基于動態RBF-NN 的溫濕度解耦控制研究

孫冠瓊，魏 博

（1.青海大學 化工學院，西寧 810000；2.青海西部水電有限公司 監督計控中心，民和 810800）

耦合現象是工業控制系統中普遍存在的一種現象。溫室控制系統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度等，這些變量間相互關聯，相互耦合，很難有效地實現一對一控制[1]。溫度和濕度是溫室環境中的主要因子，對作物的生長和發育起關鍵作用。溫濕度控制精度的好壞直接影響作物生長狀態及產量，且二者存在強耦合關系，傳統的單一控制方法因忽略二者的相互影響，導致控制精度低、能耗高、效率低[2]。所以在開展溫室生態環境優化控制過程中，往往需要對溫濕度進行解耦控制，這也是目前溫室控制的主要研究方向之一。

工業領域中為顯著提高自動化控制系統的總體性能，常將神經網絡與PID 控制結合建立神經網絡PID 控制器（PID-NNC），來實現對PID 控制參數的優化。文獻[3]為了解決系統中多變量耦合關系，研究建立了BP 神經網絡PID 解耦控制器，并通過仿真分析驗證其可行性。文獻[4]提出了RBF 神經網絡（RBF-NN）自適應解耦控制器用于改善永磁電動機的轉矩響應慢和電流波動大等問題，提高電動機的動態性能。文獻[5]為了全面改善擠出機控制性能，在PID 神經元控制的基礎上，利用RBF-NN 對控制系統的逼近能力，建立擠出機溫度壓力的解耦模型，研究結果表明該解耦控制方案，具有較優的辨識效果和解耦能力。

上述文獻研究表明，將RBF-NN 與PID 相結合用于模型辨識及解耦控制可提高系統控制精度和自適應性。但是，常規RBF 網絡結構相對固定化，且初始值需設定在有效的映射范圍內，否者其激活函數不能保證有效映射[6]，導致RBF 網絡失效，適應性差。

針對以上問題，本文利用最近鄰聚類學習算法對常規RBF-NN 進行動態優化，構建動態RBF-NN辨識模型，提高對系統的在線辨識能力，再結合PIDNNC，進而建立溫室溫濕度解耦控制測策略，來提高溫室系統控制性能。

1 動態RBF-NN 的構造

常規的RBF-NN 結構固定化，是因為其要求在網絡構造時必先確定網絡隱含層節點的個數，且要通過改變高斯基函數中的中心向量（網絡映射范圍）值和網絡的輸出權值向量來進行學習，限制了其在控制系統中的適應能力[7-8]。

最近鄰聚類學習算法（nearest neighbor-clustering algorithm），是一種在線自適應聚類學習算法[9]，將常規RBF-NN 與其結合構造動態RBF-NN 辨識模型，可以在不用提前確定神經網絡隱含層節點數的情況下，通過聚類算法實現對RBF-NN 結構進行優化調整和在線深度學習。

動態RBF-NN 辨識模型構造過程如下：

（1）結合控制系統復雜度及特性選擇合適的寬度向量b，提前定義A（l）和計數器B（l），分別用于存放網絡中各類輸出之和以及各類樣本具體個數，l為樣本類別數。

（2）從第一個數據對（x1，y1）開始，在x1上建立一個聚類中心，令C1=x1，A（l）=y1，B（l）=1。此時的RBF 網絡隱單元只有1 個，C1為此隱單元的中心向量，隱單元到輸出層的權值向量為w1=A（l）/B（l）。

（3）當進行到第k 個樣本數據對（xk，yk）時，k=2，3，4，…，n，設此時網絡中已存在n 個聚類中心C1，C2，…，Cn，n 個隱單元。分別求出xk到C1，C2，…，Cn的距離，即，i=1，2，…，n。假設為其中的最小值，則Cj為xk的最近鄰聚類。

（4）基于上述規則建立的動態RBF-NN 的輸出為

2 動態RBF-NN 的溫濕度解耦控制系統設計

溫室解耦控制主要是針對溫濕度耦合現象，本文設計的解耦控制系統主要包括三部分：動態RBFNN 辨識器、PID-NNC 以及溫濕度耦合對象。

2.1 系統動態RBF-NN 辨識器設計

為了更好解決溫濕度的耦合關系，設計動態RBF-NN 辨識器來對耦合系統的模型進行辨識，通過動態辨識與學習方法來快速逼近溫室控制系統模型的溫濕度實際輸出。然后再將辨識得到的Jacobian 信息送至PID-NNC 實現參數的在線整定，進而適應系統運行狀態的變化，實現系統的解耦控制。系統結構如圖1 所示。

圖1 中，rin1（k），rin2（k）為系統溫濕度輸入；yout1（k），yout2（k）為系統優化解耦后的溫濕度輸出；ym1（k），ym2（k）為2 個動態辨識器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 動態RBF-NN PID 解耦控制系統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模型進行分析。

式中：f（·）為一個非線性函數；u1（k），u2（k）為k 時刻系統的輸入；yout1（k），yout2（k）為k 時刻系統的輸出。

動態RBF-NN 辨識器的輸入輸出如下：

以溫度控制為例，其動態RBF-NN1 的Jacobian信息為

式中：xk，Cl，i為u1（k），ωi每次更新的權值向量。

由以上分析過程可知，在輸入-輸出數據對變化下，動態RBF-NN 結構隨之呈動態變化，獲得被控對象的Jacobian 信息較常規RBF-NN 更精準，較好地提高PID-NNC 參數在線整定能力，進而提高溫濕度系統控制性能。

2.2 PID-NNC 設計

以溫度控制過程為例進行分析。PID-NNC1 結構如圖2 所示，通過Hebe 規則調整單神經元加權值，進而實現控制自適應功能。

圖2 PID-NNC1 結構圖Fig.2 PID-NNC1 structure diagram

k 時刻，系統偏差為

單神經元網絡輸入為

控制器輸出為

式中：k 為單神經元網絡比例系數；ωi為加權系數。

性能指標函數為

加權系數變化量為

式中：ηp，ηi，ηd分別為PID-NNC1 比例、積分、微分的學習速率，用來對不同的權系數分別進行調整。

3 溫室溫濕度控制系統仿真分析

考慮到溫室控制系統的多變量、強耦合、非線性等復雜的特點，很難建立精確的模型。溫室環境中影響因子有溫度、濕度、二氧化碳等，關鍵因子是溫度和濕度，在建模時將二者作為主要的參數進行分析。因與溫濕度相關控制量的多變性，比如加熱、通風、加濕等，控制過程具有方法復雜、形勢多樣化等特點，所以采用解析法和實驗法相結合[10-11]，根據相關實驗數據建立溫室溫濕度模型如下：

動態RBF 辨識器輸入為

采樣周期TS=0.1 s，b=0.65，辨識器學習速率ηp=ηi=ηd=0.15，PID 的初始參數kp=1，ki=0.1，kd=0.01。常規RBF-NNPID 解耦控制和改進的動態RBFNNPID 解耦控制仿真結果分別如圖3 和圖4 所示。

圖3 和圖4 仿真結果對比分析，在第一階段，設定值r1和r2均為1 時，圖4 中動態RBF-NN PID作用下溫濕度控制系超調量相對于常規RBF-NN控制要小，動態性能好。第二階段，在48 s～50 s 時，將溫度設定值r1從1 逐漸調整為0.6，濕度設定值r2不變仍為1 時，對應系統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超調小，解耦效果好，穩定性和動態適應能力相比于圖3 也要好的多。

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

圖4 動態RBF-NN PID 解耦控制Fig.4 Dynamic RBF-NN PID decoupling control

系統再次穩定后，在100 s 時加入一個干擾信號，圖3、圖4 中溫濕度輸出y1和y2都有一定超調，但圖4 中超調小，且能夠較快地再次進入穩定狀態。對比圖3、圖4 可知，動態RBF-NN 控制的穩定性和抗干擾性比常規RBF-NN 控制更好。

所以據以上仿真結果可驗證，與常規方法相比，改進后的動態RBF-NN 控制方案對溫濕度的控制效果更好，解耦能力強，系統更加穩定。

4 結語

溫室溫濕度耦合現象是溫室控制系統中重要的問題。神經網絡在控制系統中應用日漸成熟，本文在常規RBF-NN 解耦控制的基礎上，將最近鄰算法和RBF-NN 相結合設計動態RBF-NN 解耦控制器，改善了常規RBF-NN 結構固定，適應性不強的特性，提高了溫室系統解耦能力，實用性強。對溫室溫濕度控制系統研究具有一定參考意義。