茶叶杀青机模糊RBF神经网络PID温控系统设计与试验

潘玉成，刘宝顺，黄先洲，陈小利，吕仙银



茶叶杀青机模糊RBF神经网络PID温控系统设计与试验

潘玉成1，刘宝顺2，黄先洲3，陈小利4，吕仙银1

1. 宁德职业技术学院机电工程系，福建 福安 355000；2. 武夷山市幔亭岩茶研究所，福建 武夷山 354300； 3. 宁德职业技术学院生物技术系，福建 福安 355000；4. 宁德职业技术学院信息技术与工程系，福建 福安 355000

针对滚筒式杀青机温控系统具有时变不确定非线性的特点，采用常规PID控制难于满足控制要求，利用模糊控制的良好收敛性和对模糊量的运算优势，以及神经网络自学习、自适应的特性，将常规PID控制与模糊控制、神经网络结合起来，提出一种基于模糊RBF神经网络的PID控制策略，实现了对PID参数的实时在线整定。MATLAB软件仿真与试验结果表明，模糊RBF神经网络PID控制与常规PID控制相比，系统具有更好的动静态特性和抗干扰性能，温度控制误差在±2℃范围内，能很好地满足茶叶杀青工艺对温度的控制要求，保证了茶叶的杀青质量。

茶叶杀青机；杀青温度；模糊RBF神经网络；PID控制；MATLAB仿真

杀青是茶叶制作过程中的关键工序，杀青温度是影响杀青效果最重要的因素之一。杀青温度过高时，杀青叶失水过快，易产生焦叶焦边；温度过低易产生杀青不足，造成红梗红叶，因此温度的精确控制是保证杀青叶质量的前提[1]。茶叶杀青机温度控制方式主要有手动控制和半自动控制，茶叶杀青机温控系统因存在时变性、滞后性、非线性和现场干扰等，采用常规PID控制存在温度波动大、控制精度低、抗干扰能力差，难以满足杀青工艺的温度控制要求，目前已有学者将单片机技术、PLC控制技术、模糊控制和专家系统等与常规PID控制方法相结合应用在茶叶杀青机温度控制系统中[2-8]，这些方法的应用提高了茶叶杀青温度控制精度和智能化程度。模糊控制与神经网络是两种重要的智能控制方法，它们既存在共性又具有各自的特性和适用范围，模糊控制的模糊集、隶属函数和模糊规则设计是建立在经验知识基础上的，这种控制方法存在很大的主观性，利用神经网络可弥补这一缺陷，由于神经网络具有强大的自学习能力，可使得传统模糊控制系统中的主观性信息在很大程度上得以削弱，从而使得模糊控制更加贴近实际情况[9]。本文结合模糊控制、RBF神经网络和常规PID控制，提出了一种基于模糊RBF神经网络的PID控制方法，实现PID参数能够很好地随控制对象的变化而自动调整，有效提高了茶叶杀青机温控系统的控制性能和控制精度。

1 电加热圈滚筒式杀青机的主要结构特点

电加热圈滚筒式杀青机由进料斗、滚筒、电机与传动装置、加热圈、机架、排湿装置和出料斗等部分组成，其结构简图如图1所示。滚筒是其主要工作部件，采用三段式筒体，沿筒体轴线方向前、中、后区段上排布不同数量的螺旋导叶板，导叶板的形状采用“L”形，前段布置导叶板多、中后段布置导叶板少，且不同区段上的导叶角有所不同，采用这种结构优化的滚筒可减少杀青叶在筒体内的堆积，扬起的杀青叶散度更大，有利于快速提高杀青叶的温度，叶温更均匀[10]。

传统电热式滚筒杀青机电热管分布有电热管固定滚筒独立旋转和电热管与滚筒同步旋转两种方式，如图2-a、图2-b所示，前者完全依靠对流和辐射来完成热量传递，后者主要依靠对流和辐射传热，少部分热量传递是依靠传导方式来完成，热能损失都很大，传热效率非常低。本文采用不锈钢加热圈为加热装置，不锈钢加热圈以不锈钢板为外壳，中间以高绝缘性耐高温的云母板为绝缘，均匀绕以镍铬合金电阻丝作为发热体，具有升温迅速、散热均匀、耗电量小、使用寿命长及制作不受规格限制等优点。加热圈采用分段方式固定在筒体的外壁且跟滚筒同步旋转，并在滚筒外侧用石棉作为隔热层，如图2-c所示，热量传递主要方式为热传导，其热效率高于对流和辐射传热的热效率，能达到节能的目的[11]。

滚筒杀青机工作时，滚筒匀速转动并通过加热圈对筒体进行加热，当筒体达到一定温度时，鲜叶即可送入筒体内。随着筒体的转动，在螺旋导叶板的带动下，鲜叶在筒内做滚翻、抛扬和前进3种运动，鲜叶在炽热筒壁及筒内热空气的交替碰触下，一边前进一边吸收热量，叶表面和叶细胞内的水分迅速汽化而使叶质萎软，同时在短时间内叶温上升达70℃以上，鲜叶中酶的活性被破坏，使杀青叶保持色泽绿翠，从而达到杀青工艺的要求。

2 杀青机模糊RBF神经网络PID控制器设计

常规PID控制作为一种线性控制器，其控制参数的整定对系统的动态、稳态性能和控制精度影响重大，参数一旦整定完成后就无法跟随系统的变化而作相应的调整，故对于不确定性、时变性及非线性的系统调节效果比较差[12]。为了克服常规PID控制中存在的问题，采用模糊RBF神经网络设计kp、ki、kd3个参数自整定PID控制器，图3为基于模糊RBF神经网络的PID控制系统的结构图，由模糊RBF神经网络、PID控制器和被控对象3个部分组成，其控制基本原理为：将系统偏差e、偏差变化率ec作为模糊RBF神经网络的输入，在线运行中不断检测偏差e和偏差变化率ec，通过模糊RBF神经网络输入与输出之间的映射关系对PID参数进行在线整定，即根据偏差e和偏差变化率ec实时调节PID控制器的参数，实现PID参数的最佳组合，从而使PID控制器具有自适应性和智能性[13]，并采用基于K-means的层次聚类方法确定模糊RBF神经网络参数的初始值，提高其训练速度和逼近效果，达到对所建立的模糊RBF神经网络进行优化的效果。

图1 电加热圈滚筒式杀青机结构简图

注：1：隔热层；2：滚筒；3：电加热管；4：加热圈

图3 模糊RBF神经网络PID控制器的结构图

2.1 模糊RBF神经网络结构与学习算法

RBF神经网络是一个局部逼近网络，相对于全局逼近网络在训练学习过程中收敛速度较快，不需要对所有的权值和阈值进行修正，减少了训练时间，且RBF神经网络隐含层节点数和模糊规则数相同时，RBF神经网络与模糊逻辑推理在函数上是等价的，能实现最优秀的逼近效果[14]。根据PID控制器的设计要求，模糊RBF神经网络采用两输入三输出四层结构形式，2个输入节点分别对应系统偏差e和偏差变化率ec，3个输出节点分别对应PID 3个参数kp、ki、kd，其网络结构如图4所示。

图4 模糊RBF神经网络的结构图

第一层为输入层，该层的节点个数为输入变量的个数，两个节点与输入变量偏差e和偏差变化率ec直接连接，其作用是将变换后的偏差e和偏差变化率ec传输给下一层。该层节点的输入输出关系为：

第二层为模糊化层，该层的各节点对应一个语言变量值，其作用是把输入确定量转换为模糊矢量，输入变量通过其所定义的模糊子集上的隶属度函数变换成相应的隶属度。选取高斯型函数作为隶属度函数，各输入分量在不同的模糊语言值对应的隶属度为：

i=1,2；j=1,2···, L

式(2)中：bij、cij为第i个输入变量第j个模糊集合的隶属度函数的基宽和中心。

第三层为模糊推理层，该层每个节点代表一条模糊规则，通过与模糊化层的连接完成模糊规则的匹配，实现各节点之间模糊运算，每个节点的输出为其所有输入信号的乘积，即：

式(4)中：Ni为第i个输入的模糊分割数。

第四层为输出层，该层由3个节点构成，其作用是把输出的模糊量转化为清晰量，输出PID的3个参数：

式(5)中：w为输出层节点与模糊推理层各节点的连接权矩阵；f4(i)为kp、ki、kd3个参数的整定结果，i=1,2,3。

由模糊RBF神经网络的结构可知，它实质上也是一种多层前馈网络，具有从输入到输出的任意的非线性映射功能。利用学习算法改变网络权值、隶属度函数的基宽和中心，实现网络的自适应控制过程[15-16]。

模糊RBF神经网络PID控制器输出为：

采用增量式PID控制算法：

u(k)=u(k－1)＋∆u(k)····················(7)

采用Delta()学习规则来修正可调参数，利用梯度下降法使网络输出误差随着网络训练次数的增加按梯度下降，以实现在某种统计意义上系统的实际输出最逼近于理想输出。

定义学习的目标函数为：

式(8)中：r(k)、y(k)为每一次迭代的理想输出和实际输出，r(k)－y(k)为控制误差。

网络权值的学习算法为：

模糊化层中心向量和基宽向量的学习算法为：

若考虑动量因子，则输出层的权值为：

式(12)中：为学习动量因子；为学习速率；k为网络的迭代步骤。

2.2 模糊RBF神经网络参数初始值的确定

模糊RBF神经网络训练时是否收敛及收敛速度与参数初始值的选择有关，对网络的训练效果影响很大，而神经网络训练时其初始值为随机数或零，需经过多次学习，凭经验选取或多次试验选择，这样的参数调整方式难以得到理想效果，且所构建的网络性能很大程度上由隐含层神经元个数的选择决定的，若从训练样本中任意构建模糊RBF神经网络，其性能是无法满足要求。K-means是划分聚类的典型，产生的聚类是球形的，基于K-means的层次聚类方法将K-means聚类与层次聚类方法相结合，得到的是接近球状的纯种类聚类，离聚类中心越近的样本隶属该聚类的程度越高，这同模糊RBF神经网络具有相同的意义[17-18]。本文采用该聚类方法对模糊RBF神经网络的训练样本进行单一种类的聚类，利用聚类所得到的结果来确定模糊RBF神经网络结构参数初始值和隐含层神经元的个数，提高模糊RBF神经网络的训练速度与逼近效果。

假设训练样本数有n个，每个训练样本数据维数为d，训练样本为k个种类，设样本集合为：

式(13)中：i=1, 2, 3,···, n。

对各个种类编号为1、2、3、···、k，采用基于K-means的层次聚类方法得到的单一聚类Z为：

Z=｛Z1,Z2,…,Z｝（k≤≤n）····(14)

其中，每个聚类对应的样本种类为K={K1, K2,…,K}，Ki∈{1, 2, 3,···, k}。

式(15)中：j=1, 2,···, d；k =1, 2,···, n；t≠i。

由式(15)计算得到模糊RBF神经网络的隐含层神经元个数、隐含层神经元各节点基宽和中心为：

式(16)中：i=1, 2, 3,···,；j=1, 2,···, d。

2.3 模糊RBF神经网络PID控制仿真与结果分析

以电加热圈滚筒式杀青机温控系统为研究对象进行仿真试验，温度系统存在时变性、非线性和时间滞后性难以建立精确的数学模型，采用试验与理论分析相结合的方法，把温度看成集中参数来处理，其数学模型可近似用一阶惯性时滞环节来描述，温度模型的传递函数为[19]：

其中，K为对象的静态增益，表示温度系统在新、旧稳态的输出差值与输入差值的比值；为滞后时间常数，是指被控量在受到输入变量作用后发生变化所延时的时间；Tp为惯性时间常数，表示被控量变化的快慢程度，其大小等于输出到达63.2%新稳态值所需的时间。通过测试对象阶跃响应并采用科恩-库恩（Cohen-Coon）公式可求得：K=0.87，=5 s，Tp=49 s。

利用MATLAB软件分别建立模糊RBF神经网络PID控制和常规PID控制的仿真模型，图5是在MATLAB/Simulink环境中创建的常规PID控制算法的温度仿真模型，采用临界比例度法整定PID参数kp、ki、kd，通过多次调整得到最佳仿真结果。由于模糊RBF神经网络PID控制算法比较复杂，若采用MATLAB语言编程将导致源程序代码量大且烦琐，应用Simulink中的S函数可加快编程速度，避免编写大量烦琐的源程序，且易于调试[20-21]，其仿真模型如图6所示。设定仿真时间为100 s，采样周期为0.1 s，模型的输入为单位阶跃信号，常规PID控制和模糊RBF神经网络PID控制的仿真结果如图7所示。由仿真曲线比较可知，常规PID控制的超调量σp、调节时间ts为9.6%和43 s，模糊RBF神经网络PID控制的超调量σp、调节时间ts为0.2%和27 s，可见模糊RBF神经网络PID控制方法超调量小、上升速度快、调整时间短，说明其具有更好的控制效果。

图5 PID控制系统仿真结构图

图6 模糊RBF神经网络PID控制仿真结构图

为验证模糊RBF神经网络PID控制的抗干扰特性，在t=60 s时加入10%的阶跃扰动，仿真曲线如图8所示。从仿真曲线可看出，对突加的外部扰动系统反应迅速，在很短的时间内能快速调节到稳定，波动较小，对干扰信号抑制作用强，具有良好的抗干扰能力。系统误差的变化过程如图9所示，突加外部的扰动后误差有一定的波动，但恢复时间较短，系统通过自调整使误差稳定为0。

通过改变传递函数中的某些参数来模拟控制对象参数变化，在阶跃信号作用下，测试模糊RBF神经网络的PID控制和常规PID控制的自适应性能，以此来验证系统的鲁棒性能，两种控制方式的仿真曲线如图10所示。仿真结果说明，当控制对象参数变化时，常规PID控制由于参数不能在线修正而使响应时间变长且超调量变大；模糊RBF神经网络PID控制则可根据控制对象参数变化完成参数的自调整，使其仍能保持最佳控制效果，具有更强的适应性和更好的鲁棒性。

3 杀青机温度控制系统设计

电加热圈滚筒式杀青机温控系统硬件电路由AT89S52单片机、温度检测、电热管功率调节、人机接口及串行通信等部分组成[22]，其结构框图如图11所示。温度传感器将检测到的温度信号经过放大、线性化处理和A/D转换器变换为数字信号后传给单片机，单片机对信号进行分析处理后显示当前温度，同时把该温度值与设定温度值进行对比，采用模糊RBF神经网络的PID控制算法输出控制量，通过改变脉冲宽度调制（PWM）在控制周期内占空比来调节加热圈加热功率的大小，实现对温度的自动控制。

系统软件采用模块化结构，主要包括主程序、控制算法程序、温度检测程序、参数输入程序、中断服务程序、掉电保护程序、温度显示程序和报警程序等[23]。主程序的流程图如图12所示，主程序在上电后首先对单片机、A/D转换器和串口进行初始化，再执行温度检测程序、温度显示程序显示实时温度，检测设置键是否按下并确认设定的温度值，然后判断实时温度是否超限，若超限则执行报警程序，否则执行模糊RBF神经网络PID算法控制程序，如此循环调用各子程序达到温度自动控制的目的。温控系统的温度监控界面如图13所示，可实时监控温控系统的运行过程和状况，包括温度数据处理与显示，温度数据存储、查询、打印等。

图8 加入扰动时模糊RBF神经网络PID控制的阶跃响应曲线

图9 加入扰动时模糊RBF神经网络PID控制的误差曲线

图10 改变参数时两种控制方式的阶跃响应曲线对比图

图11 温控系统硬件电路

4 杀青机温控系统性能测试与杀青品质比较

4.1 杀青机温控系统性能测试

为测试电加热圈滚筒式杀青机温控系统的性能，通过温度采集试验和温度控制试验来验证系统的设计是否达到预期要求。温度采集试验是检验温控系统前向通道的测温精度，采用精密水银温度计对恒定温度场温度值进行标定，每隔一定时间改变一次温度，测试结果见表1。试验结果表明，温控系统前向通道的测温误差很小，在测试温度范围内的最大测温误差小于±0.5℃，具有较高的测量精度。温度控制试验检测温控系统的稳态性能和动态性能，通过输入不同的温度预设值，测量温控系统响应时间和温度控制值，测试结果见表2。试验结果表明，温控系统具有较好的跟随性、响应较快、静态误差小，温度控制误差在±2℃范围内，达到茶叶杀青机温控系统的设计要求。

4.2 杀青品质比较

随机选用金牡丹、福云6号、菜茶3种茶鲜叶样本，每份样本一分为二，分别在传统的6CST-40型滚筒杀青机和采用模糊RBF神经网络PID控制的滚筒杀青机进行杀青试验，通过对杀青叶色泽、香气、条形、均匀度进行感官评审和含水率的测定，验证基于模糊RBF神经网络PID控制的滚筒杀青机的杀青效果，测试结果如表3所示。结果表明，采用模糊RBF神经网络PID控制的滚筒杀青机与传统电热式滚筒杀青机相比较，提高了茶叶杀青质量和杀青效率，更能满足茶叶杀青工艺要求。

图12 主程序流程图

图13 杀青机温度监控界面图

℃

表1 温度测量测试结果

表2 温度控制测试结果

表3 不同杀青设备杀青质量比较

5 结论

本文以常规PID控制为基础，结合模糊控制与RBF神经网络两者的优势构建模糊RBF神经网络，实现对PID 3个参数kp、ki、kd在线修正，并利用基于K-means的层次聚类方法对训练数据进行聚类分析来确定模糊RBF神经网络结构参数的初始值，使得模糊RBF神经网络的训练速度加快，逼近效果更加，进一步改进模糊RBF神经网络对PID参数的调节效果。MATLAB仿真与试验结果表明，模糊RBF神经网络PID控制与常规PID控制相比，具有超调量小、调节速度快、稳定的时间短、静态误差小和抗干扰能力强，获得优于常规PID的控制效果，验证了该控制方法的可行性和有效性；采用模糊RBF神经网络PID控制的滚筒杀青机能够很好满足杀青工艺对温度的要求，其杀青效果优于传统电热式滚筒杀青机。基于模糊RBF神经网络的PID控制策略适用范围广泛，也可应用于杀青叶含水率控制，现有的茶叶杀青机是把温度作为控制指标，而茶叶杀青生产过程中控制杀青叶含水率的高低至关重要，在以后研究中，若把温度控制与杀青叶含水率控制相结合来构成双闭环茶叶杀青控制系统，以杀青叶含水率为外环控制，其输出作为内环温度控制的输入，杀青过程中通过温度的改变实现对杀青叶含水率的控制，从而保证初始含水率不同的鲜叶的杀青效果。

[1] 袁英芳. 绿茶杀青技术研究概述[J]. 茶叶通讯, 2010, 37(1): 37-39, 43.

[2] 赵梨铭. 茶叶智能化汽热杀青机控制系统[J]. 轻工机械, 2009, 27(2): 71-73.

[3] 彭秀英, 陈亚, 罗艳蕾. 基于PLC控制的电加热滚筒杀青机温度控制系统[J]. 农机化研究, 2011(4): 186-189.

[4] 林启军. 基于模糊技术的滚筒式茶叶杀青机温度控制[D]. 长沙: 中南大学, 2011: 18-29.

[5] 沈斌. 茶叶杀青系统自动控制技术研究[D]. 杭州: 浙江工业大学, 2013: 33-39.

[6] 毛晓文. 基于模糊PID控制和在线检测技术的绿茶杀青自动控制系统的研究与应用[D]. 合肥: 安徽农业大学, 2014: 20-26.

[7] 徐海卫, 蒋丽, 程宇菥, 等. 茶叶杀青温度精准控制系统研究[J]. 中国测试, 2015(11): 64-67, 72.

[8] 曹成茂, 吴正敏, 梁闪闪, 等. 茶叶杀青机双模糊控制系统设计与试验[J]. 农业机械学报, 2016, 47(7): 259-265.

[9] 陈雯柏. 人工神经网络原理与实践[M]. 西安: 西安电子科技大学出版社, 2016: 140-147.

[10] 何晶, 张宪, 赵章风, 等. 基于PFC3D的茶叶杀青过程数值模拟和设备参数分析[J]. 茶叶, 2013, 39(1): 17-23.

[11] 宋志禹. 节能型自动化控制茶叶滚筒杀青机的研究[D]. 合肥: 安徽农业大学, 2010: 12-16.

[12] 郭凯, 郭奇, 李大伟, 等. 模糊神经网络PID控制器设计及在常减压装置中的应用[J]. 自动化应用, 2016(2): 14-15, 18.

[13] 胥良, 郭林, 梁亚, 等. 基于模糊RBF神经网络的智能PID控制[J]. 工业仪表与自动化装置, 2015(6): 67-69, 75.

[14] 戴赛. 基于模糊RBF神经网络的磁悬浮系统研究[D]. 哈尔滨: 哈尔滨理工大学, 2012: 22-25.

[15] 王晓远, 傅涛. 基于模糊RBF神经网络的无刷直流电机控制[J]. 微电机, 2015, 48(11): 33-36, 88.

[16] 范春丽. 基于模糊神经网络的智能优化PID控制器研究[D]. 北京: 北京化工大学, 2009: 25-29.

[17] 付光杰, 张微微, 牟海维. 基于模糊RBF网络高频感应加热电源控制的研究[J]. 化工自动化及仪表, 2014, 41(4): 357-361, 376.

[18] 李燕强. 模糊RBF神经网络在人脸识别的应用研究[D]. 广州: 广州大学, 2011: 44-47.

[19] 郝朝会, 孙传祝, 苏夏侃. 自适应模糊PID控制在茶叶杀青机中的应用[J]. 农机化研究, 2013(2): 201-204.

[20] 刘金琨. 先进PID控制MATLAB仿真[M]. 4版. 北京: 电子工业出版社, 2016: 311-323.

[21] 王华强, 石亚娟, 王健波. 神经网络模糊PID在水轮机调速系统中的应用[J]. 合肥工业大学学报(自然科学版), 2012, 35(9): 1187-1191.

[22] 潘玉成, 林高飞, 陈小利, 等. 基于模糊专家控制的茶叶炒制温度控制系统[J]. 食品与机械, 2016, 32(11): 79-84.

[23] 李梦瑶. 基于模糊神经网络PID算法的电阻炉温度控制系统的研究[D]. 焦作: 河南理工大学, 2014: 55-61.

Design and Experiment of the Temperature Control System of the Fuzzy RBF Neural Network PID in Tea Fixing Machine

PAN Yucheng1, LIU Baoshun2, HUANG Xianzhou3, CHEN Xiaoli4, LYU Xianyin1

1. Department of Mechanical and Electronic Engineering, Ningde Vocational and Technical College, Fu′an 355000, China; 2. Wuyishan Manting Rock Tea Research Institute, Wuyishan 354300, China; 3. Department of Biotechnology, Ningde Vocational and Technical College, Fu′an 355000, China; 4. Department of Information Techonlogy and Engineering, Ningde Vocational and Technical College, Fu′an 355000, China

Due to the characteristics of time-varying uncertainty and nonlinearity of the temperature control system of rotary fixing machine, the conventional PID control parameters are difficult to meet the control requirements. Based on the good convergence of fuzzy control, computing advantages of fuzzy quantity and the self-learning and -adapting characteristics of neural network, a PID control strategy combined PID control, fuzzy control and neural network was proposed to achieve real-time online tuning of PID parameters. The simulation and test results of MATLAB software show that the fuzzy-RBF neural network PID control had better dynamic and static characteristics and anti-jamming performance than the conventional PID control. The temperature control error was within ±2℃, which well met the temperature control requirements of the tea fixation process and ensured the quality.

tea fixing machine, temperature of fixation, fuzzy RBF neural network, PID control, MATLAB simulation

TS272.3

A

1000-369X(2019)02-139-11

2018-06-14

2018-08-12

基于模糊神经网络的PID控制方法研究、福建省教育厅科技项目（JAT171132）

潘玉成，男，副教授，主要从事自动控制、人工智能研究，E-mail：fapyc@163.com