[计算机软件及应用]基于神经网络PID算法人工温室温度控制系统.doc

摘 要神经网络控制和PID算法是目前已经应用非常广泛的技术，基于神经网络的PID算法是现在非常受欢迎的算法。温度是温室中非常重要的一个环境因子，植物要想生长得好，长得快，温室的温度必须合适。温室中温度（即被控对象）复杂、时变，而实际中对被控对象的控制要求越来越严格，且传统的温室温度系统不具有智能的功能，所以，研究基于神经网络的PID算法去设计人工温室温度控制系统，来提高控制精度，使其具有智能功能，具有重要的意义。本设计运用基于神经网络的PID算法来控制温室温度，使温室的温度始终在25摄氏度左右。本设计中采用了单神经元自适应PID控制器。其优点为：神经网络具有一定的学习能力、自适应性、非线性映射能力和容错能力，自适应控制系统具有适应能力，它能够认识系统的环境条件的变化，并自动校正控制动作，从而使系统达到最优的控制效果。单神经元的学习规则有三种，在本设计中，我们使用了有监督的Hebb学习规则。并把传统的PID控制与单神经元自适应PID控制进行比较。最后MATLAB仿真结果表明，该控制系统的控制效果优于传统的PID，具有超调小、控制精度高、抗干扰能力强等等优点。关键词：神经网络控制 PID算法 有监督的Hebb学习规则 MATLAB仿真34Title Design of temperature control system of artificle greenhouse _ _Based on neural network of PID algorithm ABSTRACTThe neural network control and PID algorithm is now very extensive technology,base-d on neural network of PID algorithm is now very popular algorithm. The temperature is the greenhouse one of important environmental factors.If people want the plants to grow well and grow fast, the greenhouse temperature must be appropriate. The temperature of the greenhouse (namely the controlled object) is complex and time-varying.But the controlled object is required more and more strictly in practice. And there is not an intelligent function in the traditional greenhouse-temperature system.So research based on neural network of PID algorithm to design artificial greenhouse temperature control system has important significance in order to improve the control precision, has intelligent function.This design is based on neural network using PID algorithm to control greenhouse temperature. Make the temperature of greenhouse always in around 25 degrees Celsius. This applied to the design of the single neuron adaptive PID controller. The advantages of it is that the neural network has some learning ability, adaptability, nonlinear mapping capability and fault tolerance,and adaptive control system has the ability to adjust the system, it can know the system environment changes,and automatic correction control action, thus make the system to achieve optimal control effect.Single neuron learning rule has three.In this design, We uses the Hebb learning rule with supervision. And the traditional PID control and single neuron only adapt to the PID control are compared. Finally MATLAB simulation results show that control effect of this control system is better than that of traditional PID, having overshoot small, high control accuracy and strong anti-interference ability and so on.Keywords: Neural network control PID algorithm The Hebb learning rule with supervision MATLAB simulation目录摘 要IABSTRACTII1绪论11.1 本论文的背景和意义11.2 本论文的主要研究方法及内容22神经网络控制以及PID算法简介32.1神经网络控制32.2常规PID算法62.3 神经PID控制103基于神经网络PID算法的温室温度控制系统设计163.1 温室温度控制系统模型的建立163.2 单神经元自适应PID控制系统设计实现173.3 仿真21结论26致谢27参考文献28附录A PID程序29附录B 基于神经网络的PID程序311 绪论1.1 本论文的背景和意义随着社会的发展，各种农作物温室和园艺温室的数量在不断的增加，温室也成为设施农业中一个最主要、最关键的生产设施之一。在温室中运用各种手段和方法来改善不适合作物生长的环境条件并且创造适宜作物生长发育的环境条件的过程，就是温室环境调控。随着科技的进步，以及测温仪在各个领域的广泛运用，智能化已经成为现代温室温室系统发展的主流方向。特别是近些年来，温度控制系统已经运用到了人们生活的方方面面，现在的人们已经离不开温度控制系统。然而，温室温度控制系统却一直是一个未开发的领域，但却又是与人们的生活息息相关，紧密相连的一个实际问题。针对眼前这种实际情况，设计一个温室温度控制系统，具有广泛的应用前景和非常大的实际意义。影响作物生长的因子主要有五个因素，即温度、湿度、光照、二氧化碳浓度和营养液。温室生产的一个重要优势就是可以控制所有的环境因素，从而使植物处于最佳生长状态，其中温度是非常关键的一个因子，是一个主要因子。众所周知，不同种类的植物有不同的最佳生长温度，况且不同植物以及相同的植物在不同生长阶段对温度的需求也不相同。人们总是希望植物生长、发育得快一些，好一些，以获得更多的利润，所以就需要在植物的整个生长期提供最合适的温度。由上所述，我们得知，温室的温度控制系统在整个温室系统中的作用非常大。目前，随着温室的迅速增多，人们对其性能要求也越来越高，特别是为了提高生产效率，对温室的智能化要求越来越高。由于模糊控制，神经控制和智能控制理论的不断发展和完善，使这种要求变为可能。本设计的内容是温室温度测试控制系统，控制对象是温度。温度控制在日常生活及工业领域应用相当广泛，比如温室、水池、发酵缸、电源等场所的温度控制。而以往温度控制是由单片机或者PLC以及传感器等完成的，而不是用神经网络控制和PID算法，因此也就不智能。针对此问题，本系统设计的目的是实现一种智能化，可连续高精度调温的温度控制系统，它应用广泛，功能强大，是一款既实用又廉价的控制系统。1.2 本论文的主要研究方法及内容论文的研究方法多种多样，本论文中用到多种研究方法，其中主要的研究方法有：文献研究法，描述性研究法，定性分析法，定量分析法，思维方法和系统科学方法等等。在做此论文的时候我查阅了很多关于神经网络控制，PID算法和温室温度控制系统的文献和资料，也对这些文献和资料进行了分析和思考。同时在仿真的时候，不断进行定性和定量分析。我将已有的现象、规律和理论通过自己的理解和验证，给予叙述并解释出来，不可避免的要用到描述性研究法。当然，任何科学的研究都离不开系统科学方法。本论文的内容大致如下所示：第一章是绪论；第二章是神经网络控制、PID算法简介以及单神经元只适应PID算法的知识介绍；第三章是温室温度控制系统模型的建立以及单神经元自适应PID算法温室温度系统的设计及实现并进行MATLAB仿真；再接下来是结论，致谢，参考文献和附录。2 神经网络控制以及PID算法简介2.1 神经网络控制2.1.1 神经网络控制的概念人工神经网络 12（简称神经网络，Neural Network）是从人脑的生理学和心理学着手，通过人工模拟人脑的工作机理来实现机器的部分智能行为，是模拟人脑思维方式的数学模型。神经网络控制是基于神经网络的控制或简称神经控制3，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，以及同时兼有上述某些功能的适应组合，将这样的系统统称为基于神经网络的控制系统，称这种控制方式为神经网络控制。它是将神经网络与控制理论相结合而发展起来的智能控制方法，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。它已成为智能控制的一个新的分支，为解决复杂的非线性、不确定、未知系统的控制问题开辟了新途径。在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。2.1.2 神经网络控制的基本思想众所周知，控制系统的目的在于通过确定的适当的控制量输入，使得系统获得期望的输出特性。图2-1(1)给出了一般反馈控制系统的原理图，其中(2)采用神经网络替代(1)中的控制器，为了完成同样的控制任务，我们来分析一下神经网络是如何工作的114。(1)(2)图2-1 反馈控制与神经网络控制设被控制对象的输入和系统的输出之间满足如下非线性函数关系 (2-1)控制的目的是确定最佳的控制量输入，使系统的实际输出等于期望的输出。在该系统中，可把神经网络的功能看做输入输出的某种映射，或称为函数变换，并设它的函数为 (2-2)为了满足系统输出等于期望的输出，将(2-1)式代入(2-2)式，可得 (2-3)显然，当时，满足的要求。由于要采用神经网络控制的被控对象一般是复杂的且多具有不确定性，因此非线性函数是难以建立的，可以利用神经网络具有逼近非线性函数的能力来模拟，尽管的形式未知，但通过系统的实际输出与期望输出之间的误差来调整神经网络中的链接权重，即让神经网络学习，直至误差 (2-4)的过程，就是神经网络模拟的过程，它实际上是对被控对象的一种求逆过程，有神经网络的学习算法实现这一求逆过程，就是神经网络实现直接控制的基本思想。2.1.3 神经网络控制的特点1）能逼近任意的非线性函数。2）信息的并行分布式处理与存储。3) 可以多输入、多输出。4）便于用超大规模集成电路（VISI）或光学集成电路系统实现，或用现有的计算机技术实现。5）能进行学习，以适应环境的变化。2.1.4 神经网络控制的作用1）在基于精确模型的各种控制结构中充当对象的模型。2）在反馈控制系统中直接充当控制器的作用。3）在传统控制系统中起优化计算的作用。4）在与其它智能控制方法和优化算法，如模糊控制、专家控制及遗传算法等相融合中，为其提供非参数化对象模型、优化参数、推力模型及故障诊断等。2.1.5 神经网络控制的研究领域(1) 基于神经网络的系统辨识15 将神经网络作为被辨识系统的模型，可在已知常规模型结构的情况下，估计模型的参数。 利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型，实现非线性系统的建模和辨识。(2) 神经网络控制器神经网络作为实时控制系统的控制器，对不确定、不确知系统及扰动进行有效的控制，使控制系统达到所要求的动态、静态特性。 (3) 神经网络与其他算法相结合将神经网络与专家系统、模糊逻辑、遗传算法等相结合，可设计新型智能控制系统。(4) 优化计算在常规的控制系统中，常遇到求解约束优化问题，神经网络为这类问题的解决提供了有效的途径。目前，神经网络控制已经在多种控制结构中得到应用，如PID控制、模型参考自适应控制、前馈反馈控制、内模控制、预测控制、模糊控制等。2.2 常规PID算法2.2.1 PID的概念PID8是比例、积分、微分的缩写，将偏差的比例（P）、积分（I）和微分（D）通过线性组合构成控制量，用这一控制量对被控对象进行控制，这样的控制器称PID控制器（也称PID调节器）。如图2-2。 图2-2 常规PID算法控制原理它具有原理简单，易于实现，适用面广，控制参数相互独立，参数的选定比较简单等优点；而且能对相当多的一些工业过程（或对象）进行有效的控制。并且在理论上可以证明，对于过程控制的典型对象“一阶滞后纯滞后”与“二阶滞后纯滞后”的控制对象，PID控制器是一种最优控制。PID调节规律是连续系统动态品质校正的一种有效方法，它的参数整定方式简便，结构改变灵活。2.2.2 PID的优点1)技术成熟。2)易被人们熟悉和掌握。 3)不需要建立数学模型。 4)控制效果好。 2.2.3 模拟PID的控制原理模拟PID的控制系统的原理13如图2-2所示，该系统有模拟PID控制器和被控对象组成，图中是给定值，是系统的实际输出值，给定值与实际的输出值构成了系统的控制偏差值，有。作为PID控制器的输入，作为PID控制器的输出和被控对象的输入。所以模拟PID的控制器的控制规律为： (2-5) 式中：PID调节器的输出信号； ：调节器的偏差信号，它等于给定值与测量值之差； ：比例系数；：积分时间常数；：微分时间常数； ：控制常量； ：积分系数； ：微分系数。其中误差、误差的积分、误差的微分分别代表了系统输出的当前、过去和未来三个状态。PID各个校正环节的作用如下所示：比例环节的作用是对偏差瞬间做出快速反应。偏差一旦产生，控制器立即产生控制作用，使控制量向减少偏差的方向变化。控制作用的强弱取决于比例系数。比例系数加大，使系统的动作灵敏，速度加快，控制加强，稳态误差减小。但偏大，振荡次数加多，调节时间加长。同时过大的会导致系统震荡，破坏系统的稳定性。太小，又会使系统的动作缓慢。可以选负数，这主要是由执行机构、传感器以控制对象的特性决定的。 积分环节的作用是把偏差的积累作为输出。在控制过程中，只要有偏差存在，积分环节的输出就会不断增大。直到偏差，输出的才可能维持在某一常量，使系统在给定值不变的条件下趋于稳态。积分环节的调节作用虽然会消除静态误差，但也会降低系统的响应速度，使系统的稳定性下降，增加系统的超调量。积分常数 越大，积分的积累作用越弱。增大积分常数（积分作用弱） 会减慢静态误差的消除过程，但可以减少超调量，提高系统的稳定性。减小积分常数（积分作用强）会使系统不稳定，但能消除稳态误差，提高系统的控制精度。所以，必须根据实际控制的具体要求来确定。微分环节的作用是阻止偏差的变化，可以改善动态特性。它是根据偏差的变化趋势（变化速度）进行控制。偏差变化得越快，微分控制器的输出越大，并能在偏差值变大之前进行修正。微分作用的引入，将有助于减小超调量，克服震荡，使系统趋于稳定。但微分的作用对输入信号的噪声很敏感，对那些噪声大的系统一般不用微分，或在微分起作用之前先对输入信号进行滤波。偏大时，超调量较大，调节时间较短。偏小时，超调量也较大，调节时间较长。只有适当地选择微分常数，才能使超调量较小，减短调节时间，使微分的作用达到最优。2.2.4 离散PID算法的分类由于计算机的出现并且因为它进入了控制领域，人们便将模拟PID 控制规律引入到计算机中来。由于计算机控制的是一种采样控制，它只能根据采样许可的偏差计算控制量，而不能像模拟控制那样连续输出控制量，进行连续控制。因为这一特点，公式 (2-5)中的积分和微分项就不能直接使用，必须进行离散化处理67。将公式(2-5)中的连续时间用一系列采样时刻点代替，同时以一阶后向差分近似代替微分，以矩形法数值积分代替近似代替积分。经离散化处理后，控制点目前包含两种比较简单的PID控制算法，分别是：位置式算法，增量式算法。这两种PID算法虽然简单，但各有特点，基本上能满足一般控制的大多数要求。(1)位置式算法 (2-6)式中：采样信号，； ：第次采样时刻计算机的输出值；：第次采样时刻输入的偏差值；：比例系数；：积分系数；：微分系数；：积分时间常数；：微分时间常数；：采样周期；：开始进行PID控制时的初始值。 (2)增量式算法 (2-7)参数同上2.2.5 PID算法的参数整定规则PID参数选定规则如下所示8：整定参数寻最佳,从小到大逐步查；先调比例后积分,微分作用最后加；曲线震荡很频繁,比例刻度要放大；曲线漂浮波动大,比例刻度要拉小；曲线偏离回复慢,积分时间往小降；曲线波动周期长,积分时间要加长；曲线振荡频率快,先把微分降下来；动差大来波动慢,微分时间应加长；理想曲线两个波,前高后低4比1；一看二调多分析,调节质量不会低。2.3 神经PID控制常规PID控制的局限性在于控制对象具有复杂的非线性特性，难以建立精确的数学模型，且由于对象和环境的不确定性，往往难以达到满意的控制效果。神经PID控制就是针对上述问题而提出的一种控制策略。神经PID控制结构图2-3，有两个神经网络2：NNI系统在线辨识器；NNC自适应PID控制器。工作原理是由NNI对被控对象在线辨识的基础上，通过对NNC的权系进行实时调整，使系统具有自适应性，达到有效控制。图2-3 神经PID控制框图2.3.1 神经PID控制器对于不确定、不确知对象与扰动，为达到有效控制的目的，对象模型在线辨识基础上，设计神经PID控制器。网络的权系值是PID控制器的三个系数。用网络的学习能力，对象与扰动变化时，辨识的对象模型随着变化，神经PID控制器的权系值不断的调整，使控制系统能适应环境，实现有效控制。神经PID控制器用动态神经网络，其中的神经网络用自适应线性神经元。输入： (2-8)输出： (2-9)式中： 为NNC的权值，。2.3.2 单神经元自适应PID控制理论自适应控制系统是一个具有一定适应能力的系统，它能够认识系统的环境条件的变化，并自动校正控制动作，从而使系统达到最优的控制效果，他具有以下的功能16：1） 系统本身可以不断的检测和处理信息，了解系统的当前状态。2） 进行系统性能优化，产生自适应控制规律。3） 调整可调环节（控制器），使整个系统始终工作在最优的状态。自适应是现代控制的重要组成部分，它有如下的突出特点：1）自适应控制主要研究不确定对象和实现难以确知的对象。2）自适应控制因为具有辨识对象和在线参数修改的能力，因而不仅能消除系统的状态扰动引起的系统误差，而且还能消除系统的结构扰动引起的系统误差。3）自适应控制系统设计很少依赖数学模型的全部，仅需要较少的前验知识，但是必须设计一套自适应算法，因而将更多地依赖计算机实现。4）自适应控制是更复杂的控制，它在一般反馈控制的基础上增加了辨识器和自适应结构，而且还有可调系统。从实用角度讲，自适应控制系统可以大致分为两类：模型参考自适应控制和自校正控制，它们的结构分别如图2-4和图2-5所示：图2-4 模型参考自适应控制系统的基本结构图2-5 自校正控制系统的基本结构（1）单神经元模型在本设计中研究的单神经元自适应PID控制器中的单神经元模型如图2-6所示：图2-6 单神经元的模型单神经元的输出为： (2-10)其中的分别对应为单神经元的第个输入、第个输入所对应的连接权值，为单神经元的增益（即比例系数），它对系统的快速跟踪和抗干扰能力有较大的影响。写成向量的形式为： (2-11)其中的分别为输入向量、输入向量的连接权值向量。 神经元控制器的输出为： (2-12)（2）神经元的学习理论l 神经元学习的基础1115 连接权具有可塑性。神经元的记忆、学习都是以神经网络结构的变化为基础的，而神经网络结构的变化又是靠连接权的变化来实现的。 Hebb假说。这个假设的内容是：只有当神经元兴奋时，神经元的连接权值才被强化而增大。 学习环境的信息构造。神经元学习的好与坏，学习完成之后具有什么能力，与其所处的学习环境有关。对于学习的神经元，学习环境相应地应包括：输入信号向量、教师信号、输入信号向量重复出现的程度。l 神经元的学习规则学习规则13就是修正神经元之间的连接强度或者加权系数的算法，使获得的知识结构适应周围环境的变化，学习过程由学习期和工作期两个阶段组成。在学习期中，执行学习规则，修正加权系数。在工作期内，连接权值固定，计算神经元的输出。单神经元控制器的自适应功能是通过学习改变连接权值来实现的。学习算法就是调整连接权值的规则，它是单神经元控制器的核心，并反映了其学习的能力。学习算法如下： (2-13)式中为随过程递减的学习信号，为学习速率。常用的三种主要学习规则为1116： 无监督Hebb学习规则。Hebb学习是一种相关学习，它的基本思想是：如果有两个神经元同时兴奋，则它们之间的连接权值的增强与它们的激励的乘积成正比。用表示单元的激励值(输出)，表示单元的激励值，表示单元到单元的连接权值系数，则Hebb学习规则可用下式表示： (2-14)其中为学习速率。 有监督Delta学习规则。在Hebb学习规则中引入教师信号，将上式中的换成网络期望目标输出与实际输出之差，即为有监督Delta学习规则。 (2-15)上式表明，两神经元间的连接权值的变化量与教师信号和网络实际输出之差成正比。 有监督Hebb学习规则。将无监督Hebb学习规则和有监督Delta学习规则两者结合起来，组成有监督Hebb学习规则，即： (2-16)这种学习规则使神经元通过关联搜索对未知的外界做出反应，即在教师信号的指导下，对环境信息进行相关学习和自组织，使相应的输出增强或削弱。（3）单神经元自适应PID控制器的学习方法17 在如图2-7的单神经元自适应PID控制系统中，若采用的学习算法是Delta学习算法，权值的修改学习规则如下： (2-17)式中为学习速率。图2-7 单神经元PID控制系统结构该学习规则表示对一个动态特性未知的环境，自适应神经元在教师信号作用下进行强迫学习，从而对外界做出反应和作用。神经元权系数的学习确保系统的跟踪误差收敛于零。只要跟踪误差存在，学习过程就会使权值变化，从而使误差以最快的速度趋于零，这样就通过关联搜索保证了系统的无静差。只要保证学习算法的收敛性，调节系统就可以实现无静差和快速响应的控制效果。3 基于神经网络PID算法的温室温度控制系统设计3.1 温室温度控制系统模型的建立3.1.1 温室系统的特点温室内的花卉或则农作物的生长主要受温度、湿度、光照、二氧化碳浓度和营养液五种因素的影响。这五种因素之间相互影响、相互作用。温室环境系统是一个很复杂的大系统。第一，温室中的温度具有非线性、参数分布广泛、多变量耦合、滞后性、大惯性被控对象；第二，前面提到，温室中的环境因素很多，这就导致它所处的环境充斥着大量的不确定因素；第三，它的控制任务是完成动态多目标的协调控制，任务很复杂和繁重。所以，一般的控制系统很难完成对温室温度的智能控制。3.1.2 温室温度控制系统模型的建立建立控制模型通常有两种方法：1.根据系统的详细数学模型进行建模；2.根据实验模型进行近似建模。由于温室系统是一个多容积系数、惯性大、强耦合的复杂多变系统，要想建立精确的数学模型来描述它，实在是不太现实，所以，本系统采用2进行建模。本设计的控制对象为温室内的温度，范围要求在035。设计中假设温室的初始温度为0，要求对其进行控制，使其维持在25左右，并且要达到平稳性好、调节时间短、超调量为零且稳态误差在1内的技术要求。众所周知，在实际的工业生产过程中，控制对象各种各样，种类繁多。通过多变量的解耦，园艺的丰富经验和多次实际的测量结果，理论结果和实验结果表明：电加热设备是具有自平衡能力的对象45，可以用二价的纯滞后环节来描述。可是，对于二阶不振荡的系统，通过参数辨识器可以降为一阶的模型。因此，通常可以用一阶的比例惯性滞后环节来表示对温室温度控制的数学模型。所以，温室温度控制系统的一阶比例惯性滞后模型的传递函数为： (3-1)式中：对象的静态增益 ：对象的时间常数 ：对象的纯滞后时间常数根据系统的一阶大惯性和大延时的特点，并假定该温室是一个比较大一些的温室大棚，设定本系统的参数为：即该温室温度控制系统的一阶比例惯性滞后模型的传递函数为： (3-2)对传递函数进行变换910，取采样周期为，即2min，执行语句如下：ts = 120;sys = tf(1, 90, 1, 'inputdelay', 360);dsys = c2d(sys, ts, 'zoh');num, den = tfdata(dsys, 'v');得到Transfer function: 0.7364z(-3) * - z - 0.2636 Sampling time: 120变换后得到的差分方程为： (3-3)3.2 单神经元自适应PID控制系统设计实现3.2.1 单神经元自适应PID控制算法的实现前面已经提到，温室系统非常复杂多变。鉴于以上特点，在本设计中采用单神经元自适应PID控制器。而我们知道，单神经元的学习规则有三种，分别为无监督的Hebb学习规则、有监督的Delta学习规则、有监督的Hebb学习规则，因为有监督的学习规则中对系统的输出和误差都有一定的表现，所以在本设计中，我们使用了有监督的Hebb学习规则。根据图2-7，学习算法如下：连接权值的修正规则为： (3-4)单神经元的控制器的输出为： (3-5)其中： ； ； ； ； 为时刻的误差； 分别为时刻的误差。由于神经元具有自学习功能，权值的初始值不影响系统的稳态控制效果，可以任意选择。同时，由于神经元的自适应功能，权值的不断修正使系统的控制效果不断得到改善。经过两个甚至更多周期的调整，神经元权值得到不断的修正，最终能够使控制效果得到优化，动态性能趋于理想。这时可以将较理想状态下的神经元权值记录下来。只要在下次控制启动之前受控对象的参数不发生较大变化，这些权值就可以直接作为下次神经元控制的权值初始值，这样就完全避免了每次为神经元PID控制器盲目地设定权值初始值的弊端，大大缩短了权值修正时间，使整个系统的神经元PID控制过程更加趋于优化。3.2.2 系统结构实现以及控制运作流程系统的整体控制结构为PID控制，采用增量式PID算法。神经网络算法的作用为根据系统运行的具体情况适时的进行P、I、D相应参数的调整，由于神经网络算法需要学习的过程修改连接权值以及参数的动态调整，会产生相应的延迟，因此在综合考虑系统的实时性以及对PID参数调整的需要性等方面，采用单神经元自适应模型。系统构架图3-1所示如下：图3-1 单神经元自适应系统构架图系统整体呈现为PID算法控制，根据PID的定义，我们容易得到PID算法的增量式表达式为根据上一节对单神经元算法的分析，我们得到PID的三个参数对应为：K值为比例参数，对系统影响最大，我们在仿真中设定适当的且不相同的值后，通过对K值的调整，可得到初步的仿真结果。按照此方法对PID参数进行实时修订，即实现本系统的单神经元的自适应PID控制系统。当系统开始运行后，在初始化参数以及设定输入和输出的基础上，我们可以得到初始的误差值，根据误差值，通过神经网络算法我们可以得到PID的控制参数，根据PID算法公式我们可以得到，作用于传递函数后开始进行下一次循环操作，只到运行结束，具体流程如下图3-2所示：图3-2 系统流程图依照以上系统构架和数据处理过程，对于本系统，我们只要确定传递函数以及其参数后，运用仿真结果调整神经网络算法的K值以及相应的值得到最优结果即可。在3.1给出的传递函数中，我们根据系统的延时性等特点确定一组传递函数参数，本系统的仿真延时为6min，采样时间为2min，我们取200个采样周期进行处理，基本符合一般系统的要求，具有一定的广泛代表性。对传递函数进行z变换后即可按照附录进行仿真。神经网络算法中的各个参数为经过大量的参数仿真对比后得到的最佳值。3.3 仿真3.3.1 传统PID控制器的仿真对于一个比较典型的传统PID控制器，其传递函数为： (3-6)在最小模型的假设的前提下，我们得到了整定PID控制器参数的Ziegler-Nichols经验公式： (3-7)所以，根据前面的公式(3-2)，我们得到对象模型的参数为：使用一阶向后差分近似微分，得到离散化后的PID控制方程为： (3-8)式中： ； 。我们根据以上参数，建立MATLAB的M函数12，得到PID控制器的输出和系统的输出仿真曲线分别如图3-3和图3-4：图3-3 传统PID控制器的输出图3-4系统的输出3.3.2 单神经元PID控制器的仿真下图3-5为基于单神经元PID控制的温室温度控制系统的MATLAB控制算法流程图：图3-5 单神经元PID算法流程图在单神经元自适应权值学习式中，对积分(I)、比例(P)、微分(D)分别采用不同的学习率，以便对它们各自的权系数能根据需要分别进行调整。采用不同的学习率来进行学习，可以防止某些项因为相差太大而被淹没，当闭环回路投入单神经元PID控制器自动运行，一直做权值修正一段时间后，权值的修正可能出现错误情况，会导致控制器的调节效果基本丧失。所以可以先训练神经元权值直到调节效果较为满意。下图3-6、图3-7、图3-8为单神经元PID控制器的仿真图：图3-6 单神经元PID控制器的图3-7 单神经元PID控制器的输出图3-8 单神经元PID控制器的输出结论温室中的温度是非线性、强耦合性、滞后性、大惯性、不确定的控制对象，要想建立非常精确的模型具有非常大的困难，然而其参数的整定却非常依赖于被控过程的精确数学模型，所以，如果建立的数学模型越精确，PID参数整定的越恰当，控制的效果就会越好。没有神经网络的PID控制，它的参数需要人工不断的调整，而调整过程又繁琐，浪费人力和物力，况且它很难达到满意的控制效果。而神经网络实际上是无模控制方法，它不依赖于对象的数学模型而实现了人类某些智能。但是，它也有一定的缺点，常规的神经网络学习和训练若没有一定的先验知识，将会出现训练速度慢、容易陷入局部最小、全局搜索能力弱等特点。因此，本设计对有关控制理论与算法进行了深入的研究，主要完成了以下两项工作：1）通过分析神经网络和传统的PID控制的自身特点，扬长避短，结合它们各自优点设计了一种基于单神经元自适应PID控制器。该控制器将神