CN117452993A - 一种温循试验箱的温度控制方法 - Google Patents
一种温循试验箱的温度控制方法 Download PDFInfo
- Publication number
- CN117452993A CN117452993A CN202311576446.4A CN202311576446A CN117452993A CN 117452993 A CN117452993 A CN 117452993A CN 202311576446 A CN202311576446 A CN 202311576446A CN 117452993 A CN117452993 A CN 117452993A
- Authority
- CN
- China
- Prior art keywords
- temperature
- value
- fuzzy
- control
- error
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供了一种温循试验箱的温度控制方法,该方法结合了模糊控制和神经网络的优势,以实现高精度的温度控制。首先,根据试验需求设定目标温度值,并采集实际温度值进行比较,得到误差值e和误差变化率ec。然后,利用模糊处理和预定义的模糊语言集、隶属度函数将误差值e和误差变化率ec转化为模糊量E和EC。接着,基于模糊规则表确定对应的模糊控制规则,包括PID控制器的三个参数的校正量。之后,将校正量与预设的PID控制参数进行相加换算,得到修正后的参数值。最后,使用修正后的PID参数通过PID控制算法计算控制输出,调节试验箱内的温度。该方法能自适应地调整PID参数,实现高精度的温度控制,满足各种试验需求。
Description
技术领域
本申请属于温度控制领域,尤其涉及一种温循试验箱的温度控制方法。
背景技术
温度循环试验箱在产品交付试验、产品设计等环节扮演着不可或缺的角色,而温控系统的精确控制则是实验成功的关键。控制系统作为温度循环环境试验设备的核心部分,直接影响着温度精度、温度波动度等试验指标,进而关乎试验效果、设备运行稳定性以及操作便利性。
当前市场对非标准温度循环试验箱的需求日益增长,为满足用户对高控制精度和功能多样性的要求,可以根据特定测试需求定制试验箱。
温度循环实验装置主要由冷凝蒸发器、排风扇、电磁阀组、温湿度传感器和加热器等部分组成。目前,大多数温度循环实验箱采用PID控制法进行温度调节。然而,由于试验箱在温度循环过程中经历的非线性影响因素较多,如箱体震动、噪声等,传统PID控制器在面对扰动时的波动大、强耦合等问题时,往往产生较大的过冲并需要较长的调节时间,导致控制效果不佳,无法满足高精度控制的需求。
发明内容
针对现有技术中存在的问题,本申请提出了一种温循试验箱的温度控制方法。
本申请提供的一种温循试验箱的温度控制方法,包括:
S1根据试验需求,设定温循试验箱的目标温度值;
S2采集所述试验箱的实际温度值,并将所述实际温度值与所述目标温度值进行比较,得到误差值e和误差变化率ec;
S3将所述误差值e和所述误差变化率ec进行模糊化处理,根据所定义的模糊语言集和隶属度函数,将其转化为模糊量E和EC;
S4基于预先建立的模糊规则表,根据所述模糊量E和EC确定对应的模糊控制规则,包括PID控制器的三个参数的校正量Δkp、Δki、Δkd;
S5将校正量Δkp、Δki、Δkd与预设的PID控制参数进行相加换算,得到修正后的参数值;
S6使用修正后的PID参数,通过PID控制算法计算控制输出u(k),调节试验箱内的温度;
S7重复步骤S2至步骤S6,直到试验箱的实际温度值接近设定值,并达到所需的温度控制精度。
可选地,所述模糊规则,包括:
“if E is NB and EC is NB,thenΔkp=PB andΔki=NB andΔkd=PS”;
“if E is NB and EC is NS,thenΔkp=PM andΔki=NM andΔkd=NB”;
……
“if E is PB and EC is PB,thenΔkp=NB andΔki=NB andΔkd=PB”;
其中,{NB,NM,NS,ZO,PS,PM,PB}是E、EC和的模糊语言集。
可选地,所述校正量Δkp、Δki、Δkd的表达式,如下:
其中,所述L是比例因子。
可选地,步骤S7通过神经网络模型实现。
可选地,所述神经网络模型的样本数据,包括:
每条模糊规则转化为一个样本数据。
本申请的优点和有益效果:
本申请提供的一种温循试验箱的温度控制方法,包括:S1根据试验需求,设定温循试验箱的目标温度值;S2采集所述试验箱的实际温度值,并将所述实际温度值与所述目标温度值进行比较,得到误差值e和误差变化率ec;S3将所述误差值e和所述误差变化率ec进行模糊化处理,根据所定义的模糊语言集和隶属度函数,将其转化为模糊量E和EC;S4基于预先建立的模糊规则表,根据所述模糊量E和EC确定对应的模糊控制规则,包括PID控制器的三个参数的校正量Δkp、Δki、Δkd;S5将校正量Δkp、Δki、Δkd与预设的PID控制参数 进行相加换算,得到修正后的参数值;S6使用修正后的PID参数,通过PID控制算法计算控制输出u(k),调节试验箱内的温度;S7重复步骤S2至步骤S6,直到试验箱的实际温度值接近设定值,并达到所需的温度控制精度。本申请通过结合了模糊控制的灵活性和神经网络的学习能力,能够自适应地调整PID参数,实现对温度的高精度控制。
附图说明
图1是本申请中温循试验箱的温度控制方法示意图;
图2是本申请中试验箱实验装置示意图;
图3是本申请中高低温试验箱原理示意图;
图4是本申请中模糊神经网络PID温度控制原理示意图;
图5是本申请中模糊神经网络原理示意图;
图6是本申中样本误差曲线示意图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步说明,以使本领域的技术人员更好地理解本申请并能予以实施。
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例,但是本申请还采用不同于此的描述的其他方式实施,本领域技术人员在本申请构思的指引下,采用不同的技术手段实现本申请,因此本申请不受下面具体实施例的限制。
本申请中,所述温控试验箱具体结果如图2所示。
如图3和图4所示,本申请中,温循试验箱的温度控制采用了一种温循试验箱的温度控制方法,该方法结合了模糊PID控制器和神经网络训练参数自修正两个环节,以实现高精度和稳定性的温度调节。
首先,模糊控制器采用二输入三输出的控制结构,将所需温度值设定为试验箱的目标温度。CPU通过温度传感器实时采集反馈值,并与设定值进行比较,得到误差e和误差变化率ec。然后,利用模糊神经网络的离线训练,可以获取PID三个控制参数的校正量Δk_p、Δk_i、Δk_d。通过相加换算,对预设的PID控制参数k_p^*、k_i^*、k_d^*进行修正,使其适应当前的环境条件。修正后的PID控制器驱动继电器来调节加热器,实现温度的精确控制。在控制过程中,采集到的温度模拟量通过AD转换为数字量,再次与设定值进行比较,形成闭环控制,从而实现温度的精确调节。这种控制策略具有响应迅速、稳定性好、抗干扰能力强等优点,能够满足温循试验箱在各种复杂环境下的高精度温度控制需求。
请参照图1所示,一种温循试验箱的温度控制方法,其步骤包括:
S1根据试验需求,设定温循试验箱的目标温度值。
在温度控制中,目标温度值是根据试验需求而预先设定的温度值,代表试验箱需要达到和维持的温度。设定目标温度值是温度控制的基础,因为所有的控制动作都是围绕这个目标进行的。
在设定目标温度值时,需要考虑试验的具体需求和条件。例如,某些试验可能需要特定的温度环境来模拟特定的工作环境,或者测试材料在不同温度下的性能。
设定目标温度值的过程通常通过操作温循试验箱的控制面板或相关软件来完成。操作人员输入或选择所需的温度值,并确认设置。一旦目标温度值被设定,控制系统就会开始根据当前的实际温度和设定的目标温度之间的差异来执行相应的控制动作,以尽可能快且准确地达到目标温度。
S2采集所述试验箱的实际温度值,并将所述实际温度值与所述目标温度值进行比较,得到误差值e和误差变化率ec。
为了实现精确的温度控制,首先需要实时采集试验箱内的实际温度值。这通常通过温度传感器完成,它能够持续监测并传递试验箱内的实时温度数据。
一旦获取到实际温度值,控制系统会将其与先前设定的目标温度值进行比较。这种比较是为了确定当前实际温度与目标温度之间的差异,即误差值e。误差值e可以通过简单的减法计算得到,例如,e=目标温度值-实际温度值。
除了知道当前的误差值e,还需要了解其变化趋势,即误差变化率ec。误差变化率ec描述了误差值e在连续的时间点上是如何变化的。它可以帮助控制系统预测未来误差的可能走向,并据此进行更精确的控制调节。
为了计算误差变化率ec,通常需要获取至少两个连续时间点的误差值e。然后,通过计算这两个时间点之间误差值e的变化量与时间的比值,即可得到误差变化率ec。
S3将所述误差值e和所述误差变化率ec进行模糊化处理,根据所定义的模糊语言集和隶属度函数,将其转化为模糊量E和EC。
首先,根据经验和控制要求,选择一个合适的模糊语言集。例如,{NB,NM,NS,ZO,PS,PM,PB}。这些语言变量分别代表了负大、负中、负小、零、正小、正中、正大。
隶属度函数用于描述一个元素属于某个模糊集合的程度。例如,高斯函数经常被用作隶属度函数。这个函数可以确定一个具体的误差值e或误差变化率ec属于某个语言变量的程度。
根据选定的隶属度函数,可以确定误差值e和误差变化率ec对应于模糊语言集中的哪个语言变量。例如,如果一个误差值e是-1.5,它可能属于“NM”和“NS”之间的某个位置。
经过上述步骤的处理,精确的误差值e和误差变化率ec被转化为了模糊量E和EC。这些模糊量不再是单一的数值,而是表示了属于各个语言变量的隶属度。
本申请中,所述温度的误差动态范围为:
[emin,emax]、[ecmin,ecmax]、[ΔKmin(m),ΔKmax(m)](m=p、i、d)以及Lk(m),m=(p、i、d),可得出模糊论域变换表达式:
其中,p、i、d是PID控制器的三个参数,分别是比例、积分、微分。E是误差值,ec是误差变化率,E、EC为e、ec模糊化集合。
根据模型训练要求,E、EC和△Kp、△Ki、△Kd的模糊语言集定义为如下几个类型:{NB,NM,NS,ZO,PS,PM,PB},其所对应的量化论域均为{-3,-2,-1,0,1,2,3}。例如,PB时意着偏差较大,则应该将加热阀门调小。
依据采集温度值误差与误差变化率对于PID控制参数的调节规则,且根据专家经验,总结出了温控系统中模糊控制规则共49条:
(1)“if E is NB and EC is NB,thenΔkp=PB andΔki=NB andΔkd=PS”;
(2)“if E is NB and EC is NS,thenΔkp=PM andΔki=NM andΔkd=NB”;
……
(49)“if E is PB and EC is PB,thenΔkp=NB andΔki=NB andΔkd=PB”。
S4基于预先建立的模糊规则表,根据所述模糊量E和EC确定对应的模糊控制规则,包括PID控制器的三个参数的校正量Δkp、Δki、Δkd。
根据定义的隶属度函数以及量化论域的划分,可得出在模糊论域等级范围内某阶段值所反映模糊集合的程度,即该控制器输入输出参数量的隶属度模糊矢量表,如下所示:
表1输入/输出参数对应模糊矢量:
S5将校正量Δkp、Δki、Δkd与预设的PID控制参数进行相加换算,得到修正后的参数值。
本申请中,位置式PID控制算法:
模糊自适应PID控制算法在系统中分两步进行控制,一是明确其初始参数k*p、k*i、k*d,二是根据模糊控制器输出的整定值Δkp、Δki、Δkd自行完成参数调整,根据以下修正公式就可以求出PID的输出值u(k)。
S6使用修正后的PID参数,通过PID控制算法计算控制输出u(k),调节试验箱内的温度。
S7重复步骤S2至步骤S6,直到试验箱的实际温度值接近设定值,并达到所需的温度控制精度。
本申请中,采用神经网模型实现迭代控制。
所述神经网络模型如图5所示。
具体的,将获得的每条模糊规则转化为一个输入输出对。由于有7个模糊语言集合,所以可以得到7×7=49个模糊规则样本数据。
举个例子,如果EC对应PB,E对应PB,那么模糊规则表输出的Δk_p、Δk_i、Δk_d将分别对应NB、PB、PB。这条模糊规则样本可以表示为:
x=[0,0.5,1,0.5,0,0,0,0.5,1,0.5,0,0,0]2
y=[0,0,0,0,0.5,1,0.5,0,0,0.5,1,0.5,0,0,0,0,0,0.5,1,0.5]2
在上述x和y集合中,每个元素都代表了表1中输入输出的模糊矢量参数,即各模糊子集的隶属程度。以此类推,其他48条模糊规则也可以转化为这种数据样本形式。
这些样本数据将被送入神经网络进行离线训练。一旦训练完成,神经网络就会形成模糊规则的记忆。
本申请中,所述神经网络模型选用BP神经网络作为训练网络。样本数据的输入输出维数决定了网络输入层及隐含层节点的选择。训练过程程序将在Matlab内编写。根据Kolmogorov定理,选定了37个隐含层节点,输入输出层节点数分别为14和21。主要实现程序如下:
首先,导入训练样本数据集和形成目标矩阵:
Matlab复制代码
px=importdata('Train_data.dat');
P=px';
ty=importdata('test_data.dat');
T=ty';
接着,创建新的前馈神经网络并进行训练:
Matlab复制代码
net=newff(minmax(P),[37,21],{'tansig','logsig'},'traingdx');
net.trainParam.epochs=2000;
net.trainParam.goal=0.0001;
net=train(net,P,T);
然后,计算训练值在每一点上的误差并绘图:
Matlab复制代码
Y=sim(net,P);
for i=1:49
x(i)=norm(Y(:,
i));
end
pause
plot(1:49,x)
最后,可将上述程序转化为C语言代码,写入到CPU主控板中进行神经网络的离线训练。这样,修正后的PID控制器就可以驱动继电器来调节加热器了。这种方式增强了代码的可读性和易用性,同时也使得温度控制过程更加直观和高效。
Claims (5)
1.一种温循试验箱的温度控制方法,其特征在于,包括:
S1根据试验需求,设定温循试验箱的目标温度值;
S2采集所述试验箱的实际温度值,并将所述实际温度值与所述目标温度值进行比较,得到误差值e和误差变化率ec;
S3将所述误差值e和所述误差变化率ec进行模糊化处理,根据所定义的模糊语言集和隶属度函数,将其转化为模糊量E和EC;
S4基于预先建立的模糊规则表,根据所述模糊量E和EC确定对应的模糊控制规则,包括PID控制器的三个参数的校正量Δkp、Δki、Δkd;
S5将校正量Δkp、Δki、Δkd与预设的PID控制参数进行相加换算,得到修正后的参数值;
S6使用修正后的PID参数,通过PID控制算法计算控制输出u(k),调节试验箱内的温度;
S7重复步骤S2至步骤S6,直到试验箱的实际温度值接近设定值,并达到所需的温度控制精度。
2.根据权利要求1所述温循试验箱的温度控制方法,其特征在于,所述模糊规则,包括:
“if E is NB and EC is NB,thenΔkp=PB andΔki=NB andΔkd=PS”;
“if E is NB and EC is NS,thenΔkp=PM andΔki=NM andΔkd=NB”;
……
“if E is PB and EC is PB,thenΔkp=NB andΔki=NB andΔkd=PB”;
其中,{NB,NM,NS,ZO,PS,PM,PB}是E、EC和的模糊语言集。
3.根据权利要求1所述温循试验箱的温度控制方法,其特征在于,所述校正量Δkp、Δki、Δkd的表达式,如下:
其中,所述L是比例因子。
4.根据权利要求1所述温循试验箱的温度控制方法,其特征在于,步骤S7通过神经网络模型实现。
5.根据权利要求4所述温循试验箱的温度控制方法,其特征在于,所述神经网络模型的样本数据,包括:
每条模糊规则转化为一个样本数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311576446.4A CN117452993A (zh) | 2023-11-23 | 2023-11-23 | 一种温循试验箱的温度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311576446.4A CN117452993A (zh) | 2023-11-23 | 2023-11-23 | 一种温循试验箱的温度控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117452993A true CN117452993A (zh) | 2024-01-26 |
Family
ID=89596771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311576446.4A Pending CN117452993A (zh) | 2023-11-23 | 2023-11-23 | 一种温循试验箱的温度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117452993A (zh) |
-
2023
- 2023-11-23 CN CN202311576446.4A patent/CN117452993A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang | Intelligent critic control with robustness guarantee of disturbed nonlinear plants | |
CN111459051A (zh) | 一种带扰动观测器的离散终端滑模无模型控制方法 | |
Pal et al. | Self-tuning fuzzy PI controller and its application to HVAC systems | |
JP2000514217A (ja) | 非線形近似機構式の自動チューナ | |
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 | |
Qi et al. | Stable indirect adaptive control based on discrete-time T–S fuzzy model | |
CN111766777A (zh) | 一种pid控制器及pid控制方法 | |
CN110716593A (zh) | 反应釜温度预测与控制方法、装置及终端设备 | |
CN112947627B (zh) | 一种基于ddpg-模糊pid的温度控制方法 | |
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 | |
CN111930010A (zh) | 一种基于lstm网络的通用mfa控制器设计方法 | |
CN116700393A (zh) | 一种基于模糊控制的反应釜温度控制方法 | |
CN111413865A (zh) | 一种扰动补偿的单回路过热汽温自抗扰控制方法 | |
CN113325696B (zh) | 一种应用于交联电缆生产设备的单神经元pid与模型预测结合的混合控制方法 | |
Che et al. | Iterative learning model predictive control for multivariable nonlinear batch processes based on dynamic fuzzy PLS model | |
CN112180733B (zh) | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 | |
CN111077771A (zh) | 一种自整定模糊pid控制方法 | |
CN117452993A (zh) | 一种温循试验箱的温度控制方法 | |
JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
CN110794676A (zh) | 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法 | |
CN112346342B (zh) | 一种非仿射动力学系统的单网络自适应评价设计方法 | |
CN106444389A (zh) | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 | |
Huang et al. | Multimodel Self-Learning Predictive Control Method With Industrial Application | |
CN113568309B (zh) | 用于温度场的在线时空控制方法 | |
CN111663032B (zh) | 一种非晶铁芯退火炉自抗扰温度控制方法 |
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 |