PID和piintelligent反馈技术在温室温度控制的运用.docx

1、PID和piintelligent反馈技术在温室温度控制的运用PID和piintelligent反馈技术在温室温度控制的运用翻译人：张明浩 专业班级：自动化1104班摘 要 随着复杂温室技术进步，自然地，温室计算机化已势在必行。它创造了新的机会根据植物的具体需求来操纵室内环境。温室下的温度是植物最重要的影响因素。通常情况下，已与其他气候参数已密切相关。本文使用两种类型的控制器来控制内部温室温度的新方法：PID控制和PI智能。这两个控制器产生良好的结果，除了PID需要理论参数辨识，应该在大的时间里是应尽可能有效的方法。因此，有必要以重复选择识别技术面来改变意外的外部参数。然而，PI 智能控制器允

2、许继续调整增益很长一段时间，这归功于趣的识别和代数计算的结果。为了使实时气候参量的演化可视化，开发了一个图形界面。关键词:温室计算机化，气候参数，控制，PID控制器，PI智能第1章 绪 论几年来，温室气候控制的研究遇到了几项研究任务的挑战。在文献中提出了很多控制方法：（Rodrguez etal.（2001）；Bennis etal.（2008）设计了一种基于物理模型的温室气候控制的前馈控制器并提出了最优控制方法（Ioslovich etal.（2009）。温室温度控制的自适应控制策略(Berenguel etal.（2003）and （Speetjens etal.（2009）已经得到了解决

3、。最近推出的为了控制温室温度的自由控制模型。它是非线性的、未知的或部分已知的动力学简单高效的技术。保留PID降低计算成本，而且能够应付一般类型的非线性。对于未知或部分已知的动态，无模型控制已被证明是一个简单但非常有效的非线性反馈技术。（Fliess etal.（2009 年）；Fliess etal.（2013 年）；Join etal.（2013 年） ；Lafont etal.（2013 年）；Choi etal.（2009 年）。我们在这里应使用所谓的智能PID（或i- PID）。保留PID降低计算成本，并且能够处理一般的非线性模型。在（dAndra-Novel et al. （2010

4、）中给出了i-PID与Pid之间的精确关系。它特别强调易用性的i-PID增益调整，并且给出了常规Pid性能的清晰解释。温室被设计用于植物在控制的环境条件下的种植。温室栽培有几个优点：它有助于维持最佳的植物生长环境，保护农作物免受虫害和不同户外条件的伤害。因此，在温室里生产变得相当复杂和昂贵。为此，温室种植者想要保持竞争力就需要通过更好的生产条件管理，使其投资收益最大化。为了充分利用农作物的机会，用自动化控制系统势在必行。对于农业生产来说，计算机自动化技术引进一直是一个重大的进步（Yang etal.（2013）, Eredics.（2009）。事实上，温室气候控制有三个基本组成部分：传感器、计

5、算机和驱动器。传感器是用来收集信息，而是重要的植物生长和致动器被用于修改所收集的信息。温室环境的管理强烈依赖于温度变化。这之后是复杂、交互式的热量，是内部空气，温室的几个元素和外部气候参数之间物质交换的结果。过程取决于结构温室类型、作物和驱动控制信号的状态，通常通风和加热都能能够修改内部温度条件。温室的各种条件（加热和通风）能够自发改善内部环境，但这种控制不算完整。其实，在环境中对于想要更改一个元素而无需修改另一个元素是很困难的。我们实验室中的研究表明，对于温室，内部温度是最有影响力的参数（Ezzineetal.（2010年）。然而，自动气候控制要求基于代表线性和非线性系统模型的适当控制规律的

6、发展。因此，我们被迫作出温室温度控制系统的研究。对于在温室中的作物和资源管理要充分利用增强的可能性，对于带有远程自动控制的调节和控制变量，它是不可或缺的（ElAfou1 etal.（2013年) ；El Afou2 etal.（2013 年）Guerbaoui etal.（2013年)）。这项工作的结果是温室气候参数新控制策略的实现。所提出的策略是与经典的PID控制器相对比的PI 智能控制器。读者可查阅最新的书籍(Van Straten et al.(2011)用综合的方式建模和最优控制（Iya etal.（2009）建模框架的识别控制。控制器策略的编程使用了Matlab/Simulink软件

7、。本文组织如下：接下来的部分介绍了实验参数的框架，提出了一种无模型控制器方法的简要介绍。我们描述的控制器实现，目前主要的实验结果。第2章 实验温室的整体观察图1展示了温室系统图解视图。温室的成立就是为了建立一个综合的数据采集系统来控制里面的气候。该系统被连接到一台计算机（PC）。传感器和调理模块允许我们进行不同的气候参数，温室内外的测量。采集和数据处理已经由一个多功能卡NI-6024E来控制和管理复杂的测量。这个实验的温室已具备许多传感器：传感器的里面和外面的温度（LM35DZ）数据用表示；传感器的内部和外部的湿度（HIH-4000-001），数据用% 表示；二氧化碳浓度（Figaro AM4

8、 模块）的传感器，数据以ppm表示，并命名为。为了改善下温室气候，我们已经安装一个加热系统，脉冲空气供给和可变速风扇（爱德-Dahhak等人（2007）；Lachhab等人（2007）；的Ad-Dahhak等人（2009）；Guernaoui等人（2011）。图1 图解视图的温室系统第3章 控制器使用的理论研究3.1 PID控制器PID控制是作为主要的工具（Beshi etal. 2011和2012 Henseletal. 2012）使用比例、积分和衍生的反馈控制方法。控制的目的是，使过程变量y (t)作为一个名为设定点(t)的合适值。为了实现这一目的，在控制器的命令更改了操纵变量u(t)。在

9、本应用程序中，过程变量y(t)是温度，操纵变量u(t)是控制器的命令。干扰是任何因子，影响过程变量的操纵变量。在一些应用中，然而，一个主要的干扰进入过程中以不同的方式或复数干扰需要加以考虑。错误时被定义为：取值e(t)= (t)y (t)。而在此基础上， (t)是期望的轨迹，y (t)是测量的变量。PID是错误的一个控制器，考虑现在、过去和未来。介绍了数字实现后，某些变化的控制系统的结构提出了，在许多应用中采用。然而，这种变化不会影响分析的重要组成部分和PID控制器的设计。PID控制器的传递函数C(s)是： (1)在公式中，、和为参数，分别称为比例增益、积分增益、微分增益。3.2 PI智能控制

10、器 本部分简要总结无模型控制，限于此应用程序，一元案例和公式(1)推导所需要的思想。读者可能指的是广泛的参考书目，关于这个话题，而尤其是以后可用项目（Gdouinetal.（2011 年）、Fliess（2008年，2009年） ；Fliessetal.（2011 年）；Abouaissaetal.（2011 年）为一元无模型控制和（Mboup等人（2009 年,刘etal.（2011 年）的导数的估计。无模型控制基于本地模拟系统，从其输入输出，从而避免在较宽的工作范围内的建模和识别有效的有时很难步骤作为唯一的知识。它基于代数的方法估算的噪声信号，在短的时间间隔作为积分表达导数信号y(t)衍生

11、物(t T)，t按顺序就足以应用此过程。这个导数的估计可以采取以下形式： (2)在实践中，公式（2）在每个采样时间进行评估，其中k =1,2，.试验，用纳秒是样品中，是用在时间窗口T的数目，因为一个使用基本离散法计算积分离散总和： (3)这个估计技术可以适用于在很短的周期进程的行为和有效快速的唯象模型： (4)其中，是一个非物理常数设计参数和F代表所有什么是未知的系统上，并且可以从该系统的输入 - 输出特性的知识来补偿。在实践中，F是由u(k-1)和y(k)估算出来的，公式如下： (5)因此，这个估算允许PI智能的实现。当闭环控制器是PID类型的无模型控制可以命名，智能PID为表示如下： (6

12、)其中，是参考轨迹的衍生物，e为跟踪误差。和是调整收益。参考轨迹是根据平直度的基于准则通过。在我们的应用中，和分别固定为10，2和0.1。第4章 仿真结果4.1 PID控制器 描述下温室温度的演化模型的发展需要施加一个步骤作为设定点的加热温度在开环。得到一阶系统纯延迟的传递函数可表示如下（埃尔Afou等人（2013年）： （7）PID控制器的参数从所标识的系统调谐（Dindeleux（1981）： （8） （9） （10） 我们利用这些参数来控制代表使用模拟模式的MATLAB软件我们的系统模型。要了解有关该系统的闭环，其中涉及的PID控制器的行为的想法，我们做的模型模拟仿真研究。图。图2示出所

13、获得的与开发的算法的性能。我们也注意到，在输出呈现的20秒的短延迟和它完美地遵循24下以225 S中的设定点。4.2 PI智能控制器 差异化是一个广泛科学的许多领域中应用的基本数学运算。因此，重要的是有好的用来计算和操作衍生物的方法。在我们的例子中，新的命名方法的基础上衍生的估计，我们将确认更好的效果，即使信号被噪声污染无模型控制。我们认为信号Y是可以通过测量包括一些额外的噪声。这样做的目的是估计信号y的时间导数，最多的第一顺序，从它的损坏的测量。我们可以重写一阶我们遵循的开发数值微分： （11） 在本申请中，我们的选择纳秒=11和简易时刻式T5秒。然后将间隔T=55 s被为了得到这个估计在每

14、个时刻的滑动。我们翻译公式（11），以在Simulink中实现的数值衍生物的算法如图3所示。图2 阶跃响应仿真，通过PID控制器在封闭loop.Fig获得图3 导数值得算法为了测试本算法中，我们比较了用简单的衍生物数值第一导数，如图3所示。根据这种模式，我们可以观察到所估计的数值衍生物和简单衍生物之间有一些相似之处的存在。我们得出结论，开发的算法精确地呈现出第一导数。图4 简单的模拟和数字衍生 为了更进一步，我们增加了一个白噪声衍生品的投入。图5示出了简单的一阶导数和无花果。图6呈现第一数值衍生物的模拟。可以看出，一个数值推导出良好的性能。预计第一个数值导数是比简单的第一个更好的。上述结果是估

15、计技术的基础。图5 仿真简单的衍生添加了噪音图6 仿真与增加的噪声数值衍生 在本文中，该研究是刚刚在内部温度的控制的限制。图7示出了使用的PI-智能闭环得到的内部温度的步骤响应的模拟结果。我们注意到，静态误差等于零，该系统是快速（上升时间tm19S）和过冲。我们还注意到，所观察到的输出呈现在开始时的20.6秒的纯延迟和350秒的持续时间之后，这是完全的跟踪精度的设定点。我们可以很容易地调整这种智能控制器的参数，提高了演出。此外，这些优化的参数可以得到良好的结果而设定噪声实施。图7 模拟而获得的阶跃响应PI智能闭环第5章 进行反馈技术实时结果5.1 应用 内部温度在温室中的重要参数，它根据温室影

16、响大部分培养物（埃津等人（2008）。为了控制内部温度，我们使用两个致动器的加热器和风扇。然后我们同化过程作为一个单一的输入，根据该内部温度的值，并在固定的设定点分别分布在加热和通风。这种混合过程使得建模危险，充分证明提出的模型自由的做法。在这项研究中，测得的相对湿度和二氧化碳都没有考虑到在制定控制策略。图。图8示出了控制系统的结构。需要注意的是，如果E =0，那么我们可以得到经典调节器等作为简单PID控制器。为了使实时控制器，我们准备一种算法能够与温室进程进行通信。为此，我们开始通过改变分别反馈算法，这是呈现在模式模拟，由模拟输入和输出以应用开发的算法的真实系统上的输入和输出。运行仿真之前，

17、SIMULINK必须建立;一些代码将在命令窗口中执行。如果在命令窗口上没有错误，我们终于连接到目标，我们模拟运行开始通过实时。 温室 外部参数图8 控制系统的结构5.2 PID控制器 为了测试之前的控制器的性能，我们激发所述致动器（加热器和风扇）由几个设定值以及我们测量，实时下的温室中的温度响应。首先，我们目前的PID控制器的作为图呈现的闭环阶跃响应。9.我们可以观察到，当所述致动器由一个经典法控制的，而它是不能令人满意的稳定状态的跟踪是非常好的。除了外部气候的强烈影响，我们可以看到，参考轨迹摆动左右设定点。然后，该控制器不使能拒绝无用扰动。在无花果。如图9所示，噪声之间7小时和18小时强烈出

18、现。图9 设定点温度内外的变化 此外，我们目前的图。 PID控制器发送到致动器10的演变。在开始时，该控制器正在增长，并在15小时达到的3伏的最大值。之后，它仍然围绕该值稳定。这意味着，由致动器所用的控制器不能减少消耗电力。此外，它提出的问题被忽视受控系统的寿命。表现欠佳是因为基于识别是无效的大的时间方法的经典控制器的结果。此外，这些方法的稍后需要被actualised外部参数气候的每个大的变化。这就是为什么我们使用的是PI智能控制器在温室监控温度的原因。图10 PID控制器的进化5.3 PI智能控制器图11示出了PI-智能控制步骤参考轨迹之间是20和23.5的变化的性能。我们可以观察到的扰动

19、被拒绝更快比PID的一个PI-智能控制器。此外，内部温度的变化表明，该智能控制器的性能表现更好。外部温度已提交给在那里我们调节内部温度的条件。虽然闭环的智能控制器的条件差，它允许以获得良好的性能。作为结论，该结果表明，PI-智能控制器能够在合理误差范围内精确地控制温度。其效果正在显现约一个设定值和无过冲最小振荡。图11 通过PI智能闭环系统获得实时的阶跃响应同样地，我们提出将PI-智能控制器作为图中所描绘的演化。12.我们注意到，在输出的值不超过1.25 V和减少在些次。这些良好的性能都受到的过程行为的快速唯象模型和数值衍生物（等式4和5）中获得。后来的许可证actualize参数F（当量5）

20、包含的所有过程的未知参数。最后，该智能控制器允许有不错的表现，我们保留这些参数大的时间和与执行器的实时控制信号产生一个最小功率。图12 PI-智能控制器的演变第6章 比较研究在本节中，我们提出利用PID和PI智能控制器得到的实验结果进行了比较。为了便于曲线的可读性，我们选择了目前之间2小时，5小时的调节温度。所有这些进行监测温室的内部温度从21至23，并还以保证公平的比较。温度在最佳PID值的行为示于图。13.光滑理论温度特性显示有超调的少量但没有涟漪。实验，有更多的过冲和周围的设定点的波动。小的延迟存在于实验开始时为约20秒，这可能是由于空气混合的延迟。PID控制器取得了良好的跟踪设定点为2

21、2C值和23。然而，这种控制器的最大误差等于0.4。我们可以看到，改变的数目，在控制信号是小的。这一事实是在致动器的寿命是一个关键问题，特别是在温室，其中所述通风和加热系统是由机械致动器的。图13 PID在2,5 h中监测温室中的温度优化的PI-智能参数被插入到实验控制器如描绘于图14的一些波动存在于理论曲线在与设定点的交叉点。然而，该组点的良好的跟踪证明为0.2的最大误差。这种控制器是易于实现并且是非常有效的跟踪设定点。因此，取得了最好的通过跟踪设定点的手段。图14 智能PI在2,5 h中监测温室中的温度 所有控制器都能够精确地在一个合理的误差范围内控制温室气温。我们注意到，不同的初始温度的

22、值被使用，因为这两个控制器是不同的外部温度的值范围内的条件下施加。这使得比较研究困难。然而，我们将分析的结果来确定的优点和各个使用的控制器的不方便。图15和16示出，由PID控制器和PI-智能计算命令的分别的演变。图15 所计算的PID控制器在2,5内进化我们注意到，PID控制器失去大国，以达到固定的目的。事实上，它等于零相比其他订单和次数的命令被复位和低。然而，最大的值不超过1 V.对于PI-智能控制器我们注意到，该命令是快，并停止在几个时刻。这种演变证明该智能控制器作为控制温室温度的最佳方法。尽管为三个数量获得了良好的性能，我们注意到，在PID控制开始，因为宽的变化的气候参数和所使用的识别

23、方法的有效性的限制的饱和。但是，我们注意到，无模型控制许可证的获得了良好的业绩，用执行器因此没有饱和。图16 所计算的PI-智能25小时的进化第7章 结 论这项工作提出的两个控制器的PID和PI-智能该微粒在为了控制下温室的温度实施的执行。然而，若干控制器中的复杂温室环境中的调谐处理是一个挑战。通常情况下，大多数的控制器的调谐是以识别它们根据外部天气条件的技术为基础。因为这个原因，我们是再讲能够在线识别过程中的自适应控制器。并且PID控制的基本困难是一个反馈系统具有恒定参数，并且处理它没有直接的知识，并且整体性能是反应性和妥协性。对于PID控制器，当单独使用时得到的性能较差，所以PID回路增益

24、必须降低，以使输出的轨迹围绕所述设定点的值没有过冲振荡。它们也具有在非线性方面存在的困难，不发生反应改变处理行为，而且造成滞后响应大的干扰。为了克服这些困难，我们使用了PI-智能控制器。这是很容易实现，并且是非常有效的跟踪设定点。摄动误差的衍生物可以估计每个采样时间。该PI-智能控制器保证了良好的性能，而且无需一次又一次的调整PID参数，并且当整体随着时间改变的时候，可以确保一个合适的参数。致 谢 这项工作一直由PHC Hubert Curien Volubilis(Ref. MA/09/211)支持。参 考 文 献1 F. Rodrguez, M. Berenguel and M.R. Ar

25、ahal “Feedforward controllers for greenhouse climate control based on physical models,” European Control Conference. Porto, 2001.2 N. Bennis, J. Duplaix, G. Ena, M. Haloua and H. Youlal, “Greenhouse climate modelling and robust control,” Computers and Electronics in Agriculture, vol. 61, pp. 96-107,

26、 2008.3 I. Ioslovich, P. Gutman and R. Linker “Hamilton-Jacobi Bellman formalism for optimal climate control of greenhouse crop,” Automatica, vol. 45(5), pp. 1227-1231, May 2009.4 M. Berenguel, L. Yebra and F. Rodriguez “Adaptive control strategies for greenhouse temperature control,” European Confe

27、rence Control. Cambridge, 2014.5 S.L. Speetjens, J.D. Stigter and G. van Straten “Towards an adaptive model for greenhouse control,” Computers and Electronics inAgriculture, vol. 67, pp. 1-8, JuneJuly 2009.6 M. Fliess and C. Join “Model-free control,” International Journal of Control, vol. 86 (12),

28、pp. 2228-2252, 2013.7 C. Join, F. Chaxel and M. Fliess “Intelligent controllers on cheap and small programmable devices,” 2nd Int. Conf. Control Fault-Tolerant Syst., Nice, 2013.8 F. Lafont, N. Pessel, J.F. Balmat and M. Fliess “On the Model-free Control of an Experimental Greenhouse,” World Congres

29、s on Engineering and Computer Science, International Association of Engineers, San Francisco , USA, vol. 2, pp. 960-965, October 20139 F. Lafont, J. F. Balmat, N. Pessel and M. Fliess “Model-free control and fault accommodation for an experimental greenhouse,” International Conference on Green Energ

30、y and Environmental Engineering, 2014.10 S. Choi, B. dAndra-Novel, M. Fliess and H. Mounier “Modelfree control of automotive engine and brake for stopand-go scenario,” Proc. Of 10th European Control Conference (ECC09), Budapest, 2009.11 B. dAndra-Novel, M. Fliess, C. Join, H. Mounier and B.Steux “A

31、mathematical explanation via intelligent PID controllers of the strange ubiquity of PIDs,” Proc. of 18th Mediterranean Conference on Control and Automation, Marrakech, Morocco, 2010.12 L. Ezzine, M. guerbaoui, Y. El afou, A. Eddahhak, A. Lachhab, L. belkoura and B. Bouchikhi “Implementation of identification algorithm using recurrent RBF neural networks for the inside temperature in a greenhouse,” 4th International Conference on Integrated Modeling and Analysis in Applied Control and Automation, pp. 135-142, Fes, Morocco 13-15 October 2010.13 Y. El Afou, M. Guerbaoui, A. Ed-