温控仪的温度控制算法详解：从PID到模糊神经网络的8种方案对比

温控系统可以说是控制领域最典型的应用了。那些追求高精度的温控仪，更是对控制算法提出了严苛的要求。不过，如今很多曾被认为“先进”的控制算法，已经逐步普及成了常规选项，这也让产品的差异化竞争变得更加激烈。

本文就来系统梳理一下各种PID调节器及温控仪中常用控制算法的特性、功能和适用场景，希望能帮你更合理地选型。

常见温控仪控制算法涵盖了常规PID、模糊控制、神经网络、Fuzzy-PID、神经网络PID、模糊神经网络、遗传PID以及广义预测控制等。常规PID控制易于为线性温度控制系统建立被控对象模型；模糊控制则基于规则库，以绝对或增量形式输出控制决策；神经网络控制利用数理模型模拟生物神经细胞结构，并通过简单处理单元连接成复杂网络；而Fuzzy-PID本质上是线性控制，巧妙地融合了模糊与PID两者的优势。

1、温度控制的特点

温度控制系统本质上是一个变参数、有时滞且伴随随机干扰的动态系统。为了达到满意的控制效果，业界衍生出了多种方法。下面，我们就对几种常见的控制方法及其优缺点进行分析与比较。

2、常见温度控制方法

2.1 常规PID控制

PID控制，即比例、积分、微分控制，结构简单实用，在工业生产中应用极为广泛，其原理如图1所示。

图1 常见PID控制系统的原理框图

一个明显的痛点是：现场PID参数整定相当麻烦，且容易受到外界干扰。对于滞后大的过程控制，调节时间往往过长。该控制算法需要预先建立模型，而系统动态特性的影响却很难归并到模型中去。目前，国内大多数PID调节器厂家生产的调节器采用的都是常规PID控制算法。

2.2 模糊控制

模糊控制（Fuzzy Control）是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机控制。它的原理如图2所示。市面上所谓的“傻瓜式PID调节器”，其内核其实就是模糊控制算法。

图2 模糊控制系统原理框图

2.3 神经网络控制

神经网络控制采用数理模型的方法来模拟生物神经细胞结构，通过简单的处理单元连接形成各种复杂网络，并采用误差反向传播算法（BP）。其原理如图3所示：

图3 神经网络控制系统的原理框图

2.4 Fuzzy-PID控制

模糊控制不需要被控对象的精确模型，易于驾驭不确定对象和非线性对象。而PID本质是线性控制。将两者结合，常见策略之一是Fuzzy-PID混合控制：它会根据给定值与测量值之间的偏差e来选择合适的智能控制器。具体来说，当 |e| ≤ e_min 或 |e| ≥ e_max 时，系统采用PID控制；当 e_min ≤ |e| ≤ e_max 时，则切换为Fuzzy控制。其结构框图如图4。

图4 Fuzzy-PID混合控制结构框图

2.5 神经网络PID控制

在PID控制的基础上，再加入一个神经网络控制器，就构成了神经网络PID控制器，如图5所示。这里的神经网络控制器（NNC）扮演前馈控制器的角色，它通过不断学习PID控制器的输出，在线调整自己，目标是让反馈误差 e(t) 或 u(t) 趋近于零，逐渐在控制中占据主导地位，弱化乃至最终消除反馈控制器的作用。目前，系列人工智能调节器/温控仪采用的就是这种控制算法。

图5 神经网络PID控制结构框图

2.6 模糊神经网络控制

将模糊逻辑与神经网络结合，采用神经网络模糊逻辑推理网络模型和快速的自学习算法，通过网络的离线训练与在线自学习，使控制器具备了自调整、自学习和自适应能力，从而实现模糊智能控制，如图6所示。

图6 模糊神经网络控制系统结构图

2.7 遗传PID控制

遗传PID控制是将控制器的参数构成基因型，把性能指标转化为对应的适应度，再利用遗传算法来整定控制器的最佳参数。它不要求系统是否连续可调，也不管能否以显式表示。基于遗传算法的自适应PID控制原理框图如图7所示。遗传PID温控系统将测量值与给定值比较后，用遗传算法优化PID参数，然后将控制量输出。整个过程把PID参数串接构成完整染色体，形成遗传空间中的个体，并通过繁殖、交叉和变异等遗传操作生成新一代群体，经过多次搜索，最终获得具有最大适应度值的个体。

图7 基于遗传算法的自适应PID控制结构图

2.8 广义预测控制

预测控制（Predictive Control）是一种基于模型的计算机控制算法。其预测模型包括脉冲响应模型、阶跃响应模型、CAMRMA模型和CARIMA模型等。其中，基于CARIMA模型的广义预测控制（GPC），是一种较为新型的计算机控制算法。

3、常见温度控制方法的对比分析

在理解了上述温度控制方法的原理后，表1对各种温度控制方法的特性与应用场合进行了汇总。

温控仪控制算法		控制算法的控制特性	温控仪应用场合
单 一 控 制	常规PID控制	优点：结构简单、实用，性价比高。 缺点：鲁棒性不强；适应性不快；协调性不够好等	易于建立的线性温度控制系统的被控对象模型
	模糊控制	与传统的PID控制相比，响应快，超调量小，鲁棒性强	纯滞后，参数时变或非线性的温度控制系统，如干燥机、工业炉等的温度控制
	神经网络控制	鲁棒性强，响应速度快，抗干扰能力强，算法简单，易于用硬件和软件实现	多变量、多参数、非线性与时变系统，如：电阻炉的温度控制等
复 合 控 制	Fuzzy-PID控制	具有很强的适应性，只要知道部分知识即可建立BP算法	一些大滞后系统中自动寻优P、I、D参数，如管式加热炉的温度控制
	模糊神经网络控制	动态响应快，能达到高精度的快速控制，具有极强的鲁棒性和适应能力，稳定性好	需要不断修正控制参数的温度控制系统，如热电偶校验仪等控温装置
	遗传PID控制	调试方便，控制精度高，抗干扰性强，较高的稳定性能	寻求全局最优且不需任何初始信息的P、I、D参数寻优温控系统中，如陀螺温控系统
	自适应广义预测控制	鲁棒性强，控制精度高	医用温度控制，如微波热疗中的温度控制
	模糊、神经网络	模糊控制鲁棒性强。动态响应与上升时间快，超调小，PID控制器的动态跟踪品质好和稳态精度高	具有较大的滞后性，非线性、时变性的温度控制系统，如高分子聚合物反应温度控制等
	模糊、神经网络和遗传控制	实现温度随外界干扰条件的变化，实时地调节网络和控制规律的功能，具有良好的温度跟踪性能和抗干扰能力	对升温速度和恒温过程的精度要求较高的控制系统，如淬火炉温度控制等

将线性控制与非线性控制相结合，使温度最终满足用户的精度要求，这便是温控系统的终极目标。在实际应用中，我们需要根据具体的应用场合、不同的加热对象、控制要求及精度，来选择最合适的控制方式。

素材来源：见原文链接，由bug菌整理。版权归原作者所有。仅供技术的传播和学习讨论，如涉及作品版权问题，请联系我进行删除。

在云栈社区，我们经常探讨这类工业控制与智能算法的结合，如果你对此有更深入的应用经验，欢迎交流。