基于模糊神經網絡PID控制的花茶烘焙溫控系統設計

陳 星

(南京信息職業技術學院，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，高品質的花茶更是市場嬌兒。影響花茶的品質除了花苞自身的優良之外，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為溫、濕度，溫、濕度的高低和作用時間直接影響花茶制作后的元素保有量和花苞造型，利用控制技術完成最佳炒茶環境的調控設計一款智能炒茶溫控系統具有現實意義。溫控系統具有時滯性、大耦合、非線性的特點，無法建立精確數學模型[2]。傳統的PID控制系統結構簡單，實現方便，但無法實現精確控制。模糊控制依靠構建輸入輸出變量模糊子集和隸屬函數關系，依據模糊規則和推理，實現精準控制[3]。神經網絡具有自學習、實時性、自適應性強的特點，可彌補模糊控制中依靠專家系統制定的模糊規則局限性的缺點，實現對控制參數的實時精確控制[4]。

為實現對炒茶機中溫控系統的精確調控，從而炒制出品質優異的花茶。研究擬提出基于模糊控制+神經網絡+PID控制的組合控制系統，經過Matlab軟件進行模擬仿真和實際應用測試，并對組合系統和單純PID控制系統的控制結果進行對比分析，驗證組合控制系統的調控效果。

1 花茶制作工藝分析

制茶的目的是快速將新鮮花朵進行去濕干燥，生成最多有益元素。傳統花茶制作工藝為熱風干燥、陰涼干燥和硫磺熏蒸，效率低下、品質差、副作用大，已逐漸被淘汰。現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行高溫快速殺青(80 ℃以上，10 min以內)，低中恒溫中長時發酵或回潮(30 ℃左右，10～15 h)，中溫長時干燥(50～80 ℃，15 h以上)，過程中濕度由高到低隨時長逐次降低(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，制茶過程中需要調控的主要因素為溫度、濕度和時間，三者之間的協調關系直接影響花茶的品質。制茶去濕干燥方法是在時間作用下改變溫度和通風，溫濕度之間具有較強的耦合性，在風量變化情況下時刻變化的濕度數值直接影響溫控效果，如何快速地實現對時刻變化環境的高效響應，將是高精度溫控的關鍵。

2 模糊神經網絡PID控制器設計

2.1 控制原理

控制器以溫度和濕度兩個參數實測量與設置量的誤差e和誤差率ec作為輸入變量，通過模糊控制和神經網絡組合運算，輸出實時整定的PID調控因子變化量△K(△KP、△KI、△KD)，再將PID調控因子初始K0與△K之和作為對PID輸入變量e(t)的調控因子K(t)進行運算輸出控制量u(t)，對執行單元進行控制，實現對溫控系統實時調控的目的[7]。控制結構如圖1所示。

調控因子公式為：

(1)

式中：

K——調控因子；

K0——調控因子初始值；

△K——調控因子變化值；

P——比例關系；

圖1 模糊神經網絡PID控制結構Figure 1 Fuzzy neural network PID control structure

I——積分時間，s；

D——微分時間，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為溫度[-15,15]，濕度[-30,30]，模糊論域為[-6,6]，量化因子為0.4，0.2。輸入變量模糊子集，設定7個等級，即NB、NM、NS、ZO、PS、PM、PB，分別代表負大、負中、負小、零、正小、正中、正大[8]。采用高斯函數為隸屬度函數，如圖2所示。

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

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

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

依據模糊子集的定義等級和輸入變量數，確定模糊規則。模糊規則定義語句為：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[9]。部分模糊規則如表1所示。

表1 部分模糊規則表

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

2.3 模糊神經網絡結構

神經網絡算法是為了在模糊控制過程中實現快速收斂和控制精度逼近理想狀態[10]。系統以RBF神經網絡算法對輸入輸出變量構成四輸入(eT、ecT、eH、ecH)三輸出(△KP、△KI、△KD)結構，共有4層，即輸入層、模糊化層、模糊推理層、輸出層，網絡結構如圖4所示。

圖4 神經網絡結構圖Figure 4 Neural network structure diagram

(1) 輸入層：該層將變換后的4個輸入量導入網絡中，傳遞給下一層，節點個數為輸入變量個數即4個。每個節點的輸入輸出關系為：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；

i——對應輸入變量，即1，2，3，4。

(2) 模糊化層：該層將輸入變量轉變成模糊矢量，構建模糊子集，確立隸屬度函數。計算公式為：

(4)

式中：

f2(i,j)——模糊量隸屬函數；

i——輸入變量，即1，2，3，4；

j——模糊子集數，1，2，3，…，n；

cij——隸屬函數中間值；

bij——隸屬函數的基寬。

(3) 模糊推理層：該層確立模糊規則進行模糊運算，每個節點對應一條模糊規則，節點的輸出等于所有輸入量的乘積[11]。運算公式為：

(5)

(6)

式中：

f3(j)——推理層函數；

Ni——第i個輸入模糊分隔數，即輸入變量模糊子集定義的等級數。

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

(7)

式中：

f4(j)——模糊輸出層函數；

w——推理層向輸出層轉換權值。

2.4 神經網絡算法

系統以Delta(δ)函數確立學習規則進行參量調整，使用梯度下降法來實現對網絡訓練的調控，經過若干次的學習訓練，讓輸出更逼近真實理想值[12]。依據系統調控特點目標函數為：

(8)

式中：

E(t)——輸出層性能目標函數；

r(t)——每一次迭代的理想輸出；

y(t)——每一次迭代的實際輸出；

t——迭代步驟。

系統加權調整算法公式：

(9)

式中：

wj(t)——輸出層的加權系數；

η——學習速率。

模糊化層隸屬函數的中間值和基寬學習算法公式：

(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——學習動量因子。

3 溫控系統控制器仿真與分析

針對不同溫控系統控制器在花茶制作過程中對溫、濕度變化的響應狀態，進行軟件仿真分析，測試控制器的調控效果。基于溫控系統的特點，其傳遞函數的數學模型設定為[13]：

(14)

式中：

k——放大倍數，取0.85；

τ——滯后時間，取8 s；

T——時間常數，取180 s。

3.1 搭建模擬仿真系統

采用Matlab軟件對花茶烘干機溫控系統的控制器進行數據仿真，分別建立傳統PID控制、模糊控制和模糊神經網絡PID控制模型，進行數據對比分析[14]，驗證各自的控制性能。PID控制依據經驗和試驗選取調整因子為KP=8.8，KI=0.044，KD=440。使用Matlab軟件中Simulink工具箱包含的函數構建模糊控制和模糊神經網絡PID控制模型[15]，學習算法中η=0.2，α=0.02。仿真系統設置采樣周期為5 s，最大訓練次數為500次，調節時間為0.001 s，仿真時間3 600 s。其控制器仿真框圖如圖5、6所示。

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

圖6 模糊神經網絡PID控制器仿真框圖Figure 6 Fuzzy neural network PID controller simulation block diagram

3.2 模擬仿真數據分析

仿真數據(仿真結果如圖7所示)分析：

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

(1) 傳統PID控制：在前500 s內數據從初始達到最高峰值，超調量達到48%，500～1 300 s時調整量在[22%,-9%]之間震蕩調整，波動明顯，1 300～2 600 s時小范圍波動調整，之后趨于平穩，這種控制模式對參數的調整時間節長、波動大。

(2) 模糊控制：在前800 s內數據從初始達到最高值，超調量達到17%，800～1 600 s時數據逐漸調整接近目標量，之后數據在目標量附近平穩調控，這種模式調整量波動較小，但調整時間較長。

(3) 模糊神經網絡PID控制：在前500 s內達到峰值，最高超調量在5%，500～800 s時數據在目標量附近小量波動，之后數據進入穩定平穩運行狀態，這種模式調整量波動小，且調整時間短。

通過以上3種模式的仿真結果分析，模糊神經網絡PID的控制模式體現出調整迅速，運行平穩，波動小的特點，展示出該種控制模式收斂速度快，調整精度高的優勢。

系統在調控平穩期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能力，仿真結果如圖8所示。

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

擾動仿真結果分析：傳統PID控制在300 s內實現平穩調整且有負值波動，模糊控制在100 s內實現調整平穩，模糊神經網絡PID控制在20 s內實現平穩，從對比結果看模糊神經網絡PID控制模式的抗擾動能力強，擾動補償速度快，其系統魯棒性更好。

4 菊花(胎菊)茶制作溫控系統驗證

4.1 溫控系統組成及控制流程

系統以西安圣達SD-30HMV-6X(30 kW)的微波烘干機為載體，分別以傳統PID和模糊神經網絡PID兩種控制器對菊花(胎菊)茶制作過程進行溫、濕度調控測試，驗證其性能。

微波式烘干機，由微機、數據采集單元(傳感器)、STM32系列單片機構成控制系統，由可調節加熱器(含功率調節器)、微波器(含變頻器)、鼓風機、排氣扇、加濕器、計時器(含開關)構成控制執行單元，由物品擺放篩、柜體、支撐架構成機體結構。控制系統結構如圖9所示。

圖9 微波烘干機控制系統結構Figure 9 Control system structure of microwave dryer

烘干機控制流程(如圖10所示)：開機初始化，輸入控制參數(溫度、濕度、時間)寫入系統，傳感器檢測數據經過處理(濾波、放大、數模轉換)后輸入控制器，控制器運算生成控制指令，指揮各執行單元動作，其間傳感器實時檢測數據反饋至控制器，對控制器算法進行優化，程序結束完成控制流程。

圖10 烘干機控制流程Figure 10 Control flow of dryer

4.2 制茶工藝流程

制茶工藝流程及參數要求：

鮮花清洗殺菌→殺青[溫度(80±2) ℃，時間500 s，濕度無要求]→發酵[溫度(30±2) ℃，時間18 000 s，濕度>50% RH]→烘干[溫度(50±2) ℃，時間20 000 s，濕度降至15% RH以下]→回潮(自然狀態溫、濕度，時間7 200 s)→風干(自然狀態溫度，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：開機初始化，開啟排氣扇和微波器(變頻到預設值)，檢測溫度，判定溫度與預設溫度(80 ℃)的關系，通過改變微波器的變頻數值和排氣扇開關狀態，調節溫度在預設值(80±2) ℃，開啟計時器運行500 s后，停止微波器、排氣扇、計時器，完成殺青。控制過程如圖11所示。

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

(2) 發酵：殺青工序后，檢測濕度，通過開關加濕器，使濕度達到大于預設值(50% RH)的要求，檢測溫度，判斷溫度與預設溫度(30 ℃)的關系，改變鼓風機和排氣扇、加熱器的開關狀態，調節溫度在預設值[(30±2) ℃]之間，開啟計時器運行18 000 s，停止鼓風機和排氣扇、計時器，完成發酵工序。控制過程如圖12所示。

圖12 發酵控制過程Figure 12 Fermentation process control

(3) 烘干：發酵工序后，檢測濕度，如濕度小于預設值(15% RH)烘干結束,否則開啟加熱器(功率至預設值)、鼓風機和排氣扇，檢測溫度，判斷溫度與預設溫度(50 ℃)的關系，通過改變加熱器的功率大小，調節溫度在預設值[(50±2) ℃]之間，開啟計時器運行20 000 s，停止鼓風機和排氣扇、計時器、加熱器，完成烘干工序。控制過程如圖13所示。

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

(4) 回潮：烘干工序后，自然狀態下(不調節溫、濕度)，開啟計時器運行7 200 s后，關閉計時器，完成回潮工序。控制過程如圖14所示。

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

(5) 風干：回潮工序后，檢測濕度，判斷濕度與預設值(18% RH)的關系，通過改變鼓風機和排氣扇開關狀態，使濕度達到小于預設值(18% RH)，完成風干工序。控制過程如圖15所示。

圖15 風干控制過程Figure 15 Air drying control process

4.3 制茶溫控系統驗證分析

制茶過程中，設備外環境對溫控系統的調控效果影響較小，視作常量處理。由于回潮和風干對溫度沒有要求，測試只對殺青、發酵、烘干3個工序結果進行比較。初始環境：溫度25 ℃，濕度35% RH。

驗證結果(如圖16所示)分析：傳統PID控制器對溫度調控偏差在±5 ℃，常常超出設定允許變化范圍±2 ℃，響應時間>40 s。模糊神經網絡PID控制器溫控在允許變化范圍(±2 ℃)內，響應時間<20 s。對比結果表明模糊神經網絡PID控制器具有控制精度高，對環境變化響應快速及自適應的特點，可以實現花茶制作過程中實時溫、濕度精確調控的要求。

圖16 測試驗證結果Figure 16 Test validation results

5 結論

文中分析花茶制作工藝對溫、濕度調節的響應快、調控精準且平穩需求，提出由模糊控制+神經網絡+PID控制構成的組合控制模式，實現對溫控系統的調控目的。通過對輸入變量的模糊化處理，采用高斯隸屬度函數，依據模糊規則進行推理生成輸出量，為PID控制提供實時變化的輸入調控因子△K，經PID運算后生成整定控制量，指揮執行單元動作，實現溫控系統調控。系統通過RBP神經網絡建立Delat(δ)學習規則，以梯度下降算法進行隸屬度中心值和基寬及輸出權值的學習訓練，使模糊控制達到實時性、自適應性及快速逼近真值的目的。系統通過Matlab軟件對傳統PID控制和模糊控制及模糊神經網絡PID 3種控制器進行模擬仿真，并以微波烘干機制作菊花茶為例分別對傳統PID控制器和模糊神經網絡PID控制器進行溫控應用驗證測試，其結果分析說明，模糊神經網絡PID組合控制模式具有控制精度高，收斂速度快，抗干擾能力和系統魯棒性好的優點，具有最好的動靜態性能。因此該種控制模式完全可以滿足花茶制作過程中對溫、濕度快速精確調控的需求。