变量喷雾系统中遗传算法优化模糊pid控制流量的方法.docx

变量喷雾系统中遗传算法优化模糊pid控制流量的方法
变量喷雾系统中遗传算法优化模糊pid控制流量的方法
本发明公开了变量喷雾系统中遗传算法优化的模糊PID控制流量的方法，属于自动控制【技术领域】。包括以下步骤：采集实际农作物病虫害信息，标准农作物处方图来决策农作物所需实际
药量；
第二步:计算流量设定值流量和实际流量之间的偏差；
第三步:计算第二步中流量偏差的变化率；
第四步:利用遗传算法对模糊控制器进行优化。首先，根据流量控制系统的特点，确定模糊控制的隶属度函数和模糊规则的基本形式；然后，确定遗传算法运算时的参数，包括:优化代数、交叉率、变异率、适应度函数；其次，随机产生的一代参数，放入模糊控制器中，利用适应度函数计算其适应度；再次，根据系统要求指标或者优化代数结束循环；最后，将优化后的隶属度函数参数和模糊控制规则参数重新植入模糊PID控制器中；
第五步:将误差和误差变化率输入到遗传算法优化后的模糊PID控制器，将运算后的输出作为控制量；
第六步:系统误差大于稳定值的78%时bang-bang控制器输出，系统误差小于稳定值的78%时优化后的模糊PID控制器输出；
第七步:将控制量作用在微电机上进行控制；第八步:重新测量流量阀的实际流量，进入第一步循环；
第九步:当第二步中的偏差小于设定值时微电机将不再进行工作调节。
[0005]经过仿真和实验，遗传算法优化模糊PID的超调量较小，%，稳态误为±%， S。，%，稳态误差为±%。比较遗传算法优化后模糊PID控制与模糊PID控制的性能，对变量喷雾系统而言，遗传算法优化后的模糊PID控制性能优于模糊PID控制。
[0006]【专利附图】
【附图说明】
图1为流量控制结构示意图，图中的参数在下面均有提出；
图2阀的简化结 构图，图中的Cl1=, d2=, d3= ；
图3隶属度函数图，图中a代表负大(NB)、b代表零(Z0)、c代表正大(PB)，下同；
图4遗传算法流程图；
图5采用遗传算法优化后输出变量AKp的隶属函数 图6采用遗传算法优化后输出变量AKi的隶属函数 图7为采用遗传算法优化后输出变量AKd的隶属函数 图8变量喷雾流量阀控制系统的实验原理图；
图9目标函数J的优化过程图；
图10为遗传算法优化后的Bang-Bang模糊PID控制流量阀系统的阶跃响应曲线；
图11为模糊PID控制流量阀的系统阶跃响应曲线。
【具体实施方式】
[0007]以下结合具体实施例，对本发明进行详细说明。
[0008]实施例1
流量控制阀由电动机、减速器、阀转轴、小型针阀以及系统的延迟环节组成，如图1所示。小针型阀通过一个输入口和一个输出口连接输液管，控制精度较高，适用于微小流量的控制，其简化结构如图2所示。
[0009]直流电动机S221D采用一阶惯性环节拟合近似法测定其传递函数，假设初始状态为零，电动机转速为ω，电动机的工作电压为14,直流电动机的传递函数为
G1(S) = N (s)]/[ Ur(S)]= [K1(S)VCTS+!)(I)
为