控制温度常用方法
1、常规PID控制
PID控制即比例、积分、微分控制,其结构简单实用,常用于工业生产领域。原理如图1。
图1常见PID控制系统的原理框图
明显缺点是现场PID参数整定麻烦,易受外界干扰,对于滞后大的过程控制,调节时间过长。其控制算法需要预先建立模型,对系统动态特性的影响很难归并到模型中。
在我国大多数PID调节器厂家生产的调节器均为常规PID控制算法。
2、模糊控制
模糊控制(FuzzyControl)是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机控制。原理如图2。
图2模糊控制系统原理框图
3、神经网络控制
神经网络控制采用数理模型的方法模拟生物神经细胞结构,用简单处理单元连接形成各种复杂网络,并采用误差反向传播算法(BP)。原理如图3:
图3神经网络控制系统的原理框图
4、Fuzzy-PID控制
模糊控制不需知道被控对象的精确模型,易于控制不确定对象和非线性对象。PID本质是线性控制。将模糊控制与PID结合多,以Fuzzy-PID混合控制为例,据给定值与测量值之偏差e选择智能控制器,根据e的变化选择控制方法,当|e|≤emin或|e|≥emax时,采用PID控制;当emin≤|e|≤emax时,采用Fuzzy控制。其结构框图如图4。
图4Fuzzy-PID混合控制结构框图
5、神经网络PID控制
在PID控制的基础上,加入神经网络控制器,构成神经网络PID控制器,如图5。神经网络控制器NNC是前馈控制器,通过对PID控制器的输出进行学习,在线调整自己,目标是使反馈误差e(t)或u(t)趋近于零,使自己逐渐在控制中占据主导地位,以减弱或最终消除反馈控制器的作用。
图5神经网络PID控制结构框图
6、模糊神经网络控制
将模糊逻辑与神经网络结合,采用神经网络模糊逻辑推理网络模型和快速的自学习算法,通过网络的离线训练和在线自学习使控制器具有自调整、自学习和自适应能力,达到模糊智能控制。如图6。
图6模糊神经网络控制系统结构图
7、遗传PID控制
遗传PID控制是将控制器参数构成基因型,将性能指标构成相应的适应度,利用遗传算法来整定控制器的最佳参数,不要求系统是否为连续可调,能否以显式表示。基于遗传算法的自适应PID控制的原理框图如7。遗传PID温控系统将测量值与给定值进行比较,用遗传算法来优化PID参数,然后将控制量输出,实现将PID参数串接构成完整染色体,从而构成遗传空间中的个体,过通过繁殖交叉和变异遗传操作生成新一代群体,经过多次搜索获得最大适应度值的个体。
图7基于遗传算法的自适应PID控制结构图
8、广义预测控制
预测控制(PredictiveControl)是基于模型的计算机控制算法。其预测模型有脉冲响应模型、阶跃响应模型、CAMRMA模型和CARIMA模型。基于CARIMA模型的广义预测控制(GPC)是一种新型计算机控制算法。
-
控制温度
+关注
关注
0文章
3浏览量
10154
发布评论请先 登录
相关推荐
评论