID控制的参数相同，RBF神经网络的输入为x＝[u(k),y(k),y(k-1)]，输出为ym，输出权向量的初值取10，节点中心向量的初值设为45，选择参数：网络学习速率η＝0.05，比例学习速率ηp＝0.3、积分学习速率ηi＝0.001、微分学习速率ηd＝0.1，动量因子α＝0.05。采用上述方法即可实现RBF神经网络对PID控制器的参数的自适应调整。
RBF-Smith-PID控制中由于加入了Smith预估补偿，消除了滞后项，所以不需要微分环节，即KD＝0。其余参数可与RBF-PID控制中的一致。
根据以上KP,KI,KD以及K的值便可得出前馈控制器Gc(s)的传递函数。
采用Matlab对四种控制系统进行仿真，控制系统的仿真结果如图8所示。
由图8可以看出，传统的PID控制，其系统的超调量大，响应时间慢；加入RBF神经网络进行整定PID参数后有明显的改善，但仍然不理想；结合Smith预估补偿器，系统的超调量已有减小，响应时间也有加快；而通过本申请提出的复合控制，系统的超调量几乎为零，调节时间也远远优于其他三种控制器，与传统的PID控制相比，得到了极大的改善。
综上所述，本发明提供的基于RBF神经网络的空调温控系统及其控制方法，能够基于RBF神经网络对PID控制器的参数进行自适应调整，同时结合Smith预估补偿器和前馈控制器，实现二自由度复合控制，具有响应速度快、超调小、调节时间短、动态性能好、自适应强等特点；另外，本发明实现了PID三个控制参数的在线整定，大大提高了其控制性能。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种基于RBF神经网络的空调温控系统，其特征在于，包括依次连接于系统输入端与系统输出端之间的RBF神经网络PID控制器和被控对象，采用RBF神经网络对PID控制器的参数进行自适应调整；Smith预估补偿器，连接于所述RBF神经网络PID控制器的输出端与输入端之间；以及前馈控制器，连接于所述RBF神经网络PID控制器的输出端与系统输入端之间。
2.一种如权利要求1所述的基于RBF神经网络的空调温控系统的控制方法，其特征在于，采用RBF神经网络对PID控制器的参数进行自适应调整的步骤如下：
步骤1：建立RBF神经网络的初始模型，并初始化所述初始模型中的各参数；
步骤2：采样得到系统输入r(k)以及系统输出y(k)，并根据系统输入r(k)和系统输出y(k)计算控制误差e(k)；
步骤3：计算所述初始模型的输出，根据所述初始模型的性能指标函数修正所述初始模型中的部分参数，并计算Jacobian式；
步骤4：根据所述控制误差e(k)和Jacobian式，调整所述PID控制器的比例、积分、微分系数，计算所述PID控制器的输出u(k)，更新所述被控对象的输出；
步骤5：循环执行步骤2至步骤4，直至采样时间结束。
3.如权利要求2所述的控制方法，其特征在于，所述初始模型包括输入层、隐含层以及输出层，所述输入层包括n个输入节点，所述隐含层包括m个隐含节点，所述输出层包括1个输出节点。
4.如权利要求3所述的控制方法，其特征在于，所述输入层包括3个输入节点，所述隐含层包括6个隐含节点，所述输出层包括1个输出节点。
5.如权利要求2所述的控制方法，其特征在于，步骤1中，初始化所述初始模型中的各参数至少包括：输出权向量的初值设为10，节点中心向量的初值设为45，选择参数：网络学习速率η＝0.05，比例学习速率ηp＝0.3、积分学习速率ηi＝0.001、微分学习速率ηd＝0.1，动量因子α＝0.05。
6.如权利要求2所述的控制方法，其特征在于，步骤3中，根据所述初始模型的性能指标函数修正所述初始模型中的部分参数至少包括：隐含层数据中心、标准化常数以及输出加权系数。
CN202010369328.6A 2020-05-02 2020-05-02 一种基于rbf神经网络的空调温控系统及其控制方法 Pending CN111520878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010369328.6A CN111520878A (zh) 2020-05-02 2020-05-02 一种基于rbf神经网络的空调温控系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010369328.6A CN111520878A (zh) 2020-05-02 2020-05-02 一种基于rbf神经网络的空调温控系统及其控制方法

Publications (1)

Publication Number Publication Date
CN111520878A true CN111520878A (zh) 2020-08-11

Family

ID=71905840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010369328.6A Pending CN111520878A (zh) 2020-05-02 2020-05-02 一种基于rbf神经网络的空调温控系统及其控制方法

Country Status (1)

Country Link
CN (1) CN111520878A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112093025A (zh) * 2020-09-23 2020-12-18 江苏科技大学 一种变风量布风器风阀的控制系统及其控制方法
CN112648717A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 一种基于径向基神经网络的多区域变风量空调系统末端控制方法
CN112859588A (zh) * 2021-01-22 2021-05-28 西安交通大学 一种快速降低铅铋快堆余热排放温度的控制装置及方法
CN113283006A (zh) * 2021-05-20 2021-08-20 张家港清研检测技术有限公司 基于rbf神经网络控制燃料电池电堆多参数响应方法
CN114489182A (zh) * 2022-02-11 2022-05-13 无锡市肯恩科技有限公司 一种具有双温度检测功能的pid温度控制方法
CN115145337A (zh) * 2022-07-27 2022-10-04 沈阳农业大学 一种植物工厂温湿度控制方法与系统
CN116418261A (zh) * 2023-02-22 2023-07-11 深圳市弘粤驱动有限公司 一种基于径向基函数神经网络的电机pid控制方法
CN116627028A (zh) * 2023-07-21 2023-08-22 阳谷新太平洋电缆有限公司 交联电缆生产线控制方法
CN117316356A (zh) * 2023-10-24 2023-12-29 中国民航大学 一种复合材料构件热压罐成型工艺参数前馈补偿调控方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763035A (zh) * 2009-11-13 2010-06-30 上海电力学院 Rbf神经网络整定pid与模糊免疫控制方法
US20190309979A1 (en) * 2018-04-04 2019-10-10 International Business Machines Corporation Initialization of radial base function neural network nodes for reinforcement learning incremental control system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763035A (zh) * 2009-11-13 2010-06-30 上海电力学院 Rbf神经网络整定pid与模糊免疫控制方法
US20190309979A1 (en) * 2018-04-04 2019-10-10 International Business Machines Corporation Initialization of radial base function neural network nodes for reinforcement learning incremental control system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆烨: "基于RBF神经网络的二自由度控制器设计", 《空调系统温湿度控制方法研究》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112093025A (zh) * 2020-09-23 2020-12-18 江苏科技大学 一种变风量布风器风阀的控制系统及其控制方法
CN112648717A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 一种基于径向基神经网络的多区域变风量空调系统末端控制方法
CN112859588A (zh) * 2021-01-22 2021-05-28 西安交通大学 一种快速降低铅铋快堆余热排放温度的控制装置及方法
CN113283006A (zh) * 2021-05-20 2021-08-20 张家港清研检测技术有限公司 基于rbf神经网络控制燃料电池电堆多参数响应方法
CN114489182B (zh) * 2022-02-11 2023-05-23 无锡市肯恩科技有限公司 一种具有双温度检测功能的pid温度控制方法
CN114489182A (zh) * 2022-02-11 2022-05-13 无锡市肯恩科技有限公司 一种具有双温度检测功能的pid温度控制方法
CN115145337A (zh) * 2022-07-27 2022-10-04 沈阳农业大学 一种植物工厂温湿度控制方法与系统
CN116418261A (zh) * 2023-02-22 2023-07-11 深圳市弘粤驱动有限公司 一种基于径向基函数神经网络的电机pid控制方法
CN116418261B (zh) * 2023-02-22 2024-05-03 深圳市一本自动化有限公司 一种基于径向基函数神经网络的电机pid控制方法
CN116627028A (zh) * 2023-07-21 2023-08-22 阳谷新太平洋电缆有限公司 交联电缆生产线控制方法
CN116627028B (zh) * 2023-07-21 2023-09-29 阳谷新太平洋电缆有限公司 交联电缆生产线控制方法
CN117316356A (zh) * 2023-10-24 2023-12-29 中国民航大学 一种复合材料构件热压罐成型工艺参数前馈补偿调控方法
CN117316356B (zh) * 2023-10-24 2024-05-17 中国民航大学 一种复合材料构件热压罐成型工艺参数前馈补偿调控方法

Similar Documents

Publication Publication Date Title
CN111520878A (zh) 一种基于rbf神经网络的空调温控系统及其控制方法
Homod Analysis and optimization of HVAC control systems based on energy and performance considerations for smart buildings
Pfeiffer et al. Control of temperature and energy consumption in buildings-a review.
CN111365828A (zh) 结合机器学习实现数据中心节能温控的模型预测控制方法
JPH0628332A (ja) 制御される装置の構造を識別し、パラメータを評価する装置および２変数関数の非線形最適化問題を効率的に解く方法
CN109033585B (zh) 不确定网络控制系统的pid控制器设计方法
Jun et al. A particle swarm optimization approach for optimal design of PID controller for temperature control in HVAC
CN108895618B (zh) 基于神经网络的空调控制方法
CN112000003B (zh) 一种基于分数阶控制器的氧化槽的温度控制方法
CN109062040B (zh) 基于系统嵌套优化的预测pid方法
Gouadria et al. Comparison between self-tuning fuzzy PID and classic PID controllers for greenhouse system
Wang et al. Adaptive tuning of the fuzzy controller for robots
CN115773569A (zh) 基于自抗扰解耦的海洋平台通风系统风量控制方法
CN117093033A (zh) 基于粒子群算法优化pid参数的电阻加热炉温度控制系统
Chen et al. Optimization of ADRC Parameters Based on Particle Swarm Optimization Algorithm
CN107168066A (zh) 一种温室环境自适应控制方法
Lymperopoulos et al. Distributed adaptive control of multi-zone HVAC systems
CN116373846A (zh) 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法
Counsell et al. Robust nonlinear HVAC systems control with evolutionary optimisation
Zhuang et al. The internal mode fractional-order PID control based on neural network for the temperature of air-conditioned rooms
CN114415503A (zh) 温度大数据物联网检测与智能控制系统
CN113625557A (zh) 一种在线优化模型的hvac系统模型预测控制方法
Ivanova et al. Application of the genetic algorithm for cascade control of a HVAC system
CN113110061A (zh) 基于改进粒子群算法优化的智能灌溉模糊控制方法及系统
Zhu et al. Two-degree-of-freedom compound control based on RBF neural network for air conditioning temperature control system

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200811