大曲發(fā)酵過程的環(huán)境溫濕度均勻性調(diào)控系統(tǒng)研究

周書宇,田建平*,高劍,韓李鵬,胡新軍,黃丹,補友華,何立新

1(四川輕化工大學 機械工程學院,四川 宜賓,644002)2(四川輕化工大學 生物工程學院,四川 宜賓,644002)3(內(nèi)蒙古第一機械集團股份有限公司精密設(shè)備維修安裝公司,內(nèi)蒙古 包頭,014030)

目前酒廠主要采用人工檢測曲房環(huán)境溫濕度參數(shù),通過人工經(jīng)驗決定是否進行開關(guān)窗戶(通風,調(diào)節(jié)通風量),多次翻曲和搭蓋草簾等操作來調(diào)節(jié)曲房溫濕度參數(shù)[1]。此類操作無法準確的控制大曲發(fā)酵環(huán)境,并且曲房的溫濕度調(diào)節(jié)具有延時性[2]。在以往的曲房智能化控制研究中,候山山等[3]提出基于LabVIEW智能曲房測控系統(tǒng)實時監(jiān)控大曲發(fā)酵過程;李修榮等[4]提出酒曲房溫濕度檢測系統(tǒng)實現(xiàn)了不同區(qū)域溫濕度的監(jiān)控;趙殿臣等[5]提出無線控制自動開關(guān)窗技術(shù)控制曲房溫濕度;肖曉[6]提出白酒曲房的溫度場及智能控制系統(tǒng)測控大曲發(fā)酵過程中曲房的環(huán)境溫度。但是上述研究存在以下問題:a)曲房控制系統(tǒng)的輸入輸出單一,導(dǎo)致控制系統(tǒng)智能化程度低;b)系統(tǒng)的環(huán)境測量單元少,不能反映曲房環(huán)境的整體溫濕度情況;c)控制系統(tǒng)策略未有效解決環(huán)境溫濕度調(diào)節(jié)延遲的問題。因此,現(xiàn)在急需一種新型控制系統(tǒng)對曲房的環(huán)境溫濕度參數(shù)進行有效調(diào)控。

近年來,模糊神經(jīng)網(wǎng)絡(luò)在控制方面取得了較大進展。李光堯等[7]提出基于T-S模糊神經(jīng)網(wǎng)絡(luò)的新型煙葉烤房控制系統(tǒng)更好地跟隨烘烤工藝曲線;齊霽等[8]提出基于模糊神經(jīng)網(wǎng)絡(luò)的電網(wǎng)調(diào)度自動化控制系統(tǒng)實現(xiàn)了電網(wǎng)調(diào)度自動控制功能;和朋飛[9]提出基于模糊神經(jīng)網(wǎng)絡(luò)控制的窯爐溫控系統(tǒng)保證了石灰的質(zhì)量;李亨[10]提出基于模糊神經(jīng)網(wǎng)絡(luò)的植物工廠溫濕度控制系統(tǒng)創(chuàng)造生產(chǎn)作物所需的適宜溫濕度。上述研究為模糊神經(jīng)網(wǎng)絡(luò)運用在曲房環(huán)境溫濕度控制提供了可行性。因此本文將模糊神經(jīng)網(wǎng)絡(luò)控制策略與曲房環(huán)境溫濕度控制系統(tǒng)相結(jié)合做了以下研究:a)搭建了曲房控制系統(tǒng);b)設(shè)計了曲房的T-S模糊神經(jīng)網(wǎng)絡(luò)控制器,并用粒子群算法對T-S模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進行了優(yōu)化;c)將T-S模糊神經(jīng)網(wǎng)絡(luò)控制器和傳統(tǒng)模糊控制器進行了對比仿真,并對基于T-S模糊神經(jīng)網(wǎng)絡(luò)的曲房控制系統(tǒng)進行實際控制測試。

1 曲房系統(tǒng)總體組成

本系統(tǒng)由本地客戶端、處理器模塊、數(shù)據(jù)監(jiān)測模塊、控制模塊組成,如圖1所示。首先,數(shù)據(jù)監(jiān)測模塊將采集到的曲房溫濕度數(shù)據(jù)和大曲溫度、水分數(shù)據(jù),傳遞給處理器模塊,處理器模塊中的A/D模塊把模擬量轉(zhuǎn)化為數(shù)字量,這些數(shù)字量由PLC(programmable logic controller)接收并上傳給本地客戶端中的上位機。其次,上位機的功能為實時顯示曲房溫濕度、存儲數(shù)據(jù)以及發(fā)送控制指令,其中控制指令由上位機中模糊神經(jīng)網(wǎng)絡(luò)控制器發(fā)出,并通過PLC接收,再傳遞給曲房控制模塊。最后,由加熱器、加濕器、電動窗戶、內(nèi)循環(huán)送風風機、外循環(huán)送風風機執(zhí)行相應(yīng)的動作來調(diào)節(jié)曲房內(nèi)的溫濕度。

圖1 曲房控制系統(tǒng)結(jié)構(gòu)框圖Fig.1 Block diagram of Daqu workshop control system

1.1 曲房硬件系統(tǒng)

如圖2所示,曲房硬件系統(tǒng)包含氣體循環(huán)系統(tǒng)、加熱系統(tǒng)、加濕系統(tǒng)、監(jiān)控系統(tǒng)4個子系統(tǒng),各個子系統(tǒng)之間的協(xié)調(diào)配合實現(xiàn)發(fā)酵過程的監(jiān)控。

1-換向閥組1;2-吹風機;3-抽風機;4-加熱器;5-換向閥組2;6-曲房;7-電動窗;8-微送風結(jié)構(gòu);9-換向閥組3;10-加濕系統(tǒng);11-傳感器組圖2 曲房硬件系統(tǒng)原理圖Fig.2 Schematic diagram of Daqu workshop hardware system

氣體循環(huán)系統(tǒng)包括內(nèi)循環(huán)和外循環(huán)系統(tǒng)。外循環(huán)既能改變曲房空氣成分含量,也能實現(xiàn)曲房內(nèi)部空氣流動,內(nèi)循環(huán)主要功能是實現(xiàn)曲房內(nèi)部空氣流動但不改變空氣各成分含量。加熱系統(tǒng)安裝在氣體循環(huán)系統(tǒng)的吹風機出風口處,當曲房內(nèi)部需要升溫時,通過加熱空氣吹出熱風使曲房內(nèi)部溫度升高。加濕系統(tǒng)采用超聲波加濕器和獨立霧管,超聲波加濕器能將水霧化成微米級顆粒,霧管分別布置在曲房兩側(cè)墻面,當曲房內(nèi)部需要加濕時,通過換向閥組實現(xiàn)曲房兩側(cè)面或任意一側(cè)面噴霧加濕;當需要除濕時,可以通過外循環(huán)送風調(diào)節(jié)和開啟電動窗實現(xiàn)濕度的降低。監(jiān)控系統(tǒng)由PLC、環(huán)境溫濕度傳感器、大曲溫度傳感器、大曲水分傳感器組成;當監(jiān)控曲房環(huán)境溫濕度時,同時也監(jiān)測大曲的溫度與水分,考慮到環(huán)境溫濕度與大曲溫度水分的相關(guān)性,通過對曲房環(huán)境溫濕度的均勻性調(diào)控,間接保證了大曲的溫度水分的均勻性,進而保證了大曲發(fā)酵的一致性。

1.2 曲房軟件系統(tǒng)

如圖3所示,軟件系統(tǒng)由CX-Programmer(歐姆龍CJ2M對應(yīng)的編程軟件)、OPC服務(wù)器(KEPServerEX)和上位機軟件(由Python、PYQT5搭建)組成。CX-Programmer軟件主要實現(xiàn)的功能為系統(tǒng)初始化、輪詢數(shù)據(jù)采集、執(zhí)行設(shè)備控制。CX-Programmer軟件將輪詢數(shù)據(jù)采集到的數(shù)據(jù)用工業(yè)以太網(wǎng)的方式傳入上位機,上位機中的OPC服務(wù)器獲取到CX-Programmer上傳的數(shù)據(jù)之后,將數(shù)據(jù)傳入上位機軟件以實現(xiàn)對數(shù)據(jù)的顯示和將數(shù)據(jù)存儲至Mysql數(shù)據(jù)庫,再調(diào)用上位機軟件中的T-S模糊神經(jīng)網(wǎng)絡(luò)控制算法對CX-Programmer發(fā)出控制信號,最后由CX-Programmer控制PLC操縱執(zhí)行設(shè)備實現(xiàn)曲房溫濕度的控制。

圖3 曲房軟件系統(tǒng)框圖Fig.3 Block diagram of Daqu workshop software system

2 曲房的T-S模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

2.1 模糊神經(jīng)網(wǎng)絡(luò)控制

模糊控制具有不依賴于系統(tǒng)精確的數(shù)學模型,適用于復(fù)雜系統(tǒng)與模糊性對象等特點,模糊控制原理如圖4所示,主要由定義變量、模糊化、知識庫、邏輯判斷以及解模糊化5部分組成[11]。

圖4 模糊控制原理圖Fig.4 Schematic of fuzzy control

模糊控制規(guī)則的好壞是一個模糊控制器性能的關(guān)鍵,但是控制規(guī)則是依靠人工經(jīng)驗來創(chuàng)建的,人工經(jīng)驗無法保證模糊規(guī)則的科學性與可靠性,進而影響模糊控制器性能的發(fā)揮[12]。而神經(jīng)網(wǎng)絡(luò)優(yōu)秀的處理非線性問題的能力和自學習能力,很好的彌補了這個缺陷[13]。將模糊控制系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合,對模糊控制系統(tǒng)的性能與學習能力都有著非常大的改善[14],本系統(tǒng)由模糊系統(tǒng)表示,通過神經(jīng)網(wǎng)絡(luò)的學習功能來生成和調(diào)整模糊系統(tǒng)的隸屬函數(shù)和模糊規(guī)則等。這種融合方式具有可靠性比較高、計算誤差小和控制性能好等優(yōu)點[15]。

2.2 控制變量的確定

從理論上來說,將越多的環(huán)境因子作為輸入量,得到的控制器控制效果越好,但是隨著模糊控制器輸入量的增多,其結(jié)構(gòu)也越復(fù)雜,模糊規(guī)則也越來越難制定[16]。因此,選取影響最大的環(huán)境因子和適量的環(huán)境因子作為輸入量,其中溫度、濕度環(huán)境因子對大曲發(fā)酵的作用最為關(guān)鍵[17]。故本文選擇曲房實際溫濕度值與目標溫濕度值的偏差作為模糊系統(tǒng)的輸入量,其中目標溫濕度值是利用多個酒廠大曲發(fā)酵過程中實際采集到的環(huán)境溫濕度數(shù)據(jù)結(jié)合大曲溫度水分變化及大曲理化微生物指標的相關(guān)性分析,對環(huán)境溫濕度理想數(shù)據(jù)進行擬合得到的目標溫濕度曲線在不同時刻的取值。加熱器、加濕器、電動窗戶、內(nèi)循環(huán)風機和外循環(huán)風機5個執(zhí)行機構(gòu)的啟停時間作為模糊系統(tǒng)的輸出量。

2.3 模糊推理規(guī)則的確定

根據(jù)實際試驗和控制程度的情況,把溫濕度傳感器采集到的環(huán)境參數(shù)進行總結(jié)歸納。設(shè)定溫度偏差(eT)的模糊集合(ET)的基本論域為{-3,3},模糊子集的論域范圍為{-2.5,-1.5,-0.5,0,0.5,1.5,2.5},對應(yīng)的模糊子集為{負大(NB),負中(NM),負小(NS),零(ZO),正小(PS),正中(PM),正大(PB)},溫度偏差隸屬度函數(shù)如圖5-a所示。同理濕度偏差eH的模糊集合為EH，濕度偏差的基本論域為{-30,30},模糊子集的論域范圍為{-25,-15,-5,0,5,15,25},對應(yīng)的模糊子集同溫度一樣,濕度偏差隸屬度函數(shù)如圖5-b所示。

a- 溫度偏差的隸屬度函數(shù);b- 濕度偏差的隸屬度函數(shù)圖5 初始隸屬度函數(shù)Fig.5 Initial membership function

各個輸出量的啟停時間模糊集合為Ui,其中加熱器(U1),加濕器(U2),電動窗戶(U3),內(nèi)循環(huán)風機(U4),外循環(huán)風機(U5)的啟停時間分為4個等級分別為停止、開啟15 min、開啟30 min、開啟45 min,即模糊集合的論域為{0,15,30,45},對應(yīng)的模糊語言為停機(STi),短開(LSi),中開(MSi),長開(HSi)。

在建立模糊控制規(guī)則表,選取控制量的原則是:當偏差大或較大時,選取的控制參量應(yīng)以能及時地消除或減小控制偏差為主;而當偏差較小時,選擇適當調(diào)節(jié)量以盡量避免系統(tǒng)超調(diào),保證整個系統(tǒng)運行的安全穩(wěn)定性為主[18]。由此可得到模糊控制規(guī)則如表1所示。

表1 模糊控制規(guī)則表Table 1 Table of fuzzy control rules

2.4 T-S模糊神經(jīng)網(wǎng)絡(luò)控制器及其優(yōu)化

2.4.1 T-S模糊神經(jīng)網(wǎng)絡(luò)控制器的結(jié)構(gòu)

本研究使用的T-S模糊神經(jīng)網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)2部分共同組成。前件網(wǎng)絡(luò)由輸入層(溫度偏差x1、濕度偏差x2)、模糊化層、規(guī)則層和歸一化層組成。模糊化層通過高斯隸屬度函數(shù)將輸入層的數(shù)據(jù)模糊化,其隸屬度函數(shù)的計算如公式(1)所示。規(guī)則層的神經(jīng)元個數(shù)與模糊規(guī)則個數(shù)相等,即由49個神經(jīng)元節(jié)點組成;歸一化層用來進行歸一化計算,并且作為后件網(wǎng)絡(luò)第三層的連接權(quán)。

(1)

式中:aij,bij分別為第i個輸入對應(yīng)的第j個模糊集高斯函數(shù)的中心值和方差。

后件網(wǎng)絡(luò)同樣由輸入層、規(guī)則計算層和輸出層組成。規(guī)則計算層的作用為計算模糊規(guī)則的后件,由49個神經(jīng)元節(jié)點組成;輸出層作用是將前件網(wǎng)絡(luò)歸一化層的輸出與后件網(wǎng)絡(luò)的規(guī)則計算層的輸出進行加權(quán)求和,該層有5個輸出(加熱器、加濕器、電動窗戶、內(nèi)循環(huán)風機和外循環(huán)風機的啟停時間)。該T-S模糊神經(jīng)網(wǎng)絡(luò)控制器拓撲結(jié)構(gòu)如圖6所示。

圖6 T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.6 Structure of T-S fuzzy neural network

2.4.2 T-S模糊神經(jīng)網(wǎng)絡(luò)控制器的參數(shù)優(yōu)化

為了提高T-S模糊神經(jīng)網(wǎng)絡(luò)的學習能力與泛化能力,可對隸屬度函數(shù)的中心值與方差以及后件網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值進行優(yōu)化[19]。本文將訓(xùn)練的數(shù)據(jù)通過輸入層輸入到T-S模糊神經(jīng)網(wǎng)絡(luò)模型中,通過粒子群優(yōu)化算法(particle swarm optimization, PSO)優(yōu)化隸屬度函數(shù)的中心值和方差以及后件網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值,從而可以達到不斷優(yōu)化模糊規(guī)則的目的[20]。對于PSO的參數(shù)設(shè)置,將網(wǎng)絡(luò)的預(yù)測輸出和實際輸出的均方根誤差作為適應(yīng)度函數(shù);粒子群個數(shù)n設(shè)為100;學習因子c1和c2均設(shè)為2;慣性因子w設(shè)為0.8;迭代次數(shù)為500,其他保持默認參數(shù)。PSO對T-S模糊神經(jīng)網(wǎng)絡(luò)控制器的優(yōu)化流程如圖7所示。

圖7 PSO優(yōu)化流程圖Fig.7 PSO optimization flowchart

經(jīng)過學習算法優(yōu)化之后,隸屬度函數(shù)的中心值和方差(寬度)都有變化,隸屬度函數(shù)的分布更加合理。學習后的溫濕度隸屬度函數(shù)如圖8所示。

a- 學習后的溫度偏差隸屬度函數(shù);b- 學習后的濕度偏差隸屬度函數(shù)圖8 學習后的隸屬度函數(shù)Fig.8 Membership function after learning

3 系統(tǒng)的仿真與試驗

3.1 系統(tǒng)的仿真與分析

為了驗證本文所提出的T-S模糊神經(jīng)網(wǎng)絡(luò)控制器在控制上的優(yōu)勢,選擇傳統(tǒng)模糊控制作為對照組,使用MATLAB軟件對二者進行對照仿真。在初始條件相同的情況下使用T-S模糊神經(jīng)網(wǎng)絡(luò)控制器和使用傳統(tǒng)模糊控制器分別仿真控制大曲發(fā)酵環(huán)境溫濕度,設(shè)定起始溫度為20 ℃,最終溫度為25 ℃;起始濕度為60%相對濕度(relative humidity,RH),最終濕度為70%RH,并將二者的仿真結(jié)果加以對比分析。溫度和濕度仿真控制圖如圖9所示。

a-溫度的仿真控制曲線;b-濕度的仿真控制曲線圖9 溫濕度仿真控制曲線Fig.9 Temperature and humidity simulation control curve

由圖9-a可知,模糊控制器溫度輸出曲線的最大偏差量為1.40 ℃,超調(diào)量為28%,調(diào)節(jié)時間約為1 200 s,T-S模糊神經(jīng)網(wǎng)絡(luò)控制器溫度輸出曲線的最大偏差量為0.25 ℃,超調(diào)量為5%,調(diào)節(jié)時間約為600 s。由圖9-b可知,模糊控制器濕度輸出曲線的最大偏差量為3.50%RH,超調(diào)量為35%,調(diào)節(jié)時間約為1 200 s,T-S模糊神經(jīng)網(wǎng)絡(luò)控制器濕度輸出曲線的最大偏差量為0.60%RH,超調(diào)量為6%,調(diào)節(jié)時間約為450 s。與模糊控制系統(tǒng)控制相比,T-S模糊神經(jīng)網(wǎng)絡(luò)控制策略下溫度控制的超調(diào)量降低了23%,系統(tǒng)響應(yīng)時間縮短了600 s;濕度控制的超調(diào)量下降了29%,系統(tǒng)響應(yīng)時間縮短了750 s;溫濕度控制的振蕩也趨于平穩(wěn)。仿真結(jié)果表明,T-S模糊神經(jīng)網(wǎng)絡(luò)控制器具有響應(yīng)速度快、超調(diào)量小等特點,為T-S模糊神經(jīng)網(wǎng)絡(luò)運用在曲房環(huán)境溫濕度控制提供了理論上的可行性。

3.2 試驗驗證與分析

本文將環(huán)境溫濕度傳感器均勻分布在曲房上、中、下3層,每層設(shè)置5個采集點位,且點位分布相同,每1 min記錄1次采集到的溫濕度數(shù)據(jù)。選取上中下3層中同一采集點位的傳統(tǒng)工藝、模糊控制與T-S模糊神經(jīng)網(wǎng)絡(luò)控制大曲發(fā)酵時的環(huán)境溫濕度變化結(jié)果比較分析。

傳統(tǒng)工藝控制大曲發(fā)酵的環(huán)境溫度曲線如圖10所示,在大曲發(fā)酵到1 956 min時曲房上中下3層之間的最大環(huán)境溫度差為22.90 ℃;整個發(fā)酵過程中,上中下3層的最高環(huán)境溫度分別為39.60、53.50、57.20 ℃,各層環(huán)境溫度差大于15 ℃約占53.37%的時間。模糊控制大曲發(fā)酵的環(huán)境溫度曲線如圖11所示,在大曲發(fā)酵到379 min時,曲房上中下3層的最大環(huán)境溫度差為13.12 ℃;整個發(fā)酵過程中,最高環(huán)境溫度分別為53.87、56.40、59.26 ℃,各層環(huán)境溫度差穩(wěn)定在4 ℃以內(nèi)約占19.64%的時間。T-S模糊神經(jīng)網(wǎng)絡(luò)控制大曲發(fā)酵的環(huán)境溫度曲線如圖12所示,在大曲發(fā)酵到235 min時,曲房上中下3層的最大環(huán)境溫度差為6.30 ℃;整個大曲發(fā)酵過程的環(huán)境溫度曲線較為平滑,最高環(huán)境溫度分別為58.45、59.03、59.36 ℃,各層環(huán)境溫度差穩(wěn)定在4 ℃以內(nèi)約占85.81% 的時間。

圖10 傳統(tǒng)工藝控制大曲發(fā)酵的環(huán)境溫度曲線Fig.10 The traditional process controls the ambient temperature curve of Daqu fermentation

圖11 模糊控制大曲發(fā)酵的環(huán)境溫度曲線Fig.11 Fuzzy control of the ambient temperature curve of Daqu fermentation

圖12 T-S模糊神經(jīng)網(wǎng)絡(luò)控制大曲發(fā)酵的環(huán)境溫度曲線Fig.12 T-S fuzzy neural network controls the ambient temperature curve of Daqu fermentation

傳統(tǒng)工藝控制大曲發(fā)酵的環(huán)境濕度曲線如圖13所示,在大曲發(fā)酵到3 180 min時曲房上中下3層的最大環(huán)境濕度差為41.40%RH;整個發(fā)酵過程中,最低環(huán)境濕度分別為64.40%RH、61.60%RH和32.90%RH,各層環(huán)境濕度差大于15%RH約占53.15% 的時間。模糊控制大曲發(fā)酵的環(huán)境濕度曲線如圖14所示,在大曲發(fā)酵到5 412 min時,曲房上中下3層的最大環(huán)境濕度差為26.57%RH;整個發(fā)酵過程中,最低環(huán)境濕度分別為66.34%RH、61.03%RH、54.98%RH,各層環(huán)境濕度差穩(wěn)定在8%RH僅占28.03%的時間。T-S模糊神經(jīng)網(wǎng)絡(luò)控制大曲發(fā)酵的環(huán)境濕度曲線如圖15所示,在大曲在發(fā)酵到4 427 min時,上中下3層的最大環(huán)境濕度差為8.69%RH;整個大曲發(fā)酵過程的環(huán)境濕度曲線較為平滑,最低環(huán)境濕度分別為79.59%RH、78.52%RH、73.83%RH,各層環(huán)境濕度差穩(wěn)定在8%RH以內(nèi)約占了88.95%的時間。

圖13 傳統(tǒng)工藝控制大曲發(fā)酵的環(huán)境濕度曲線Fig.13 The traditional process controls the environmental humidity curve of Daqu fermentation

圖14 模糊控制大曲發(fā)酵的環(huán)境濕度曲線Fig.14 Fuzzy control of the ambient humidity curve of Daqu fermentation

圖15 T-S模糊神經(jīng)網(wǎng)絡(luò)控制大曲發(fā)酵的環(huán)境濕度曲線Fig.15 T-S fuzzy neural network controls the ambient humidity curve of Daqu fermentation

實驗結(jié)果分析可知,T-S模糊神經(jīng)網(wǎng)絡(luò)控制使曲房上中下3層的最大環(huán)境溫度差由傳統(tǒng)工藝控制大曲發(fā)酵時的22.90 ℃減小為6.30 ℃,最大環(huán)境濕度差由41.40%RH減小為8.69%RH,且各層環(huán)境溫濕度差可長期穩(wěn)定在4 ℃與8%RH以內(nèi)。然而當模糊控制大曲發(fā)酵時,最大環(huán)境溫度差僅減小至13.12 ℃,最大環(huán)境濕度差依舊高達26.57%RH,并且各層溫濕度差并不能長期穩(wěn)定在4 ℃與8%RH以內(nèi)。試驗結(jié)果表明T-S模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的控制效果明顯優(yōu)于傳統(tǒng)工藝控制和傳統(tǒng)模糊控制系統(tǒng),并且該系統(tǒng)工作穩(wěn)定,可精確測控大曲發(fā)酵過程中曲房的環(huán)境溫濕度,能使大曲發(fā)酵時曲房內(nèi)各個區(qū)域溫濕度保持均勻。

4 結(jié)論

大曲的發(fā)酵是一個復(fù)雜的過程,曲房環(huán)境在影響大曲發(fā)酵的同時,環(huán)境也會受到大曲發(fā)酵的作用,因此,對大曲發(fā)酵的環(huán)境溫濕度控制有一定難度。本文將T-S模糊神經(jīng)網(wǎng)絡(luò)控制運用到了智能曲房控制系統(tǒng)之中,完成了以T-S模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)為核心的曲房控制系統(tǒng)的搭建,利用了Matlab對T-S模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)進行了仿真,并對智能曲房控制系統(tǒng)進行了試驗測試。結(jié)果表明與模糊控制仿真系統(tǒng)相比,T-S模糊神經(jīng)網(wǎng)絡(luò)控制策略下溫濕度控制的超調(diào)量分別降低23%與29%,系統(tǒng)響應(yīng)時間分別縮短600 s與750 s;基于T-S模糊神經(jīng)網(wǎng)絡(luò)的曲房控制系統(tǒng)具有良好的穩(wěn)定性,可以使曲房內(nèi)各個區(qū)域溫濕度差長期穩(wěn)定在為4 ℃與8%RH內(nèi)。通過對比分析傳統(tǒng)工藝、模糊控制器和T-S模糊神經(jīng)網(wǎng)絡(luò)控制器調(diào)控曲房溫濕度均勻性,T-S模糊神經(jīng)網(wǎng)絡(luò)控制器調(diào)控曲房溫濕度均勻性的控制效果明顯優(yōu)于其他2種控制方式,當T-S模糊神經(jīng)網(wǎng)絡(luò)控制大曲發(fā)酵時具有響應(yīng)速度快、超調(diào)量小和控制曲線平滑的優(yōu)勢。依據(jù)大曲原料和發(fā)酵工藝,本系統(tǒng)可通過改變其對應(yīng)目標溫濕度曲線以適應(yīng)不同大曲質(zhì)量要求,并通過控制發(fā)酵過程的環(huán)境溫濕度曲線變化以滿足大曲發(fā)酵時曲房內(nèi)部各區(qū)域溫濕度均勻性要求。