基于模糊神經(jīng)網(wǎng)絡(luò)PID控制的花茶烘焙溫控系統(tǒng)設(shè)計(jì)

陳 星

(南京信息職業(yè)技術(shù)學(xué)院，江蘇 南京 210023)

隨著人們生活水平的不斷提高，花茶逐漸成為生活中常見的飲品之一，高品質(zhì)的花茶更是市場嬌兒。影響花茶的品質(zhì)除了花苞自身的優(yōu)良之外，還有制茶工藝[1]。制茶工藝通常為合理烘干去濕過程，其間重要的影響參數(shù)為溫、濕度，溫、濕度的高低和作用時(shí)間直接影響花茶制作后的元素保有量和花苞造型，利用控制技術(shù)完成最佳炒茶環(huán)境的調(diào)控設(shè)計(jì)一款智能炒茶溫控系統(tǒng)具有現(xiàn)實(shí)意義。溫控系統(tǒng)具有時(shí)滯性、大耦合、非線性的特點(diǎn)，無法建立精確數(shù)學(xué)模型[2]。傳統(tǒng)的PID控制系統(tǒng)結(jié)構(gòu)簡單，實(shí)現(xiàn)方便，但無法實(shí)現(xiàn)精確控制。模糊控制依靠構(gòu)建輸入輸出變量模糊子集和隸屬函數(shù)關(guān)系，依據(jù)模糊規(guī)則和推理，實(shí)現(xiàn)精準(zhǔn)控制[3]。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、實(shí)時(shí)性、自適應(yīng)性強(qiáng)的特點(diǎn)，可彌補(bǔ)模糊控制中依靠專家系統(tǒng)制定的模糊規(guī)則局限性的缺點(diǎn)，實(shí)現(xiàn)對控制參數(shù)的實(shí)時(shí)精確控制[4]。

為實(shí)現(xiàn)對炒茶機(jī)中溫控系統(tǒng)的精確調(diào)控，從而炒制出品質(zhì)優(yōu)異的花茶。研究擬提出基于模糊控制+神經(jīng)網(wǎng)絡(luò)+PID控制的組合控制系統(tǒng)，經(jīng)過Matlab軟件進(jìn)行模擬仿真和實(shí)際應(yīng)用測試，并對組合系統(tǒng)和單純PID控制系統(tǒng)的控制結(jié)果進(jìn)行對比分析，驗(yàn)證組合控制系統(tǒng)的調(diào)控效果。

1 花茶制作工藝分析

制茶的目的是快速將新鮮花朵進(jìn)行去濕干燥，生成最多有益元素。傳統(tǒng)花茶制作工藝為熱風(fēng)干燥、陰涼干燥和硫磺熏蒸，效率低下、品質(zhì)差、副作用大，已逐漸被淘汰?，F(xiàn)代制茶工藝為微波干燥、熱泵干燥、真空冷凍干燥及組合干燥等形式[5]。在花茶制作過程中通常需要進(jìn)行高溫快速殺青(80 ℃以上，10 min以內(nèi))，低中恒溫中長時(shí)發(fā)酵或回潮(30 ℃左右，10～15 h)，中溫長時(shí)干燥(50～80 ℃，15 h以上)，過程中濕度由高到低隨時(shí)長逐次降低(80% RH以上—60% RH—30% RH—18% RH以下)[6]。不同的花朵和茶品采取的工藝也不相同，制茶過程中需要調(diào)控的主要因素為溫度、濕度和時(shí)間，三者之間的協(xié)調(diào)關(guān)系直接影響花茶的品質(zhì)。制茶去濕干燥方法是在時(shí)間作用下改變溫度和通風(fēng)，溫濕度之間具有較強(qiáng)的耦合性，在風(fēng)量變化情況下時(shí)刻變化的濕度數(shù)值直接影響溫控效果，如何快速地實(shí)現(xiàn)對時(shí)刻變化環(huán)境的高效響應(yīng)，將是高精度溫控的關(guān)鍵。

2 模糊神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計(jì)

2.1 控制原理

控制器以溫度和濕度兩個參數(shù)實(shí)測量與設(shè)置量的誤差e和誤差率ec作為輸入變量，通過模糊控制和神經(jīng)網(wǎng)絡(luò)組合運(yùn)算，輸出實(shí)時(shí)整定的PID調(diào)控因子變化量△K(△KP、△KI、△KD)，再將PID調(diào)控因子初始K0與△K之和作為對PID輸入變量e(t)的調(diào)控因子K(t)進(jìn)行運(yùn)算輸出控制量u(t)，對執(zhí)行單元進(jìn)行控制，實(shí)現(xiàn)對溫控系統(tǒng)實(shí)時(shí)調(diào)控的目的[7]?？刂平Y(jié)構(gòu)如圖1所示。

調(diào)控因子公式為：

(1)

式中：

K——調(diào)控因子；

K0——調(diào)控因子初始值；

△K——調(diào)控因子變化值；

P——比例關(guān)系；

圖1 模糊神經(jīng)網(wǎng)絡(luò)PID控制結(jié)構(gòu)Figure 1 Fuzzy neural network PID control structure

I——積分時(shí)間，s；

D——微分時(shí)間，s。

PID控制基本算法，公式為：

(2)

式中：

u(t)——控制器輸出量；

KP——控制器比例因子；

KI——控制器積分因子；

KD——控制器微分因子。

2.2 模糊控制

將溫度(T)和濕度(H)各自的誤差e及誤差率ec作為模糊控制的輸入變量，即溫度eT、ecT和濕度eH、ecH。定義輸入變量的基本論域?yàn)闇囟萚-15,15]，濕度[-30,30]，模糊論域?yàn)閇-6,6]，量化因子為0.4，0.2。輸入變量模糊子集，設(shè)定7個等級，即NB、NM、NS、ZO、PS、PM、PB，分別代表負(fù)大、負(fù)中、負(fù)小、零、正小、正中、正大[8]。采用高斯函數(shù)為隸屬度函數(shù)，如圖2所示。

圖2 輸入變量隸屬度函數(shù)Figure 2 Membership function of input variable

模糊控制將PID調(diào)控因子變化量△K(△KP、△KI、△KD)作為輸出變量，基本論域?yàn)閇-10,10]，模糊論域?yàn)椤鱇P[-5,5]、△KI[-0.5,0.5]、△KD[-0.1,0.1]，量化因子為0.5，0.05，0.01，模糊子集設(shè)立NB、NM、NS、ZO、PS、PM、PB 7個等級，采用高斯函數(shù)為隸屬度函數(shù)，如圖3所示。

圖3 輸出變量隸屬度函數(shù)Figure 3 Output variable membership function

依據(jù)模糊子集的定義等級和輸入變量數(shù)，確定模糊規(guī)則。模糊規(guī)則定義語句為：IfeTis A andecTis A andeHis A andecHis A，then △KPis B and △KIis B and △KDis B。A、B分別為輸入、輸出的隸屬函數(shù)[9]。部分模糊規(guī)則如表1所示。

表1 部分模糊規(guī)則表

模糊控制依據(jù)模糊規(guī)則進(jìn)行推理，生成輸出變量模糊子集，經(jīng)過解模糊化處理后輸出控制量△K(△KP、△KI、△KD)。

2.3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)算法是為了在模糊控制過程中實(shí)現(xiàn)快速收斂和控制精度逼近理想狀態(tài)[10]。系統(tǒng)以RBF神經(jīng)網(wǎng)絡(luò)算法對輸入輸出變量構(gòu)成四輸入(eT、ecT、eH、ecH)三輸出(△KP、△KI、△KD)結(jié)構(gòu)，共有4層，即輸入層、模糊化層、模糊推理層、輸出層，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Figure 4 Neural network structure diagram

(1) 輸入層：該層將變換后的4個輸入量導(dǎo)入網(wǎng)絡(luò)中，傳遞給下一層，節(jié)點(diǎn)個數(shù)為輸入變量個數(shù)即4個。每個節(jié)點(diǎn)的輸入輸出關(guān)系為：x1=eT,x2=ecT;x3=eH,x4=ecH。

f1(i)=X=[x1,x2,x3,x4]，

(3)

式中：

f1(i)——輸入層函數(shù)；

i——對應(yīng)輸入變量，即1，2，3，4。

(2) 模糊化層：該層將輸入變量轉(zhuǎn)變成模糊矢量，構(gòu)建模糊子集，確立隸屬度函數(shù)。計(jì)算公式為：

(4)

式中：

f2(i,j)——模糊量隸屬函數(shù)；

i——輸入變量，即1，2，3，4；

j——模糊子集數(shù)，1，2，3，…，n；

cij——隸屬函數(shù)中間值；

bij——隸屬函數(shù)的基寬。

(3) 模糊推理層：該層確立模糊規(guī)則進(jìn)行模糊運(yùn)算，每個節(jié)點(diǎn)對應(yīng)一條模糊規(guī)則，節(jié)點(diǎn)的輸出等于所有輸入量的乘積[11]。運(yùn)算公式為：

(5)

(6)

式中：

f3(j)——推理層函數(shù)；

Ni——第i個輸入模糊分隔數(shù)，即輸入變量模糊子集定義的等級數(shù)。

(4) 模糊輸出層：該層將模糊推理的輸出模糊量轉(zhuǎn)化為清晰量，生成△KP、△KI、△KD控制量，運(yùn)算公式為：

(7)

式中：

f4(j)——模糊輸出層函數(shù)；

w——推理層向輸出層轉(zhuǎn)換權(quán)值。

2.4 神經(jīng)網(wǎng)絡(luò)算法

系統(tǒng)以Delta(δ)函數(shù)確立學(xué)習(xí)規(guī)則進(jìn)行參量調(diào)整，使用梯度下降法來實(shí)現(xiàn)對網(wǎng)絡(luò)訓(xùn)練的調(diào)控，經(jīng)過若干次的學(xué)習(xí)訓(xùn)練，讓輸出更逼近真實(shí)理想值[12]。依據(jù)系統(tǒng)調(diào)控特點(diǎn)目標(biāo)函數(shù)為：

(8)

式中：

E(t)——輸出層性能目標(biāo)函數(shù)；

r(t)——每一次迭代的理想輸出；

y(t)——每一次迭代的實(shí)際輸出；

t——迭代步驟。

系統(tǒng)加權(quán)調(diào)整算法公式：

(9)

式中：

wj(t)——輸出層的加權(quán)系數(shù)；

η——學(xué)習(xí)速率。

模糊化層隸屬函數(shù)的中間值和基寬學(xué)習(xí)算法公式：

(10)

bij(k)=bij(k-1)+△bij(k)+α[bij(k-1)-bij(k-2)],

(11)

(12)

cij(k)=cij(k-1)+△cij(k)+α[cij(k-1)-cij(k-2)],

(13)

式中：

t——迭代步驟；

α——學(xué)習(xí)動量因子。

3 溫控系統(tǒng)控制器仿真與分析

針對不同溫控系統(tǒng)控制器在花茶制作過程中對溫、濕度變化的響應(yīng)狀態(tài)，進(jìn)行軟件仿真分析，測試控制器的調(diào)控效果?；跍乜叵到y(tǒng)的特點(diǎn)，其傳遞函數(shù)的數(shù)學(xué)模型設(shè)定為[13]：

(14)

式中：

k——放大倍數(shù)，取0.85；

τ——滯后時(shí)間，取8 s；

T——時(shí)間常數(shù)，取180 s。

3.1 搭建模擬仿真系統(tǒng)

采用Matlab軟件對花茶烘干機(jī)溫控系統(tǒng)的控制器進(jìn)行數(shù)據(jù)仿真，分別建立傳統(tǒng)PID控制、模糊控制和模糊神經(jīng)網(wǎng)絡(luò)PID控制模型，進(jìn)行數(shù)據(jù)對比分析[14]，驗(yàn)證各自的控制性能。PID控制依據(jù)經(jīng)驗(yàn)和試驗(yàn)選取調(diào)整因子為KP=8.8，KI=0.044，KD=440。使用Matlab軟件中Simulink工具箱包含的函數(shù)構(gòu)建模糊控制和模糊神經(jīng)網(wǎng)絡(luò)PID控制模型[15]，學(xué)習(xí)算法中η=0.2，α=0.02。仿真系統(tǒng)設(shè)置采樣周期為5 s，最大訓(xùn)練次數(shù)為500次，調(diào)節(jié)時(shí)間為0.001 s，仿真時(shí)間3 600 s。其控制器仿真框圖如圖5、6所示。

圖5 傳統(tǒng)PID控制器的仿真框圖Figure 5 Simulation block diagram of the traditional PID controller

圖6 模糊神經(jīng)網(wǎng)絡(luò)PID控制器仿真框圖Figure 6 Fuzzy neural network PID controller simulation block diagram

3.2 模擬仿真數(shù)據(jù)分析

仿真數(shù)據(jù)(仿真結(jié)果如圖7所示)分析：

圖7 3種控制模式仿真結(jié)果單位階躍響應(yīng)曲線Figure 7 Unit step response curves of simulation results of three control modes

(1) 傳統(tǒng)PID控制：在前500 s內(nèi)數(shù)據(jù)從初始達(dá)到最高峰值，超調(diào)量達(dá)到48%，500～1 300 s時(shí)調(diào)整量在[22%,-9%]之間震蕩調(diào)整，波動明顯，1 300～2 600 s時(shí)小范圍波動調(diào)整，之后趨于平穩(wěn)，這種控制模式對參數(shù)的調(diào)整時(shí)間節(jié)長、波動大。

(2) 模糊控制：在前800 s內(nèi)數(shù)據(jù)從初始達(dá)到最高值，超調(diào)量達(dá)到17%，800～1 600 s時(shí)數(shù)據(jù)逐漸調(diào)整接近目標(biāo)量，之后數(shù)據(jù)在目標(biāo)量附近平穩(wěn)調(diào)控，這種模式調(diào)整量波動較小，但調(diào)整時(shí)間較長。

(3) 模糊神經(jīng)網(wǎng)絡(luò)PID控制：在前500 s內(nèi)達(dá)到峰值，最高超調(diào)量在5%，500～800 s時(shí)數(shù)據(jù)在目標(biāo)量附近小量波動，之后數(shù)據(jù)進(jìn)入穩(wěn)定平穩(wěn)運(yùn)行狀態(tài)，這種模式調(diào)整量波動小，且調(diào)整時(shí)間短。

通過以上3種模式的仿真結(jié)果分析，模糊神經(jīng)網(wǎng)絡(luò)PID的控制模式體現(xiàn)出調(diào)整迅速，運(yùn)行平穩(wěn)，波動小的特點(diǎn)，展示出該種控制模式收斂速度快，調(diào)整精度高的優(yōu)勢。

系統(tǒng)在調(diào)控平穩(wěn)期2 800 s處，加入10%的擾動來檢測3種控制模式的抗干擾及快速反應(yīng)能力，仿真結(jié)果如圖8所示。

圖8 加入擾動后仿真結(jié)果單位階躍響應(yīng)曲線Figure 8 Unit step response curve of simulation results after perturbation

擾動仿真結(jié)果分析：傳統(tǒng)PID控制在300 s內(nèi)實(shí)現(xiàn)平穩(wěn)調(diào)整且有負(fù)值波動，模糊控制在100 s內(nèi)實(shí)現(xiàn)調(diào)整平穩(wěn)，模糊神經(jīng)網(wǎng)絡(luò)PID控制在20 s內(nèi)實(shí)現(xiàn)平穩(wěn)，從對比結(jié)果看模糊神經(jīng)網(wǎng)絡(luò)PID控制模式的抗擾動能力強(qiáng)，擾動補(bǔ)償速度快，其系統(tǒng)魯棒性更好。

4 菊花(胎菊)茶制作溫控系統(tǒng)驗(yàn)證

4.1 溫控系統(tǒng)組成及控制流程

系統(tǒng)以西安圣達(dá)SD-30HMV-6X(30 kW)的微波烘干機(jī)為載體，分別以傳統(tǒng)PID和模糊神經(jīng)網(wǎng)絡(luò)PID兩種控制器對菊花(胎菊)茶制作過程進(jìn)行溫、濕度調(diào)控測試，驗(yàn)證其性能。

微波式烘干機(jī)，由微機(jī)、數(shù)據(jù)采集單元(傳感器)、STM32系列單片機(jī)構(gòu)成控制系統(tǒng)，由可調(diào)節(jié)加熱器(含功率調(diào)節(jié)器)、微波器(含變頻器)、鼓風(fēng)機(jī)、排氣扇、加濕器、計(jì)時(shí)器(含開關(guān))構(gòu)成控制執(zhí)行單元，由物品擺放篩、柜體、支撐架構(gòu)成機(jī)體結(jié)構(gòu)?？刂葡到y(tǒng)結(jié)構(gòu)如圖9所示。

圖9 微波烘干機(jī)控制系統(tǒng)結(jié)構(gòu)Figure 9 Control system structure of microwave dryer

烘干機(jī)控制流程(如圖10所示)：開機(jī)初始化，輸入控制參數(shù)(溫度、濕度、時(shí)間)寫入系統(tǒng)，傳感器檢測數(shù)據(jù)經(jīng)過處理(濾波、放大、數(shù)模轉(zhuǎn)換)后輸入控制器，控制器運(yùn)算生成控制指令，指揮各執(zhí)行單元動作，其間傳感器實(shí)時(shí)檢測數(shù)據(jù)反饋至控制器，對控制器算法進(jìn)行優(yōu)化，程序結(jié)束完成控制流程。

圖10 烘干機(jī)控制流程Figure 10 Control flow of dryer

4.2 制茶工藝流程

制茶工藝流程及參數(shù)要求：

鮮花清洗殺菌→殺青[溫度(80±2) ℃，時(shí)間500 s，濕度無要求]→發(fā)酵[溫度(30±2) ℃，時(shí)間18 000 s，濕度>50% RH]→烘干[溫度(50±2) ℃，時(shí)間20 000 s，濕度降至15% RH以下]→回潮(自然狀態(tài)溫、濕度，時(shí)間7 200 s)→風(fēng)干(自然狀態(tài)溫度，濕度降至18% RH以下)→裝盒儲存控制器在各道工序中的控制過程：

(1) 殺青：開機(jī)初始化，開啟排氣扇和微波器(變頻到預(yù)設(shè)值)，檢測溫度，判定溫度與預(yù)設(shè)溫度(80 ℃)的關(guān)系，通過改變微波器的變頻數(shù)值和排氣扇開關(guān)狀態(tài)，調(diào)節(jié)溫度在預(yù)設(shè)值(80±2) ℃，開啟計(jì)時(shí)器運(yùn)行500 s后，停止微波器、排氣扇、計(jì)時(shí)器，完成殺青?？刂七^程如圖11所示。

圖11 殺青控制過程Figure 11 Completion control process

(2) 發(fā)酵：殺青工序后，檢測濕度，通過開關(guān)加濕器，使?jié)穸冗_(dá)到大于預(yù)設(shè)值(50% RH)的要求，檢測溫度，判斷溫度與預(yù)設(shè)溫度(30 ℃)的關(guān)系，改變鼓風(fēng)機(jī)和排氣扇、加熱器的開關(guān)狀態(tài)，調(diào)節(jié)溫度在預(yù)設(shè)值[(30±2) ℃]之間，開啟計(jì)時(shí)器運(yùn)行18 000 s，停止鼓風(fēng)機(jī)和排氣扇、計(jì)時(shí)器，完成發(fā)酵工序。控制過程如圖12所示。

圖12 發(fā)酵控制過程Figure 12 Fermentation process control

(3) 烘干：發(fā)酵工序后，檢測濕度，如濕度小于預(yù)設(shè)值(15% RH)烘干結(jié)束,否則開啟加熱器(功率至預(yù)設(shè)值)、鼓風(fēng)機(jī)和排氣扇，檢測溫度，判斷溫度與預(yù)設(shè)溫度(50 ℃)的關(guān)系，通過改變加熱器的功率大小，調(diào)節(jié)溫度在預(yù)設(shè)值[(50±2) ℃]之間，開啟計(jì)時(shí)器運(yùn)行20 000 s，停止鼓風(fēng)機(jī)和排氣扇、計(jì)時(shí)器、加熱器，完成烘干工序?？刂七^程如圖13所示。

圖13 烘干控制過程Figure 13 Drying control process

(4) 回潮：烘干工序后，自然狀態(tài)下(不調(diào)節(jié)溫、濕度)，開啟計(jì)時(shí)器運(yùn)行7 200 s后，關(guān)閉計(jì)時(shí)器，完成回潮工序?？刂七^程如圖14所示。

圖14 回潮控制過程Figure 14 Moisture regain control process

(5) 風(fēng)干：回潮工序后，檢測濕度，判斷濕度與預(yù)設(shè)值(18% RH)的關(guān)系，通過改變鼓風(fēng)機(jī)和排氣扇開關(guān)狀態(tài)，使?jié)穸冗_(dá)到小于預(yù)設(shè)值(18% RH)，完成風(fēng)干工序?？刂七^程如圖15所示。

圖15 風(fēng)干控制過程Figure 15 Air drying control process

4.3 制茶溫控系統(tǒng)驗(yàn)證分析

制茶過程中，設(shè)備外環(huán)境對溫控系統(tǒng)的調(diào)控效果影響較小，視作常量處理。由于回潮和風(fēng)干對溫度沒有要求，測試只對殺青、發(fā)酵、烘干3個工序結(jié)果進(jìn)行比較。初始環(huán)境：溫度25 ℃，濕度35% RH。

驗(yàn)證結(jié)果(如圖16所示)分析：傳統(tǒng)PID控制器對溫度調(diào)控偏差在±5 ℃，常常超出設(shè)定允許變化范圍±2 ℃，響應(yīng)時(shí)間>40 s。模糊神經(jīng)網(wǎng)絡(luò)PID控制器溫控在允許變化范圍(±2 ℃)內(nèi)，響應(yīng)時(shí)間<20 s。對比結(jié)果表明模糊神經(jīng)網(wǎng)絡(luò)PID控制器具有控制精度高，對環(huán)境變化響應(yīng)快速及自適應(yīng)的特點(diǎn)，可以實(shí)現(xiàn)花茶制作過程中實(shí)時(shí)溫、濕度精確調(diào)控的要求。

圖16 測試驗(yàn)證結(jié)果Figure 16 Test validation results

5 結(jié)論

文中分析花茶制作工藝對溫、濕度調(diào)節(jié)的響應(yīng)快、調(diào)控精準(zhǔn)且平穩(wěn)需求，提出由模糊控制+神經(jīng)網(wǎng)絡(luò)+PID控制構(gòu)成的組合控制模式，實(shí)現(xiàn)對溫控系統(tǒng)的調(diào)控目的。通過對輸入變量的模糊化處理，采用高斯隸屬度函數(shù)，依據(jù)模糊規(guī)則進(jìn)行推理生成輸出量，為PID控制提供實(shí)時(shí)變化的輸入調(diào)控因子△K，經(jīng)PID運(yùn)算后生成整定控制量，指揮執(zhí)行單元動作，實(shí)現(xiàn)溫控系統(tǒng)調(diào)控。系統(tǒng)通過RBP神經(jīng)網(wǎng)絡(luò)建立Delat(δ)學(xué)習(xí)規(guī)則，以梯度下降算法進(jìn)行隸屬度中心值和基寬及輸出權(quán)值的學(xué)習(xí)訓(xùn)練，使模糊控制達(dá)到實(shí)時(shí)性、自適應(yīng)性及快速逼近真值的目的。系統(tǒng)通過Matlab軟件對傳統(tǒng)PID控制和模糊控制及模糊神經(jīng)網(wǎng)絡(luò)PID 3種控制器進(jìn)行模擬仿真，并以微波烘干機(jī)制作菊花茶為例分別對傳統(tǒng)PID控制器和模糊神經(jīng)網(wǎng)絡(luò)PID控制器進(jìn)行溫控應(yīng)用驗(yàn)證測試，其結(jié)果分析說明，模糊神經(jīng)網(wǎng)絡(luò)PID組合控制模式具有控制精度高，收斂速度快，抗干擾能力和系統(tǒng)魯棒性好的優(yōu)點(diǎn)，具有最好的動靜態(tài)性能。因此該種控制模式完全可以滿足花茶制作過程中對溫、濕度快速精確調(diào)控的需求。