生化培养箱智能控制系统的设计

罗　伟　湖南学院铁道职业技术　湖南株洲　412001



生化培养箱智能控制系统的设计

罗伟湖南学院铁道职业技术湖南株洲412001

2013年度湖南省教育厅科学研究项目（课题编号：13C591）

【文章摘要】

生化培养箱过程中，存在温、湿度变化耦合性强、设备性能易变的问题，本文提出了一种基于解耦补偿的改进模糊控制设计方法，保证改进模糊算法计算的控制量相互独立，实现对温度和湿度控制量解耦关系的学习，对控制量进行补偿。

【关键词】

生化培养箱；智能；控制系统

0　引言

生化培养箱是是生物、医学、环境保护、农林畜牧等行业的科研机构、大专院校、生产单位或部门实验室的重要试验设备，广泛应用于恒温恒湿试验、培养试验、环境试验等。然而长期以来，生化培养箱的温湿度控制存在严重耦合，研究生化培养箱的温、湿度控制算法，提升控制精度，对相关领域的生产和科研具有重要意义。

目前国内外对生化培养箱的温湿度控制主要通过开关控制、单纯PID控制及模糊控制来实现。然而开关控制效果非常粗糙，同时会造成设备的频繁启停， 降低设备使用寿命；PID控制对于非线性时变、滞后较大的温湿度控制系统来说，鲁棒性不强；而单纯的模糊控制器存在静差，控制精度不够高。同时大部分生化培养箱控制系统由于没有考虑系统温、湿度的相互影响，加上生化培养箱模型的不确定性以及过程参数受环境影响变化大，导致对温、湿度控制的精度不理想。

本文针对生化培养箱工作过程中温、湿度变化的耦合性强，以及传感器性能曲线受外界干扰较大等问题，为更好满足生化培养过程对温、湿度指标的工艺要求，采用神经元对温湿度控制进行解耦，同时采用变参数模糊控制，提升控制系统自调节能力，提高茶叶品质。

图1　控制系统结构

1　算法结构

为了解决生化培养过程中，温度和湿度相互制约，相互影响的问题，需要对系统温、湿度变化进行解耦，然而生化培养过程的数学模型难以直接获取，导致常规的解耦方法无法使用。

针对具有双输入双输出的生化培养箱，本文提出了一种基于神经元解耦的变参数模糊制方法，其结构如图1所示。

整个控制系统由基于改进模糊算法的温、湿度独立控制，以及基于神经元的解耦补偿两部分组成。

基于改进模糊算法，首先利用模糊控制器根据温、湿度设定值和系统检测反馈值，实现对温、湿度独立闭环控制，同时为了解决传感器漂移和固定参数模糊算法环境适应性差的问题，采用粒子群算法算法对模糊隶属度进行在线优化。

神经元解耦补偿器，位于模糊控制器与控制对象之间，利用神经元的自学习特性，实现对温度和湿度控制量耦合关系的学习，利用解耦结果对控制量进行补偿。从而保证改进模糊算法计算的控制量相互独立，无需关心耦合关系。

2　模糊控制器的设计

温度模糊控制器采用双输入，单输出结构。输入e1为生化培养过程温度与设定值偏差，模糊变量为{NL，NM，NS，O，PS，PM，PL}，论域E1＝{-7,-6,-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5,6,7}。输入e2为温度偏差变化率，模糊变量为{NL，NS，O, PS，PL}，论域E2= { -4, -3, -2, -1, 0, 1, 2, 3, 4}。输出u为温度调节量，U的模糊变量为：{NL，NM，NS，O，PS，PM，PL}，论域U ＝{ -6，-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5，6}。

湿度模糊控制器，输入e1为湿度与设定值偏差，模糊变量为{NL，NM，NS，O，PS，PM，PL}，论域E1＝{-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5}；输入e2为湿度偏差变化率，模糊变量为{NL，NS，O, PS，PL}，论域为E2= { -4, -3, -2, -1, 0, 1, 2, 3, 4}；输出u为湿度调节量，U的模糊变量为：{NL，NM，NS，O，PS，PM，PL}，论域U ＝{ -6，-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5，6}。为了更好的抑制环境参数变化对生化培养过程控制系统的影响，方便参数调节，本文采用梯形函数。

根据生化培养过程工艺的专家经验，温、湿度模糊控制的规则，均按照偏差较大时快速调节，偏差较小时精细调节的原则，总结出模糊控制规则，如表1 所示。

根据所本文所设计的隶属度及模糊推理规则，同时利用Mamdani模糊推理方法进行解模糊，得到模糊控制查询表。通过清晰化接口和查询表，分别得热电偶电流和鼓风机转速的调节量。

表1　推理语言规则表Table 1.　Rules table of Reasoning language

3　实验与应用

为了验证本文提出算法的有效性，采用对比实验的方式，从系统性能方面对系统运行效果进行实验分析。

控制目标设定为温度37℃，相对湿度30%。

在实验过程中两种控制策略下对应的箱体内温、湿度变化曲线分别如图2和图3所示。不难看出，本文的方法，由于采用了解耦补偿，温、湿度变化的耦合性得以改善，局部扰动明显减小；同时由于采用了模糊控制，相对于PID控制，不但提升了控制精度，同时较小了系统超调量、也加快了系统响。系统进入稳态后，采用本文方法的温度控制误差小于0.4℃，相对湿度误差仅为 2.5%。从对比实验结果上看本文方法在控制系统性能上，优于传统的模糊控制控制。

【参考文献】

[1]栗震霄.提高生化培养箱温度控制精度的试验研究[J].粮油加工与食品机械，1999，15(6)：58－61.

[2]顾敏明，潘海鹏.湿度专家控制系统的设计与实现[J].工业仪表与自动化装置，2007(4)：20－22.

[3]Mann, G.K.I, Gosine, R.G. Threedimensional min-max-gravity based fuzzy PID inference analysis and tuning [J]. Fuzzy Sets and Systems, 2008, (2): 300-323

[4]郭文川，程寒杰，李瑞明，等.基于无线传感器网络的温室环境信息监测系统[J].农业机械学报，2010，41(7)：181－185.

罗伟(1979-)，男，湖南株洲人，硕士，副教授，研究领域：控制工程。

图2　温度对比实验曲线

图3　湿度对比实验曲线

【作者简介】

中图分类号：TP273+.21

文献标识码：A国家标准学科分类代码：510-80