控制溫度常用方法

1、常規PID控制

PID控制即比例、積分、微分控制，其結構簡單實用，常用于工業生產領域。原理如圖1。

圖1常見PID控制系統的原理框圖

明顯缺點是現場PID參數整定麻煩，易受外界干擾，對于滯后大的過程控制，調節時間過長。其控制算法需要預先建立模型，對系統動態特性的影響很難歸并到模型中。

在我國大多數PID調節器廠家生產的調節器均為常規PID控制算法。

2、模糊控制

模糊控制（FuzzyControl）是以模糊集合論、模糊語言變量及模糊邏輯推理為基礎的計算機控制。原理如圖2。

圖2模糊控制系統原理框圖

3、神經網絡控制

神經網絡控制采用數理模型的方法模擬生物神經細胞結構，用簡單處理單元連接形成各種復雜網絡，并采用誤差反向傳播算法（BP）。原理如圖3：

圖3神經網絡控制系統的原理框圖

4、Fuzzy-PID控制

模糊控制不需知道被控對象的精確模型，易于控制不確定對象和非線性對象。PID本質是線性控制。將模糊控制與PID結合多，以Fuzzy-PID混合控制為例，據給定值與測量值之偏差e選擇智能控制器，根據e的變化選擇控制方法，當|e|≤emin或|e|≥emax時，采用PID控制；當emin≤|e|≤emax時，采用Fuzzy控制。其結構框圖如圖4。

圖4Fuzzy-PID混合控制結構框圖

5、神經網絡PID控制

在PID控制的基礎上，加入神經網絡控制器，構成神經網絡PID控制器，如圖5。神經網絡控制器NNC是前饋控制器，通過對PID控制器的輸出進行學習，在線調整自己，目標是使反饋誤差e（t）或u（t）趨近于零，使自己逐漸在控制中占據主導地位，以減弱或最終消除反饋控制器的作用。

圖5神經網絡PID控制結構框圖

6、模糊神經網絡控制

將模糊邏輯與神經網絡結合，采用神經網絡模糊邏輯推理網絡模型和快速的自學習算法，通過網絡的離線訓練和在線自學習使控制器具有自調整、自學習和自適應能力，達到模糊智能控制。如圖6。

圖6模糊神經網絡控制系統結構圖

7、遺傳PID控制

遺傳PID控制是將控制器參數構成基因型，將性能指標構成相應的適應度，利用遺傳算法來整定控制器的最佳參數，不要求系統是否為連續可調，能否以顯式表示。基于遺傳算法的自適應PID控制的原理框圖如7。遺傳PID溫控系統將測量值與給定值進行比較，用遺傳算法來優化PID參數，然后將控制量輸出，實現將PID參數串接構成完整染色體，從而構成遺傳空間中的個體，過通過繁殖交叉和變異遺傳操作生成新一代群體，經過多次搜索獲得最大適應度值的個體。

圖7基于遺傳算法的自適應PID控制結構圖

8、廣義預測控制

預測控制（PredictiveControl）是基于模型的計算機控制算法。其預測模型有脈沖響應模型、階躍響應模型、CAMRMA模型和CARIMA模型。基于CARIMA模型的廣義預測控制（GPC）是一種新型計算機控制算法。