生化培养箱智能控制系统的设计范文

【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

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。

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。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。

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.Three-dimensionalmin-max-gravitybasedfuzzyPIDinferenceanalysisandtuning[J].FuzzySetsandSystems,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.

作者：罗伟 单位：湖南学院铁道职业技术