控制温度常用方法

　　控制温度常用方法

　　1、常规PID控制

　　PID控制即比例、积分、微分控制，其结构简单实用，常用于工业生产领域。原理如图1。

　　

　　图1常见PID控制系统的原理框图

　　明显缺点是现场PID参数整定麻烦，易受外界干扰，对于滞后大的过程控制，调节时间过长。其控制算法需要预先建立模型，对系统动态特性的影响很难归并到模型中。

　　在我国大多数PID调节器厂家生产的调节器均为常规PID控制算法。

　　2、模糊控制

　　模糊控制（FuzzyControl）是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机控制。原理如图2。

　　

　　图2模糊控制系统原理框图

　　3、神经网络控制

　　神经网络控制采用数理模型的方法模拟生物神经细胞结构，用简单处理单元连接形成各种复杂网络，并采用误差反向传播算法（BP）。原理如图3：

　　

　　图3神经网络控制系统的原理框图

　　4、Fuzzy-PID控制

　　模糊控制不需知道被控对象的精确模型，易于控制不确定对象和非线性对象。PID本质是线性控制。将模糊控制与PID结合多，以Fuzzy-PID混合控制为例，据给定值与测量值之偏差e选择智能控制器，根据e的变化选择控制方法，当|e|≤emin或|e|≥emax时，采用PID控制；当emin≤|e|≤emax时，采用Fuzzy控制。其结构框图如图4。

　　

　　图4Fuzzy-PID混合控制结构框图

　　5、神经网络PID控制

　　在PID控制的基础上，加入神经网络控制器，构成神经网络PID控制器，如图5。神经网络控制器NNC是前馈控制器，通过对PID控制器的输出进行学习，在线调整自己，目标是使反馈误差e（t）或u（t）趋近于零，使自己逐渐在控制中占据主导地位，以减弱或最终消除反馈控制器的作用。

　　

　　图5神经网络PID控制结构框图

　　6、模糊神经网络控制

　　将模糊逻辑与神经网络结合，采用神经网络模糊逻辑推理网络模型和快速的自学习算法，通过网络的离线训练和在线自学习使控制器具有自调整、自学习和自适应能力，达到模糊智能控制。如图6。

　　

　　图6模糊神经网络控制系统结构图

　　7、遗传PID控制

　　遗传PID控制是将控制器参数构成基因型，将性能指标构成相应的适应度，利用遗传算法来整定控制器的最佳参数，不要求系统是否为连续可调，能否以显式表示。基于遗传算法的自适应PID控制的原理框图如7。遗传PID温控系统将测量值与给定值进行比较，用遗传算法来优化PID参数，然后将控制量输出，实现将PID参数串接构成完整染色体，从而构成遗传空间中的个体，过通过繁殖交叉和变异遗传操作生成新一代群体，经过多次搜索获得最大适应度值的个体。

　　

　　图7基于遗传算法的自适应PID控制结构图

　　8、广义预测控制

　　预测控制（PredictiveControl）是基于模型的计算机控制算法。其预测模型有脉冲响应模型、阶跃响应模型、CAMRMA模型和CARIMA模型。基于CARIMA模型的广义预测控制（GPC）是一种新型计算机控制算法。