模糊控制技术在空调控制系统中的应用

2014-12-18张建林邓小龙

电子科技 2014年3期

张建林，邓小龙

(1.江阴精亚集团有限公司研究院，江苏江阴 214414;2.江苏信息职业技术学院电气工程系，江苏无锡 214153)

工业空调系统通常由人工操作控制运行，凭借操作人员不断积累的经验，一般能获得较好的控制效果。但随着生产工艺对空调要求的不断提高，人工操作的运行方式已无法适应现代工业发展的要求。因此，近几年空调系统的自动控制技术得到快速推广和应用［1］。同时，也发现许多空调控制过程由于先验信息少，结构复杂、难以获得精确的数学模型，若采用常规的控制手段难以取得理想的控制效果，因此，对常规控制进行优化势在必行［2］。优化控制的过程是不断寻求控制规律，寻求各工况性能最优解的过程。这一寻优过程总是在—定条件下或在给定的环境中进行的。当在PID调控中，寻优的约束集边界是分明的、精确的，而实际工程中有些约束条件的边界并非如此绝对，通常带有模糊性。因此，先进、有效的空调控制系统经常采用模糊控制技术［3］。

1 工业空调的模糊控制

1.1 模糊控制策略

在空调系统中，感温、感湿系统的惯性大，滞后现象严重，导致控制系统性能不佳，甚至会出现控制不稳定、失控等现象。针对工业空调的非线性、大惯性特点，传统的控制方法采用PID调节，但PID调节有一定的滞后性，反映速度慢，被控系统精度不高。同时，PID参数的选择及调整不便仍是普遍存在的难题［4］。而模糊控制具有一定的自适应控制能力，有较强的鲁棒性和稳定性。因而，本文将模糊控制方法引入到工业空调系统之中。

为提高控制精度和速度，采用偏差和偏差变化率两个输入及控制变量输出的控制方式。输出所得到的温度或湿度与设定的温度或湿度比较，形成反馈回路。误差δ和误差变化率Δδ作为输入量，经过模糊控制器模糊化成为模糊矢量δ和Δδ。再由模糊关系控制规则，根据推理合成规则进行模糊决策，并得到控制量［5］。空调模糊控制系统原理如图1所示。

图1 空调模糊控制原理

1.2 输入量的模糊化

输入量模糊化过程，实质上是输入信号量化后从各自对应的模糊集中找到隶属度的过程［6］，对于一组确定的输入δ和Δδ，其对应的输出模糊集为

设计模糊控制器的第一步是确定语言变量、语言值和隶属函数。例如，语言变量“空调机组送风温度”可取各种语言值，如“送风温度与设定值偏差过大”、“过小”、“适中”。则多个语言值的集合就构成了语言变量的取值范围。而一个语言值，如“偏差过大”，可以用一个隶属函数来描述。本文涉及的模糊控制器有两个输入信号和一个输出信号，以组合式空调机组为例，分别为

(1)输入语言变量δ，是送风温度或湿度偏差，δ=T－T℃。

(2)输入语言变量Δδ，是送风温度或湿度偏差变化率，Δδ=［δ+1－δ］℃。

(3)输出语言变量Yt或Yh，是冷水调节阀或蒸汽调节阀执行器在6 s周期内连续开启的时间，其对应冷水阀或蒸汽阀开度大小以及喷淋泵转速大小。

送风温度偏差δ是指实测被控对象空调的送风温度或湿度减去送风温度或湿度值的差。将送风温度或湿度控制范围分为模糊控制区和确定控制区，以送风温度或湿度设定值的±1.0℃或±8%为界。送风温度或湿度在设定值的±1.0℃或±8%以内为模糊控制区，以外则为确定控制区。而在模糊控制区，将送风温度或湿度偏差分为7个模糊状态:PB(正的大送风温度或湿度偏差)，PM(正的中送风温度或湿度偏差)，PS(正的小送风温度或湿度偏差)，Z(正的零送风温度或湿度偏差)，NS(负的小送风温度或湿度偏差)，NM(负的中送风温度或湿度偏差)，NB(负的大送风温度或湿度偏差)。将送风温度或湿度偏差计算，圆整，并将±1.0℃或±8%的范围细分为13个点，分别给出了它们对7个模糊状态的隶属度值，即输入语言变量δ的取值:负大，负中，负小，零，正小，正中，正大，表示符号 NB、NM、NS、Z、PS、PM、PB。由式(2)得输入 δ误差模糊变量的隶属度，如表1所示。

由于送风温度或湿度偏差变化是较慢的，可将送风温度或湿度偏差变化值在±0.4℃或6%以内定为模糊控制区，在模糊控制区将蒸发器出口过热度偏差变化率分为7 个模糊状态:PB，PM，PS，Z，NS，NM，NB。将送风温度或湿度偏差变化率计算，圆整，并将±0.4℃或5%的范围细分为13个点，分别给出了它们对7个模糊状态的隶属度值，即输入变量Δδ的取值:(负大、负中、负小、零、正小、正中、正大)，表示符号 NB、NM、NS、Z、PS、PM、PB，由式(3)得输入 Δδ误差模糊变量的隶属度，如表2所示。

表1 输入δ误差模糊变量的隶属度

表2 输入Δδ误差模糊变量的隶属度

1.3 输出量的模糊化

输出变量Yt或Yh的取值分为13种状态，分别对应冷水调节阀或蒸汽调节阀开度大小。将这13种输入状态分为7个模糊输出状态:关闭、微开、小开、半开、大半开、多半开、全开，表示符号为 CB、CM、CS、H、OS、OM、OB。由式(1)得每种具体输出状态对这7个模糊输出状态的隶属度值如表3所示。

表3 输出Yt模糊变量的隶属度

1.4 获取模糊关系控制规则

模糊推断逻辑由一组while－and－do的控制规则组成，用语言形式来表述推理控制决策过程如下。

while(实际送风温度过大)and(实际送风温度有增加的趋势)do(冷水调节阀开度要增大)。while(实际送风温度太小)and(实际送风温度有减小的趋势)do(冷水调节阀开度要减小)。湿度推理控制决策过程与温度相反。如while(实际送风湿度过大)and(实际送风湿度有增加的趋势)do(冷水调节阀开度要增大或蒸汽调节阀开度要减小)。while(实际送风湿度太小)and(实际送风湿度有减小的趋势)do(冷水调节阀开度要减小或蒸汽调节阀开度要增大)。以被控对象温度为例，其控制规则如表4所示。类似于上述的一系列控制规则集中在控制规则表4中。根据表4写出如下规则

表4 控制规则

(1)whileδ=PB and(Δδ=PB orΔδ=PM orΔδ=Ps)do Yt=PB

(2)whileδ=PM and(Δδ=PB orΔδ=PM)do Yt=PB

(3)whileδ=PB and(Δδ=O orΔδ=NS)do Yt=PM

(4)whileδ=PB andΔδ=nm do Yt=PS……

(32)whileδ=NB andΔδ=PM do Yt=NS

(33)whileδ=NB and(Δδ=PS orΔδ=O)do Yt=NM

(34)whileδ=NB and(Δδ=NS orΔδ=NM or Δδ=NB)do Yt=NB

总共34个规则，根据这34条规则可得出相应的模糊关系。将上述模糊关系写成通式=I。设某一时刻的偏差与偏差变化为δ与Δδ，根据各条规则给出的模糊关系进行合成推理运算，可得到相应的输出控制量模糊值，Yt(或 Yh)= δ× Δδ× RBLi，(i=1，2，…，34)，RBL。

1.5 输出控制量的去模糊化

按照上述合成推理与解模糊方法可得到一个容量为13×13的模糊控制查询表，如表5所示。

表5 模糊控制查询表

在实际控制系统中，取得温度/湿度偏差、过温度/湿度偏差变化率后将其转化为模糊值，然后查询表5即可得到控制量的模糊值y。但y还是论域Y中的一个等级值，还须乘以一个输出量化因子X，才能决定控制量的确切值。

由于上式所得到的一个输出量是模糊矢量，而被控对象(调节执行器)只能接受一个确切的控制量，因此必须经过解模糊，将模糊矢量清晰化，在此使用形心法求。由此，模糊控制器总的输出控制量(模糊值)是。计算过程较为复杂，可使用软件编程实现。

2 模糊控制器的构成

2.1 系统的硬件构成

模糊控制器的实现由3部分组成，测量值的模糊化、模糊算法的建立及模糊判断［7］。控制系统的构成如下。

图2为系统的硬件结构，系统以8051单片机作为控制核心［8］，以温、湿度传感器，风速传感器，压力传感器等作为反馈元件，经A/D转换，输入到单片机。模拟量输出通过放大集成电路直接驱动调节阀执行器、风门执行器和变频器模拟量控制输入端口。开关量通过继电器转换输出，开关量输入信号均经过光电隔离，同时系统采用看门狗技术，防止系统死机。

图2 系统硬件结构

2.2 系统的软件框图

系统的软件框图如图3所示。系统编程语言采用汇编语言或C语言，程序上采用模块化设计，通用性强［9］。对模糊矩阵采用查表法求取。程序的主要模块有数据转换与计算、采样、显示、论域变换及控制计算与动作等。

图3 系统软件框图

3 实验

将本文设计的模糊控制应用在某一实际的纺织车间内，车间温度为31℃，车间相对湿度为58%。设定的控制目标为将车间温度稳定在26℃，车间相对湿度稳定在50%。系统设置采样周期为1 min/次，控制结果如图4和图5所示。

图4 室内温度智能控制过程

图5 室内相对湿度智能控制过程

从图4和图5中可看出，采用模糊控制器过程超调量较小，系统响应速度快，过渡过程时间短，可将室内温度和相对湿度控制在设定值附近，且具有较好的稳定性，控制效果较好。在实验中，为减少系统的干扰，在本设计中对开关频繁的电器使用固态继电器。模拟输入端加有低通滤波器。而在软件中加入了数字滤波程序、死机自动拦截程序、以及数据存取校验程序等。