考虑到非线性,由于水体的高比热容导致的水产养殖温室水的大滞后和温度,提出了基于神经元网络的PIDs。制策略。该控制策略中,可以通过神经网络实时调整PID控制参数,以获得最佳控制效果。用MATLAB软件对传统PID控制策略和神经网络PID控制策略的控制效果进行了仿真。究结果表明,BP神经网络PID控制系统具有更快的动态响应,更高的鲁棒性,更高的稳态精度,更低的超调量和更好的控制效果。键词水生温室; PID控制;神经网络分类号S625文档标识代码项号0517-6611(2016)针对03-312-04Résumé非线性,时间和在水产养殖温室变化的持续时间,由于热容量特别是对于水而言,由于传统的PID控制器适应性和鲁棒性较差,因此提出了一种基于BP神经网络的PID控制策略,其中PID控制参数可以使用神经网络进行调整,以达到最佳的控制效果。用MATLAB模拟了基于血压神经网络控制国内流离失所者和控制策略的传统策略。果表明,基于神经网络的PID控制策略提供了快速的动态响应,轻微的超调,强大的鲁棒性和更好的控制效果。经网络在水产养殖业中,水产养殖水的温度一直与鱼类的生长和生产密切相关。
实际的育种过程中,通常将水温控制在规定的范围内,以优化鱼类生产和能量消耗的优化。年来,温室水产养殖由于其良好的保温性能逐渐取代露天水产养殖,在夏季和高温以及严寒期都表现出良好的整体效果。而,在冬季,水产养殖温室面临一个主要问题:由于其高热容量,滞后和随时间变化的水质特征,通常难以调节温度。[1]。内外专家对温度控制策略进行了大量研究,但主要集中在温室中。室内温室的控制量是温室内的空气温度,由于空气的比热容很低,很容易将温度控制在控制策略所要求的范围内。短时间内对应。于空气和水之间比热容的巨大差异,可以应用于植物温室的控制策略在水产养殖温室中通常是不合适的,并且难以满足控制。统的水温控制方法是采用PID控制。种方法相对简单,但它有一个限制。果受控系统的参数随时间变化,则控制效果将受到显着影响,并且控制将具有长延迟。别是在水生温室的控制中,由于水体的高比热容,传统的PID控制不再适用。者采用的神经网络[2]具有自适应和自学习的能力,允许在线和实时调整控制参数并获得满意的控制。室温度控制系统的数学模型冬季,温室产生的热量主要是太阳辐射和外部热源,主要是塑料薄膜与温室室外空气对流传热过程中,水和土壤之间的热传递。建模过程中,进行了以下简化:温室中的占地面积约占温室总面积的5%,因此池壁和道路对环境的影响热温室被忽视,池中的体内代谢产热被忽略,外膜和内膜。室内空气,水和土各向同性,忽略了两端温室壁的传热效应,忽略了内外膜温度变化引起的热量积累,它没有在土壤层的垂直方向上只有一维传导传热。
热不是由土壤含水量的变化引起的。经网络PID控制系统设计基于神经网络PID控制原理BP PID控制[4]效果的关键是调整自身比例,恒温阀芯三个积分和微分参数,这三个参数必须配合然而,这种关系不一定是简单的“线性组合”,因此使用传统方法很难找到这种关系。时,它不是很精确,控制的结果也不理想。经网络具有非线性表达能力,通过学习系统性能可以实现最佳组合的PID控制。经网络(反向传播)[5]已经在1986年提出的通过鲁梅哈特和McCelland涉及一组科学家它由反向传播算法形成的多层阵列,这是使用更广泛。
伴网络可以在不首先揭示这种关系的描述特征的情况下学习和存储大量I / O映射关系。学习规则是使用最速下降法通过反向传播不断调整网络的权重和阈值,以最小化网络的平方误差。BP神经网络模型拓扑包括输入层,隐式层和输出层。构一般如图1所示[6]。BP神经网络的PID控制是一种新型的控制器,它将PID控制律集成到神经网络中。研究中BP神经网络的PID控制采用三层网格,结构为453,学习率为0.1,惯性系数为0.01,层间初始权重为[-0.5,0.5]上的随机数。入层的输入信号是输入值r(k),输出值y(k),误差值e(k)和单位1.调整过程自动参数如下[7]:计算rin(k)和yout(k)的样本,此时计算误差误差(k)= rin(k)-yout(k) 。算神经网络NN的每层中的神经元的输入和输出,并且输出层NN的输出对应于PID控制的三个可调参数。算PID控制器输出u(k),在神经网络上学习,调整内联加权系数,并自适应地调整PID参数。室温度控制系统仿真结果本研究选择用于模拟的目的是在杭州的某个地方建造一个大型温室。室的长度和宽度为107米×50米,温室山脊的高度为3.82米,8个养殖池22米×22米,圆角为5米。8个盆地分为2排,2排盆地之间的间距为3.50米。室覆盖有塑料薄膜,塑料薄膜有两层聚氯乙烯,厚度为0.001米,距离为055米,厚度为1.00米。过替换先前函数表达式中的相关温室参数,可以获得传递函数的相应参数:T = 3562.35,K = 1;同时引入延迟τ= 80个s,则传递函数为:G(S)= 13个 562.35s第一-80(27)为了评价传统的PID控制器的性能和神经网络的PID控制器模拟了两个控制器的控制效果,并结合相应的控制指标评估了模拟结果[8-9]。统PID控制器的控制参数由稳定极限法[10]设定,利用其自适应和自学习进行在线和实时参数调整。个控制系统的模拟结果在图3至6中示出。3和表1表明超过基于血压神经网络的PID控制远低于传统PID控制,BPNNPID超调为18%,不会引起波动在系统中很重要。过PID为80%,系统波动很大。

换时间也比传统PID短得多:BPNNPID控制的转换时间为400 s,传统PID的转换时间为1000 s。明显,BPNNPID的控制可以很快达到稳定状态。减率远小于传统PID,控制相对稳定。种控制方法之间几乎没有静态差异,控制效果可以满足控制要求。
规PID控制的误差曲线和BP神经网络的PID控制在图4中示出。4,基于神经网络血压的PID控制与传统PID控制相比明显稳定,波动很小,稳定时间也比传统PID控制短,控制效果更好。于BP神经网络的PID控制具有自学习,自适应和PID控制系数在线调整的优点。数调整的结果如图5所示。
以看出,BP神经网络的PID控制可以在线调整控制参数,以确保最佳的控制效果。6显示基于血压神经网络的PID控制明显优于1000 s系统中的传统PID控制。被外界干扰之后,神经网络BP的PID控制系统比传统的PID控制波动小得多,并且返回到稳定状态所需的时间比传统的PID控制短得多。
BPNNPID大约需要200秒,标准PID为500秒。经网络的PID控制更加鲁棒,抗干扰能力更强,可以随时间控制某些不确定扰动,具有很强的适应性。论水产养殖大棚控制系统是一个具有显着延迟,惯性大,随时间变化较大且非线性的控制对象。
民用建筑和温室相比,传统的PID控制系统难以控制。研究结合BP神经网络与常规的增量PID控制器和使用神经网络BP的非线性和自学习的超学习特点设计一种BP神经网络PID控制,以限定所述控制参数PID控制器。行在线调整以实现令人满意的控制质量。

传统的PID控制仿真结果与BP神经网络的PID控制结果进行比较,BP神经网络整定PID具有更好的控制效果,其动态过程覆盖和过渡时间大于效果。
统控制,结构简单。稳态精度,短转换时间,高抗干扰能力,良好的鲁棒性和高自适应性,弥补了传统PID控制在温室温度控制中的缺点。调整难度和控制效果不理想。在水生温室中具有一定的推广价值。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com
