本發(fā)明涉及溫度控制，尤其涉及一種基于改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)的多層模糊嵌套pid溫控方法及系統(tǒng)。

背景技術(shù)：

1、溫度控制是現(xiàn)代科學(xué)技術(shù)的重要技術(shù)，尤其關(guān)乎精密制造行業(yè)，是制造精度進(jìn)一步提升的重要技術(shù)之一。其涉及測量技術(shù)、控制理論、執(zhí)行機構(gòu)、材料與熱管理技術(shù)。其核心在于通過測量、反饋和調(diào)節(jié)等手段，維持或改變系統(tǒng)的溫度，以滿足期望的需求。

2、在工業(yè)生產(chǎn)中，溫控技術(shù)可以提高產(chǎn)品質(zhì)量、優(yōu)化生產(chǎn)工藝和效率、降低生產(chǎn)成本；在能源動力中，溫控技術(shù)可以降低能耗、減少碳排放、提升新能源技術(shù)的效率和壽命；在醫(yī)療康復(fù)中，溫控技術(shù)可以提高設(shè)備的穩(wěn)定性和患者的安全性、創(chuàng)造細(xì)胞培養(yǎng)、生物酶反應(yīng)的合理溫度環(huán)境；在實驗驗證中，溫度控制運用于超導(dǎo)材料的測試、化學(xué)反應(yīng)動力學(xué)的測試、材料和裝置的熱性能測試。

3、公布號為“cn118244815a”，名稱為“一種簡易智能溫度控制系統(tǒng)”的中國發(fā)明專利公開了一種簡易智能溫度控制系統(tǒng)，提出利用溫度檢測模塊實時監(jiān)測環(huán)境溫度，控制模塊用于調(diào)節(jié)溫度，執(zhí)行模塊執(zhí)行控制模塊的指令，自適應(yīng)模塊根據(jù)環(huán)境溫度的變化自動調(diào)整，警報模塊在達(dá)到預(yù)設(shè)溫度時發(fā)出警報，智能學(xué)習(xí)模塊不斷優(yōu)化調(diào)整控制策略。然而，該溫控方法缺乏對被控對象模型的建立，且不能適應(yīng)在單輸入單輸出(siso)、單輸入多輸出(simo)、多輸入單輸出(miso)、多輸入多輸出(mimo)工況下按照控制需求及時切換，對于i/o口采集的數(shù)據(jù)無法進(jìn)行自學(xué)習(xí)，適用范圍較為單一。

4、公布號為“cn117906198a”，名稱為“一種用于地暖地面恒溫控制的裝置及其運行方法”的中國發(fā)明專利公開了一種用于地暖地面恒溫控制的裝置及其運行方法，提出一種包括開關(guān)繼電器、循環(huán)時間控制模塊和常開繼電器的三部分溫控系統(tǒng)。當(dāng)室內(nèi)氣溫達(dá)到設(shè)定溫度后，循環(huán)時間控制模塊啟動，間歇地供應(yīng)熱水給地暖盤管，以維持地板溫度的穩(wěn)定。然而，直接通過測溫和設(shè)定溫度來控制電源開關(guān)會導(dǎo)致環(huán)境溫度出現(xiàn)大幅度的滯后和波動。頻繁的大功率開關(guān)通電也會加快系統(tǒng)老化并帶來安全隱患。

5、公布號為“cn118216804a”，名稱為“一種飲水機及其出水溫度控制方法”的中國發(fā)明專利公開了一種飲水機及其出水溫度控制方法，提出一種基于實時監(jiān)測出水溫度，并結(jié)合目標(biāo)出水溫度進(jìn)行高溫水或低溫水補償?shù)目刂品椒?，以達(dá)到設(shè)定的目標(biāo)出水溫度。然而，該方法缺乏對被控物體的精確建模，因此無法保證出水口溫度的精確度。此外，控制算法的單一性也限制了其滿足多通道多出水口溫度需求的能力。

技術(shù)實現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中溫控方法缺乏對被控對象模型的建立，且不能適應(yīng)在單輸入單輸出(siso)、單輸入多輸出(simo)、多輸入單輸出(miso)、多輸入多輸出(mimo)工況下按照控制需求及時切換，對于i/o口采集的數(shù)據(jù)無法進(jìn)行自學(xué)習(xí)，適用范圍較為單一且缺乏對被控物體的精確建模導(dǎo)致無法保證被控物體溫度的精確度；頻繁的大功率開關(guān)通電也會加快系統(tǒng)老化并帶來安全隱患的問題。本發(fā)明提出了一種基于改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)的多層模糊嵌套pid溫控方法及系統(tǒng)，實現(xiàn)對單輸入單輸出(siso)、單輸入多輸出(simo)、多輸入單輸出(miso)、多輸入多輸出(mimo)系統(tǒng)的溫控算法集成，旨在解決無模型溫度控制中多工況自適應(yīng)切換，實現(xiàn)高精度、高速、高效的溫度控制。

2、本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：包括與被控對象連接的檢測模塊，所述檢測模塊用于將實時采集到的溫度信號t和功率信號p輸出給處理器，還包括

3、輸入模塊，用于將輸入的期望溫度集合尋優(yōu)粒子位置維度d、加熱功率限額pmax、粒子尋優(yōu)范圍[0,z]、粒子種群規(guī)模m、設(shè)定的最大迭代次數(shù)、設(shè)定的適應(yīng)度標(biāo)準(zhǔn)值、溫控總時間a以及單次溫控循環(huán)時間t輸出給對應(yīng)的模塊,z為粒子尋優(yōu)范圍的最大值，為大于0的整數(shù)；所述輸入模塊將期望溫度集合輸出給處理器和加權(quán)求和模塊，將加熱功率限額pmax輸出給sc-rime優(yōu)化算法模塊，將溫控總時間a以及單次溫控循環(huán)時間t輸出給處理器、pid控制器和加權(quán)求和模塊，將尋優(yōu)粒子位置維度d、粒子尋優(yōu)范圍[0-z]、粒子種群規(guī)模m、設(shè)定的最大迭代次數(shù)、設(shè)定的適應(yīng)度標(biāo)準(zhǔn)值輸出給sc-rime優(yōu)化算法模塊；

4、處理器，用于將輸入的溫控總時間a、單次溫控循環(huán)時間t、溫度信號t、功率信號p以及期望溫度集合進(jìn)行數(shù)據(jù)計算和擬合，得到被控對象的溫度集合功率集合傳遞函數(shù)g(s)、期望溫度集合和溫度集合的誤差集合誤差變化率集合并將傳遞函數(shù)g(s)、誤差集合溫度集合和功率集合輸出給pid控制器，將溫度集合功率集合誤差集合誤差變化率集合輸出給多層模糊嵌套模塊，將溫度集合和功率集合輸出給改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊；

5、sc-rime優(yōu)化算法模塊，用于對比例kp、積分ki、微分kd和隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)進(jìn)行迭代尋優(yōu)，得到比例kp優(yōu)、積分ki優(yōu)、微分kd優(yōu)和最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)，將比例kp優(yōu)、積分ki優(yōu)、微分kd優(yōu)輸出給pid控制器，將最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)輸出給改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊；

6、多層模糊嵌套模塊，用于根據(jù)輸入的溫度集合功率集合誤差集合和誤差變化率集合得到比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)對應(yīng)的放大系數(shù)并輸出給pid控制器；

7、pid控制器，用于根據(jù)輸入的比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)以及比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)對應(yīng)的放大系數(shù)得到理論輸入功率集合并輸出給改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)和加權(quán)求和模塊；

8、改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊，用于存儲改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入的最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)、理論輸入功率集合溫度集合功率集合得到預(yù)測溫度集合并輸出給加權(quán)求和模塊；

9、加權(quán)求和模塊，用于根據(jù)輸入的預(yù)測溫度集合理論輸入功率集合和期望溫度集合得到最終輸入功率集合并輸出給被控對象。

10、進(jìn)一步的，所述sc-rime優(yōu)化算法模塊用于存儲sc-rime優(yōu)化算法，所述sc-rime優(yōu)化算法由霜冰優(yōu)化算法rime中的隨機數(shù)初始化策略替換為sine混沌映射初始化策略，同時，在霜冰優(yōu)化算法rime的貪婪選擇機制之前增加縱橫交叉優(yōu)化算法cso中的橫向交叉機制得到。

11、進(jìn)一步的，所述多層模糊嵌套模塊包含第一決策單元模塊、第一層模糊模塊、第二決策單元模塊和第二層模糊模塊；所述第一決策單元模塊用于判斷被控對象屬于siso、simo、miso和mimo四個系統(tǒng)中的哪一個。

12、本發(fā)明還提供了一種基于本發(fā)明所述的基于改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)多層模糊嵌套pid溫控系統(tǒng)的溫控方法，包含如下步驟：

13、s1、處理器將輸入的溫度信號t和功率信號p，按照時序進(jìn)行記錄，得到時序預(yù)測數(shù)據(jù)集，所述時序預(yù)測數(shù)據(jù)集包括被控對象的溫度集合和功率集合對時序預(yù)測數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行最小二乘法擬合，得到被控對象的傳遞函數(shù)g(s)，根據(jù)溫度集合和期望溫度集合得到誤差集合和誤差變化率集合

14、s2、sc-rime優(yōu)化算法模塊和pid控制器配合進(jìn)行迭代尋優(yōu)，得到比例kp優(yōu)、積分ki優(yōu)、微分kd優(yōu)；

15、s3、多層模糊嵌套模塊根據(jù)輸入的誤差集合誤差變化率集合溫度集合和功率集合得到比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)對應(yīng)的放大系數(shù)并輸出給pid控制器；

16、s4、pid控制器根據(jù)輸入的比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)以及對應(yīng)的放大系數(shù)得到理論輸入功率集合并輸出給改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊和加權(quán)求和模塊；

17、s5、sc-rime優(yōu)化算法模塊和改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊配合得到最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)并輸出給改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊；

18、s6、構(gòu)建改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集，將輸入的溫度集合和功率集合進(jìn)行處理，將溫度集合和功率集合按照連續(xù)15個溫度加上連續(xù)15個功率再加上一個理論輸入功率pi，共有31個數(shù)據(jù)構(gòu)成一組數(shù)據(jù)集；

19、s7、改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)根據(jù)輸入的最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)、溫度集合功率集合和數(shù)據(jù)集得到預(yù)測溫度集合并輸出給加權(quán)求和模塊；

20、s8、加權(quán)求和模塊對輸入的期望溫度集合理論輸入功率集合和預(yù)測溫度集合進(jìn)行加權(quán)求和，得到最終輸入功率集合

21、s9、將步驟s8中得到的最終輸入功率集合輸入被控對象，循環(huán)步驟s1至s9，進(jìn)行循環(huán)溫度控制，直到達(dá)到設(shè)定的溫控總時間a后中止溫控程序。

22、進(jìn)一步的，所述的步驟s2中sc-rime優(yōu)化算法模塊和pid控制器配合進(jìn)行迭代尋優(yōu)的步驟如下：

23、s2.1、sine混沌映射初始化策略將種群中全部粒子位置進(jìn)行初始化，得到初始化后的粒子種群

24、sine混沌映射初始化策略公式如下：

25、

26、式中n＝(1，2，3...)，為混沌系統(tǒng)參數(shù)，取值為0.99，xn為[0,1]的隨機數(shù)，由公式(1)可以得到x1、x2、...、xd，此處尋優(yōu)粒子位置維度d的值為3，即根據(jù)式(1)得到x1、x2、x3。令x1、x2、x3各乘以粒子尋優(yōu)范圍的最大值z得到粒子位置(x1*z，x2*z，x3*z)，令kp＝x1*z、ki＝x2*z和kd＝x3*z得到若干組比例kp、積分ki和微分kd；

27、s2.2、采用軟霜生長策略和硬霜穿刺策略對初始化后的粒子種群進(jìn)行進(jìn)一步搜索，得到新粒子種群；

28、s2.3、橫向交叉機制對步驟s2.2中的新粒子種群進(jìn)行進(jìn)一步交叉尋優(yōu)，得到一個粒子位置，即一組比例kp、積分ki和微分kd并輸出給pid控制器；

29、s2.4、pid控制器根據(jù)輸入的溫控總時間a、步驟s2.3得到的一組比例kp、積分ki、微分kd、傳遞函數(shù)g(s)、誤差集合溫度集合和功率集合得到第一次達(dá)到設(shè)定溫度t'的時間b、溫控總時間a的仿真功率集合仿真誤差集合并輸出給sc-rime優(yōu)化算法模塊；

30、s2.5、貪婪選擇機制更新最優(yōu)粒子位置，將輸入的第一次達(dá)到設(shè)定溫度t'的時間b、溫控總時間a的仿真功率集合仿真誤差集合代入如下適應(yīng)度評價條件函數(shù)公式得到適應(yīng)度值f1，

31、

32、適應(yīng)度值f1需要同時滿足適應(yīng)度評價條件函數(shù)公式，依據(jù)適應(yīng)度值f1大小進(jìn)行決策判斷，即新位置的適應(yīng)度值f1小于舊位置的適應(yīng)度值f1，則更新粒子位置，反之則保留粒子舊位置；

33、s2.6、判斷是否滿足尋優(yōu)條件，若迭代次數(shù)大于設(shè)定的最大迭代次數(shù)或者步驟2.5中的適應(yīng)度值小于設(shè)定的適應(yīng)度標(biāo)準(zhǔn)值，則輸出尋優(yōu)后的最優(yōu)粒子位置，得到比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)；否則執(zhí)行步驟s2.2，循環(huán)步驟s2.2-s2.6，直到滿足尋優(yōu)條件，將比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)輸出給pid控制器。

34、進(jìn)一步的，所述步驟s3得到比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)對應(yīng)的放大系數(shù)的步驟如下，

35、s3.1、第一決策單元模塊根據(jù)輸入的溫度集合和功率集合對被控對象的工況進(jìn)行判斷，若為siso系統(tǒng)和miso系統(tǒng)，則直接將輸入的誤差集合和誤差變化率集合輸入第二決策單元模塊并執(zhí)行步驟3.3；否則判斷誤差集合是否在[-λ℃，λ℃]范圍內(nèi)，并執(zhí)行步驟3.2；

36、s3.2、若誤差集合在[-λ℃，λ℃]范圍內(nèi)，則將誤差集合和誤差變化率集合輸出給第一層模糊模塊進(jìn)行第一精模糊控制；若不在范圍內(nèi)，則進(jìn)行第一粗模糊控制；得到總誤差集合總誤差變化率集合并輸出給第二決策單元模塊執(zhí)行步驟3.3；

37、s3.3、第二決策單元模塊判斷輸入的誤差集合或者總誤差集合是否在[-λ℃，λ℃]范圍內(nèi)，若在范圍內(nèi)則將輸入的集合輸出給第二層模糊模塊進(jìn)行第二精模糊控制；否則進(jìn)行第二粗模糊控制；得到比例kp優(yōu)、積分ki優(yōu)和微分kd優(yōu)對應(yīng)的放大系數(shù)。

38、進(jìn)一步的，所述步驟s5得到最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)的步驟如下，

39、s5.1、sine混沌映射初始化策略將種群中全部粒子位置進(jìn)行初始化，得到初始化后的粒子種群、若干組x1、x2、x3和對應(yīng)的粒子位置(x1*z，x2*z，x3*z)，令隱藏層單元數(shù)＝(48*x1+2)取整；令學(xué)習(xí)率＝x2/100；令訓(xùn)練次數(shù)＝(50*x3+10)取整，得到若干組隱藏層單元數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)；

40、s5.2、采用軟霜生長策略和硬霜穿刺策略對初始化后的粒子種群進(jìn)行進(jìn)一步搜索，得到新粒子種群；

41、s5.3、橫向交叉機制對步驟s5.2中的新粒子種群進(jìn)行進(jìn)一步交叉尋優(yōu)，得到一個粒子位置，即一組隱藏層單元數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)并輸出給改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊；

42、s5.4、改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊根據(jù)輸入的溫度集合功率集合步驟s5.3得到的一組隱藏層單元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)，得到驗證集樣本數(shù)m、迭代預(yù)測溫度ti、實測溫度ti'并輸出給sc-rime優(yōu)化算法模塊；

43、s5.5、貪婪選擇機制更新最優(yōu)粒子位置，將輸入的驗證集樣本數(shù)m、迭代預(yù)測溫度ti、實測溫度ti'代入如下適應(yīng)度評價條件函數(shù)公式得到適應(yīng)度值f2，

44、

45、依據(jù)適應(yīng)度值f2大小進(jìn)行決策判斷，即新位置的適應(yīng)度值f2小于舊位置的適應(yīng)度值f2，則更新粒子位置，反之則保留粒子舊位置；

46、s5.6、判斷是否滿足尋優(yōu)條件，若迭代次數(shù)大于設(shè)定的最大迭代次數(shù)或者步驟5.5中的適應(yīng)度值小于設(shè)定的適應(yīng)度標(biāo)準(zhǔn)值，則輸出尋優(yōu)后的最優(yōu)解粒子位置，得到最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)；否則執(zhí)行步驟s5.2，循環(huán)步驟s5.2-s5.6，直到滿足尋優(yōu)條件；將最優(yōu)的隱藏層單元數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)輸出給改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)模塊。

47、進(jìn)一步的，所述橫向交叉機制以如下公式進(jìn)行，

48、nx(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

49、nx(j,d)＝r2×x(j,d)+(1-r2)×x(i,d)+c2×(x(j,d)-x(i,d))

50、i,j∈n(1,m),d∈n(1,d)

51、其中c1、c2是介于(-1,1)之間的隨機數(shù)；r1、r2是(0,1)之間的隨機數(shù)；d是變量的維數(shù)；m是種群粒子的規(guī)模；x(i,d)、x(j,d)是x(i)和x(j)的第d維；nx(i,d)、nx(j,d)是x(i,d)和x(j,d)通過橫向交叉機制產(chǎn)生的第d維子代。

52、進(jìn)一步的，所述λ的值為5。

53、進(jìn)一步的，所述步驟s8中根據(jù)式得到最終輸入功率集合其中，α＝(βη)/ηmax，β為增益因子，ηmax為最大循環(huán)次數(shù)，η為當(dāng)前循環(huán)次數(shù)。

54、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

55、1.本發(fā)明中的多層模糊嵌套pid算法和改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)能夠根據(jù)輸入和輸出數(shù)據(jù)的組成，通過決策單元，面對siso、simo、miso、mimo工況時，具有自適應(yīng)辨識并在線切換工況模式的能力。

56、2.本發(fā)明針對被控對象模型的建立方法是先模糊后精確，模糊是在控制初期，根據(jù)被控物體基本屬性進(jìn)行初步的控制參數(shù)；精確是隨著溫控過程的循環(huán)進(jìn)行，根據(jù)各通道實時采集的數(shù)據(jù)，對被控物體進(jìn)行持續(xù)不斷的模型建立和更新。從而得到被控對象的精確模型，提升溫度控制性能。

57、3.本發(fā)明在霜冰優(yōu)化算法rime中采用混沌映射和橫向交叉策略進(jìn)行改進(jìn)得到sc-rime優(yōu)化算法，具有對pid控制中kp、ki和kd參數(shù)值更便捷的尋優(yōu)能力。

58、4.本發(fā)明中的多層模糊嵌套pid算法從模糊控制中誤差er和其變化率ec入手，根據(jù)er所在范圍[-λ℃，λ℃]來構(gòu)建精細(xì)化模糊控制和粗略化模糊控制串并聯(lián)結(jié)構(gòu)。具有更優(yōu)秀的溫度控制性能。

59、5.采用sc-rime優(yōu)化算法優(yōu)化改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)的隱藏層單元數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)，以增強網(wǎng)絡(luò)的擬合能力，還提出連續(xù)15組溫度加上連續(xù)15個功率加上下一溫控循環(huán)輸入功率這種結(jié)構(gòu)，共有31個數(shù)據(jù)構(gòu)建數(shù)據(jù)集的方式。提升改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)在時序溫度預(yù)測中的精度。

60、6.本發(fā)明綜合考慮了多層模糊嵌套pid算法得到的被控對象理論輸入功率和改進(jìn)的lstm神經(jīng)網(wǎng)絡(luò)預(yù)測的輸出溫度，以此獲得可靠且優(yōu)化處理后的最終輸入功率。提升溫控系統(tǒng)的控制性能。

61、7.本發(fā)明在溫控過程中能通過設(shè)定期望溫度實現(xiàn)升溫、恒溫和降溫多個階段的融合嵌套，使這些階段能有機地組合在一起，在保證溫控高效性和精確性的前提下，滿足多溫控階段相互結(jié)合的溫控需求。

62、8.本發(fā)明的溫度控制梯度可調(diào)，針對普通溫控和零件熱試驗的要求，可以人為設(shè)定被控對象的溫度上升梯度、恒溫時間、降溫梯度和控溫循環(huán)等參數(shù)，以滿足具體的溫控期望需求。