陳 星

(南京信息職業(yè)技術學院，江蘇 南京 210023)

隨著人們生活水平的不斷提高，花茶逐漸成為生活中常見的飲品之一，高品質的花茶更是市場嬌兒。影響花茶的品質除了花苞自身的優(yōu)良之外，還有制茶工藝[1]。制茶工藝通常為合理烘干去濕過程，其間重要的影響參數(shù)為溫、濕度，溫、濕度的高低和作用時間直接影響花茶制作后的元素保有量和花苞造型，利用控制技術完成最佳炒茶環(huán)境的調控設計一款智能炒茶溫控系統(tǒng)具有現(xiàn)實意義。溫控系統(tǒng)具有時滯性、大耦合、非線性的特點，無法建立精確數(shù)學模型[2]。傳統(tǒng)的PID控制系統(tǒng)結構簡單，實現(xiàn)方便，但無法實現(xiàn)精確控制。模糊控制依靠構建輸入輸出變量模糊子集和隸屬函數(shù)關系，依據(jù)模糊規(guī)則和推理，實現(xiàn)精準控制[3]。神經(jīng)網(wǎng)絡具有自學習、實時性、自適應性強的特點，可彌補模糊控制中依靠專家系統(tǒng)制定的模糊規(guī)則局限性的缺點，實現(xiàn)對控制參數(shù)的實時精確控制[4]。

為實現(xiàn)對炒茶機中溫控系統(tǒng)的精確調控，從而炒制出品質優(yōu)異的花茶。研究擬提出基于模糊控制+神經(jīng)網(wǎng)絡+PID控制的組合控制系統(tǒng)，經(jīng)過Matlab軟件進行模擬仿真和實際應用測試，并對組合系統(tǒng)和單純PID控制系統(tǒng)的控制結果進行對比分析，驗證組合控制系統(tǒng)的調控效果。

1 花茶制作工藝分析

制茶的目的是快速將新鮮花朵進行去濕干燥，生成最多有益元素。傳統(tǒng)花茶制作工藝為熱風干燥、陰涼干燥和硫磺熏蒸，效率低下、品質差、副作用大，已逐漸被淘汰?，F(xiàn)代制茶工藝為微波干燥、熱泵干燥、真空冷凍干燥及組合干燥等形式[5]。在花茶制作過程中通常需要進行高溫快速殺青(80 ℃以上，10 min以內(nèi))，低中恒溫中長時發(fā)酵或回潮(30 ℃左右，10～15 h)，中溫長時干燥(50～80 ℃，15 h以上)，過程中濕度由高到低隨時長逐次降低(80% RH以上—60% RH—30% RH—18% RH以下)[6]。不同的花朵和茶品采取的工藝也不相同，制茶過程中需要調控的主要因素為溫度、濕度和時間，三者之間的協(xié)調關系直接影響花茶的品質。制茶去濕干燥方法是在時間作用下改變溫度和通風，溫濕度之間具有較強的耦合性，在風量變化情況下時刻變化的濕度數(shù)值直接影響溫控效果，如何快速地實現(xiàn)對時刻變化環(huán)境的高效響應，將是高精度溫控的關鍵。

2 模糊神經(jīng)網(wǎng)絡PID控制器設計

2.1 控制原理

控制器以溫度和濕度兩個參數(shù)實測量與設置量的誤差e和誤差率ec作為輸入變量，通過模糊控制和神經(jīng)網(wǎng)絡組合運算，輸出實時整定的PID調控因子變化量△K(△KP、△KI、△KD)，再將PID調控因子初始K0與△K之和作為對PID輸入變量e(t)的調控因子K(t)進行運算輸出控制量u(t)，對執(zhí)行單元進行控制，實現(xiàn)對溫控系統(tǒng)實時調控的目的[7]?？刂平Y構如圖1所示。

調控因子公式為：

(1)

式中：

K——調控因子；

K0——調控因子初始值；

△K——調控因子變化值；

P——比例關系；

圖1 模糊神經(jīng)網(wǎng)絡PID控制結構Figure 1 Fuzzy neural network PID control structure

I——積分時間，s；

D——微分時間，s。

PID控制基本算法，公式為：

(2)

式中：

u(t)——控制器輸出量；

KP——控制器比例因子；

KI——控制器積分因子；

KD——控制器微分因子。

2.2 模糊控制

將溫度(T)和濕度(H)各自的誤差e及誤差率ec作為模糊控制的輸入變量，即溫度eT、ecT和濕度eH、ecH。定義輸入變量的基本論域為溫度[-15,15]，濕度[-30,30]，模糊論域為[-6,6]，量化因子為0.4，0.2。輸入變量模糊子集，設定7個等級，即NB、NM、NS、ZO、PS、PM、PB，分別代表負大、負中、負小、零、正小、正中、正大[8]。采用高斯函數(shù)為隸屬度函數(shù)，如圖2所示。

圖2 輸入變量隸屬度函數(shù)Figure 2 Membership function of input variable

模糊控制將PID調控因子變化量△K(△KP、△KI、△KD)作為輸出變量，基本論域為[-10,10]，模糊論域為△KP[-5,5]、△KI[-0.5,0.5]、△KD[-0.1,0.1]，量化因子為0.5，0.05，0.01，模糊子集設立NB、NM、NS、ZO、PS、PM、PB 7個等級，采用高斯函數(shù)為隸屬度函數(shù)，如圖3所示。

圖3 輸出變量隸屬度函數(shù)Figure 3 Output variable membership function

依據(jù)模糊子集的定義等級和輸入變量數(shù)，確定模糊規(guī)則。模糊規(guī)則定義語句為：IfeTis A andecTis A andeHis A andecHis A，then △KPis B and △KIis B and △KDis B。A、B分別為輸入、輸出的隸屬函數(shù)[9]。部分模糊規(guī)則如表1所示。

表1 部分模糊規(guī)則表

模糊控制依據(jù)模糊規(guī)則進行推理，生成輸出變量模糊子集，經(jīng)過解模糊化處理后輸出控制量△K(△KP、△KI、△KD)。

2.3 模糊神經(jīng)網(wǎng)絡結構

神經(jīng)網(wǎng)絡算法是為了在模糊控制過程中實現(xiàn)快速收斂和控制精度逼近理想狀態(tài)[10]。系統(tǒng)以RBF神經(jīng)網(wǎng)絡算法對輸入輸出變量構成四輸入(eT、ecT、eH、ecH)三輸出(△KP、△KI、△KD)結構，共有4層，即輸入層、模糊化層、模糊推理層、輸出層，網(wǎng)絡結構如圖4所示。

圖4 神經(jīng)網(wǎng)絡結構圖Figure 4 Neural network structure diagram

(1) 輸入層：該層將變換后的4個輸入量導入網(wǎng)絡中，傳遞給下一層，節(jié)點個數(shù)為輸入變量個數(shù)即4個。每個節(jié)點的輸入輸出關系為：x1=eT,x2=ecT;x3=eH,x4=ecH。

f1(i)=X=[x1,x2,x3,x4]，

(3)

式中：

f1(i)——輸入層函數(shù)；

i——對應輸入變量，即1，2，3，4。

(2) 模糊化層：該層將輸入變量轉變成模糊矢量，構建模糊子集，確立隸屬度函數(shù)。計算公式為：

(4)

式中：

f2(i,j)——模糊量隸屬函數(shù)；

i——輸入變量，即1，2，3，4；

j——模糊子集數(shù)，1，2，3，…，n；

cij——隸屬函數(shù)中間值；

bij——隸屬函數(shù)的基寬。

(3) 模糊推理層：該層確立模糊規(guī)則進行模糊運算，每個節(jié)點對應一條模糊規(guī)則，節(jié)點的輸出等于所有輸入量的乘積[11]。運算公式為：

(5)

(6)

式中：

f3(j)——推理層函數(shù)；

Ni——第i個輸入模糊分隔數(shù)，即輸入變量模糊子集定義的等級數(shù)。

(4) 模糊輸出層：該層將模糊推理的輸出模糊量轉化為清晰量，生成△KP、△KI、△KD控制量，運算公式為：

(7)

式中：

f4(j)——模糊輸出層函數(shù)；

w——推理層向輸出層轉換權值。

2.4 神經(jīng)網(wǎng)絡算法

系統(tǒng)以Delta(δ)函數(shù)確立學習規(guī)則進行參量調整，使用梯度下降法來實現(xiàn)對網(wǎng)絡訓練的調控，經(jīng)過若干次的學習訓練，讓輸出更逼近真實理想值[12]。依據(jù)系統(tǒng)調控特點目標函數(shù)為：

(8)

式中：

E(t)——輸出層性能目標函數(shù)；

r(t)——每一次迭代的理想輸出；

y(t)——每一次迭代的實際輸出；

t——迭代步驟。

系統(tǒng)加權調整算法公式：

(9)

式中：

wj(t)——輸出層的加權系數(shù)；

η——學習速率。

模糊化層隸屬函數(shù)的中間值和基寬學習算法公式：

(10)

bij(k)=bij(k-1)+△bij(k)+α[bij(k-1)-bij(k-2)],

(11)

(12)

cij(k)=cij(k-1)+△cij(k)+α[cij(k-1)-cij(k-2)],

(13)

式中：

t——迭代步驟；

α——學習動量因子。

3 溫控系統(tǒng)控制器仿真與分析

針對不同溫控系統(tǒng)控制器在花茶制作過程中對溫、濕度變化的響應狀態(tài)，進行軟件仿真分析，測試控制器的調控效果?；跍乜叵到y(tǒng)的特點，其傳遞函數(shù)的數(shù)學模型設定為[13]：

(14)

式中：

k——放大倍數(shù)，取0.85；

τ——滯后時間，取8 s；

T——時間常數(shù)，取180 s。

3.1 搭建模擬仿真系統(tǒng)

采用Matlab軟件對花茶烘干機溫控系統(tǒng)的控制器進行數(shù)據(jù)仿真，分別建立傳統(tǒng)PID控制、模糊控制和模糊神經(jīng)網(wǎng)絡PID控制模型，進行數(shù)據(jù)對比分析[14]，驗證各自的控制性能。PID控制依據(jù)經(jīng)驗和試驗選取調整因子為KP=8.8，KI=0.044，KD=440。使用Matlab軟件中Simulink工具箱包含的函數(shù)構建模糊控制和模糊神經(jīng)網(wǎng)絡PID控制模型[15]，學習算法中η=0.2，α=0.02。仿真系統(tǒng)設置采樣周期為5 s，最大訓練次數(shù)為500次，調節(jié)時間為0.001 s，仿真時間3 600 s。其控制器仿真框圖如圖5、6所示。

圖5 傳統(tǒng)PID控制器的仿真框圖Figure 5 Simulation block diagram of the traditional PID controller

圖6 模糊神經(jīng)網(wǎng)絡PID控制器仿真框圖Figure 6 Fuzzy neural network PID controller simulation block diagram

3.2 模擬仿真數(shù)據(jù)分析

仿真數(shù)據(jù)(仿真結果如圖7所示)分析：

圖7 3種控制模式仿真結果單位階躍響應曲線Figure 7 Unit step response curves of simulation results of three control modes

(1) 傳統(tǒng)PID控制：在前500 s內(nèi)數(shù)據(jù)從初始達到最高峰值，超調量達到48%，500～1 300 s時調整量在[22%,-9%]之間震蕩調整，波動明顯，1 300～2 600 s時小范圍波動調整，之后趨于平穩(wěn)，這種控制模式對參數(shù)的調整時間節(jié)長、波動大。

(2) 模糊控制：在前800 s內(nèi)數(shù)據(jù)從初始達到最高值，超調量達到17%，800～1 600 s時數(shù)據(jù)逐漸調整接近目標量，之后數(shù)據(jù)在目標量附近平穩(wěn)調控，這種模式調整量波動較小，但調整時間較長。

(3) 模糊神經(jīng)網(wǎng)絡PID控制：在前500 s內(nèi)達到峰值，最高超調量在5%，500～800 s時數(shù)據(jù)在目標量附近小量波動，之后數(shù)據(jù)進入穩(wěn)定平穩(wěn)運行狀態(tài)，這種模式調整量波動小，且調整時間短。

通過以上3種模式的仿真結果分析，模糊神經(jīng)網(wǎng)絡PID的控制模式體現(xiàn)出調整迅速，運行平穩(wěn)，波動小的特點，展示出該種控制模式收斂速度快，調整精度高的優(yōu)勢。

系統(tǒng)在調控平穩(wěn)期2 800 s處，加入10%的擾動來檢測3種控制模式的抗干擾及快速反應能力，仿真結果如圖8所示。

圖8 加入擾動后仿真結果單位階躍響應曲線Figure 8 Unit step response curve of simulation results after perturbation

擾動仿真結果分析：傳統(tǒng)PID控制在300 s內(nèi)實現(xiàn)平穩(wěn)調整且有負值波動，模糊控制在100 s內(nèi)實現(xiàn)調整平穩(wěn)，模糊神經(jīng)網(wǎng)絡PID控制在20 s內(nèi)實現(xiàn)平穩(wěn)，從對比結果看模糊神經(jīng)網(wǎng)絡PID控制模式的抗擾動能力強，擾動補償速度快，其系統(tǒng)魯棒性更好。

4 菊花(胎菊)茶制作溫控系統(tǒng)驗證

4.1 溫控系統(tǒng)組成及控制流程

系統(tǒng)以西安圣達SD-30HMV-6X(30 kW)的微波烘干機為載體，分別以傳統(tǒng)PID和模糊神經(jīng)網(wǎng)絡PID兩種控制器對菊花(胎菊)茶制作過程進行溫、濕度調控測試，驗證其性能。

微波式烘干機，由微機、數(shù)據(jù)采集單元(傳感器)、STM32系列單片機構成控制系統(tǒng)，由可調節(jié)加熱器(含功率調節(jié)器)、微波器(含變頻器)、鼓風機、排氣扇、加濕器、計時器(含開關)構成控制執(zhí)行單元，由物品擺放篩、柜體、支撐架構成機體結構。控制系統(tǒng)結構如圖9所示。

圖9 微波烘干機控制系統(tǒng)結構Figure 9 Control system structure of microwave dryer

烘干機控制流程(如圖10所示)：開機初始化，輸入控制參數(shù)(溫度、濕度、時間)寫入系統(tǒng)，傳感器檢測數(shù)據(jù)經(jīng)過處理(濾波、放大、數(shù)模轉換)后輸入控制器，控制器運算生成控制指令，指揮各執(zhí)行單元動作，其間傳感器實時檢測數(shù)據(jù)反饋至控制器，對控制器算法進行優(yōu)化，程序結束完成控制流程。

圖10 烘干機控制流程Figure 10 Control flow of dryer

4.2 制茶工藝流程

制茶工藝流程及參數(shù)要求：

鮮花清洗殺菌→殺青[溫度(80±2) ℃，時間500 s，濕度無要求]→發(fā)酵[溫度(30±2) ℃，時間18 000 s，濕度>50% RH]→烘干[溫度(50±2) ℃，時間20 000 s，濕度降至15% RH以下]→回潮(自然狀態(tài)溫、濕度，時間7 200 s)→風干(自然狀態(tài)溫度，濕度降至18% RH以下)→裝盒儲存控制器在各道工序中的控制過程：

(1) 殺青：開機初始化，開啟排氣扇和微波器(變頻到預設值)，檢測溫度，判定溫度與預設溫度(80 ℃)的關系，通過改變微波器的變頻數(shù)值和排氣扇開關狀態(tài)，調節(jié)溫度在預設值(80±2) ℃，開啟計時器運行500 s后，停止微波器、排氣扇、計時器，完成殺青?？刂七^程如圖11所示。

圖11 殺青控制過程Figure 11 Completion control process

(2) 發(fā)酵：殺青工序后，檢測濕度，通過開關加濕器，使?jié)穸冗_到大于預設值(50% RH)的要求，檢測溫度，判斷溫度與預設溫度(30 ℃)的關系，改變鼓風機和排氣扇、加熱器的開關狀態(tài)，調節(jié)溫度在預設值[(30±2) ℃]之間，開啟計時器運行18 000 s，停止鼓風機和排氣扇、計時器，完成發(fā)酵工序。控制過程如圖12所示。

圖12 發(fā)酵控制過程Figure 12 Fermentation process control

(3) 烘干：發(fā)酵工序后，檢測濕度，如濕度小于預設值(15% RH)烘干結束,否則開啟加熱器(功率至預設值)、鼓風機和排氣扇，檢測溫度，判斷溫度與預設溫度(50 ℃)的關系，通過改變加熱器的功率大小，調節(jié)溫度在預設值[(50±2) ℃]之間，開啟計時器運行20 000 s，停止鼓風機和排氣扇、計時器、加熱器，完成烘干工序?？刂七^程如圖13所示。

圖13 烘干控制過程Figure 13 Drying control process

(4) 回潮：烘干工序后，自然狀態(tài)下(不調節(jié)溫、濕度)，開啟計時器運行7 200 s后，關閉計時器，完成回潮工序?？刂七^程如圖14所示。

圖14 回潮控制過程Figure 14 Moisture regain control process

(5) 風干：回潮工序后，檢測濕度，判斷濕度與預設值(18% RH)的關系，通過改變鼓風機和排氣扇開關狀態(tài)，使?jié)穸冗_到小于預設值(18% RH)，完成風干工序?？刂七^程如圖15所示。

圖15 風干控制過程Figure 15 Air drying control process

4.3 制茶溫控系統(tǒng)驗證分析

制茶過程中，設備外環(huán)境對溫控系統(tǒng)的調控效果影響較小，視作常量處理。由于回潮和風干對溫度沒有要求，測試只對殺青、發(fā)酵、烘干3個工序結果進行比較。初始環(huán)境：溫度25 ℃，濕度35% RH。

驗證結果(如圖16所示)分析：傳統(tǒng)PID控制器對溫度調控偏差在±5 ℃，常常超出設定允許變化范圍±2 ℃，響應時間>40 s。模糊神經(jīng)網(wǎng)絡PID控制器溫控在允許變化范圍(±2 ℃)內(nèi)，響應時間<20 s。對比結果表明模糊神經(jīng)網(wǎng)絡PID控制器具有控制精度高，對環(huán)境變化響應快速及自適應的特點，可以實現(xiàn)花茶制作過程中實時溫、濕度精確調控的要求。

圖16 測試驗證結果Figure 16 Test validation results

5 結論

文中分析花茶制作工藝對溫、濕度調節(jié)的響應快、調控精準且平穩(wěn)需求，提出由模糊控制+神經(jīng)網(wǎng)絡+PID控制構成的組合控制模式，實現(xiàn)對溫控系統(tǒng)的調控目的。通過對輸入變量的模糊化處理，采用高斯隸屬度函數(shù)，依據(jù)模糊規(guī)則進行推理生成輸出量，為PID控制提供實時變化的輸入調控因子△K，經(jīng)PID運算后生成整定控制量，指揮執(zhí)行單元動作，實現(xiàn)溫控系統(tǒng)調控。系統(tǒng)通過RBP神經(jīng)網(wǎng)絡建立Delat(δ)學習規(guī)則，以梯度下降算法進行隸屬度中心值和基寬及輸出權值的學習訓練，使模糊控制達到實時性、自適應性及快速逼近真值的目的。系統(tǒng)通過Matlab軟件對傳統(tǒng)PID控制和模糊控制及模糊神經(jīng)網(wǎng)絡PID 3種控制器進行模擬仿真，并以微波烘干機制作菊花茶為例分別對傳統(tǒng)PID控制器和模糊神經(jīng)網(wǎng)絡PID控制器進行溫控應用驗證測試，其結果分析說明，模糊神經(jīng)網(wǎng)絡PID組合控制模式具有控制精度高，收斂速度快，抗干擾能力和系統(tǒng)魯棒性好的優(yōu)點，具有最好的動靜態(tài)性能。因此該種控制模式完全可以滿足花茶制作過程中對溫、濕度快速精確調控的需求。