CN113589862A - 一种基于网络拓扑型智能pid温度控制方法及控制芯片 - Google Patents
一种基于网络拓扑型智能pid温度控制方法及控制芯片 Download PDFInfo
- Publication number
- CN113589862A CN113589862A CN202110704318.8A CN202110704318A CN113589862A CN 113589862 A CN113589862 A CN 113589862A CN 202110704318 A CN202110704318 A CN 202110704318A CN 113589862 A CN113589862 A CN 113589862A
- Authority
- CN
- China
- Prior art keywords
- network topology
- determining
- temperature control
- control method
- pid
- 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
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
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于网络拓扑型智能PID温度控制方法,包括如下步骤:步骤1:计算得出增量式PID控制的输出增量△u(k);步骤2:确定网络拓扑NN的结构;步骤3:确定系统的实际误差err(k);步骤4:确定非线性识别器FM的数学模型;步骤5:计算和修正非线性识别器FM;步骤6:计算和修正网络拓扑NN。本发明的基于网络拓扑型智能PID温度控制方法,具有鲁棒性强、超调量小、升温时间快、温度稳定快、能通过对环境温度的变化测试其具有优秀的稳定性等优点。
Description
技术领域
本发明涉及控制技术领域,特别是涉及一种基于网络拓扑型智能PID温度控制方法及控制芯片。
背景技术
温度控制,是指通过以温度作为被控变量的开环或闭环控制系统,来实现温度高低的调节或者维持环境温度在恒定值左右。
在生物医疗领域内,温度控制应用范围非常广泛。由于生物医疗领域中,很多情况下需要将环境温度控制在一定的范围之内,甚至是很精确地范围之内,因此生物医疗领域中使用的温控设备对温度控制性能要求很高。在国内大多生产厂家未达到其使用性能要求,较多用户只能选择进口设备,而价格是高昂的。
常用PID(比例P、积分I和微分D)调节器/温控仪控制算法包括常规PID、模糊控制、神经网络、fuzzy-PID、神经网络PID、模糊神经网络、遗传PID及广义预测等算法。常规PID控制易于建立线性温度控制系统被控对象模型;模糊控制基于规则库,并以绝对或增量形式给出控制决策;神经网络控制采用数理模型模拟生物神经细胞结构,并用简单处理单元连接成复杂网络;puzzy-PID为线性控制,且结合模糊与PID控制优点。
因此,突破传统的PID控制瓶颈至关重要,传统PID控制方法对温度控制主要存在较多不足,如存在超调或温度过冲,温度调节和稳定时间太长,受环境温度变化影响较大,造成冬季和夏季产生较大的温度偏差,对用户的试验造成破坏。传统的PID控制,还存在现场PID参数整定麻烦、易受外界干扰、对于滞后大的过程控制和调节时间过长等问题。
发明内容
本发明所要解决的技术问题是提供一种鲁棒性强,超调量小,升温时间快的基于网络拓扑型智能PID温度控制方法及控制芯片。
为解决上述技术问题,本发明采用如下的技术方案。
一种基于网络拓扑型智能PID温度控制方法,其包括如下步骤:
步骤1:计算得出增量式PID控制的输出增量Δu(k);
步骤2:确定网络拓扑NN的结构;
步骤3:确定系统的实际误差err(k);
步骤4:确定非线性识别器FM的数学模型;
步骤5:计算和修正非线性识别器FM;
步骤6:计算和修正网络拓扑NN。
所述步骤1中,所述增量式PID控制的输出增量Δu(k)的计算公式为:
Δu(k)=a0e(k)-a1e(k-1)+a2e(k-2) (7)
kp为比例系数,Ti为积分时间常数,Td为微分时间常数,T为采样周期。
所述步骤2包括如下步骤:
步骤21:确定网络拓扑NN的输入节点数m、隐含节点数q和输出个数r;
步骤22:确定激活函数f(x);
步骤23:确定输出层的三个输出点;
步骤24:确定网络拓扑NN的输出层权计算公式;
步骤25:确定网络拓扑NN的隐含层权计算公式。
所述步骤22中,上述激活函数为:
所述步骤24中,网络拓扑输出层权计算公式为:
所述步骤25中,隐含层权计算公式为:
其中,i=1,2,...,q。
初定学习速率η为0.02,动量系数a为0.05,k为0,进行学习计算。
本发明还提供了一种基于如上述任一项所述控制方法的芯片。
本发明的有益效果是:
本发明公开了一种基于网络拓扑型智能PID温度控制方法及控制芯片,包括如下步骤:步骤1:计算得出增量式PID控制的输出增量Δu(k);步骤2:确定网络拓扑NN的结构;步骤3:确定系统的实际误差err(k);步骤4:确定非线性识别器FM的数学模型;步骤5:计算和修正非线性识别器FM;步骤6:计算和修正网络拓扑NN。
本发明公开了的基于网络拓扑型智能PID温度控制方法及控制芯片,其相应的温度控制系统包括信号输入、网络拓扑训练数据的激活处理、网络拓扑非线性预测调整、网络拓扑预测PID控制芯片或控制器和被控制体。本发明在于温控PID参数结合网络拓扑非线性预测方式和其激活处理法实现自适应调整,使温控响应速度快、控制精度高、动态调整效果好、自适应能力强、具有优秀的鲁棒性,达到非常理想的温控效果,克服了普通PID温度控制上随环境温度变化大而产生漂移的问题,解决了普通PID温度控制精度差、响应速度慢、自适应能力较弱、稳定性差的诸多问题。采用网络拓扑型自学习PID温度进行控制,结合网络拓扑训练数据的激活处理和对PID进行低通滤波处理,达到理想的温控效果。
本发明的基于网络拓扑型智能PID温度控制方法及控制芯片,具有鲁棒性强、超调量小、升温时间快、温度稳定快、能通过对环境温度的变化测试其具有优秀的稳定性等优点。
附图说明
图1是本发明基于网络拓扑型智能PID温度控制方法的系统框图。
图2是本发明基于网络拓扑型智能PID温度控制方法和常规普通PID方法的对比。
图3是本发明基于网络拓扑型智能PID温度控制方法的温度采集示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1-3,本发明的一种基于网络拓扑型智能PID温度控制方法,其包括如下步骤:
步骤1:计算得出增量式PID控制的输出增量Δu(k);
步骤2:确定网络拓扑NN的结构;
步骤3:确定系统的实际误差err(k);
步骤4:确定非线性识别器FM的数学模型;
步骤5:计算和修正非线性识别器FM;
步骤6:计算和修正网络拓扑NN。
所述步骤1中,所述增量式PID控制的输出增量Δu(k)的计算公式为:
Δu(k)=a0e(k)-a1e(k-1)+a2e(k-2) (7)
kp为比例系数,Ti为积分时间常数,Td为微分时间常数,T为采样周期。
所述步骤2包括如下步骤:
步骤21:确定网络拓扑NN的输入节点数m、隐含节点数q和输出个数r;
步骤22:确定激活函数f(x);
步骤23:确定输出层的三个输出点;
步骤24:确定网络拓扑NN的输出层权计算公式;
步骤25:确定网络拓扑NN的隐含层权计算公式。
所述步骤22中,上述激活函数为:
所述步骤24中,网络拓扑输出层权计算公式为:
所述步骤25中,隐含层权计算公式为:
其中,i=1,2,...,q。
初定学习速率η为0.02,动量系数a为0.05,k为0,进行学习计算。
本发明还提供了一种基于如上述所述控制方法的芯片。该芯片中包括处理器和存储器和计算机程序。该计算机程序用于执行上述的所有控制方法的一种或多种。
本发明的基于网络拓扑型智能PID温度控制方法,包括如下步骤:
步骤1:计算得出增量式PID控制的输出增量Δu(k)。
由普通PID控制算式推导出增量式PID控制算法时,输出函数u(t)如下式(1)。
式中,kp为比例系数,Ti为积分时间常数,Td为微分时间常数,e(t)为误差函数,t为时间参数。
写成传递函数G(s)形式:
U(s)为输出函数u(t)的拉普拉斯变换,E(s)为误差函数e(t)的拉普拉斯变换。
在采样周期比较小时,可把积分的等式转化为求和等式,把微分等式转化为差商等式,即做如下近似变换进行离散化:
式中的k是采样的序号,k=1,2,...,以上T为采样周期。
将上式(3)转换为离散型PID等式为:
以上(4)是PID位置算式。累加偏差e(j)需要占很大内存空间,编程也是不方便,于是转换为增量式PID,即数字控制器输出u(k)仅仅为控制量的增量,根据递推原理可得式(5)如下。
其中,ki=kp/Ti,kd=kpTd。
用式(4)减式(5),可得增量式PID控制算法:
其中,Δu(k)=u(k)-u(k-1);
式(6)进一步可改写为:
Δu(k)=a0e(k)-a1e(k-1)+a2e(k-2) (7)
步骤2:确定网络拓扑NN的结构;步骤2包括如下5步骤。
步骤21:确定网络拓扑NN的输入节点数m、隐含节点数q和输出个数r;
确定网络拓扑含有m个输入节点、q个隐含节点、r个输出,三层结构网络拓扑的输入层输出为:
隐含层输入为:
隐含层输出为:
步骤22:确定激活函数f(x);
三个节点的输入为:
步骤23:确定输出层的三个输出点;
即
取性能指标函数E(k)为:
用梯度下降法修正网络的权系数,并附加使搜索快速收敛全局极小的惯性项,则有:
η为学习率,α为惯性系数。其中:
也可以近似用符号函数sgn表示为:
由上式变换的不精确可以通过调整学习速率η来进行补偿。这样简化运算的同时可避免u(k),u(k-1)在非常接近时导致上式(14)趋近于无穷。由于是式(14)里的一个乘积因子,其符号正负取决于权值变化方向,而数值变化的大小仅影响权值变化的速度,但权值变化速度可以通过学习步长进行调节。
步骤24:确定网络拓扑NN的输出层权计算公式;
由式子:u(k)=u(k-1)+o1 (3)(e(k)-e(k-1))+o2 (3)e(k)+o3 (3)(e(k)-2e(k-1)+e(k-2))
可得式(17)如下:
进一步,得到网络拓扑输出层权计算公式(18)为
式(18)中,l=1,2,3。
步骤25:确定网络拓扑NN的隐含层权计算公式。
同理可得隐含层权计算公式为:
式(20)中,i=1,2,…,q。
步骤3:确定系统的实际误差err(k);
温度采样得到k时刻的参考系统输入r(k)和输出y(k),通过r(k)和y(k)之差,得到系统实际误差err(k)。
步骤4:确定非线性识别器FM的数学模型;
y(k)表达式为:
y(K)=f[y(k-1),y(k-2),...,y(k-ny),u(k-1),u(k-2)...,u(k-nu)]
以上y(k)表达式中,y(k)和u(k)分别为系统的输出和输入值;ny和nu为{y}和{u}的多阶。
F[y(k-1),y(k-2),...,y(k-ny),u(k-1),u(k-2)...,u(k-nu)]
为非线性函数。y(k)表达式式可改写为:
y(K)=f[y(k),y(k-1),...,y(k-ny+1),u(k),u(k-1)...,u(k-nu+1)] (22)
FM是三层BP网络拓扑含有ny+nu+1个输入节点、q个隐含节点、1个输出节点。输入层为:
隐含层为:
输出层加权系统修正式为:
式(26)中:
则最终的控制等式为:
u(k)=u(k-1)+kp(k)[e(k)-e(k-1)]
+ki(k)e(k)+kd(k)[e(k)-2e(k
-1)+e(k-2)] (29)。
1)初定学习速率η为0.02,动量系数a为0.05,k为0,进行学习计算。
2)采样得到r(k)和y(k),计算e(k)=r(k)-y(k)。
3)根据式6-11和式23-27前向计算各层神经元的输入和输出。输出为PID的三个参数。根据式29计算输出u(k)参与控制与计算。
5)采样得r(k+1)和y(k+1),计算e(k+1)=r(k+1)-y(k+1)。
步骤5:计算和修正非线性识别器FM;由式26式计算修正的FM网络的输出层和隐含层的权系数。
步骤6:计算和修正网络拓扑NN。计算修正网络NN和输出层的权系数和隐含层的权系数。
最后,置k=k+1,返回到“步骤22:确定激活函数f(x)”,直到性能指标函数满足要求。
如图1,本发明公开了的基于网络拓扑型智能PID温度控制方法及控制芯片,其相应的温度控制系统包括信号输入、网络拓扑训练数据的激活处理、网络拓扑非线性预测调整、网络拓扑预测PID控制芯片或控制器和被控制体。本发明在于温控PID参数结合网络拓扑非线性预测方式和其激活处理法实现自适应调整,使温控响应速度快、控制精度高、动态调整效果好、自适应能力强、具有优秀的鲁棒性,达到非常理想的温控效果,克服了普通PID温度控制上随环境温度变化大而产生漂移的问题,解决了普通PID温度控制精度差、响应速度慢、自适应能力较弱、稳定性差的诸多问题。采用网络拓扑型自学习PID温度进行控制,结合网络拓扑训练数据的激活处理和对PID进行低通滤波处理,达到理想的温控效果。
如图2为本发明的方法和常规普通PID方法的对比。如图2所示,本发明的温控芯片或方法,具有控制系统鲁棒性好,超调量小,升温稳定时间比普通PID时间要快。当环境温度发生变化,普通PID控制器发生了明显的温度漂移,而本发明方法比较稳定,基本保持不变,说明其有很强的自适应能力。
本发明能够自动对比温差,使控制响应更灵敏。
如图3,以箱体为实施例,使用双温度传感器采样对比,第一个传感器1布置出风口,第二个传感器4布置在进风口。当两者温差小于设定值时,控制强制对流风机3降到低速,使腔内温度由于快速交换,压差过大,有部分热量被强制损失,从而加大了热量补给的波动度,使控制的难度增加。当两者温差不大于设定值时,控制强制对流风机全速运转,减少温度均匀度达到要求的时间。如图3,风道进风口2的前端设置第一温度传感器1,测量内腔下部及进风时的温度,进风是通过风道内部的强制对流风机3吸入,由出风口5的第二温度传感器4检测通过加热后进入内腔的热空气温度,当第一温度传感器1和第二温度传感器4的之间的温差相近时,判定腔内温度均匀,从而调整风机的风速。当两个温度传感器温度相近时,输出信号给PID调整系统。
本发明在于探索新的激活型网络拓扑非线性预测自适应PID温度控制芯片或控制方法,温度控制采用网络拓扑型自学习PID温度进行控制,结合网络拓扑训练数据的激活处理和对PID进行低通滤波处理,通过和传统PID控制方法进行对比,其具有鲁棒性强,超调量小,升温时间快,温度稳定快,通过对环境温度的变化测试其具有优秀的稳定性。该方法具有高度的并行性、很强的非线性处理能力、优秀的容错性、联想记忆功能和较好的自适应等特点。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于网络拓扑型智能PID温度控制方法,其特征在于,包括如下步骤:
步骤1:计算得出增量式PID控制的输出增量Δu(k);
步骤2:确定网络拓扑NN的结构;
步骤3:确定系统的实际误差err(k);
步骤4:确定非线性识别器FM的数学模型;
步骤5:计算和修正非线性识别器FM;
步骤6:计算和修正网络拓扑NN。
3.根据权利要求1所述的基于网络拓扑型智能PID温度控制方法,其特征在于,所述步骤2包括如下步骤:
步骤21:确定网络拓扑NN的输入节点数m、隐含节点数q和输出个数r;
步骤22:确定激活函数f(x);
步骤23:确定输出层的三个输出点;
步骤24:确定网络拓扑NN的输出层权计算公式;
步骤25:确定网络拓扑NN的隐含层权计算公式。
7.根据权利要求6所述的基于网络拓扑型智能PID温度控制方法,其特征在于,初定学习速率η为0.02,动量系数a为0.05,k为0,进行学习计算。
8.一种基于如权利要求1-7任一项所述控制方法的芯片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704318.8A CN113589862A (zh) | 2021-06-24 | 2021-06-24 | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704318.8A CN113589862A (zh) | 2021-06-24 | 2021-06-24 | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113589862A true CN113589862A (zh) | 2021-11-02 |
Family
ID=78244617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110704318.8A Pending CN113589862A (zh) | 2021-06-24 | 2021-06-24 | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113589862A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494896A (zh) * | 2022-11-17 | 2022-12-20 | 清华大学合肥公共安全研究院 | 一种激光器的升温控制方法、装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239633A1 (en) * | 2006-03-29 | 2007-10-11 | Honeywell International, Inc. | Empirical design of experiments using neural network models |
CN108958020A (zh) * | 2018-05-29 | 2018-12-07 | 南京理工大学 | 一种基于rbf神经网络动态预测pid的温度控制方法 |
CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
-
2021
- 2021-06-24 CN CN202110704318.8A patent/CN113589862A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239633A1 (en) * | 2006-03-29 | 2007-10-11 | Honeywell International, Inc. | Empirical design of experiments using neural network models |
CN108958020A (zh) * | 2018-05-29 | 2018-12-07 | 南京理工大学 | 一种基于rbf神经网络动态预测pid的温度控制方法 |
CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
Non-Patent Citations (3)
Title |
---|
宋海声等: "农业温室温度的智能辨识控制", 《计算机工程与应用》 * |
张静等: "基于RBF在线辨识的PID整定", 《电机与控制学报》 * |
杨焱: "基于自适应神经PID改进算法的非线性系统控制", 《南昌大学学报(理科版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494896A (zh) * | 2022-11-17 | 2022-12-20 | 清华大学合肥公共安全研究院 | 一种激光器的升温控制方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101216715B (zh) | 用神经元网络调节参数的pid控制温度仪表及其控制方法 | |
CN111336683B (zh) | 空气源热泵温度控制系统mpc-pid串级控制方法 | |
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
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 | |
CN105911862B (zh) | 一种电加热炉温度控制方法 | |
CN104122795A (zh) | 基于新型极值函数指标的智能自整定pid室温控制算法 | |
CN114036813A (zh) | 一种粒子群bp神经网络pid控制的温室温湿度方法 | |
CN108897221B (zh) | 一种军用电源机箱风机转速控制方法 | |
CN105279579B (zh) | 一种水轮发电机组励磁系统pid控制参数的优选方法 | |
CN112965384A (zh) | 一种自适应神经网络全局非奇异快速终端滑模无模型方法 | |
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 | |
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 | |
CN108828954B (zh) | 气候风洞自适应预测控制系统及其控制方法 | |
CN113659176B (zh) | 一种氢燃料电池自适应控制方法和装置 | |
CN109782586A (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
CN113759700A (zh) | 基于粒子群和神经网络的分数阶pid自适应调节方法 | |
CN106033189A (zh) | 飞行机器人位姿神经网络预测控制器 | |
CN113067334A (zh) | 基于神经网络的有源电力滤波器非线性预测控制方法 | |
CN111998423A (zh) | 电蓄热循环风量-水温控制系统及其预测控制方法 | |
CN114147713B (zh) | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 | |
CN113625557A (zh) | 一种在线优化模型的hvac系统模型预测控制方法 | |
CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
CN111077923B (zh) | 一种机载燃爆装置的供气系统及其控制方法 | |
CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
CN117908629B (zh) | 基于改进自抗扰控制器的光伏水泵最大功率点跟踪方法 |
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 |