分析仪器中温度的自适应控制研究

【摘要】：在工业领域中,系统通常采用传统PID算法来控制温度、位置和流量等,并取得了很好的控制效果。但随着科技的不断发展,复杂、多变的系统越来越多地出现在工业控制领域,限制了传统控制算法的应用。同时,自适应控制理论得到了迅速发展,其典型理论通过多年研究已进入了较为成熟的阶段,如模糊控制理论、遗传算法理论和神经网络理论等。由于这些自适应算法的专用性强、实施和维护成本高,又都限制了它们在工业控制领域的推广和发展,所以在实际应用中需做大量的改进。本课题将模糊理论和神经网络理论分别与传统PID控制结合,得到适合于工业控制应用的模糊PID控制和神经网络PID控制新型算法。通过解决工业在线分析仪表产品中的实际温控问题,总结出新型算法的收敛性、稳定性、抗干扰性和适用性等,并与传统PID控制算法的各项性能比较,归纳出在线分析仪表产品中,温度控制方案选择的一般标准。很多自适应控制理论方法虽然发展已久,但始终停留在理论和仿真阶段,缺少实际应用的案例。本课题以自适应控制理论为基础,脱离以往仿真验证的形式,将自适应控制理论真正应用到实际工业产品中,这也是本课题的重要创新点。 模糊控制是一种逻辑描述性的控制算法,其核心分为:模糊化接口、模糊规则库、模糊判决和去模糊化。其与PID算法结合过程可以理解为:将PID控制参数对系统的影响通过模糊规则库的形式进行设计,从而在收敛过程中动态地改变PID参数,以取得优于PID控制的效果。通过实验数据可得,模糊PID控制的收敛性、抗干扰性明显优于PID控制,所以针对经常工作于恶劣环境中的工业产品,其温控方案可采用模糊PID控制来替代传统PID控制。而神经网络系统是由神经元单元互相连接而形成的复杂网络系统,它运算速度很快,同时还具有很强的自适应学习能力和分析处理能力,其模型典型代表有:M-P模型和BP神经网络模型。本课题将M-P模型与传统PID增量式控制算法结合,将比例系数、积分系数和微分系数分别作为M-P模型输入量的权值,并采用神经网络本身的δ学习算法来修正权值,从而减小温度误差,达到精确控制的目的。 与此同时,在模糊PID控制和神经网络PID控制的设计过程中,也遇到了一些难点,如:⑴模糊控制的基本论域与离散论域的确定;⑵模糊规则表的制定;⑶隶属度函数的选择;⑷神经网络中,P、I、D参数的学习速率η的选择;⑸神经网络PID控制的切换点选择。虽然问题中的变量选择目前没有统一的标准,大多仍然通过工程人员的经验所得,但随着自适应理论的不断发展成熟,相信不久的将来自适应理论在工业控制中的应用将更加广泛,从而应对日趋复杂的工业控制系统。