基于動(dòng)態(tài)RBF-NN 的溫濕度解耦控制研究

孫冠瓊，魏 博

（1.青海大學(xué) 化工學(xué)院，西寧 810000；2.青海西部水電有限公司 監(jiān)督計(jì)控中心，民和 810800）

耦合現(xiàn)象是工業(yè)控制系統(tǒng)中普遍存在的一種現(xiàn)象。溫室控制系統(tǒng)中需要控制的變量比較多，溫度、濕度、氧氣、二氧化碳以及光照強(qiáng)度等，這些變量間相互關(guān)聯(lián)，相互耦合，很難有效地實(shí)現(xiàn)一對一控制[1]。溫度和濕度是溫室環(huán)境中的主要因子，對作物的生長和發(fā)育起關(guān)鍵作用。溫濕度控制精度的好壞直接影響作物生長狀態(tài)及產(chǎn)量，且二者存在強(qiáng)耦合關(guān)系，傳統(tǒng)的單一控制方法因忽略二者的相互影響，導(dǎo)致控制精度低、能耗高、效率低[2]。所以在開展溫室生態(tài)環(huán)境優(yōu)化控制過程中，往往需要對溫濕度進(jìn)行解耦控制，這也是目前溫室控制的主要研究方向之一。

工業(yè)領(lǐng)域中為顯著提高自動(dòng)化控制系統(tǒng)的總體性能，常將神經(jīng)網(wǎng)絡(luò)與PID 控制結(jié)合建立神經(jīng)網(wǎng)絡(luò)PID 控制器（PID-NNC），來實(shí)現(xiàn)對PID 控制參數(shù)的優(yōu)化。文獻(xiàn)[3]為了解決系統(tǒng)中多變量耦合關(guān)系，研究建立了BP 神經(jīng)網(wǎng)絡(luò)PID 解耦控制器，并通過仿真分析驗(yàn)證其可行性。文獻(xiàn)[4]提出了RBF 神經(jīng)網(wǎng)絡(luò)（RBF-NN）自適應(yīng)解耦控制器用于改善永磁電動(dòng)機(jī)的轉(zhuǎn)矩響應(yīng)慢和電流波動(dòng)大等問題，提高電動(dòng)機(jī)的動(dòng)態(tài)性能。文獻(xiàn)[5]為了全面改善擠出機(jī)控制性能，在PID 神經(jīng)元控制的基礎(chǔ)上，利用RBF-NN 對控制系統(tǒng)的逼近能力，建立擠出機(jī)溫度壓力的解耦模型，研究結(jié)果表明該解耦控制方案，具有較優(yōu)的辨識(shí)效果和解耦能力。

上述文獻(xiàn)研究表明，將RBF-NN 與PID 相結(jié)合用于模型辨識(shí)及解耦控制可提高系統(tǒng)控制精度和自適應(yīng)性。但是，常規(guī)RBF 網(wǎng)絡(luò)結(jié)構(gòu)相對固定化，且初始值需設(shè)定在有效的映射范圍內(nèi)，否者其激活函數(shù)不能保證有效映射[6]，導(dǎo)致RBF 網(wǎng)絡(luò)失效，適應(yīng)性差。

針對以上問題，本文利用最近鄰聚類學(xué)習(xí)算法對常規(guī)RBF-NN 進(jìn)行動(dòng)態(tài)優(yōu)化，構(gòu)建動(dòng)態(tài)RBF-NN辨識(shí)模型，提高對系統(tǒng)的在線辨識(shí)能力，再結(jié)合PIDNNC，進(jìn)而建立溫室溫濕度解耦控制測策略，來提高溫室系統(tǒng)控制性能。

1 動(dòng)態(tài)RBF-NN 的構(gòu)造

常規(guī)的RBF-NN 結(jié)構(gòu)固定化，是因?yàn)槠湟笤诰W(wǎng)絡(luò)構(gòu)造時(shí)必先確定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的個(gè)數(shù)，且要通過改變高斯基函數(shù)中的中心向量（網(wǎng)絡(luò)映射范圍）值和網(wǎng)絡(luò)的輸出權(quán)值向量來進(jìn)行學(xué)習(xí)，限制了其在控制系統(tǒng)中的適應(yīng)能力[7-8]。

最近鄰聚類學(xué)習(xí)算法（nearest neighbor-clustering algorithm），是一種在線自適應(yīng)聚類學(xué)習(xí)算法[9]，將常規(guī)RBF-NN 與其結(jié)合構(gòu)造動(dòng)態(tài)RBF-NN 辨識(shí)模型，可以在不用提前確定神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的情況下，通過聚類算法實(shí)現(xiàn)對RBF-NN 結(jié)構(gòu)進(jìn)行優(yōu)化調(diào)整和在線深度學(xué)習(xí)。

動(dòng)態(tài)RBF-NN 辨識(shí)模型構(gòu)造過程如下：

（1）結(jié)合控制系統(tǒng)復(fù)雜度及特性選擇合適的寬度向量b，提前定義A（l）和計(jì)數(shù)器B（l），分別用于存放網(wǎng)絡(luò)中各類輸出之和以及各類樣本具體個(gè)數(shù)，l為樣本類別數(shù)。

（2）從第一個(gè)數(shù)據(jù)對（x1，y1）開始，在x1上建立一個(gè)聚類中心，令C1=x1，A（l）=y1，B（l）=1。此時(shí)的RBF 網(wǎng)絡(luò)隱單元只有1 個(gè)，C1為此隱單元的中心向量，隱單元到輸出層的權(quán)值向量為w1=A（l）/B（l）。

（3）當(dāng)進(jìn)行到第k 個(gè)樣本數(shù)據(jù)對（xk，yk）時(shí)，k=2，3，4，…，n，設(shè)此時(shí)網(wǎng)絡(luò)中已存在n 個(gè)聚類中心C1，C2，…，Cn，n 個(gè)隱單元。分別求出xk到C1，C2，…，Cn的距離，即，i=1，2，…，n。假設(shè)為其中的最小值，則Cj為xk的最近鄰聚類。

（4）基于上述規(guī)則建立的動(dòng)態(tài)RBF-NN 的輸出為

2 動(dòng)態(tài)RBF-NN 的溫濕度解耦控制系統(tǒng)設(shè)計(jì)

溫室解耦控制主要是針對溫濕度耦合現(xiàn)象，本文設(shè)計(jì)的解耦控制系統(tǒng)主要包括三部分：動(dòng)態(tài)RBFNN 辨識(shí)器、PID-NNC 以及溫濕度耦合對象。

2.1 系統(tǒng)動(dòng)態(tài)RBF-NN 辨識(shí)器設(shè)計(jì)

為了更好解決溫濕度的耦合關(guān)系，設(shè)計(jì)動(dòng)態(tài)RBF-NN 辨識(shí)器來對耦合系統(tǒng)的模型進(jìn)行辨識(shí)，通過動(dòng)態(tài)辨識(shí)與學(xué)習(xí)方法來快速逼近溫室控制系統(tǒng)模型的溫濕度實(shí)際輸出。然后再將辨識(shí)得到的Jacobian 信息送至PID-NNC 實(shí)現(xiàn)參數(shù)的在線整定，進(jìn)而適應(yīng)系統(tǒng)運(yùn)行狀態(tài)的變化，實(shí)現(xiàn)系統(tǒng)的解耦控制。系統(tǒng)結(jié)構(gòu)如圖1 所示。

圖1 中，rin1（k），rin2（k）為系統(tǒng)溫濕度輸入；yout1（k），yout2（k）為系統(tǒng)優(yōu)化解耦后的溫濕度輸出；ym1（k），ym2（k）為2 個(gè)動(dòng)態(tài)辨識(shí)器RBF-NN1 和RBF-NN2 的輸出；u1（k），u2（k）為PID-NNC1 和PID-NNC2 的輸出；e1（k），e2（k）為溫濕度偏差。

圖1 動(dòng)態(tài)RBF-NN PID 解耦控制系統(tǒng)Fig.1 Dynamic RBF-NN PID decoupling control system

針對溫濕度控制雙輸入雙輸出的離散系統(tǒng)模型進(jìn)行分析。

式中：f（·）為一個(gè)非線性函數(shù)；u1（k），u2（k）為k 時(shí)刻系統(tǒng)的輸入；yout1（k），yout2（k）為k 時(shí)刻系統(tǒng)的輸出。

動(dòng)態(tài)RBF-NN 辨識(shí)器的輸入輸出如下：

以溫度控制為例，其動(dòng)態(tài)RBF-NN1 的Jacobian信息為

式中：xk，Cl，i為u1（k），ωi每次更新的權(quán)值向量。

由以上分析過程可知，在輸入-輸出數(shù)據(jù)對變化下，動(dòng)態(tài)RBF-NN 結(jié)構(gòu)隨之呈動(dòng)態(tài)變化，獲得被控對象的Jacobian 信息較常規(guī)RBF-NN 更精準(zhǔn)，較好地提高PID-NNC 參數(shù)在線整定能力，進(jìn)而提高溫濕度系統(tǒng)控制性能。

2.2 PID-NNC 設(shè)計(jì)

以溫度控制過程為例進(jìn)行分析。PID-NNC1 結(jié)構(gòu)如圖2 所示，通過Hebe 規(guī)則調(diào)整單神經(jīng)元加權(quán)值，進(jìn)而實(shí)現(xiàn)控制自適應(yīng)功能。

圖2 PID-NNC1 結(jié)構(gòu)圖Fig.2 PID-NNC1 structure diagram

k 時(shí)刻，系統(tǒng)偏差為

單神經(jīng)元網(wǎng)絡(luò)輸入為

控制器輸出為

式中：k 為單神經(jīng)元網(wǎng)絡(luò)比例系數(shù)；ωi為加權(quán)系數(shù)。

性能指標(biāo)函數(shù)為

加權(quán)系數(shù)變化量為

式中：ηp，ηi，ηd分別為PID-NNC1 比例、積分、微分的學(xué)習(xí)速率，用來對不同的權(quán)系數(shù)分別進(jìn)行調(diào)整。

3 溫室溫濕度控制系統(tǒng)仿真分析

考慮到溫室控制系統(tǒng)的多變量、強(qiáng)耦合、非線性等復(fù)雜的特點(diǎn)，很難建立精確的模型。溫室環(huán)境中影響因子有溫度、濕度、二氧化碳等，關(guān)鍵因子是溫度和濕度，在建模時(shí)將二者作為主要的參數(shù)進(jìn)行分析。因與溫濕度相關(guān)控制量的多變性，比如加熱、通風(fēng)、加濕等，控制過程具有方法復(fù)雜、形勢多樣化等特點(diǎn)，所以采用解析法和實(shí)驗(yàn)法相結(jié)合[10-11]，根據(jù)相關(guān)實(shí)驗(yàn)數(shù)據(jù)建立溫室溫濕度模型如下：

動(dòng)態(tài)RBF 辨識(shí)器輸入為

采樣周期TS=0.1 s，b=0.65，辨識(shí)器學(xué)習(xí)速率ηp=ηi=ηd=0.15，PID 的初始參數(shù)kp=1，ki=0.1，kd=0.01。常規(guī)RBF-NNPID 解耦控制和改進(jìn)的動(dòng)態(tài)RBFNNPID 解耦控制仿真結(jié)果分別如圖3 和圖4 所示。

圖3 和圖4 仿真結(jié)果對比分析，在第一階段，設(shè)定值r1和r2均為1 時(shí)，圖4 中動(dòng)態(tài)RBF-NN PID作用下溫濕度控制系超調(diào)量相對于常規(guī)RBF-NN控制要小，動(dòng)態(tài)性能好。第二階段，在48 s～50 s 時(shí)，將溫度設(shè)定值r1從1 逐漸調(diào)整為0.6，濕度設(shè)定值r2不變?nèi)詾? 時(shí)，對應(yīng)系統(tǒng)溫濕度輸出也開始變化。第三階段，對比圖3 和圖4 溫濕度輸出曲線可以明顯看出，在r1穩(wěn)定在0.6 后，圖4 中溫度輸出y1對濕度輸出值y2的影響，要比圖3 中小的多。且圖4中y1和y2超調(diào)小，解耦效果好，穩(wěn)定性和動(dòng)態(tài)適應(yīng)能力相比于圖3 也要好的多。

圖3 常規(guī)RBF-NN PID 解耦控制Fig.3 Conventional RBF-NN PID decoupling control

圖4 動(dòng)態(tài)RBF-NN PID 解耦控制Fig.4 Dynamic RBF-NN PID decoupling control

系統(tǒng)再次穩(wěn)定后，在100 s 時(shí)加入一個(gè)干擾信號(hào)，圖3、圖4 中溫濕度輸出y1和y2都有一定超調(diào)，但圖4 中超調(diào)小，且能夠較快地再次進(jìn)入穩(wěn)定狀態(tài)。對比圖3、圖4 可知，動(dòng)態(tài)RBF-NN 控制的穩(wěn)定性和抗干擾性比常規(guī)RBF-NN 控制更好。

所以據(jù)以上仿真結(jié)果可驗(yàn)證，與常規(guī)方法相比，改進(jìn)后的動(dòng)態(tài)RBF-NN 控制方案對溫濕度的控制效果更好，解耦能力強(qiáng)，系統(tǒng)更加穩(wěn)定。

4 結(jié)語

溫室溫濕度耦合現(xiàn)象是溫室控制系統(tǒng)中重要的問題。神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中應(yīng)用日漸成熟，本文在常規(guī)RBF-NN 解耦控制的基礎(chǔ)上，將最近鄰算法和RBF-NN 相結(jié)合設(shè)計(jì)動(dòng)態(tài)RBF-NN 解耦控制器，改善了常規(guī)RBF-NN 結(jié)構(gòu)固定，適應(yīng)性不強(qiáng)的特性，提高了溫室系統(tǒng)解耦能力，實(shí)用性強(qiáng)。對溫室溫濕度控制系統(tǒng)研究具有一定參考意義。