![](https://csdnimg.cn/release/download_crawler_static/86785801/bg9.jpg)
测。
1.3 温度控制系统的实现方法
温度控制电路广泛应用于社会生活的各个领域,如家电、汽车、材料、电力电子等,常用的
控制电路根据应用场合和所要求的性能指标有所不同,传统的继电器调温电路简单实用,但由于
继电器动作频繁,可能会因触点不良而影响正常工作。采用主回路无触点控制,克服继电器接触
不良的缺点,且维修方便,缺点是温度控制范围小,精度不高。本文就最近几年快速发展的 PID
温控,模糊控制,神经网络控制在温度控制中的应用做一综述。
模糊控制是基于模糊逻辑的描述一个过程的控制算法,主要嵌入操作人员的经验和直觉知
识。它适用于控制不易取得精确数学模型和数学模型不确定或经常变化的对象。电力系统的模
型通常是不完善的,即使模型已知,也存在参数变化的问题。PID 控制简单、方便,但难以解决非
线性和参数的变化,模糊控制不需要装置的精确模型,仅依赖于操作人员的经验和直观判断,非
常容易应用。模糊温控的实现:(1)将温控对象的偏差和偏差变化率以及输出量划分为不同的模
糊值,建立规则,例如,IF 温度太高 OR 温度正在上升,THEN 减少控制输入,或风冷。将这些模
糊规则写成模糊条件语句,形成模糊模型.(2)根据控制查询表,形成模糊算法。(3)对温度误差
采样的精确量模糊化,经过数学处理输入计算机中,计算机根据模糊规则推理做出模糊决策,求
出相应的控制量,变成精确量去驱动执行机构,调整输入,达到调节温度,使之稳定的目的。同
传统的 PID 控制比较,模糊控制响应快,超调量小,参数变化不敏感。
人工神经网络是当前主要的、也是重要的一种人工智能技术,是一种采用数理模型的方法模
拟生物神经细胞结构及对信息的记忆和处理而构成的信息处理方法.它用大量简单的处理单元
广泛连接形成各种复杂网络,拓扑结构算法各异,其中误差反向传播算法(即 BP 算法)应用最
为广泛. 温度控制系统由于负载的变化以及外界干扰因素复杂,而 PID 控制只能对电参数的
影响做精确的计算,对于外界环境的变化只能做近似的估算,影响控制精度。人工神经网络以其
高度的非线映射,自组织,自学习和联想记忆等功能,可对复杂的非线性系统建模。该方法响
应速度快,抗干扰能力强,算法简单,且易于用硬件和软件实现.训练方法实际是网络的自学习
过程,即根据事先定义好的学习规则,按照提供的学习实例,调节网络系统各节点之间相互连接
的权值大小,从而达到记忆,联想,归纳等目的.在温控系统中,将温度的影响因素如天气、气温、
外加电压、被加热物体性质以及被加热物体温度等作为网络的输入,将其输出作为 PID 控制器的
参数,以实验数据作为样本,在微机上反复迭代,随实验与研究的进行与深入,自我完善与修正,
直至系统收敛,得到网络权值,达到自整定 PID 控制器参数的目的。mnn(memory neuron network)
在每个网络节点增加了记忆神经元,在学习动态非线性系统时,不须知道实际系统过多的结构,
同时当系统滞后比较大时不会造成网络庞大难以训练。
PID 控制即比例、积分、微分控制.自 19 世纪 40 年代开始以来,广泛应用在工业生产中,长
期以来,由于其结构简单、实用、价格低,在广泛的过程领域内可以实现满意的控制。温控系统
将热电偶实时采集的温度值与设定值比较,差值作为 PID 功能块的输入.PID 算法根据比例、积分、
微分系数计算出合适的输出控制参数,利用修改控制变量误差的方法实现闭环控制,使控制过程