基于智能解耦補償的生化培養箱智能控制

羅偉　湖南學院鐵道職業技術　湖南株洲　412001

?

基于智能解耦補償的生化培養箱智能控制

羅偉湖南學院鐵道職業技術湖南株洲412001

2013年度湖南省教育廳科學研究項目（課題編號：13C591）

文章摘要】

針對生化培養箱過程控制系統中，存在溫、濕度變化耦合性強、設備性能易變的問題，本文提出了一種新的設計方法，首先采用模糊控制器對溫、濕度獨立控制，再采用粒子群算法對模糊隸屬度進行在線優化，同時引入神經元學習算法，實現對溫度和濕度控制量解耦關系的學習，系統實際運行效果實現證明了本文方法的有效性。

【關鍵詞】

國家標準學科分類代碼：510-80

1　生化培養箱工藝原理

生化培養箱是是生物、醫學、環境保護等行業的科研機構的重要試驗設備，廣泛應用于恒溫恒濕試驗、培養試驗等。生化培養箱主要由制熱、制冷、加濕、反饋系統及控制系統等部分組成，其原理如圖1所示。主要采用熱電阻絲和壓縮機進行溫度的升降調節，實現溫度可控，同時利用加濕器進行濕度調節，實現濕度可控。

圖1　生化培養箱原理示意圖

當生化培養箱工作溫度偏離給定值時，如溫度升高，感溫電橋輸出信號，經放大控制壓縮機制冷，降低箱體溫度;倘若溫度低于給定值時，電加熱管對加溫管道進行加熱，通過風扇向箱體輸入熱空氣，使箱體內部的溫度快速升高，使溫度達到平衡。如箱體內濕度偏低，感濕電橋輸出信號，濕度控制系統工作，加濕器進行噴霧;反之，需要減濕時壓縮機工作致冷，帶出箱體內的水分，達到除濕的目的，穩定箱體濕度。

生化培養過程中溫度和濕度的變化相互影響，耦合性較強。電加熱管工作時，溫度升高，水分擴散增強，濕度升高;壓縮機工作時，會帶出箱體內的水分，降低濕度。加濕器工作時帶入一定量的冷濕水分，會影響箱體內的溫度。因此，生化培養過程的溫、濕度交叉耦合嚴重。

2　算法結構

為了解決生化培養過程中，溫度和濕度相互制約，相互影響的問題，需要對系統溫、濕度變化進行解耦，本文提出了一種基于神經元解耦的變參數模糊制方法，整個控制系統由基于改進模糊算法的溫、濕度獨立控制，以及基于神經元的解耦補償組成。改進模糊算法采用粒子群算法算法對模糊隸屬度進行在線優化。神經元解耦補償器，利用解耦結果對控制量進行補償。

本文采用了梯形結構的模糊控制器隸屬度函數，每個隸屬度函數，有4個參數待確定，因此溫、濕度模糊控制器各自的輸入、輸出共12個變量的梯形隸屬度函數參數，共同構成了各自PSO的解空間。根據生化培養過程的控制指標，大量粒子以當前的位置最優的粒子為參照更新自身速度矢量V，調節自己的位置，在解空間中搜索更優的位置。通過大量粒子不斷的迭代更新，逐步在空間中聚合到最優的位置，從而得到隸屬度函數的最優解集。

根據生化培養過程的工藝分析，可知溫度控制和濕度控制存在嚴重耦合關系，不利于控制策略的實施，為了保證溫度控制策略和濕度控制策略的相互獨立，需要對系統進行解耦，采用神經元算法進行解耦補償的方法可以解決生化培養過程的復雜非線性。

圖2　實時溫濕度曲線圖

3　系統運行實驗

為了測試本文算法應用于生化培養箱后實際溫濕度控制效果，本文設計了一個由2個運行時段組成的測試方案，時段1設置參數為溫度40 ℃、濕度55% ; 時段2設置參數為溫度50 ℃、濕度45%。各時段運行時間均設置為25分鐘，且循環運行。每分鐘記錄一次數據繪制出如圖2所示的實時溫濕度曲線。

由圖6 可知，系統運行前溫度為28℃，濕度為70%。在時段1中，由于采用了耦合補償算法和變參數模糊控制，生化培養箱的溫度在4分鐘內基本到達控制精度范圍（40℃±0.5）。然后對濕度進行模糊控制，圖中顯示，濕度快速到達控制精度范圍內（55%±5）。

當系統運行到30 分鐘時，到達時段切換點進入時段2。當前溫濕度為時段1 的控制溫濕度40℃和55%，而時段2 的設定溫濕度為50℃和45%，系統瞬時誤差很大。由于變參數模糊控制對隸屬度進行調節，使溫濕度快速到達控制點，且滿足控制要求。

【參考文獻】

[1]魏徳敏；文星宇.基于混合PSO算法的桁架動力響應優化[J].振動與沖擊,2011,22（5）: 92-95.

[2]韋振中,黃廷磊.基于支持向量機和粒子群算法的特征選擇[J].廣西工學院學報,2006,17（2）: 103～106.

[3]湖澤新.基于神經網絡的解耦控制新方法及其應用[J].控制與決策,2009,18（6）:409-412.

生化培養箱；解耦；智能控制

中圖分類號：TP273+.21

文獻標識碼：A

【作者簡介】

羅偉（1979-），男，湖南株洲人，碩士，副教授，研究領域：控制工程。