劉寶　蔡夢迪　周培　張欣

摘 ? 要：現(xiàn)代工業(yè)生產(chǎn)中出現(xiàn)越來越多具有大慣性、時變性、時滯性的復(fù)雜控制對象，傳統(tǒng)控制算法已經(jīng)不能滿足其越來越高的控制要求. 受啟發(fā)于人體內(nèi)血糖濃度的生理雙向網(wǎng)絡(luò)調(diào)控機制，提出一種智能協(xié)同控制器. 該智能協(xié)同控制器包括主控制單元、輔控制單元、監(jiān)控適應(yīng)單元和協(xié)同控制單元四部分. 在監(jiān)控適應(yīng)單元的監(jiān)督控制和協(xié)同控制單元的協(xié)調(diào)控制下，主控制單元和輔控制單元分工協(xié)作，共同保證該智能協(xié)同控制器在不產(chǎn)生超調(diào)的前提下以較快的上升時間和調(diào)節(jié)時間達到控制系統(tǒng)的目標值. 為檢驗該智能協(xié)同控制器的控制性能，選擇工業(yè)乙醇生物反應(yīng)器作為被控對象，對其生物反應(yīng)溫度進行控制仿真. 實驗結(jié)果表明：相比于普通BP神經(jīng)網(wǎng)絡(luò)控制器和模糊控制器，該智能協(xié)同控制器具有更好的動態(tài)性能、穩(wěn)態(tài)性能及抗干擾能力.

關(guān)鍵詞：雙向網(wǎng)絡(luò)調(diào)控機制;神經(jīng)網(wǎng)絡(luò);模糊控制;協(xié)同控制

中圖分類號：TP18 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標志碼：A

Design of Intelligent Coordinated Controller Based on

Physiological Regulation Mechanism of Blood Glucose Concentration

LIU Bao，CAI Mengdi，ZHOU Pei，ZHANG Xin

（College of Control Science and Engineering，China University of Petroleum，Qingdao 266580，China）

Abstract：There are more and more complex control objects with large inertia， time-varying and time-delaying in modern industrial production. The traditional control algorithms fail to meet their higher and higher control requirements. Inspired by the physiological two-way network regulation mechanism of blood glucose concentration in human body， an intelligent coordinated controller is proposed. The intelligent coordinated controller includes four parts： a main control unit（MCU）， an auxiliary control unit（ACU）， a monitoring adaptation unit（MAU） and a cooperative control unit（CCU）. Under the supervisory control of the MAU and the coordinated control of the CCU， the MCU and the ACU work synergistically to ensure that the intelligent coordinated control system reaches the target value of the control system with a relatively smaller rise time and adjustment time on the premise of no overshoot. In order to verify the control performance of the intelligent coordinated controller， an industrial ethanol fermentation bioreactor is selected as the controlled object， and the temperature of the bioreactor is controlled and simulated. The experimental results show that the intelligent coordinated controller has better dynamic performance， steady-state performance and anti-interference ability when compared with the common BP neural network controller and fuzzy controller.

Key words：two-way network regulation mechanism;neural network;fuzzy control;collaborative control

隨著工業(yè)生產(chǎn)的發(fā)展，傳統(tǒng)的控制理論和技術(shù)已經(jīng)難以滿足其日益復(fù)雜的控制要求. 現(xiàn)代工業(yè)過程控制中出現(xiàn)的復(fù)雜控制對象越來越多，且工藝環(huán)境和控制目標的復(fù)雜性也日益突出，這對智能控制理論和技術(shù)的發(fā)展提出更高的要求[1-2]. 常見的智能控制理論與技術(shù)主要包括專家控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制、集成智能控制、遺傳算法與進化計算等[3-4].

智能控制技術(shù)的發(fā)展過程中，自然界中各種生物的智能行為，尤其是人類的智能行為或特殊生理調(diào)控機制對其發(fā)展有重要的啟發(fā)作用. 如人體內(nèi)神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)、免疫系統(tǒng)和遺傳系統(tǒng)等生理調(diào)節(jié)系統(tǒng)，具有許多特殊的學習或調(diào)控機制. 其中，神經(jīng)內(nèi)分泌系統(tǒng)作為人體內(nèi)一個重要的生理調(diào)節(jié)系統(tǒng)，對各種激素的調(diào)控具有自適應(yīng)性和穩(wěn)定性等優(yōu)點. 因此研究基于神經(jīng)內(nèi)分泌系統(tǒng)的生物智能控制理論，可為工業(yè)生產(chǎn)中復(fù)雜控制對象提供新的研究思路，提高其控制質(zhì)量[5-6].

近些年已經(jīng)出現(xiàn)一些有關(guān)神經(jīng)內(nèi)分泌控制的研究成果. 如文獻[7]基于神經(jīng)內(nèi)分泌系統(tǒng)的睪丸素調(diào)控原理，提出一種新穎的雙層結(jié)構(gòu)控制器，但該控制器存在對時變控制對象不適用且控制參數(shù)不能自適應(yīng)調(diào)整等問題. 文獻[8]基于神經(jīng)內(nèi)分泌甲狀腺激素調(diào)節(jié)原理，提出一種帶長環(huán)和超短環(huán)結(jié)構(gòu)的智能控制器，并成功應(yīng)用于機器人系統(tǒng)控制，但該智能控制器在響應(yīng)速度和控制精度上還存在不足. ?文獻[9]基于激素調(diào)節(jié)利用多種反饋保持內(nèi)分泌系統(tǒng)穩(wěn)定的原理，提出一種基于神經(jīng)內(nèi)分泌算法的智能控制器，并成功應(yīng)用于永磁同步電機控制系統(tǒng)，但該智能控制器還不具備較好的穩(wěn)定性和魯棒性. 上述基于神經(jīng)內(nèi)分泌的智能控制在應(yīng)用上仍具有局限性，且對于工業(yè)生產(chǎn)中具有時滯性、大慣性、時變性的復(fù)雜控制對象，例如生物酒精發(fā)酵生物反應(yīng)器的溫度控制，上述智能控制器仍不能實現(xiàn)較好的自適應(yīng)控制和穩(wěn)定控制.

針對上述問題，本文受啟發(fā)于神經(jīng)內(nèi)分泌系統(tǒng)雙向網(wǎng)絡(luò)調(diào)控機制及胰島素脈沖分泌模式，提出一種基于人體內(nèi)血糖濃度生理調(diào)控機制的智能協(xié)同控制器. 該智能協(xié)同控制器具備較好的自適應(yīng)性和穩(wěn)定性，能夠提高對具有時滯性、大慣性、時變性等復(fù)雜控制對象調(diào)控的動態(tài)性能及穩(wěn)態(tài)性能指標.

1 ? 人體內(nèi)血糖濃度雙向網(wǎng)絡(luò)調(diào)控機制原理

1.1 ? 人體內(nèi)雙向網(wǎng)絡(luò)調(diào)控機制

雙向網(wǎng)絡(luò)調(diào)控機制對于維持人體內(nèi)許多生理指標的穩(wěn)定或平衡非常重要. 雙向調(diào)控網(wǎng)絡(luò)包括兩個子網(wǎng)絡(luò)：交感神經(jīng)網(wǎng)絡(luò)（sympathetic nerve network，SNN）和副交感神經(jīng)網(wǎng)絡(luò)（parasympathetic nerve network，PNN）. 對于同一生理指標，交感神經(jīng)網(wǎng)絡(luò)和副交感神經(jīng)網(wǎng)絡(luò)都是通過分泌大量的激素分別實現(xiàn)增強和抑制調(diào)節(jié)作用，從而將體內(nèi)的生理指標穩(wěn)定在正常的范圍內(nèi). SNN的調(diào)節(jié)作用可以增強免疫力，加速機體的新陳代謝，PNN的調(diào)節(jié)作用可減弱或減慢機體的活動能力. 例如當體內(nèi)的某一生理指標值高于其正常水平時，SNN的調(diào)節(jié)作用首先比PNN的調(diào)節(jié)作用強得多，從而令生理指標值迅速降低;當指標值接近正常水平時，兩者的調(diào)節(jié)作用變得相等. 在復(fù)雜生理調(diào)控網(wǎng)絡(luò)的雙向調(diào)節(jié)作用下，生物體內(nèi)的一些生理指標可以快速變得穩(wěn)定，并且具有較強的穩(wěn)定性和魯棒性[10].

1.2 ? 血糖濃度的調(diào)節(jié)過程

人體內(nèi)的血糖濃度就是通過上述雙向網(wǎng)絡(luò)調(diào)控機制維持穩(wěn)態(tài)的. 血糖濃度在雙向網(wǎng)絡(luò)調(diào)控機制作用下維持穩(wěn)定的具體調(diào)節(jié)過程如下：當人體內(nèi)的血糖濃度低于正常值時，血糖濃度傳感因子將血糖濃度信號傳輸至大腦皮質(zhì)等神經(jīng)中樞系統(tǒng)調(diào)理后，再傳遞給下丘腦血糖調(diào)節(jié)中樞，使SNN的作用強于PNN，這將導(dǎo)致胰腺中胰島素的分泌減少并使胰高血糖素的分泌增加，從而可以抑制血糖的分解且促進肝臟中的肝糖原分解成血糖，最終使血糖濃度迅速上升. 相反，當人體內(nèi)的血糖濃度高于正常值時，PNN的作用將強于SNN，這會增加胰島素的分泌，減少胰高血糖素的分泌，從而促進血糖的分解且抑制肝糖原分解成血糖，最終導(dǎo)致血糖濃度迅速下降. 當PNN和SNN的作用均衡時，胰島素和胰高血糖素的分泌大體相同，從而維持人體內(nèi)血糖濃度的穩(wěn)定[11].

當人們進食后，食物中的糖類被轉(zhuǎn)化為葡萄糖，使得血糖濃度會在三餐后急劇上升. 同時胰島素含量會比較靈敏地響應(yīng)血糖濃度的變化，呈脈沖狀分泌來降低血糖濃度，以維持血糖濃度的穩(wěn)定. 同樣當血糖濃度低于正常水平時，胰高血糖素也會呈脈沖狀分泌來提高血糖濃度，恢復(fù)到正常水平. 胰島素呈脈沖樣的分泌模式對其發(fā)揮正常的降糖作用意義重大. 醫(yī)學上為了對比脈沖式和持續(xù)恒速兩種胰島素分泌方式的降糖效果，將等量的胰島素分別以上面兩種方式注射，結(jié)果表明達到相同血糖水平和相同血糖清除率，脈沖樣分泌模式的降糖效率比持續(xù)恒速分泌模式高30%[12].

血糖濃度維持穩(wěn)定的調(diào)節(jié)過程存在三個特性. 第一個是雙向網(wǎng)絡(luò)調(diào)控機制，即當血糖的濃度高于或低于正常值時，交感神經(jīng)網(wǎng)絡(luò)和副交感神經(jīng)網(wǎng)絡(luò)兩個子網(wǎng)絡(luò)協(xié)同工作，共同調(diào)控使其恢復(fù)到正常水平. 第二個是快速脈沖調(diào)控機制，即當血糖的濃度高于或低于正常值時，胰腺分泌的胰島素會作為一個巨大的脈沖，迅速地增加或減少，使得血糖的濃度迅速接近正常值. 第三個是生理預(yù)得胰島素穩(wěn)態(tài)分泌率的特性，即在正常的血糖濃度水平時，胰腺的胰島素分泌速率存在穩(wěn)定的恒定值. 基于以上三個調(diào)節(jié)特性，血糖濃度可以迅速恢復(fù)到生理穩(wěn)態(tài)值.

2 ? 基于血糖濃度雙向網(wǎng)絡(luò)調(diào)控機制的智能協(xié)

同控制器設(shè)計

在復(fù)雜非線性對象控制過程中，為實現(xiàn)工藝變量在較小或無超調(diào)的前提下，以較快速度接近設(shè)定值，本文設(shè)計了一種基于血糖濃度生理調(diào)控機制的智能協(xié)同控制器.

2.1 ? 智能協(xié)同控制器的結(jié)構(gòu)設(shè)計

受啟發(fā)于人體內(nèi)血糖調(diào)節(jié)過程中的雙向網(wǎng)絡(luò)調(diào)控機制、胰島素脈沖式分泌模式以及生理上預(yù)先獲得胰島素分泌速率三個特性，本文設(shè)計的智能協(xié)同控制器系統(tǒng)結(jié)構(gòu)如圖1所示. 圖中控制系統(tǒng)的設(shè)定值sp（t）對應(yīng)于人體內(nèi)正常的血糖濃度，被控對象輸出值pv（t）對應(yīng)著人體內(nèi)實際的血糖濃度，控制器輸出值u（t）對應(yīng)于胰腺分泌的胰島素水平.

對應(yīng)于人體內(nèi)的交感神經(jīng)網(wǎng)絡(luò)、副交感神經(jīng)網(wǎng)絡(luò)、大腦皮質(zhì)神經(jīng)中樞和下丘腦血糖調(diào)節(jié)中樞，依次分別設(shè)計智能協(xié)同控制器的主控制單元、輔控制單元、協(xié)同控制單元和監(jiān)控適應(yīng)單元，具體對應(yīng)關(guān)系如表1所示.

1）當控制系統(tǒng)的設(shè)定值sp（t）發(fā)生改變或出現(xiàn)外部干擾導(dǎo)致系統(tǒng)產(chǎn)生較大偏差e（t）時，主控制單元輸出脈沖式的控制信號u1（t），改善控制系統(tǒng)動態(tài)變化過程中的上升時間和超調(diào)量等指標.

2）當控制系統(tǒng)達到相對穩(wěn)定狀態(tài)時，輔控制單元輸出控制信號u2（t），使其快速接近穩(wěn)態(tài)值us（t）并進行微調(diào)，改善其工藝變量穩(wěn)態(tài)變化過程中的調(diào)節(jié)時間和控制精度.

3）協(xié)同控制單元在整個控制過程中協(xié)同調(diào)控

主、輔控制單元的工作過程，并融合產(chǎn)生最終的控制輸出信號.

4）監(jiān)控適應(yīng)單元負責實時監(jiān)測控制系統(tǒng)運行狀態(tài)，提供控制系統(tǒng)的實時期望響應(yīng)軌跡并提高智能協(xié)同控制器的適應(yīng)性.

2.2 ? 主控制單元的設(shè)計

當控制系統(tǒng)出現(xiàn)偏差時，為實現(xiàn)工藝變量在較小或無超調(diào)的前提下快速接近設(shè)定值，受啟發(fā)于SNN在雙向調(diào)控網(wǎng)絡(luò)中的作用和結(jié)構(gòu)特點設(shè)計了主控制單元，基于血糖濃度調(diào)節(jié)過程中胰島素脈沖分泌模式高效調(diào)節(jié)血糖的特性，設(shè)計了主控制單元的快速脈沖式控制規(guī)律.

主控制單元的快速脈沖式控制規(guī)律為：當控制系統(tǒng)出現(xiàn)較大偏差時，主控制單元輸出一個脈沖狀控制信號，其峰值為最強控制信號，使工藝變量迅速地接近設(shè)定值;同時為避免出現(xiàn)超調(diào)，控制信號要及時從峰值恢復(fù)到穩(wěn)態(tài)值.

整個脈沖式控制規(guī)律利用BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn). BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計為三層，分別為輸入層、隱含層、輸出層. 一般輸入層選取3個神經(jīng)元，且3個神經(jīng)元在不同控制階段輸入信息不同，隱含層常選取5～7個神經(jīng)元，輸出層神經(jīng)元為主控制單元控制信號u1（t）.

主控制單元在輸出脈沖式控制信號時，為實現(xiàn)脈沖信號的上升沿，期望神經(jīng)網(wǎng)絡(luò)輸出控制系統(tǒng)所需的最強控制信號um（t）. 此時神經(jīng)網(wǎng)絡(luò)輸入層3個神經(jīng)元的輸入信息分別為：最強控制信號um（t）、主控制單元控制信號u1（t-ts）和誤差error1（t），其中error1（t） = um（t）-u1（t-ts），ts表示采樣周期. 為避免主控制單元控制信號在脈沖峰值維持時間過長導(dǎo)致控制系統(tǒng)出現(xiàn)超調(diào)或者劇烈震蕩，當系統(tǒng)響應(yīng)曲線與2.4節(jié)監(jiān)控適應(yīng)單元期望響應(yīng)曲線之間的誤差絕對值小于誤差閾值ε1時，則使主控制單元輸出脈沖的下降沿，期望神經(jīng)網(wǎng)絡(luò)輸出未來控制系統(tǒng)穩(wěn)態(tài)對應(yīng)的控制信號值us（t）. 此時神經(jīng)網(wǎng)絡(luò)輸入層三個神經(jīng)元輸入信息分別為：未來控制信號穩(wěn)態(tài)值us（t）、主控制單元控制信號u1（t - ts）和誤差error1（t），其中error1（t） = us（t）-u1（t - ts）. 此過程中，神經(jīng)網(wǎng)絡(luò)通過BP算法，對網(wǎng)絡(luò)的權(quán)值和誤差進行反復(fù)修正，使輸出值盡可能的接近期望值[13-14].

為實現(xiàn)神經(jīng)網(wǎng)絡(luò)學習過程中學習率的自適應(yīng)性，提高神經(jīng)網(wǎng)絡(luò)對非線性對象的控制精度，采用基于神經(jīng)網(wǎng)絡(luò)誤差變化量error1（t）的學習率自動調(diào)節(jié)公式，如式（1）所示，

δ（t）=λ1 δ（t-ts），當error1（t）>0時λ2 δ（t-ts），當error1（t）<0時δ（t），其他情況時 ? （1）

式中：δ（t）表示第t次迭代的學習率，且Δerror1（t）=

error1（t）-error1（t-ts）. Δerror1（t）>0時，表明第t-ts次迭代無效，則需乘以減量系數(shù)λ1，以減小學習步長，從而避免無效的迭代，提高學習效率;當Δerror1（t）<0時，表明第t-ts次迭代有效，則乘以增量系數(shù)λ2，以增大學習步長，加快網(wǎng)絡(luò)學習速度[15]. 本文借鑒人體內(nèi)激素的Hill函數(shù)分泌調(diào)節(jié)規(guī)律，設(shè)計減量系數(shù)λ1和增量系數(shù)λ2變化規(guī)律，具體如式（2）所示.

λ1（G） = ? ? ? （2）

式中：G是函數(shù)自變量;T為閾值，且T > 0;n為Hill系數(shù)，且n≥1;λ1的取值滿足0.5≤λ1（G）≤1. λ2的值應(yīng)大于1，設(shè)置為2λ1. 顯然，式（2）變化規(guī)律具有單調(diào)性和非負性.

為實現(xiàn)主控制單元快速脈沖式控制規(guī)律，被控對象的控制信號穩(wěn)態(tài)值us（t）是智能協(xié)同控制器的一個重要參數(shù)，且影響到控制系統(tǒng)的控制性能. 受啟發(fā)于胰島素分泌速率可以預(yù)得的特性，為預(yù)先獲得被控對象的控制信號穩(wěn)態(tài)值us（t），可以利用傳統(tǒng)控制方式在n個不同工作點附近進行階躍響應(yīng)測試，從而得到被控對象設(shè)定值sp（t）和控制信號穩(wěn)態(tài)值us（t） 的n組數(shù)據(jù)對{（sp1，us1），（sp1，us1），…，（spn，usn）}. 進一步利用數(shù)據(jù)擬合工具得到兩者之間近似的非線性關(guān)系式，可由式（3）表達：

us（t） = F（sp（t）） ? ? ? ?（3）

式中：F（·）代表控制信號穩(wěn)態(tài)值us（t）和設(shè)定值sp（t）的對應(yīng)非線性關(guān)系. 這樣在控制系統(tǒng)給定不同設(shè)定值 sp（t）時，就可以近似獲得不同設(shè)定值所對應(yīng)的控制信號穩(wěn)態(tài)值us（t）.

2.3 ? 輔控制單元的設(shè)計

主控制單元主要作用是滿足控制系統(tǒng)的動態(tài)性能指標，以進一步提高穩(wěn)態(tài)過程中的控制精度等. 受啟發(fā)于PNN在雙向調(diào)控網(wǎng)絡(luò)中的結(jié)構(gòu)特點及其與SNN的協(xié)同作用，設(shè)計了輔控制單元控制規(guī)律.

輔控制單元控制規(guī)律同樣利用BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn). 當控制系統(tǒng)進入相對穩(wěn)定的狀態(tài)時，主控制單元輸出的控制信號穩(wěn)態(tài)值不能實現(xiàn)較高的控制精度. 而BP神經(jīng)網(wǎng)絡(luò)可以通過較強的學習能力將控制誤差降到較小的范圍內(nèi)，因此能夠滿足控制器較高的控制精度. 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為三層，分別為輸入層、隱含層、輸出層. 輸入層一般選取3個神經(jīng)元，且3個神經(jīng)元的輸入信息分別為error2（t）、error2（t） -error2（t - ts）和error2（t） + error2（t - ts），其中error2（t）表示神經(jīng)網(wǎng)絡(luò)的學習誤差，并且學習誤差在不同控制階段具有不同的定義. 隱含層常選取5～7個神經(jīng)元，輸出層神經(jīng)元為輔控制單元控制信號u2（t）.

輔控制單元的控制規(guī)律為：在控制系統(tǒng)的設(shè)定值發(fā)生改變后，為跟蹤控制系統(tǒng)設(shè)定值變化，神經(jīng)網(wǎng)絡(luò)的學習誤差error2（t）表達如式（4）所示：

error2（t） = η·（sp（t） - pv（t - ts）） ? ? （4）

式中：當控制系統(tǒng)被控對象為正作用特性時η = 1，反之，η = -1.

當系統(tǒng)響應(yīng)曲線與2.4節(jié)監(jiān)控適應(yīng)單元期望響應(yīng)曲線之間的絕對誤差小于誤差閾值ε1時，為避免出現(xiàn)超調(diào)或震蕩，同時有利于輔控制單元對主控制單元起協(xié)調(diào)作用，期望輔控制單元輸出未來控制信號穩(wěn)態(tài)值us（t）. 此時神經(jīng)網(wǎng)絡(luò)學習誤差error2（t）則為控制信號穩(wěn)態(tài)值us（t）與輔控制單元輸出的控制信號u2（t）之間的差值，如式（5）所示：

error2（t） = us（t） - u2（t） ? ? ?（5）

當系統(tǒng)響應(yīng)曲線與監(jiān)控適應(yīng)單元期望響應(yīng)曲線之間的絕對誤差小于誤差閾值ε2時，為保證控制精度，神經(jīng)網(wǎng)絡(luò)error2（t）重新設(shè)置為公式（4）所示的定義方式. 一般情況下ε2 < ε1. 神經(jīng)網(wǎng)絡(luò)通過BP算法對網(wǎng)絡(luò)權(quán)值和誤差不斷進行修正，同樣利用式（1）所示的學習率自動調(diào)節(jié)方法來提高學習率的適應(yīng)性，獲得神經(jīng)網(wǎng)絡(luò)的輸出u2（t），也是輔控制單元要輸出的控制信號.

2.4 ? 監(jiān)控適應(yīng)單元的設(shè)計

為了監(jiān)控主、輔控制單元的工作狀態(tài)并滿足在不同工作點的控制性能指標，實現(xiàn)控制系統(tǒng)的響應(yīng)輸出具有較小的上升時間且避免超調(diào)，對應(yīng)下丘腦血糖調(diào)節(jié)中樞對血糖濃度的監(jiān)測與調(diào)控作用，設(shè)計了監(jiān)控適應(yīng)單元控制規(guī)律.

監(jiān)控適應(yīng)單元提供系統(tǒng)的期望響應(yīng)曲線，利用期望響應(yīng)曲線與控制系統(tǒng)響應(yīng)曲線之間的實時誤差，進一步確定主、輔控制單元的控制信號輸出達到控制信號穩(wěn)態(tài)值us（t）的時間，從而保證主、輔控制單元實現(xiàn)各自的控制性能指標.

本文主要針對化工過程大多數(shù)開環(huán)穩(wěn)定工程對象，且可以用一階純滯后環(huán)節(jié)近似. 對于開環(huán)不穩(wěn)定對象，需要施加單獨閉環(huán)控制先實現(xiàn)穩(wěn)定之后再應(yīng)用本文控制算法. 因此，選用時間常數(shù)比較小的一階慣性環(huán)節(jié)內(nèi)部模型作為性能目標，可以實現(xiàn)對大多數(shù)化工過程對象的高質(zhì)量控制需求. 通常一階慣性模型的響應(yīng)速度較快且無超調(diào)，將一階慣性作為監(jiān)控適應(yīng)單元的目標模型，由其得到響應(yīng)曲線作為控制系統(tǒng)的期望響應(yīng)曲線. 目標模型傳遞函數(shù)表達式如式（6）所示：

G′（s） = ? ? ? （6）

式（6）中時間常數(shù)T ′ 影響期望響應(yīng)曲線的響應(yīng)速度和上升時間，從而決定了主、輔控制單元輸出的控制信號變?yōu)榭刂菩盘柗€(wěn)態(tài)值us（t）的時間，因此時間常數(shù)T ′ 的設(shè)置對控制系統(tǒng)的控制精度非常重要. 由于非線性控制對象在最強控制信號作用下的響應(yīng)速度是最快的，為了使目標模型獲得較小的上升時間，因此依據(jù)被控對象在最強控制作用下響應(yīng)曲線的時間常數(shù)t ′ 來確定目標模型的時間常數(shù)T ′ .

上述涉及控制系統(tǒng)中最強控制信號的確定方法為：若控制對象為正作用特性，設(shè)控制系統(tǒng)設(shè)定值從 sp1變?yōu)閟p2，且sp1 < sp2，被控對象的最強控制信號um（t）即為最大控制信號umax（t）;反之，若sp1 > sp2時，最強控制信號um（t）即為最小控制信號umin（t）. 如式（7）所示：

um（t） = umax（t），當sp1 < sp2時umin（t），當sp1 > sp2時 ? ? （7）

若控制對象為反作用特性，則其最強控制信號um（t）的選擇方式正好與公式（7）相反.

那么，以正作用特性被控對象為例，當其設(shè)定值由sp1變?yōu)閟p2，且sp1 < sp2時，該被控對象在最強控制信號作用下，響應(yīng)曲線的時間常數(shù)t′確定方法如下：若設(shè)定值初值sp1對應(yīng)的穩(wěn)態(tài)控制信號為初始控制信號u0（t），最強控制信號即為最大控制信號umax（t），兩者之間的差值為um（t），如式（8）所示：

um（t） = umax（t） - u0（t） ? ? ? （8）

um（t）經(jīng)拉普拉斯變換為um（s）. 由于工業(yè)生產(chǎn)中大多數(shù)的工藝過程在工作點附近可以利用一階純滯后模型來近似表示，其傳遞函數(shù)如式（9）所示：

G（s） = ? ? ? （9）

式中：K（t）為開環(huán)增益，T（t）為時間常數(shù)，τ（t）為純滯后時間. 在階躍信號Um（s）作用下，此時控制系統(tǒng)被控對象的輸出值增量C（s）為：

C（s） = G（s）·Um（s） ? ? ?（10）

將被控對象的輸出值增量C（s）經(jīng)拉普拉斯反變換得Δc（t），且被控對象設(shè)定值初值sp1與終值sp2之間的差值為sp，如式（11）所示：

sp = sp2 - sp1 ? ? ? ? ? （11）

一般認為，近似的一階被控對象在階躍信號作用下，從初始狀態(tài)達到設(shè)定值初值與終值之間變化量的63.2%所需的時間接近對象時間常數(shù). 因此為獲得在最強控制信號下的時間常數(shù)t′，令

c（t′） = 0.632·sp ? ? ? ? （12）

由等式（12）得到的t′即為設(shè)定值為sp2時，被控對象在最強控制信號下的大致時間常數(shù). 此時被控對象的上升時間是最短的.

考慮到實際應(yīng)用中，目標模型的時間常數(shù)T′取值應(yīng)略大于t′，可設(shè)置為kt′，其中k>1. 由此，即可獲得設(shè)定值改變?yōu)閟p2時的目標模型，由其得到控制系統(tǒng)被控對象所需的期望響應(yīng)曲線. 當工業(yè)生產(chǎn)中的工藝過程工作點附近利用二階純滯后模型來近似表示時，監(jiān)控適應(yīng)單元目標模型的時間常數(shù)T′與一階純滯后模型得到的時間常數(shù)T′近似相等. 因此，多數(shù)情況下兩者之間的期望響應(yīng)曲線差異較小，獲得的控制效果差異較小.

2.5 ? 協(xié)同控制單元的設(shè)計

主控制單元和輔控制單元的控制優(yōu)勢體現(xiàn)在不同的控制階段，為實現(xiàn)主、輔控制單元在整個控制過程中的相互配合，受啟發(fā)于大腦皮質(zhì)等高級神經(jīng)中樞對雙向調(diào)控網(wǎng)絡(luò)的協(xié)同作用，設(shè)計了協(xié)同控制單元來協(xié)同組織主、輔兩個控制單元.

協(xié)同控制單元利用模糊控制算法實現(xiàn). 根據(jù)控制系統(tǒng)的偏差和偏差變化量，得到主控制單元的控制系數(shù)k1. 主控制單元的控制系數(shù)k1 > 0，輔控制單元的控制系數(shù)k2 > 0，且k1 + k2 = 1. 那么，智能協(xié)同控制器輸出的控制信號u（t）則表示為：

u（t） = k1 u1（t） + k2 u2（t） ? ? ? ? （13）

如式（13）所示，智能協(xié)同控制器的控制信號u（t）為主、輔控制單元輸出的控制信號分別乘以各自控制系數(shù)后的總和. 因此，控制系數(shù)k1、k2決定了控制器在不同的控制階段，是否由主控制單元或輔控制單元發(fā)揮主要作用. 即當控制系統(tǒng)的偏差或偏差變化較大時，協(xié)同控制單元會使主控制單元系數(shù) k1輸出較大值，使主控制單元發(fā)揮主要作用;而當控制系統(tǒng)的偏差較小時，協(xié)同控制單元會使主控制單元系數(shù)k1輸出較小值，使輔控制單元發(fā)揮主要作用.

實現(xiàn)協(xié)同控制單元算法的基本步驟如下：

1）參數(shù)定義. 確定輸入變量、輸出變量及量化因子、比例因子. 將控制系統(tǒng)控制偏差e（t）和偏差變化率ec（t）作為協(xié)同控制單元的輸入變量，主控制單元的控制系數(shù)k1作為輸出變量. 確定輸入、輸出變量的基本論域及模糊偏差量E、偏差變化率量EC、控制系數(shù)變量k1模糊論域. 進一步根據(jù)基本論域和模糊論域確定偏差的量化因子ke、偏差變化率的量化因子 kec及控制系數(shù)的比例因子K k1.

2）模糊化. 確定各個輸入變量和輸出變量的模糊語言值及隸屬度函數(shù)[16]. 輸入變量E、EC的模糊語言值分別選取7個：負大（NB）、負中（NM）、負?。∟S）、零（ZO）、正小（PS）、正中（PM）、正大（PB）;輸出變量的模糊語言值選取5個：負大（NB）、負?。∟S）、零（ZO）、正小（PS）、正大（PB）. 根據(jù)相應(yīng)隸屬度函數(shù)獲得相應(yīng)模糊子集的隸屬度，實現(xiàn)了精確量轉(zhuǎn)化為模糊語言值[17].

3）建立模糊規(guī)則. 根據(jù)控制經(jīng)驗，輸出變量k1在不同e（t）和ec（t）下自調(diào)整需要滿足以下49條調(diào)整規(guī)則，具體的模糊控制規(guī)則如表2所示.

4）去模糊化. 本文選擇最大隸屬度法[18]，結(jié)合比例因子將控制系數(shù)k1模糊值轉(zhuǎn)化為精確值，進而得到控制系數(shù)k2，最終獲得智能協(xié)同控制器的實時控制信號u（t）.

2.6 ? 智能協(xié)同控制器的整體工作過程

智能協(xié)同控制器利用協(xié)同控制單元對主控制單元與輔控制單元的輸出信號進行協(xié)同組織時，同時利用監(jiān)控適應(yīng)單元對控制系統(tǒng)的響應(yīng)曲線進行實時跟蹤監(jiān)督，從而可以實現(xiàn)主、輔控制單元的光滑切換，保證控制器的正常工作并實現(xiàn)各項控制指標控制要求. 控制器的控制流程如圖2所示.

1）當控制器的設(shè)定值發(fā)生改變時，經(jīng)協(xié)同控制單元的判斷和協(xié)調(diào)，控制器的主控制單元進入工作狀態(tài)，輸出脈沖式的控制信號.

2）當控制系統(tǒng)的絕對誤差小于閾值ε1時，經(jīng)協(xié)同控制單元的判斷和協(xié)調(diào)，輔控制單元進入工作狀態(tài)，輸出控制器的控制信號.

3）主、輔控制單元整個工作過程都由監(jiān)控適應(yīng)單元監(jiān)控和協(xié)同控制單元協(xié)同，以保證主控制單元實現(xiàn)較高的動態(tài)性能指標及輔控制單元實現(xiàn)較高的穩(wěn)態(tài)性能指標.

3 ? 系統(tǒng)仿真及結(jié)果分析

3.1 ? 仿真被控對象

為了測試該智能協(xié)同控制器具有良好的控制效果，選擇用于實現(xiàn)生物酒精發(fā)酵過程的生物反應(yīng)器作為被控對象. 該生物反應(yīng)器是一個增益和時間常數(shù)具有強時變性和強非線性的化學反應(yīng)過程，傳統(tǒng)的控制算法一般難以取得理想的控制效果. 反應(yīng)裝置如圖3所示，Cs是葡萄糖濃度;Cp是乙醇濃度;O2是氧氣;C O2是液態(tài)氧的溶解濃度;C*O2是液態(tài)氧的平衡濃度;Tc是溫度控制器;Tin是進料溫度;Tr為反應(yīng)器溫度;Te是出料溫度;Tog是夾層里冷卻劑的溫度;Fi是進料流量;Fe為出料流量;Fog是冷卻劑流量. 該生物反應(yīng)器的各模型參數(shù)值和機理模型可參見文獻[19].

智能協(xié)同控制器的監(jiān)控適應(yīng)單元需要確定被控對象的傳遞函數(shù)表達式，因此利用多個溫度工作點階躍響應(yīng)辨識方法建立一階滯后傳遞函數(shù)模型，通過Matlab的擬合工具得到該生物反應(yīng)器溫度的模型如式（14）所示：

G（s） = K（t）=-9.744Tr（t）0.960 9+180.8T（t）=86.39Tr（t）0.280 9-192.3τ（t）=0.014 4Tr（t）2-0.925 9Tr（t）+12.45 ? （14）

3.2 ? 仿真結(jié)果分析

仿真實驗過程中將控制系統(tǒng)設(shè)定值先由32 ℃變化到35 ℃，再變化到28 ℃，最后為24 ℃. 針對生物反應(yīng)器非線性溫度被控對象，分別用本文設(shè)計的智能協(xié)同控制器、常規(guī)BP神經(jīng)網(wǎng)絡(luò)控制器、常規(guī)模糊控制器和文獻[10]中的非線性導(dǎo)向智能控制器進行控制，對比4種控制器的控制效果. 各控制器的參數(shù)設(shè)置如下：

1）常規(guī)BP神經(jīng)網(wǎng)絡(luò)控制器：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層. 輸入層選取3個神經(jīng)元，分別為控制系統(tǒng)工藝變量設(shè)定值、測量值和兩者間誤差. 隱含層選取7個神經(jīng)元，輸出層神經(jīng)元為控制系統(tǒng)的控制信號. 隱含層和輸出層的激勵函數(shù)選用tanh函數(shù)，學習速率為0.3.

2）常規(guī)模糊控制器：輸入變量為誤差e（t）、誤差變化率ec（t）及輸出變量為控制信號u，量化因子K e和K ec分別為1/12和1/2，比例因子 為1/3. 輸入變量E、EC和輸出變量U的模糊語言值分別選取7個：負大（NB）、負中（NM）、負?。∟S）、零（ZO）、正?。≒S）、正中（PM）、正大（PB）;E、EC和U的“NB”都選擇Z型隸屬度函數(shù)，“PB”都選擇S型隸屬度函數(shù)，其余語言變量都選擇三角形隸屬度函數(shù).

3）非線性導(dǎo)向智能控制器：該控制器的設(shè)計也是受啟發(fā)于雙向網(wǎng)絡(luò)調(diào)控機制和人體葡萄糖調(diào)節(jié)特性，主要包括協(xié)同控制單元、增強控制單元、抑制控制單元和輔控制單元，各單元參數(shù)的具體設(shè)置方式可參見文獻[10].

4）智能協(xié)同控制器：主、輔控制單元神經(jīng)網(wǎng)絡(luò)隱含層激勵函數(shù)都為sigmoid函數(shù)，輸出層激勵函數(shù)都為tanh函數(shù)，學習率分別設(shè)置為0.3和0.2. 誤差閾值ε1為1.8，ε2為0.2. 監(jiān)控適應(yīng)單元基于一階滯后和二階滯后生物反應(yīng)器模型獲得的目標模型時間常數(shù)近似相等，具體設(shè)置如表3所示. 生物反應(yīng)器溫度設(shè)定值范圍為21 ℃ ～ 36 ℃，因此設(shè)協(xié)同控制單元的輸入變量偏差e（t）的基本論域為[-36，36]及模糊論域為[-6，-4，-2，0，2，4，6]，則偏差的量化因子為1/6. 輸入變量偏差變化率ec的基本論域為[-6，6]及模糊論域為[-6，-4，-2，0，2，4，6]，則偏差變化率的量化因子為1. 輸出變量控制系數(shù)k1的基本論域為[0，1]及模糊論域為[-2，-1，0，1，2]，則輸出變量的比例因子為1/4. 模糊變量E、EC和K1的“NB”都選擇Z型隸屬度函數(shù)，“PB”都選擇S型隸屬度函數(shù)，其余語言變量都選擇三角形隸屬度函數(shù).

控制仿真實驗包括無干擾和存在噪聲干擾兩部分.

1）無干擾控制實驗

智能協(xié)同控制器及其主、輔控制單元各自的控制信號輸出如圖4所示，4種控制器的控制器輸出及控制效果如圖5、圖6所示. 4種控制器的上升時間tr對比如表4所示，調(diào)節(jié)時間ts對比如表5所示，超調(diào)量對比如表6所示，穩(wěn)態(tài)誤差對比如表7所示.

從表4～表7中的數(shù)據(jù)可以看出，相比于常規(guī)的BP神經(jīng)網(wǎng)絡(luò)控制器，智能協(xié)同控制器和其他兩種控制器的上升時間和調(diào)節(jié)時間較短，超調(diào)量較小;并且常規(guī)的模糊控制器存在一定的穩(wěn)態(tài)誤差，智能協(xié)同控制器和其他兩種控制器的穩(wěn)態(tài)誤差較小.

由圖4中智能協(xié)同控制器的控制信號輸出和圖6中智能協(xié)同控制器的控制效果可以看出，該溫度對象特性為反作用特性，當控制系統(tǒng)的設(shè)定值變大時，該智能協(xié)同控制器在短時間內(nèi)輸出幅值為范圍下限的脈沖式控制信號;當設(shè)定值變小時，智能協(xié)同控制器在短時間內(nèi)輸出幅值接近范圍上限的脈沖式控制信號. 即當控制系統(tǒng)的設(shè)定值發(fā)生改變時，主控制單元輸出脈沖式的控制信號，由協(xié)同控制單元的判斷，使主控制單元起主要作用，以減小上升時間，保證控制系統(tǒng)較好的動態(tài)性能. 經(jīng)與監(jiān)控適應(yīng)單元的期望響應(yīng)曲線對比，當控制系統(tǒng)的響應(yīng)曲線接近穩(wěn)態(tài)時，由協(xié)同控制單元判斷，決定智能協(xié)同控制器的控制輸出以輔控制單元的輸出信號為主，減小控制系統(tǒng)的穩(wěn)態(tài)誤差并維持穩(wěn)態(tài). 該效果圖說明了該智能協(xié)同控制器的可行性和良好性能.

由對比圖5中4種控制器的控制信號輸出及圖6中4種控制器的控制效果可以看出：對于同一被控對象生物反應(yīng)器溫度，智能協(xié)同控制器在上升時間tr、超調(diào)量、調(diào)節(jié)時間ts等動態(tài)性能指標的表現(xiàn)上，要明顯優(yōu)于常規(guī)的BP神經(jīng)網(wǎng)絡(luò)控制器. 同時在穩(wěn)態(tài)性能上智能協(xié)同控制器避免了模糊控制器穩(wěn)態(tài)精度不高的問題，取得較好的穩(wěn)態(tài)性能. 在綜合性能上，智能協(xié)同控制器也要優(yōu)于非線性導(dǎo)向智能控制器. 因此本文提出的智能協(xié)同控制器在不同工況下，能夠無超調(diào)且更加迅速地逼近生物反應(yīng)器的目標溫度值，控制性能要優(yōu)于其他3種對比控制器.

2）有干擾控制實驗

為檢驗智能協(xié)同控制器的抗干擾控制能力，分別在4種控制器的被控變量輸出上疊加均值為0、方差為0.15的白噪聲，各控制器參數(shù)值保持不變. 圖7和圖8分別為加入白噪聲后4種控制器的控制信號輸出對比圖和被控變量變化對比圖.

從圖7中可以明顯看出，存在干擾時，常規(guī)的BP神經(jīng)網(wǎng)絡(luò)控制器和模糊控制器輸出的控制信號振蕩幅度比較大，非線性導(dǎo)向智能控制器輸出的控制信號震蕩幅度較小，而智能協(xié)同控制器輸出控制信號的波動最小.

從圖8中可以看出，對于疊加噪聲后的控制系統(tǒng)，智能協(xié)同控制器的控制效果要優(yōu)于常規(guī)的BP神經(jīng)網(wǎng)絡(luò)控制器、模糊控制器和非線性導(dǎo)向智能控制器. 采用均方誤差來評價各控制器的抗干擾能力，智能協(xié)同控制器的均方誤差為0.167 9，非線性導(dǎo)向智能控制器的均方誤差為0.184 3，BP神經(jīng)網(wǎng)絡(luò)控制器的均方誤差為0.210 1，模糊控制器的均方誤差為0.487 1. 因此，相對于3種對比控制器，本文設(shè)計的智能協(xié)同控制器具有更好的抗干擾能力.

4 ? 結(jié) ? 論

1）本文在研究基于神經(jīng)內(nèi)分泌系統(tǒng)的智能控制器的基礎(chǔ)上，受啟發(fā)于神經(jīng)內(nèi)分泌系統(tǒng)在雙向網(wǎng)絡(luò)調(diào)控機制下維持血糖平衡的原理，提出一種基于血糖濃度調(diào)控機制的智能協(xié)同控制器.

2）該智能協(xié)同控制器借鑒雙向網(wǎng)絡(luò)調(diào)控機制思想和胰島素脈沖式分泌模式的特性，可以在不產(chǎn)生超調(diào)的前提下以較小的上升時間接近控制系統(tǒng)目標值，且達到穩(wěn)態(tài)誤差較小. 該控制器能夠提高復(fù)雜被控對象的控制質(zhì)量.

3）將該控制器應(yīng)用于生物反應(yīng)器的溫度控制

中，實驗表明本文所提出的基于生物調(diào)控機制的智能協(xié)同控制器不僅提高了控制系統(tǒng)的動態(tài)性能和穩(wěn)態(tài)性能，而且提高了控制系統(tǒng)的抗干擾能力.

4）將來需要進一步研究神經(jīng)內(nèi)分泌系統(tǒng)復(fù)雜的信息處理與調(diào)控機制，并積極將神經(jīng)內(nèi)分泌系統(tǒng)內(nèi)某些生物網(wǎng)絡(luò)機理與智能控制網(wǎng)絡(luò)相結(jié)合，以便設(shè)計出具備更優(yōu)性能的智能控制器.

參考文獻

[1] ? ?劉寶. 基于生物網(wǎng)絡(luò)的智能控制系統(tǒng)及其應(yīng)用[D]. 上海：東華大學，2006.

LIU B. Bio-network-based intelligent control systems and their applications [D]. Shanghai：Donghua University，2006. （In Chinese）

[2] ? ?孫增圻，鄧志東，張再興. 智能控制理論與技術(shù)[M]. 北京：清華大學出版社，2011.

SUN Z Q，DENG Z D，ZHANG Z X. Theory and technology of intelligent control[M]. Beijing：Tsinghua University Press，2011. （In Chinese）

[3] ? ?辛斌，陳杰，彭志紅. 智能優(yōu)化控制：概述與展望[J]. 自動化學報，2013，39（11）：1831—1848.

XIN B，CHEN J，PENG Z H. Intelligent optimized control：overview and prospect [J]. Acta Automatica Sinca，2013，39（11）：1831—1848. （In Chinese）

[4] ? ?ZHU C H，LI P J，WANG J P，et al. Research on intelligent controller of wind-power yaw based on modulation of artificial neuro-endocrine-immunity system[J]. Procedia Engineering （S1877-7058），2011，15：903—907.

[5] ? ?丁永生. 基于生物網(wǎng)絡(luò)的智能控制與優(yōu)化研究進展[J]. 控制工程，2010，17（4）：416—421.

DING Y S. Research development of bio-network based intelligent control and optimization [J]. Control Engineering of China，2010，17（4）：416—421. （In Chinese）

[6] ? ?金耀，夏毅敏，康輝梅，等. 一種內(nèi)分泌單神經(jīng)元控制策略及應(yīng)用[J]. 系統(tǒng)仿真學報，2014，26（5）：1108—1112.

JIN Y，XIA Y M，KANG H M，et al. Endocrine single neuron control strategy and its applications [J]. Journal of System Simulation，2014，26（5）：1108—1112. （In Chinese）

[7] ? ?CHEN D B，ZOU F J，WANG J T. A multi-objective endocrine PSO algorithm and application [J]. Applied Soft Computing（S1568-4946），2011，11（8）：4508—4520.

[8] ? ?郭崇濱，郝礦榮，丁永生. 基于神經(jīng)內(nèi)分泌的并聯(lián)機器人智能控制系統(tǒng)[J]. 機電工程，2010，27（7）：1—4.

GUO C B，HAO K R，DING Y S. Parallel robort intelligent control system based on neuroendocrine method [J]. Journal of Mechanical & Electrical Engineering，2010，27（7）：1—4. （In Chinese）

[9] ? ?舒雙寶，王曉旭，夏豪杰，等. 基于神經(jīng)內(nèi)分泌算法的智能控制器設(shè)計[J]. 電子測量與儀器學報，2018，32（7）：192—197.

SHU S B，WANG X X，XIA H J，et al. Intelligent controller design based on neuroendocrine algorithm [J]. Journal of Electronic Measurement and Instrumentation，2018，32（7）：192—197. （In Chinese）

[10] ?LIU B，DING Y S，WANG J H. A bio-system inspired nonline intelligent controller with application to bio-reactor system [J]. Neurocomputing，2015，168（C）：1065—1075.

[11] ?王立銘. 糖尿病的過去、現(xiàn)在與未來（九）：胰島素進化論[EB/OL]. （2016-07-25） [2018-05-04]. https：//xueqiu.com/3993902801/79119489.

WANG L M. The past、present and future of diabetes （9）：The theory of insulin evolution[EB/OL]. （2016-07-25） [2018-05-04]. https：//xueqiu.com/3993902801/79119489. （In Chinese）

[12] ?于浩泳，吳海婭，賈偉平. 胰島素脈沖樣分泌的機制及臨床意義[J]. 中華內(nèi)分泌代謝雜志，2005，21（3）：285—287.

YU H Y，WU H Y，JIA W P. Pulsatile insulin secretion mechanism and clinic significance [J]. Chinese Journal of Endocrinology and Metabolism，2005，21（3）：285—287. （In Chinese）

[13] ?YAO Z T，PAN H X. Engine fault diagnosis based on improved BP neural network with conjugate gradient[J]. Applied Mechanics & Materials，2014，536/537：296—299.

[14] ?王鎮(zhèn)道，郭敬勛，肖旺. 基于自適應(yīng)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的光伏MPPT研究[J].湖南大學學報（自然科學版），2019，46（10）：96—100.

WANG Z D，GUO J X，XIAO W. Photovoltaic system MPPT algorithm based on adaptive radial basis function neural network[J]. Journal of Hunan University （Natural Sciences），2019，46（10）：96—100. （In Chinese）

[15] ?付光杰，胡明哲. 基于改進型學習率自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的風力發(fā)電變槳距控制技術(shù)[J]. 自動化與儀器儀表，2016（6）：8—10.

FU G J，HU M Z. Variable pitch control technology for wind power generation based on improved learning rate adaptive BP neural network [J]. Automation & Instrumentation，2016（6）：8—10. （In Chinese）

[16] ?CHOI H H，YUN H M，KIM Y. Implementation of evolutionary fuzzy PID speed controller for PM synchronous motor[J]. IEEE Transactions on Industrial Informatics，2015，11（2）：540—547.

[17] ?劉華，劉敏層. 基于模糊PID在鍋爐溫度控制系統(tǒng)的仿真研究[J]. 自動化與儀表，2018，33（4）：20—25.

LIU H，LIU M C. Simulation research of boiler temperature control system based on fuzzy PID [J]. Automation & Instrumentation，2018，33（4）：20—25. （In Chinese）

[18] ?楊小龍，徐鑫陽，馬自會. 基于改進模糊PID算法的空燃比控制策略研究[J]. 湖南大學學報（自然科學版），2015，42（4）：34—39.

YANG X L，XU X Y，MA Z H. Research on single cylinder engine A/F control based on a modified fuzzy PID strategy[J]. Journal of Hunan University （Natural Sciences），2015，42（4）：34—39. （In Chinese）

[19] ?NAGY Z K. Model based control of a yeast fermentation bioreactor using optimally designed artificial neural networks[J]. Chemical Engineering Journal，2007，127（1）：95—109.

收稿日期：2020-01-06

基金項目：國家自然科學基金重點資助項目（60534020，60775052），National Natural Science Foundation of China（60534020，60775052）;中央高?；究蒲袠I(yè)務(wù)費專項資金資助項目（20CX05006A），The Fundamental Research Funds for the Central Universities（20CX05006A）;中石油重大科技項目（ZD2019-183-007），The Major Scientific and Technological Projects of CNPC（ZD2019-183-007）

作者簡介：劉寶（1971—），男，山東淄博人，中國石油大學教授

通信聯(lián)系人，E-mail：liubao@upc.edu.cn