CN112925207A - 一种基于参数辨识的温室环境温度自适应方法 - Google Patents
一种基于参数辨识的温室环境温度自适应方法 Download PDFInfo
- Publication number
- CN112925207A CN112925207A CN202110150110.6A CN202110150110A CN112925207A CN 112925207 A CN112925207 A CN 112925207A CN 202110150110 A CN202110150110 A CN 202110150110A CN 112925207 A CN112925207 A CN 112925207A
- Authority
- CN
- China
- Prior art keywords
- model
- adaptive
- output
- environment temperature
- greenhouse environment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003044 adaptive effect Effects 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于参数辨识的温室环境温度自适应方法,属于智能农业技术领域;确定被控对象的模型结构,设计出相应的控制器用以满足所需性能要求。使用的参数识别在线估计控制对象的参数值,并替换在控制器用于参数的估计值,用于达到控制该系统的真正效果。使用MATLAB/SIMULINK对本文提出的自适应温室温度控制系统进行仿真并分析仿真效果。自适应控制属于智能控制的一种,它通过不断检测被控对象的变化情况,相应的调整控制参数,让整体的系统达到最优或次优的状态。在一定范围内它可以稳定预测误差、及时有效地更新预测模型、提高温室的预测和控制精度。
Description
技术领域
本发明涉及智能农业技术领域,特别涉及一种基于参数辨识的温室环境温度自适应方法。
背景技术
温室环境控制系统是一个多耦合、非线性和具备较大滞后性能特性的复杂动态系统,是一种主要应用于计算机的综合控制技术。其控制的目的最终是为了得到一个理想的利于作物生长的环境。这种技术在资源节约方面可以实现工业化规模生产方式,而且有着优质、高效、低耗等优点,当下温室智能控制主要采用的方法有:模糊控制、神经网络和混合控制等。
模糊控制对于所研究的对象并不需要建立精确的数学模型,过度时间短、超调小、响应速度快,而且在调节速度和鲁棒性方面优于PID控制,但只能实现粗略控制。采用遗传算法对模糊控制规则进行优化,模糊控制规则中加入遗传算法的调控,在避免了优化过程中早熟现象的基础上提高了优化速率。模糊控制有着模糊逻辑推理能力,而神经网络强大的学习能力则可避免模糊控制的缺陷,能更好的适应温室系统的非线性和时变特性。现有技术中利用模糊神经网络控制器调节温室的温度因子,采用遗传算法优化高斯隶属函数,改善了中心值和阈宽,而且对网络权值进一步优化,使得控制器在学习和调整能力方面都有所提高。
自适应控制属于智能控制的一种,通过不断检测被控对象的变化情况,相应的调整控制参数,让整体的系统达到最优或次优的状态。
针对现有技术中存在的问题,本发明提出一种基于参数辨识的温室环境温度自适应方法,对模型的参数和状态进行在线估计,达到对温室温度的有效控制。
发明内容
本发明的目的在于提供一种基于参数辨识的温室环境温度自适应方法,对模型的参数和状态进行在线估计,达到对温室温度的有效控制。
本发明提出一种基于参数辨识的温室环境温度自适应方法,包含以下步骤:
S1:建立温室环境温度的数学模型,使用MATLAB自带的系统辨识工具箱对模型中的假定参数进行辨识,得到温室模型的传递函数表达式;
S2:设计模型参考自适应控制系统进行反馈参数的自适应调整,并验证一阶自适应系统的稳定性;
S3:将研究对象模型的传递函数代入整体的仿真模型中,再经由编写的程序输出仿真结果,表明控制系统的参数和两个模型之间的误差都随着时间收敛,且被控对象模型在经过自适应调节后的输出逐渐逼近于参考模型的输出。
进一步地,所述步骤S1中温室环境温度的数学模型由具有纯滞后的一阶惯性环节表示,其传递函数为:
G(s)=Ke-τs/(Ts+1) (1-1)
其中,K为静态增益,T为时间常数,τ为纯滞后时间。
进一步地,所述步骤S2中模型参考自适应控制系统由参考模型、被控对象、反馈控制器和自适应机构组成;所述被控对象和反馈控制器组成的反馈回路构成了内回路,所述反馈控制器与自适应机构组成外回路,用于调整所述反馈控制器的参数,所述参考模型的输出用于表示对象输出如何响应参考输入信号r。
进一步地,控制系统参数的自适应调整步骤如下:
将参考输入r(t)同时加到系统和模型的入口,运行系统的输出响应y(t)与模型的输出响应ym(t),产生偏差信号e(t),由偏差信号e(t)驱动自适应机构进行调节,改变控制器的参数,促使系统的输出y(t)逐步与模型输出ym(t)接近,直至y(t)=ym(t)为止,即e(t)=0时,自适应调整过程自动停止,控制系统参数自动整定完毕。
进一步地,参考模型取KmG(s),其中,Km为使模型输出达到期望状态的增益;当系统受到干扰时,被控对象的增益Kp发生变化,其动态特性与参考模型的动态特性之间发生偏离;设置可调节的增益Kc(t)补偿由Kp的变化所造成的影响,使得Kc(t)与Kp的乘积始终与模型的增益Km相一致。
进一步地,采用梯度法进行可调节的增益Kc(t)的自适应调整,所述自适应机构调整Kc(t)的规律如下所示:
当参考模型与可调系统完全匹配时,有
yρ=ym (1-2)
即
km=kpkc * (1-3)
式中,kc *为匹配时kc的取值;
确定Kc(t)的调节规律,定义输出误差:
e(t)=ym-yρ (1-4)
取性能指标函数为:
令Kc(t)的变化方向为使J在参数空间下降最快的方向,即负梯度方向:
E(s)=(km-kckp)G(s)yr(s) (1-7)
响应的时域表达式为:
e(t)=(km-kckp)G(p)yr(t) (1-8)
ym=kmG(p)yr(t) (1-9)
yp=kckpG(p)yr(t) (1-10)
上述两式相互比较,得
等式两端对kc求偏导,得
将此式代入式(1-6),有
式中,μ=λkp/km为自适应增益;
从式(1-13)可以看出,μ中的λ和km设定后,μ将为一常数,当输入yr为恒值时,ym的稳定值也为恒值,所以kc(t)将根据e(t)的变化而产生调整作用,作用方向是使e(t)变小,直至为零。
进一步地,所述步骤S2中验证稳定性的方法为:
假定t=t0时,y和ym均为零,且kckp≠km,给系统一个输出幅度为R的阶跃信号,则t0之后参考模型的输出为:
ym=kmR(1-e-t/T) (1-17)
所以自适应调节律为:
对开环广义误差方程求导数得:
将公式(a)代入公式(b)中有:
当t→∞时,式1-20的第三项e的系数趋向于kpkkmR2,即有:
与现有技术相比,本发明具有如下显著优点:
本发明以温室环境温度模型为研究对象,建立相关的数学模型,在模型给定的情况下,选择使用MATLAB自带的系统辨识工具箱对模型中假定的参数进行辨识,将3个月共90组数据分别进行了处理和模型辨识操作,最后成功得到温室模型的传递函数表达式。根据温室模型设计相关的模型参考自适应控制系统,其中包括有对系统的结构设计,有利于在SIMULINK仿真时对模型的分模块设计,当自适应控制系统进行整体组合时根据已有的结构将会非常便利。对自适应控制器设计时用到的原理则有利于自适应执行机构的仿真;最后进行的稳定性检验以保证所设计出的自适应控制系统基本稳定。将已经求得的研究对象模型的传递函数代入整体的仿真模型中,再经由所编写的程序输出仿真结果,结果表明控制器的参数和两个模型之间的误差都随着时间收敛。而且被控对象模型在经过自适应调节后的输出逐渐逼近于参考模型的输出,便达到了系统的自适应控制目的。
附图说明
图1是本发明实施例提供的控制系统结构图;
图2是本发明实施例提供的传递函数图;
图3是本发明实施例提供的数据预处理采样图;
图4是本发明实施例提供的误差修正图;
图5是本发明实施例提供的偏差方差权衡常数选取图;
图6是本发明实施例提供的整体的SIMULINK仿真结构图;
图7是本发明实施例提供的示波器展现模型的输出曲线图;
图8是本发明实施例提供的控制器的参数和两个模型之间的误差收敛图;
图9本发明实施例提供的自适应调节后的输出逐渐逼近于参考模型的输出图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
参照图1-9,本发明提供了一种基于参数辨识的温室环境温度自适应方法,包括以下步骤:
S1:建立温室环境温度的数学模型,使用MATLAB自带的系统辨识工具箱对模型中的假定参数进行辨识,得到温室模型的传递函数表达式,由具有纯滞后的一阶惯性环节表示,其传递函数为:
G(s)=Ke-τs/(Ts+1) (1-1)
其中,K为静态增益,T为时间常数,τ为纯滞后时间。在确定模型结构的基础上,选择使用MATLAB自带的系统辨识工具箱进行参数辨识的操作。
S2:设计模型参考自适应控制系统进行反馈参数的自适应调整,并验证一阶自适应系统的稳定性;
S3:将研究对象模型的传递函数代入整体的仿真模型中,再经由编写的程序输出仿真结果,表明控制系统的参数和两个模型之间的误差都随着时间收敛,且被控对象模型在经过自适应调节后的输出逐渐逼近于参考模型的输出。
实施例1
参照图1,模型参考自适应控制是一种自适应控制形式。其中参考模型的设计可以根据被控对象结构和控制要求。使其输出表达对输入指令的期望响应,然后通过模型输出与被控对象输出之差来调整控制器参数,使差值趋向于零,也就是使对象输出向模型输出靠近,最终达到完全一致。所述步骤S2中模型参考自适应控制系统由参考模型、被控对象、反馈控制器和自适应机构组成;所述被控对象和反馈控制器组成的反馈回路构成了内回路,所述反馈控制器与自适应机构组成外回路,用于调整所述反馈控制器的参数,所述参考模型的输出用于表示对象输出如何响应参考输入信号r。控制系统参数的自适应调整步骤如下:
将参考输入r(t)同时加到系统和模型的入口,由于对象的初始参数未知,控制器的初始参数可能存在偏差。故在一开始,运行系统的输出响应y(t)与模型的输出响应ym(t),产生偏差信号e(t),由偏差信号e(t)驱动自适应机构进行调节,改变控制器的参数,促使系统的输出y(t)逐步与模型输出ym(t)接近,直至y(t)=ym(t)为止,即e(t)=0时,自适应调整过程自动停止,控制系统参数自动整定完毕。
实施例2
本申请中自适应调整律的设计使用的是梯度法。梯度法是参数优化方法的其中一种算法,它的设计原则是构造由广义误差和可调功能的目标函数,并且可以被看作在可调参数空间中的超曲面。参数优化方法被用于逐步降低目标函数。可调谐系统和参考模型之间的一致性要求被满足,直到目标函数达到最小值或最小值附近。
参考模型取KmG(s),其中,Km为使模型输出达到期望状态的增益;当系统受到干扰时,被控对象的增益Kp发生变化,其动态特性与参考模型的动态特性之间发生偏离;由于Kp的变化不是可测量的,为了克服由Kp的漂移所造成的影响,设置可调节的增益Kc(t)补偿由Kp的变化所造成的影响,使得Kc(t)与Kp的乘积始终与模型的增益Km相一致。
采用梯度法进行可调节的增益Kc(t)的自适应调整,所述自适应机构调整Kc(t)的规律如下所示:
当参考模型与可调系统完全匹配时,有
yρ=ym (1-2)
即
km=kpkc * (1-3)
式中,kc *为匹配时kc的取值;
确定Kc(t)的调节规律,定义输出误差:
e(t)=ym-yρ (1-4)
取性能指标函数为:
令Kc(t)的变化方向为使J在参数空间下降最快的方向,即负梯度方向:
E(s)=(km-kckp)G(s)yr(s) (1-7)
响应的时域表达式为:
e(t)=(km-kckp)G(p)yr(t) (1-8)
ym=kmG(p)yr(t) (1-9)
yp=kckpG(p)yr(t) (1-10)
上述两式相互比较,得
等式两端对kc求偏导,得
将此式代入式(1-6),有
式中,μ=λkp/km为自适应增益;
从式(1-13)可以看出,μ中的λ和km设定后,μ将为一常数,当输入yr为恒值时,ym的稳定值也为恒值,所以kc(t)将根据e(t)的变化而产生调整作用,作用方向是使e(t)变小,直至为零。经过一系列公式演算可以得知,采用MIT法设计的自适应规律是由一个乘法器和一个积分器组合得到。
实施例3
所述步骤S2中验证稳定性的方法为:
假定t=t0时,y和ym均为零,且kckp≠km,给系统一个输出幅度为R的阶跃信号,则t0之后参考模型的输出为:
ym=kmR(1-e-t/T) (1-17)
所以自适应调节律为:
对开环广义误差方程求导数得:
将公式(a)代入公式(b)中有:
当t→∞时,式1-20的第三项e的系数趋向于kpkkmR2,即有:
实施例4
采用无线传感器网络监测空气温度、空气湿度、土壤温度、土壤水分、光照强度、空气中二氧化碳浓度。在监测基地设置3个温室/大棚、3个监测节点(C10灌溉控制,C10监测,C10温室控制节点)、11个控制设备和2个摄像头。其中控制设备可以对温室中的多种环境因素进行补偿或削减作用,而摄像头则可以实时的观察到温室内部作物的生长情况。基地气象站的数据将会每分钟自动刷新一次,基地的监测节点和控制设备全部正常工作。选取了其中C10监测节点中记录的空气温度数据(2017-04-06至2017-07-05)。所述温度数据是按照每5~6分钟记录一次,所以一天的温室温度变化情况由240~288个数据进行描述。将连续的24时数据整体进行研究,总共可以得到三个月时间约90组数据描述的温室温度变化情况。
选择使用MATLAB自带的系统辨识工具箱对得到的90组数据分别进行参数辨识的操作。首先导入数据,即使用数据导入(import data)将数据导入数据视图(Data Views)中,得到mydata(这里使用2017/4/12-2017/4/13的温度数据为例)。
然后数据的预处理操作开始,在该系统中识别,以达到识别效果,输入和输出数据需要有独立的开始时间,并且具有平均值为零的统计特性。然而,实际测得的数据被随机地随时间采样,所以需要进行数据预处理,即去平均该数据以获得mydatad和再采样处理,以获得mydatadc。如图3。
输入的数据为简单的时间序列,输出的数据为温度数据,将数据预处理完成后,开始进行对数据的模型估算。模型估算操作列表中选择过程模型(Process Models)选项。在过程模型窗口中进行合理的设定用以达到更好的参数辨识效果。
选择引入扰动模型,在建模过程中,由于多种因素的随机效应误差。此外,这种错误是代偿,只能被减弱,无法消除,所以它只能设法减少它。引入随机误差项可以使模型获得一个概率上的修正,从而使模型更加精确。经试验得知2阶扰动效果好于1阶,如图4。
在过程模型窗口中,初始条件(initial condition)和协方差(Covariance)都选取估计(Estimate)选项较为合适,同时需要选择正则化选项(regularization)。正则化主要应用于偏差(Bias)和方差(Variance)的选取权衡,即偏差方差权衡常数(lambda)的选取。经过多次试验可得偏差方差权衡常数(lambda)选取0.01时参数的辨识效果达到最佳情况。
将其中的差方差权衡常数(lambda)分别设定为0.001、0.01、0.1、1、10、100、1000这七个数值,如图5便可以得知当lambda选取为0.01时,参数辨识有着最好的效果。
经过这一系列的对比和选择,可以得到以2017/4/12-2017/4/13的温度数据进行参数辨识得到的一阶惯性方程中,静态增益K=-0.12606;时间常数T=39.7492。按照此思路将剩余的89组数据分别进行参数辨识,并且将辨识的结果制成下表(其中筛选出匹配程度较高的数据,即Best Fits>=80)。
表1参数辨识记录表
根据上方的参数辨识记录表,将温室模型的静态增益K设定为-0.13411;时间常数T设定为37.4766,即最后得到的传递函数一阶惯性模型为:
对MIT规则下的一阶模型参考自适应控制系统进行SIMULINK仿真,整体的SIMULINK仿真结构图如图6所示。
设定了两个一阶惯性模型,设定的参数有:被控对象模型参数(a、b)、参考模型参数(am、bm)、自适应增益(gamma),模型参数用来调整模型,自适应增益用来调整自适应过程中收敛的速度和精度。设定这些所需参数应用于上述仿真系统,并且设置脉冲信号用于输入得到相应的曲线。
完成对整体控制系统的建立后,开始观察示波器记录的仿真结果。
在MATLAB编写MAT文件,如图7,调用仿真模型中的示波器展现模型的输出曲线。由图8可以得知控制器的参数和两个模型之间的误差都随着时间收敛。由图9可知被控对象模型在经过自适应调节后的输出逐渐逼近于参考模型的输出,达到了一阶系统的自适应控制目的。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (7)
1.一种基于参数辨识的温室环境温度自适应方法,其特征在于,包括以下步骤:
S1:建立温室环境温度的数学模型,使用MATLAB自带的系统辨识工具箱对模型中的假定参数进行辨识,得到温室模型的传递函数表达式;
S2:设计模型参考自适应控制系统进行反馈参数的自适应调整,并验证一阶自适应系统的稳定性;
S3:将研究对象模型的传递函数代入整体的仿真模型中,再经由编写的程序输出仿真结果,表明控制系统的参数和两个模型之间的误差都随着时间收敛,且被控对象模型在经过自适应调节后的输出逐渐逼近于参考模型的输出。
2.根据权利要求1所述的一种基于参数辨识的温室环境温度自适应方法,其特征在于,所述步骤S1中温室环境温度的数学模型由具有纯滞后的一阶惯性环节表示,其传递函数为:
G(s)=Ke-τs/(Ts+1) (1-1)
其中,K为静态增益,T为时间常数,τ为纯滞后时间。
3.根据权利要求1所述的一种基于参数辨识的温室环境温度自适应方法,其特征在于,所述步骤S2中模型参考自适应控制系统由参考模型、被控对象、反馈控制器和自适应机构组成;所述被控对象和反馈控制器组成的反馈回路构成了内回路,所述反馈控制器与自适应机构组成外回路,用于调整所述反馈控制器的参数,所述参考模型的输出用于表示对象输出如何响应参考输入信号r。
4.根据权利要求3所述的一种基于参数辨识的温室环境温度自适应方法,其特征在于,控制系统参数的自适应调整步骤如下:
将参考输入r(t)同时加到系统和模型的入口,运行系统的输出响应y(t)与模型的输出响应ym(t),产生偏差信号e(t),由偏差信号e(t)驱动自适应机构进行调节,改变控制器的参数,促使系统的输出y(t)逐步与模型输出ym(t)接近,直至y(t)=ym(t)为止,即e(t)=0时,自适应调整过程自动停止,控制系统参数自动整定完毕。
5.根据权利要求1所述的一种基于参数辨识的温室环境温度自适应方法,其特征在于,参考模型取KmG(s),其中,Km为使模型输出达到期望状态的增益;当系统受到干扰时,被控对象的增益Kp发生变化,其动态特性与参考模型的动态特性之间发生偏离;设置可调节的增益Kc(t)补偿由Kp的变化所造成的影响,使得Kc(t)与Kp的乘积始终与模型的增益Km相一致。
6.根据权利要求5所述的一种基于参数辨识的温室环境温度自适应方法,其特征在于,采用梯度法进行可调节的增益Kc(t)的自适应调整,所述自适应机构调整Kc(t)的规律如下所示:
当参考模型与可调系统完全匹配时,有
yρ=ym (1-2)
即
km=kpkc * (1-3)
式中,kc *为匹配时kc的取值;
确定Kc(t)的调节规律,定义输出误差:
e(t)=ym-yρ (1-4)
取性能指标函数为:
令Kc(t)的变化方向为使J在参数空间下降最快的方向,即负梯度方向:
E(s)=(km-kckp)G(s)yr(s) (1-7)
响应的时域表达式为:
e(t)=(km-kckp)G(p)yr(t) (1-8)
ym=kmG(p)yr(t) (1-9)
yp=kckpG(p)yr(t) (1-10)
上述两式相互比较,得
等式两端对kc求偏导,得
将此式代入式(1-6),有
式中,μ=λkp/km为自适应增益;
从式(1-13)可以看出,μ中的λ和km设定后,μ将为一常数,当输入yr为恒值时,ym的稳定值也为恒值,所以kc(t)将根据e(t)的变化而产生调整作用,作用方向是使e(t)变小,直至为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150110.6A CN112925207A (zh) | 2021-02-03 | 2021-02-03 | 一种基于参数辨识的温室环境温度自适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150110.6A CN112925207A (zh) | 2021-02-03 | 2021-02-03 | 一种基于参数辨识的温室环境温度自适应方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112925207A true CN112925207A (zh) | 2021-06-08 |
Family
ID=76169747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110150110.6A Pending CN112925207A (zh) | 2021-02-03 | 2021-02-03 | 一种基于参数辨识的温室环境温度自适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112925207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114914A (zh) * | 2021-11-23 | 2022-03-01 | 上海三菱电梯有限公司 | 应用于模型参考适应控制系统中的被控对象的性能监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903068A (zh) * | 2014-04-11 | 2014-07-02 | 浙江工业大学 | 一种混合优化算法的温室能量预测方法 |
CN105182756A (zh) * | 2015-10-22 | 2015-12-23 | 东华大学 | 一种基于模型参考自适应的新型内模补偿控制系统 |
CN106842914A (zh) * | 2016-12-12 | 2017-06-13 | 中国农业大学 | 一种温度控制节能处理方法、装置及系统 |
CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
CN111309083A (zh) * | 2020-03-11 | 2020-06-19 | 湖南省西瓜甜瓜研究所 | 一种苗床温室控制方法、系统及存储介质 |
-
2021
- 2021-02-03 CN CN202110150110.6A patent/CN112925207A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903068A (zh) * | 2014-04-11 | 2014-07-02 | 浙江工业大学 | 一种混合优化算法的温室能量预测方法 |
CN105182756A (zh) * | 2015-10-22 | 2015-12-23 | 东华大学 | 一种基于模型参考自适应的新型内模补偿控制系统 |
CN106842914A (zh) * | 2016-12-12 | 2017-06-13 | 中国农业大学 | 一种温度控制节能处理方法、装置及系统 |
CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
CN111309083A (zh) * | 2020-03-11 | 2020-06-19 | 湖南省西瓜甜瓜研究所 | 一种苗床温室控制方法、系统及存储介质 |
Non-Patent Citations (5)
Title |
---|
史维: "《自适应控制导论》", 30 November 1990, pages: 45 - 46 * |
熊蕊: "《信号与控制综合实验教程》", 30 November 2010 * |
程文峰: "基于WSN的嵌入式温室监控系统相关控制问题的研究", 《中国优秀博硕士学位论文全文数据库(博士)农业科技辑》 * |
程文峰: "基于WSN的嵌入式温室监控系统相关控制问题的研究", 《中国优秀博硕士学位论文全文数据库(博士)农业科技辑》, 15 July 2012 (2012-07-15) * |
谢蓉: "《先进控制理论及应用导论》", 31 August 2015, pages: 79 - 83 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114914A (zh) * | 2021-11-23 | 2022-03-01 | 上海三菱电梯有限公司 | 应用于模型参考适应控制系统中的被控对象的性能监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
CN103293953B (zh) | 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器 | |
CN104154635A (zh) | 基于模糊pid与预测控制算法的变风量室温控制方法 | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
KR20170028721A (ko) | 온실의 제어기의 파라미터 및 온실 환경을 제어하는 시스템 | |
CN109100935A (zh) | 大时滞系统的阻尼智慧pi控制方法 | |
CN111781835A (zh) | 一种镇定二阶惯性加纯滞后系统的线性自抗扰控制器设计方法 | |
CN102393645A (zh) | 一种高速电液比例调速系统的控制方法 | |
CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
Outanoute et al. | Synthesis of an Optimal Dynamic Regulator Based on Linear Quadratic Gaussian (LQG) for the Control of the Relative Humidity Under Experimental Greenhouse. | |
CN108628288A (zh) | 一种用于一阶时滞组合积分控制系统的性能评价方法 | |
CN115167102A (zh) | 一种基于并行优势动作评价的强化学习自适应pid控制方法 | |
CN107168066A (zh) | 一种温室环境自适应控制方法 | |
CN108227476A (zh) | 一种agv小车的控制方法 | |
CN116627028A (zh) | 交联电缆生产线控制方法 | |
CN102135761B (zh) | 视觉传感器参数的模糊自适应控制系统 | |
KR20180024171A (ko) | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 | |
CN109884884A (zh) | 一种系统控制品质的调整方法及相关装置 | |
US20230324885A1 (en) | Control assistance device, control system, and control assistance method | |
Shan et al. | A neural network fractional order PID controller for FOLPD process | |
CN113589862A (zh) | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 | |
Yan et al. | Design and verification of fuzzy neural network automatic control algorithm in intelligent agriculture | |
Tristán-Rodrígueza et al. | Optimization of a state feedback controller using a PSO algorithm | |
Chen et al. | Research on single neuron adaptive PID controller | |
CN106887986A (zh) | 一种基于rls算法的永磁同步电机自适应控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |
|
RJ01 | Rejection of invention patent application after publication |