CN116301096A - 一种适用于生猪运输车辆烘干系统的智能温控算法 - Google Patents

Abstract

本发明公开了一种适用于生猪运输车辆烘干系统的智能温控算法，包括以下步骤：步骤1，设计一个模糊控制器，选取烘干房实际温度与目标温度的偏差e和偏差变化率ec作为模糊控制器的两个输入，三个输出变量统一记为Y，设计合适的伸缩因子α(e)、α(ec)和β(u)；步骤2，基于输入量的量化因子的伸缩因子α(e)、α(ec)和输出量的比例因子的伸缩因子β(u)，经过模糊推理得到PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d；步骤3，将PID控制参数的初始值

分别与步骤2得到的PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d相加，实时调整变论域模糊PID控制器的参数度；步骤4，采集烘干房内多个位置点的温度传感器数据，基于多传感器数据融合方法，将烘干房的实时温度反馈至步骤1进行偏差控制，使之逐渐趋近于目标温度。

Description

一种适用于生猪运输车辆烘干系统的智能温控算法

技术领域

本发明涉及温控算法领域，具体涉及一种适用于生猪运输车辆烘干系统的智能温控算法。

背景技术

随着我国经济发展水平的不断提高和人民生活水平的提升，我国的养猪行业也由之前的农村散户散养模式转化为集中化、专业化、规模化的养殖模式。而我国养猪模式的转变，虽然极大提高了生产管理集约化水平和生猪的生产效率，降低了生猪的生长周期。但同样也有弊端，例如若一头猪感染非洲猪瘟，由于其传染性极高，整个养猪场有极大可能被感染，将给养殖企业造成巨大的经济损失。基于这样的背景，在大规模养殖活动中，对非洲猪瘟病毒的防控就显得更加重要。

在有关技术人员通过对感染疾病的猪只进行非洲猪瘟病毒传播溯源的研究后，发现目前的ASF可以通过猪只之间直接接触传播以及通过病毒与空气形成气溶胶介质进行传播，而相关的流行病学研究表明，饲料运输车辆和工人的因素也是病毒传播的主要途径。因此对规模化养猪场来说，生猪转运车辆经常往返于猪场和养殖区外部，传播病毒可能性极大，所以在进行运输工作前，必须对车辆进行清洗、消毒、烘干等一系列工作。

在此背景下，根据非洲猪瘟对高热敏感的特点，相关的机构研发设计了车辆烘干房对运猪车辆进行烘干消毒，利用其烘干系统对转运车辆做好进场前的清洗、消毒和干燥，成为消灭传染源、切断猪瘟病毒传播途径的至关重要的一环，目的是使生猪运输车有效快速烘干，同时阻断非洲猪瘟的传播，提高生猪运输车的使用效率。

其中，车辆烘干房中温度控制系统的合理设计是重中之重。其主要作用是将预烘后的空气保留在烘干房内部，并将温度稳定在高温状态下一定时间，才可有效杀灭非洲猪瘟病毒。研究发现，烘干房内的最终温度应稳定在100℃左右并保持15分钟以上，可以杀灭当前已知的各种不同病菌，不仅仅是非洲猪瘟病毒。这样，烘干房温度控制系统的核心--温度控制算法的选择就显得尤为重要。

目前市面上所有的车辆烘干系统，电气控制部分的情况如下：

1、经济型的烘干系统是使用比较粗放的开/关切换的方式进行控制，即检测到烘干房内的实际温度未达到设定值时(通常是70℃)，系统将控制外置设备立即开始加热，直到温度达标；如果温度超过设定值，系统将立即停止加热。所使用的开/关型器件为空气开关、断路器等元器件；

2、精简版的烘干系统是直接使用温控仪表进行控制，仪表内置PID算法，当检测到温度不达标时，调用PID算法进行控制；

3、集成化的烘干系统是使用工业PLC进行硬件控制，内部的温度控制采用开/关量逻辑控制，即感测系统检测到烘干房的实际温度不够设定值时，则立即开启加热，直到温度达标；如果温度超过设定值，则立即停止加热。使用了PLC器件后，烘干系统的自动化程度更高，系统更加复杂。通过PLC的输入输出，可以将整个系统的温度监测、气源开关阀、进气窗、鼓风机、车辆出入指示等联动控制，并可加入人身安全保护、异常停机报警等功能。所使用的控制器件为工业PLC。

对目前市面上的车辆烘干系统，其内部温度控制算法的缺点如下：

1、目前烘干系统中的温度控制算法，输出稳定性不好，而且目标温度设置在70℃，对病毒杀灭不利。据研究，ASF病毒在100℃高温下，温度至少需要稳定15分钟才可以被杀死。这意味着如果温度曲线不够稳定，病毒可能无法被完全清除，所以保持温控系统的稳定输出与保持足够高的温度同样重要；

2、烘干系统启动时超调量大，导致浪费燃料。有实验表明，一个正常的烘干站，烘干一辆车需要半小时和50升可燃气体，一天至少需要工作20个小时，这就意味着每个月要消耗60000升可燃气体。如果系统超调量减小，可以大大减少燃料消耗和成本浪费。如果系统超调过大，在调整系统温度时将导致高能耗，不符合节能的大趋势；

3、目前传统的开/关方式控制，温度控制的精度难以满足条件需求；

4、根据对中国诸多农业类相关政策的研究，到2025年底，主要畜禽养殖的智能化和机械化水平需要得到很大的提升。因此，我们需要大力推进生猪、蛋鸡、肉鸡养殖设备的智能化和机械化，从而推动畜禽生产自动化技术和装备的发展。

综上，目前烘干房的温度控制系统一般采用传统的开/关控制技术或者PID控制方法，对智能化控制算法的研究相对较少。由于生猪转运车辆烘干房内的温度变化具有非线性、大惯性、大时滞性的特点，故仅使用当前的控制技术并不能满足其工艺要求，更不能满足未来智能化技术发展的需要。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种适用于生猪运输车辆烘干系统的智能温控算法。

本发明提供了一种适用于生猪运输车辆烘干系统的智能温控算法，具有这样的特征，包括以下步骤：步骤1，设计一个双输入、三输出的模糊控制器，并选取烘干系统的实际反馈温度与目标温度的偏差e和偏差变化率ec作为所设计控制器的两个输入，经模糊控制器内置的模糊规则推理后，输出为三个变量，动态调整后续PID控制器的K_p、K_i、K_d参数值；步骤2，针对步骤1中的输入、输出变量，根据变论域的思想，分别为其设计合适的伸缩因子α(e)、α(ec)以及β(p)、β(i)、β(d)。基于输入量量化因子的伸缩因子α和输出量比例因子的伸缩因子β，经过模糊控制器得到PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d；步骤3，将PID控制参数的初始值K_p0、K_i0、K_d0分别与步骤2得到的PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d相加，实时调整模糊PID控制器的K_p、K_i、K_d参数，进而控制输出电压，通过模拟量调节燃料进气阀的开度达到实时控制烘干房温度的目的；步骤4，采集烘干房内多个位置点的温度传感器数据，基于多传感器数据融合的方法，实时将烘干房的温度反馈至步骤1进行偏差控制，如此循环。使实际温度逐渐趋于目标温度。

在本发明提供的适用于生猪运输车辆烘干系统的智能温控算法中，还可以具有这样的特征：其中，步骤1中，设X₁＝[-E,E]为偏差e的论域，X₂＝[-EC,EC]为偏差变化率的论域，Y＝[-U,U]可统一记为三个输出变量的论域，各论域经过伸缩变化后变为[-α(e)E,α(e)E]、[-α(ec)EC,α₂(ec)EC]和[-β(u)U,β(u)U]，其中α(e)、α(ec)和β(u)是论域的伸缩因子。

在本发明提供的适用于生猪运输车辆烘干系统的智能温控算法中，还可以具有这样的特征：其中，伸缩因子作用在模糊控制器的输入输出变量的论域上，对输入输出论域进行适当的调整。设伸缩因子α(x)为变量x的连续函数，伸缩因子需满足以下条件：(1)对偶性：即

α(x)＝α(-x)；(2)单调性：α(x)在[0,E]上严格单调递增，在[-E,0]严格递减；(3)保零性：α(0)＝0；(4)协调性：/>

|x|≤α(x)E成立；(5)正规性：α(±E)＝1。

在本发明提供的适用于生猪运输车辆烘干系统的智能温控算法中，还可以具有这样的特征：其中，步骤2具体包括以下步骤：步骤2-1，根据烘干工作过程中的温度特性，选取偏差e及偏差变化率ec的基本论域分别为[-10,10]、[-6,6]，温度控制器工作时，需要将物理论域映射到离散模糊论域上，根据系统实际的运算能力及控制要求，选取偏差及偏差变化率的模糊论域E及EC均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}。根据温度偏差e、偏差变化率ec的基本论域及模糊论域，量化因子K_e、K_ec的计算式如下：

对于模糊推理得到的模糊控制量，也需要将其映射到物理论域，根据温度控制过程的实际要求，选取变论域模糊PID控制器中PID参数调整量ΔK_p、ΔK_i、ΔK_d的物理论域分别为[-0.15,0.15]，[-0.0015,0.0015]，[-2.4,2.4]，模糊论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}，则比例因子计算式如下：

基于实际情况，将温度偏差、偏差变化率及PID控制器参数的调整值ΔK_p、ΔK_i、ΔK_d的模糊论域语言变量均取为{NB,NM,NS,ZO,PS,PM,PB}，即负大，负中，负小，零，正小，正中，正大；步骤2-2，温度偏差、偏差变化率及PID控制器参数三个增量ΔK_p、ΔK_i、ΔK_d的模糊子集隶属函数均选取三角形函数。模糊语言变量的赋值表如下：

表1模糊语言变量e、ec、K_p、K_i、K_d的赋值表

依据PID控制器中各个参数的作用，变论域模糊PID控制器参数的整定值ΔK_p、ΔK_i、ΔK_d的控制规则如下：A.在烘干系统加热的初始阶段是从低温开始加热，温度偏差大，为了加快响应速度，采用较大的K_p，为了避免较大的超调量，需采用较小的K_i，为了防止加热装置开始工作时，较大的偏差引起的过饱和，需采用较小的K_d；B.在烘干房内的温度接近设定温度时，为了避免温度超调，需采用较小的K_p，K_i应较小或取零，较大的K_d；C.在烘干房内的温度已经超调时，为了避免过高的温度引起能源浪费，应使温度尽快回调，需采用适中的K_p，采用较大的K_d。

表2参数ΔK_p的模糊控制规则表

表3参数ΔK_i的模糊控制规则表

表4参数ΔK_d的模糊控制规则表

步骤2-3，根据控制规则进行模糊推理求得PID控制参数的调整值，ΔK_p的推理过程如下：模糊推理语句如下：

的49条模糊推理语句具体如下：

If E＝NB and EC＝NB thenΔK_p＝PB (8)

If E＝NM and EC＝NB thenΔK_p＝PB (9)

......

If E＝NS and EC＝NB thenΔK_p＝PM (10)

If E＝PB and EC＝PB thenΔK_p＝NB (11)

设输入输出间的模糊关系为R_k，R_k可以表示为：

其中，

和E_i、EC_j是分别定义在E、EC和ΔK_p上的模糊子集。设总的模糊

关系为R，则R＝R₁∪R₂∪...∪R_n(13)

根据上述推理，可得：

R₁＝(E＝NB)^(EC＝NB)^(ΔK_p＝PB) (14)

R₂＝(E＝NM)∧(EC＝NB)^(ΔK_p＝PB) (15)

R₃＝(E＝NS)^(EC＝NB)^(ΔK_p＝PM) (16)

R₄₉＝(E＝PB)^(EC＝PB)^(ΔK_p＝NB)… (17)

将表1中的值代入公式12中，可得：

R₁＝{[1 0.5 0...0]^T×[1 0.5 0...0]}^T∧[0…0 0.5 1] (18)

R₄₉＝{[0...0 0.5 1]^T×[0…0 0.5 1]}^T∧[1 0.5 0…0] (19)

则对于给定的偏差e，偏差变化率ec，ΔK_P的模糊输出量

的推理过程如下：

同理，可以得出

的模糊推理输出量。对于模糊推理得到的模糊控制量，需要将其转换为控制器可识别的清晰值，本专利选用精度较高的加权平均法进行模糊控制量的清晰化，分别得到PID控制参数的三个调整值，即：

其中，

为相应的模糊子集隶属函数的隶属度。

在本发明提供的适用于生猪运输车辆烘干系统的智能温控算法中，还可以具有这样的特征：其中，步骤3中，PID控制的三个控制参数K_p、K_i、K_d的计算值如下：

上式中

为PID控制参数的初始值。

在本发明提供的适用于生猪运输车辆烘干系统的智能温控算法中，还可以具有这样的特征：其中，步骤4中，针对烘干房内多个位置点的温度传感器数据进行实时采集和数据融合，并确定各观测点温度传感器的权重值，最终采用加权平均法进行数据融合输出。

多传感器数据融合的实质是模仿人脑的工作模式，综合处理来自外部信息组合的方法。将多个传感器监测值在一定方式下加以分析处理，进而做出决策。这种决策信息是任何单一传感器所无法独立获取的，从而形成对外界信息更加可靠的判断。通过传感器之间互相协调作用，提高整个系统的有效性。

多传感器系统的功能需借助合适的融合算法实现。对于多传感器数据融合系统常用的方法有随机和人工智能两大类。随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer(D-S)证据推理、产生式规则等；人工智能类方法则有模糊逻辑理论、神经网络、粗集理论、专家系统等。

在此之中，加权平均法是信号级的最简单、最直观的融合方法，实现起来也比较方便。该方法将一组传感器提供的冗余信息进行加权平均的结果作为融合值，其比较适合用于动态环境中，因此本专利中对于多传感器的数据处理采用加权平均法实现。使用该方法时必须先对系统的传感器进行细致分析，以获得准确的权值，否则误差太大，因此我们针对车辆烘干房内多个位置点的温度传感器数据进行了多次采集和细致的总结整理，并最终确定了各观测点温度传感器的权重值。这样，通过这一简单有效的数据融合方法，我们对烘干房内的各温度数据进行了有效筛选，有效地提高了数据的采集精度，保证数据的稳定性与可靠性，也提高了后面变论域模糊PID控制器的输入精度，进一步减少了系统的误操作。

发明的作用与效果

本发明所涉及的适用于生猪运输车辆烘干系统的智能温控算法，具体过程为：步骤1，设计一个双输入、三输出的模糊控制器，并选取烘干系统的实际反馈温度与目标温度的偏差e和偏差变化率ec作为所设计控制器的两个输入，经模糊控制器内置的模糊规则推理后，输出为三个变量，动态调整后续PID控制器的K_p、K_i、K_d参数值；步骤2，针对步骤1中的输入、输出变量，根据变论域的思想，分别为其设计合适的伸缩因子α(e)、α(ec)以及β(p)、β(i)、β(d)。基于输入量的量化因子的伸缩因子α和输出量的比例因子的伸缩因子β，经过模糊控制器得到PID参数的动态调整值ΔK_d、ΔK_i、ΔK_p；步骤3，将PID控制参数的初始值

分别与步骤2得到的PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d相加，实时调整模糊PID控制器的K_p、K_i、K_d参数，进而控制输出电压，通过模拟量调节燃料进气阀的开度达到实时控制烘干房温度的目的；步骤4，采集烘干房内多个位置点的温度传感器数据，基于多传感器数据融合的方法，实时将烘干房的温度反馈至步骤1进行偏差控制，如此循环。使实际温度逐渐趋于目标温度。

本发明可以显著提升现有控制器的控制精度和效果，在运行过程中可大大节约养殖企业的燃料成本，同时对于控制系统的输出稳定性有较大的提升，可以更好地杀灭非洲猪瘟病毒。

本发明所提出的智能算法具有较好的鲁棒稳定性，可以更好地适应烘干房的温度变化特性。

本发明的变论域模糊PID控制相对于其他算法，系统具有更快的响应速度和更小的超调量，调节时间也较短，未来如果在烘干房温度控制系统中应用，将具有更优的综合控制能力。

最后，本发明对于提升养殖领域的智能化水平将具有重大的意义，具有良好的市场推广价值。

附图说明

图1是本发明的实施例中车辆烘干房平面布置图；

图2是本发明的实施例中车辆烘干原理图；

图3是本发明的实施例中烘干房温度控制-变论域模糊PID算法原理框图；

图4是本发明的实施例中论域变化过程图；

图5是本发明的实施例中烘干房温度从物理论域映射到模糊论域的模糊化过程；

图6是本发明的实施例中烘干房变论域模糊PID控制器ΔK_p、ΔK_i、ΔK_d的隶属度函数；

图7是本发明的实施例中变论域模糊PID控制系统Simulink仿真结构图；

图8是本发明的实施例中几种智能算法的响应曲线对比图；

图9是本发明的实施例中参数ΔK_p的模糊规则曲面图；

图10是本发明的实施例参数ΔK_i的模糊规则曲面图；

图11是本发明的实施例参数ΔK_d的模糊规则曲面图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明一种适用于生猪运输车辆烘干系统的智能温控算法作具体阐述。

实施例

在本实施例中，提供了一种适用于生猪运输车辆烘干系统的智能温控算法。

图1是本发明的实施例中车辆烘干房平面布置图。

如图1所示，是本实施例所提供的生猪转运车辆烘干房的平面布置图。和图1相对照，表1是对各个部分的简要说明。整个烘干系统的具体工作过程是：利用天然气或液化气在混合气体燃烧室(图标R附近的小房间)内燃烧，将空气加热到一定温度(例如120℃)，然后通过外置的大功率鼓风机(图标Z)将加热好的热空气经风道传递到烘干房内部。在烘干温度控制系统中，通过本专利设计的智能算法控制天然气或液化气的进气开关阀开度来控制进气量，进而影响燃烧效果，最终达到控制烘干房温度的目的。如果烘干房内温度过低会影响杀菌效果，温度过高则会造成能耗浪费。

如图1所示，上方大的矩形区域表示烘干房平面图，内置待烘干的运猪车辆。大矩形区域右下方的小正方形区域为混合气体燃烧室，升温后的热空气通过燃烧室的特定通道，可到达烘干房内部。正下方的另一正方形表示监控室，内置电控箱柜、各种电气元器件。

表1车辆烘干房内各部件简介

图2是本发明的实施例中车辆烘干原理图。

和图1相对照，图2是车辆烘干的基本原理。丝带状的线束表示热气流。加热后的空气由排气通道导入待烘干车辆的后端内部，优先在待烘干车辆内部循环后，再发散到烘干房其他位置。

本实施例的目的是设计全新的、精准的智能化温控算法，首先需要通过科学的方法建立烘干房温度控制系统的数学模型。目前对控制系统建模主要是机理建模法和实验测试法两种，由于烘干房温度控制系统的动态特性复杂，具有非线性、大时滞性、大惯性的特点，影响其内部温度的因素较多，因而很难获得机理数学模型，目前多采用实验测试法获取被控对象的近似数学模型。基于相关文献关于烘干房数学模型的研究，传递函数可采用一阶惯性环节近似表示，如下式所示：

其中K为系统的放大系数，T为系统时间常数，主要与烘干房的建筑材料、导热系数、热阻系数等相关。τ为系统滞后时间，一般来说，类似规格尺寸的烘干房温度滞后时间为1～3分钟，滞后时间的长短主要与温度传感器的灵敏度、烘干加热装置和烘干房冷却气流通道的结构等有关。

本专利中，我们使用阶跃响应测试法获取烘干房温度数学模型的各参数值。在测试实验中，我们在内部空旷的烘干房内进行升温实验，每隔一段时间记录温度值，在Matlab中拟合得到温度响应曲线图。经多次实验取平均值，得到烘干房温度模型的参数为：K＝1.22,T＝615.5,τ＝85.2，进而得到烘干房被控对象的传递函数为：

由系统的传递函数可知，烘干房滞后时间达到85.2s。大时滞问题是目前过程控制界的难题，利用之前提到的传统PID方式控制时，室内温度的变化不能及时反映出系统受到的扰动，PID的动作需经过纯滞后时间才能影响到室温的变化，当滞后时间较大时，就会出现系统超调过大、震荡明显等现象，而粗放式的开/关量控制就更不能达到要求了。

作为智能控制技术的一个分支，模糊控制是将操作者或专家的经验知识表示为语言变量描述的模糊规则，然后利用这些规则去控制，具有能适应被控对象非线性和时变性的特点，而且鲁棒性较好，但是它的缺点是稳态控制精度较差，由于缺少积分控制作用，无法消除系统的静态误差，在变量分级不够多的情况下，常常会在平衡点附近出现盲区或死区，这是由模糊控制器的固有性质所决定的；由模糊控制器和PID控制器结合形成的模糊PID控制器，其本质是利用模糊逻辑，根据一定的模糊规则对PID的比例、积分、微分三个参数进行实时优化，克服传统PID不能实时调参的缺点，模糊PID算法的鲁棒性很强，理论上能够解决非线性、时变、滞后等问题，但是模糊PID缺乏自学习能力，且隶属度函数和模糊规则几乎完全是依靠经验进行设置的，因此也不适合用在本系统的温度控制中。

本实施例提出的变论域模糊PID控制算法是在模糊PID的基础上结合变论域的思想，使输入输出论域按照一定的规则自适应变化，因而变论域模糊PID控制既具有模糊控制和PID控制的特点，又实现了输入输出论域随着伸缩因子的变化而实时调整，具有较好的动态调整功能，对于非线性和大滞后系统具有更优的控制精度。同时，针对烘干房内部不同位置温度传感器的数据筛选，本专利采用了多传感器数据融合技术，对采集到的温度数据信息进行有效筛选，保证数据的稳定性与可靠性，进一步减少了系统的误操作。

图3是本发明的实施例中烘干房温度控制-变论域模糊PID算法原理框图。

如图3所示，本实施例中的适用于生猪运输车辆烘干系统的智能温控算法，包括以下步骤：

步骤S1，选取输入变量和目标值的偏差e和偏差变化率ec作为模糊控制器的输入，输出变量统一记为Y，并针对量化因子设计合适的伸缩因子α(e)、α(ec)，针对比例因子设计合适的伸缩因子β(u)。

变论域模糊控制器实质上是一种自适应模糊控制器，在工作过程中，设X₁＝[-E,E]为偏差e的论域，X₂＝[-EC,EC]为偏差变化率的论域，Y＝[-U,U]为输出变量Y的论域，各论域经过伸缩变化后变为[-α(e)E,α(e)E]、[-α(ec)EC,α₂(ec)EC]和[-β(u)U,β(u)U]，其中α(e)、α(ec)和β(u)是论域的伸缩因子。论域变化的过程如图4所示。

图4是本发明的实施例中论域变化过程图。

由插值原理可知，模糊控制器中控制规则的数量的增加，可提高控制器的控制精度，但控制规则的数量较多，会增加系统的复杂度，而控制规则数量较少，则往往难以达到满意的控制效果。

在工作过程中，初始论域[-E,E]、[-EC,EC]随着偏差的减小而缩小。如控制规则增加，随着偏差增加而膨胀，使控制规则减少，对于非线性系统，能有效地降低时变性误差，从而达到更高的控制精度,论域的伸缩变化如图所示。

上述变论域控制中论域伸缩的过程是通过伸缩因子实现的，伸缩因子设计的合理与否直接影响到论域的收缩效果。对于单输入的模糊系统，伸缩因子是由误差的状态决定的，对于双输入的模糊控制系统，伸缩因子的选择与偏差及偏差变化率相关。伸缩因子作用在模糊控制器的输入输出变量的论域上，对输入输出论域进行适当的调整。

设伸缩因子α(x)为变量x的连续函数，伸缩因子需满足以下条件：

(1)对偶性：即

α(x)＝α(-x)；

(2)单调性：α(x)在[0,E]上严格单调递增，在[-E,0]严格递减；

(3)保零性：α(0)＝0；

(4)协调性：

|x|≤α(x)E成立；

(5)正规性：α(±E)＝1。

本实施例设计的是函数型的伸缩因子。

本实施例中的车辆烘干系统在升温、烘干的过程中，烘干房内的空气温度是实时变化的，要想获得较好的控制效果，就需要对控制参数进行实时调整。模糊控制具有不依赖于精确数学模型的特点，适用于非线性系统的控制，但模糊控制不具有积分作用，很难消除稳态误差，因而可将模糊控制与PID控制结合，即模糊PID控制器。使其具有PID控制响应迅速、参数调整方便，又具有模糊控制的优点，对于滞后、非线性的系统具有较好的控制效果。

变论域模糊控制PID控制器在工作过程中，选取e和ec作为输入，选取合适的量化和比例伸缩因子，经过模糊推理得到PID参数的动态调整值，Δk_p、Δk_i、Δk_d分别与初始值k_p、k_i、k_d相加，可以实现实时调整控制器参数的目的。

步骤S2，基于量化伸缩因子α(e)、α(ec)和比例伸缩因子β(u)，经过模糊推理得到PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d。具体包括以下步骤：

步骤S2-1，要保证模糊PID温度控制器的正常工作，需要确定输入输出变量的论域。根据烘干工作过程中的温度特性，选取偏差e及偏差变化率ec的基本论域分别为[-10,10]、[-6,6]，温度控制器工作时，需要将物理论域映射到离散模糊论域上，根据系统实际的运算能力及控制要求，选取偏差及偏差变化率的模糊论域E及EC均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}。

根据温度偏差e、偏差变化率ec的基本论域及模糊论域，量化因子K_e、K_ec的计算式如下：

图5是本发明的实施例中烘干房温度变化的模糊化过程。

上述模糊化的过程可表述如图5所示。

对于模糊推理得到的模糊控制量，也需要将其映射到物理论域，根据温度控制过程的实际要求，选取变论域模糊PID控制器中PID参数调整量ΔK_p、ΔK_i、ΔK_d的物理论域分别为[-0.15,0.15]，[-0.0015,0.0015]，[-2.4,2.4]，模糊论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}，则比例因子计算式如下：

基于实际情况，将温度偏差、偏差变化率及PID控制器参数的调整值ΔK_p、ΔK_i、ΔK_d的模糊论域语言变量均取为{NB,NM,NS,ZO,PS,PM,PB}，即负大，负中，负小，零，正小，正中，正大。

步骤S2-2，考虑到系统的复杂程度、运算能力及温度控制要求，温度偏差、偏差变化率及PID控制器参数三个增量ΔK_p、ΔK_i、ΔK_d的模糊子集隶属函数均选取便于计算的、占用内存小三角形函数。具体如图6所示。

图6是本发明的实施例中烘干房变论域模糊PID控制器ΔK_p、ΔK_i、ΔK_d的隶属度函数；

模糊语言变量的赋值表如下：

表1模糊语言变量e、ec、K_p、K_i、K_d的赋值表

为了保证模糊PID控制器能够正常稳定的工作，需制定合理的模糊控制规则，依据PID控制器中各个参数的作用，变论域模糊PID控制器参数的整定值ΔK_p、ΔK_i、ΔK_d的控制规则如下：

A.在烘干系统加热的初始阶段是从低温开始加热，温度偏差大，为了加快响应速度，采用较大的K_p，为了避免较大的超调量，需采用较小的K_i，为了防止加热装置开始工作时，较大的偏差引起的过饱和，需采用较小的K_d；

B.在烘干房内的温度接近设定温度时，为了避免温度超调，需采用较小的K_p，K_i应较小或取零，较大的K_d；

C.在烘干房内的温度已经超调时，为了避免过高的温度引起能源浪费，应使温度尽快回调，需采用适中的K_p，采用较大的K_d。

表2参数ΔK_p的模糊控制规则表

表3参数ΔK_i的模糊控制规则表

表4参数ΔK_d的模糊控制规则表

步骤S2-3，根据控制规则进行模糊推理求得PID控制参数的调整值，ΔK_p的推理过程如下：模糊推理语句如下：

/>

的49条模糊推理语句具体如下：

If E＝NB and EC＝NB thenΔK_p＝PB (8)

If E＝NM and EC＝NB thenΔK_p＝PB (9)

......

If E＝NS and EC＝NB thenΔK_p＝PM (10)

If E＝PB and EC＝PB thenΔK_p＝NB (11)

设输入输出间的模糊关系为R_k，R_k可以表示为：

其中，

和E_i、EC_j是分别定义在E、EC和ΔK_p上的模糊子集。设总的模糊关系为R，则R＝R₁∪R₂∪...∪R_n(13)

根据上述推理，可得：

R₁＝(E＝NB)^(EC＝NB)^(ΔK_p＝PB) (14)

R₂＝(E＝NM)^(EC＝NB)^(ΔK_p＝PB) (15)

R₃＝(E＝NS)^(EC＝NB)^(ΔK_p＝PM) (16)

R₄₉＝(E＝PB)^(EC＝PB)^(ΔK_p＝NB)… (17)

将表2中的值代入公式12中，可得：

R₁＝{[1 0.5 0...0]^T×[1 0.5 0...0]}^T^[0…0 0.5 1] (18)

R₄₉＝{[0...0 0.5 1]^T×[0…0 0.5 1]}^T^[1 0.5 0…0] (19)

则对于给定的偏差e，偏差变化率ec，ΔK_P的模糊输出量

的推理过程如下：

同理，可以得出

的模糊推理输出量。

对于模糊推理得到的模糊控制量，是在一个模糊论域内不同语言变量取值的组合，需要将其转换为控制器可识别的清晰值，考虑到机筒温度控制精度的要求，选用精度较高的加权平均法进行模糊控制量的清晰化，分别得到PID控制参数的三个调整值，即：

其中，

为相应的模糊子集隶属函数的隶属度。

步骤S3，将PID控制参数的初始值

与分别与PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d相加，实时调整变论域模糊PID控制器的参数，进而实时控制烘干房的温度。PID控制的三个控制参数K_p、K_i、K_d的计算值如下：/>

上式中

为PID控制参数的初始值。

步骤S4，采集烘干房内多个位置点的温度传感器数据，基于多传感器数据融合方法，反馈控制烘干房的温度，使之趋于目标温度。

本实施例中，针对烘干房内多个位置点的温度传感器数据进行多次采集和总结整理，并确定各观测点温度传感器的权重值，采用加权平均法进行数据融合。

最后，进行模型仿真，本实施例中的系统主要包括模糊整定PID参数模块、PID运算输出模块及论域调整部分等，其中模糊控制模块与模糊PID控制器中的模糊控制部分一致，输入变量的量化因子分别为：K_e＝0.6,K_ec＝1。

输出量PID参数的调整量的比例因子分别为：

PID控制参数的初始值分别为：

根据上文所设计的变论域模糊PID控制器的结构与特点，选择基于函数型的论域伸缩因子。

输入量的量化因子的伸缩因子分别为：

输出量的比例因子的伸缩因子分别为：

图7是本发明的实施例中变论域模糊PID控制系统Simulink仿真结构图。

仿真结果分析：为了说明本实施例针对烘干房温度控制系统提出的模型的先进性，在实验中设计了常规PID算法、模糊PID算法，与本实施例提出的变论域模糊PID模型进行输出性能对比。

图8是本发明的实施例中几种智能算法的响应曲线对比图。

算法性能曲线对比分析：在使用Simulink进行仿真时，对三种控制器分别施加120℃的升温阶跃信号，响应曲线结果如图8所示，从仿真结果可以看出常规PID响应速度快，但是超调量较大，为3.7％；模糊PID的响应速度较常规PID较慢，但超调量较小仅为1.8％；而变论域模糊PID控制相对于模糊PID控制具有更快的响应速度和更小的超调量，调节时间也较短，未来在烘干房温度控制系统中应用，将具有更优的综合控制能力。

图9是本发明的实施例中参数ΔK_p的模糊规则曲面图。

图10是本发明的实施例参数ΔK_i的模糊规则曲面图。

图11是本发明的实施例参数ΔK_d的模糊规则曲面图。

实施例的作用与效果

根据本实施例所涉及的适用于生猪运输车辆烘干系统的智能温控算法，可以显著提升现有控制器的控制精度和效果，在运行过程中可大大节约养殖企业的燃料成本，同时对于控制系统的输出稳定性有较大的提升，可以更好地杀灭非洲猪瘟病毒。

此外，本发明所提出的智能算法具有较好的鲁棒稳定性，可以更好地适应烘干房的温度变化特性。

此外，本申请的变论域模糊PID控制相对于其他算法，系统具有更快的响应速度和更小的超调量，调节时间也较短，未来如果在烘干房温度控制系统中应用，将具有更优的综合控制能力。

最后，本发明对于提升养殖领域的智能化水平将具有重大的意义，具有良好的市场推广价值。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (6)

1.一种适用于生猪运输车辆烘干系统的智能温控算法，其特征在于，包括以下步骤：

步骤1，设计双输入、三输出的模糊控制器，并选取烘干系统的实际反馈温度与目标温度的偏差e和偏差变化率ec作为所述模糊控制器的两个输入，经所述模糊控制器内置的模糊规则推理后，输出为三个变量，动态调整后续PID控制器的K_p、K_i、K_d参数值；

步骤2，针对步骤1中设定的输入、输出变量，根据变论域的思想，分别为其设计合适的伸缩因子α(e)、α(ec)以及β(p)、β(i)、β(d)，基于输入量量化因子的伸缩因子α和输出量比例因子的伸缩因子β，经过模糊控制器得到PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d；

步骤3，将PID控制参数的初始值

分别与步骤2得到的PID参数的动态调整值ΔK_p、ΔK_i、ΔK_d相加，实时调整模糊PID控制器的K_p、K_i、K_d参数，进而控制输出电压，通过模拟量调节燃料进气阀的开度达到实时控制烘干房温度的目的；

步骤4，采集烘干房内多个位置点的温度传感器数据，基于多传感器数据融合的方法，实时将烘干房的温度反馈至步骤1进行偏差控制，如此循环，最终使烘干房的实际温度逐渐趋于目标温度。

2.根据权利要求1所述的适用于生猪运输车辆烘干系统的智能温控算法，其特征在于：

其中，步骤1中，设X₁＝[-E,E]为所述偏差e的论域，X₂＝[-EC,EC]为所述偏差变化率的论域，Y＝[-U,U]为三个所述输出变量的论域，各论域经过伸缩变化后变为[-α(e)E,α(e)E]、[-α(ec)EC,α₂(ec)EC]和[-β(u)U,β(u)U]，其中α(e)、α(ec)和β(u)是论域的伸缩因子。

3.根据权利要求2所述的适用于生猪运输车辆烘干系统的智能温控算法，其特征在于：

其中，所述伸缩因子作用在模糊控制器的输入输出变量的论域上，对输入输出论域进行适当的调整，

设伸缩因子α(x)为变量x的连续函数，伸缩因子需满足以下条件：

(1)对偶性：即

(2)单调性：α(x)在[0,E]上严格单调递增，在[-E,0]严格递减；

(3)保零性：α(0)＝0；

(4)协调性：

成立；

(5)正规性：α(±E)＝1。

4.根据权利要求1所述的适用于生猪运输车辆烘干系统的智能温控算法，其特征在于：

其中，步骤2具体包括以下步骤：

步骤2-1，根据烘干工作过程中的温度特性，选取偏差e及偏差变化率ec的基本论域分别为[-10,10]、[-6,6]，温度控制器工作时，需要将物理论域映射到离散模糊论域上，根据系统实际的运算能力及控制要求，选取偏差及偏差变化率的模糊论域E及EC均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}，

根据温度偏差e、偏差变化率ec的基本论域及模糊论域，量化因子K_e、K_ec的计算式如下：

对于模糊推理得到的模糊控制量，也需要将其映射到物理论域，根据温度控制过程的实际要求，选取变论域模糊PID控制器中PID参数调整量ΔK_p、ΔK_i、ΔK_d的物理论域分别为[-0.15,0.15]，[-0.0015,0.0015]，[-2.4,2.4]，模糊论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}，则各比例因子计算式如下：

基于实际情况，将温度偏差、偏差变化率及PID控制器参数的调整值ΔK_p、ΔK_i、ΔK_d的模糊论域语言变量均取为{NB,NM,NS,ZO,PS,PM,PB}，即负大，负中，负小，零，正小，正中，正大；

步骤2-2，温度偏差、偏差变化率及PID控制器参数三个增量ΔK_p、ΔK_i、ΔK_d的模糊子集隶属函数均选取三角形函数。

模糊语言变量的赋值表如下：

表1模糊语言变量e、ec、K_p、K_i、K_d的赋值表

依据PID控制器中各个参数的作用，变论域模糊PID控制器参数的整定值ΔK_p、ΔK_i、ΔK_d的控制规则如下：

A.在烘干系统加热的初始阶段是从低温开始加热，温度偏差大，为了加快响应速度，采用较大的K_p，为了避免较大的超调量，需采用较小的K_i，为了防止加热装置开始工作时，较大的偏差引起的过饱和，需采用较小的K_d；

B.在烘干房内的温度接近设定温度时，为了避免温度超调，需采用较小的K_p，K_i应较小或取零，较大的K_d；

C.在烘干房内的温度已经超调时，为了避免过高的温度引起能源浪费，应使温度尽快回调，需采用适中的K_p，采用较大的K_d，

表2参数ΔK_p的模糊控制规则表

表3参数ΔK_i的模糊控制规则表

表4参数ΔK_d的模糊控制规则表

步骤2-3，根据控制规则进行模糊推理求得PID控制参数的调整值，ΔK_p的推理过程如下：

模糊推理语句如下：

ΔK_p的49条模糊推理语句具体如下：

If E＝NB and EC＝NB then ΔK_p＝PB (8)

If E＝NM and EC＝NB then ΔK_p＝PB (9)

......

If E＝NS and EC＝NB then ΔK_p＝PM (10)

If E＝PB and EC＝PB then ΔK_p＝NB (11)

设输入输出间的模糊关系为R_k，R_k可以表示为：

其中，

和E_i、EC_j是分别定义在E、EC和ΔK_P上的模糊子集。

设总的模糊关系为R，则R＝R₁∪R₂∪...∪R_n (13)

根据上述推理，可得：

R₁＝(E＝NB)∧(EC＝NB)∧(ΔK_p＝PB) (14)

R₂＝(E＝NM)∧(EC＝NB)∧(ΔK_p＝PB) (15)

R₃＝(E＝NS)∧(EC＝NB)∧(ΔK_p＝PM) (16)

R₄₉＝(E＝PB)∧(EC＝PB)∧(ΔK_p＝NB)… (17)

将表1中的值代入公式12中，可得：

R₁＝{[1 0.5 0...0]^T×[1 0.5 0...0]}^T∧[0...0 0.5 1] (18)

R₄₉＝{[0...0 0.5 1]^T×[0...0 0.5 1]}^T∧[1 0.5 0...0] (19)

则对于给定的偏差e，偏差变化率ec，ΔK_P的模糊输出量

的推理过程如下：

同理，可以得出

的模糊推理输出量，

对于模糊推理得到的模糊控制量，需要将其转换为控制器可识别的清晰值，选用精度较高的加权平均法进行模糊控制量的清晰化，分别得到PID控制参数的三个调整值，即：

其中，

为相应的模糊子集隶属函数的隶属度。

5.根据权利要求1所述的适用于生猪运输车辆烘干系统的智能温控算法，其特征在于：

其中，步骤3中，PID控制的三个控制参数K_p、K_i、K_d的计算值如下：

上式中

为PID控制参数的初始值。

6.根据权利要求1所述的适用于生猪运输车辆烘干系统的智能温控算法，其特征在于：

其中，步骤4中，针对所述烘干房内多个位置点的温度传感器数据进行实时采集和数据融合，并确定各观测点温度传感器的权重值，采用加权平均法进行所述数据融合。

Images