茶葉殺青機模糊RBF神經網絡PID溫控系統設計與試驗

潘玉成，劉寶順，黃先洲，陳小利，呂仙銀

?

茶葉殺青機模糊RBF神經網絡PID溫控系統設計與試驗

潘玉成1，劉寶順2，黃先洲3，陳小利4，呂仙銀1

1. 寧德職業技術學院機電工程系，福建 福安 355000；2. 武夷山市幔亭巖茶研究所，福建 武夷山 354300； 3. 寧德職業技術學院生物技術系，福建 福安 355000；4. 寧德職業技術學院信息技術與工程系，福建 福安 355000

針對滾筒式殺青機溫控系統具有時變不確定非線性的特點，采用常規PID控制難于滿足控制要求，利用模糊控制的良好收斂性和對模糊量的運算優勢，以及神經網絡自學習、自適應的特性，將常規PID控制與模糊控制、神經網絡結合起來，提出一種基于模糊RBF神經網絡的PID控制策略，實現了對PID參數的實時在線整定。MATLAB軟件仿真與試驗結果表明，模糊RBF神經網絡PID控制與常規PID控制相比，系統具有更好的動靜態特性和抗干擾性能，溫度控制誤差在±2℃范圍內，能很好地滿足茶葉殺青工藝對溫度的控制要求，保證了茶葉的殺青質量。

茶葉殺青機；殺青溫度；模糊RBF神經網絡；PID控制；MATLAB仿真

殺青是茶葉制作過程中的關鍵工序，殺青溫度是影響殺青效果最重要的因素之一。殺青溫度過高時，殺青葉失水過快，易產生焦葉焦邊；溫度過低易產生殺青不足，造成紅梗紅葉，因此溫度的精確控制是保證殺青葉質量的前提[1]。茶葉殺青機溫度控制方式主要有手動控制和半自動控制，茶葉殺青機溫控系統因存在時變性、滯后性、非線性和現場干擾等，采用常規PID控制存在溫度波動大、控制精度低、抗干擾能力差，難以滿足殺青工藝的溫度控制要求，目前已有學者將單片機技術、PLC控制技術、模糊控制和專家系統等與常規PID控制方法相結合應用在茶葉殺青機溫度控制系統中[2-8]，這些方法的應用提高了茶葉殺青溫度控制精度和智能化程度。模糊控制與神經網絡是兩種重要的智能控制方法，它們既存在共性又具有各自的特性和適用范圍，模糊控制的模糊集、隸屬函數和模糊規則設計是建立在經驗知識基礎上的，這種控制方法存在很大的主觀性，利用神經網絡可彌補這一缺陷，由于神經網絡具有強大的自學習能力，可使得傳統模糊控制系統中的主觀性信息在很大程度上得以削弱，從而使得模糊控制更加貼近實際情況[9]。本文結合模糊控制、RBF神經網絡和常規PID控制，提出了一種基于模糊RBF神經網絡的PID控制方法，實現PID參數能夠很好地隨控制對象的變化而自動調整，有效提高了茶葉殺青機溫控系統的控制性能和控制精度。

1 電加熱圈滾筒式殺青機的主要結構特點

電加熱圈滾筒式殺青機由進料斗、滾筒、電機與傳動裝置、加熱圈、機架、排濕裝置和出料斗等部分組成，其結構簡圖如圖1所示。滾筒是其主要工作部件，采用三段式筒體，沿筒體軸線方向前、中、后區段上排布不同數量的螺旋導葉板，導葉板的形狀采用“L”形，前段布置導葉板多、中后段布置導葉板少，且不同區段上的導葉角有所不同，采用這種結構優化的滾筒可減少殺青葉在筒體內的堆積，揚起的殺青葉散度更大，有利于快速提高殺青葉的溫度，葉溫更均勻[10]。

傳統電熱式滾筒殺青機電熱管分布有電熱管固定滾筒獨立旋轉和電熱管與滾筒同步旋轉兩種方式，如圖2-a、圖2-b所示，前者完全依靠對流和輻射來完成熱量傳遞，后者主要依靠對流和輻射傳熱，少部分熱量傳遞是依靠傳導方式來完成，熱能損失都很大，傳熱效率非常低。本文采用不銹鋼加熱圈為加熱裝置，不銹鋼加熱圈以不銹鋼板為外殼，中間以高絕緣性耐高溫的云母板為絕緣，均勻繞以鎳鉻合金電阻絲作為發熱體，具有升溫迅速、散熱均勻、耗電量小、使用壽命長及制作不受規格限制等優點。加熱圈采用分段方式固定在筒體的外壁且跟滾筒同步旋轉，并在滾筒外側用石棉作為隔熱層，如圖2-c所示，熱量傳遞主要方式為熱傳導，其熱效率高于對流和輻射傳熱的熱效率，能達到節能的目的[11]。

滾筒殺青機工作時，滾筒勻速轉動并通過加熱圈對筒體進行加熱，當筒體達到一定溫度時，鮮葉即可送入筒體內。隨著筒體的轉動，在螺旋導葉板的帶動下，鮮葉在筒內做滾翻、拋揚和前進3種運動，鮮葉在熾熱筒壁及筒內熱空氣的交替碰觸下，一邊前進一邊吸收熱量，葉表面和葉細胞內的水分迅速汽化而使葉質萎軟，同時在短時間內葉溫上升達70℃以上，鮮葉中酶的活性被破壞，使殺青葉保持色澤綠翠，從而達到殺青工藝的要求。

2 殺青機模糊RBF神經網絡PID控制器設計

常規PID控制作為一種線性控制器，其控制參數的整定對系統的動態、穩態性能和控制精度影響重大，參數一旦整定完成后就無法跟隨系統的變化而作相應的調整，故對于不確定性、時變性及非線性的系統調節效果比較差[12]。為了克服常規PID控制中存在的問題，采用模糊RBF神經網絡設計kp、ki、kd3個參數自整定PID控制器，圖3為基于模糊RBF神經網絡的PID控制系統的結構圖，由模糊RBF神經網絡、PID控制器和被控對象3個部分組成，其控制基本原理為：將系統偏差e、偏差變化率ec作為模糊RBF神經網絡的輸入，在線運行中不斷檢測偏差e和偏差變化率ec，通過模糊RBF神經網絡輸入與輸出之間的映射關系對PID參數進行在線整定，即根據偏差e和偏差變化率ec實時調節PID控制器的參數，實現PID參數的最佳組合，從而使PID控制器具有自適應性和智能性[13]，并采用基于K-means的層次聚類方法確定模糊RBF神經網絡參數的初始值，提高其訓練速度和逼近效果，達到對所建立的模糊RBF神經網絡進行優化的效果。

圖1 電加熱圈滾筒式殺青機結構簡圖

注：1：隔熱層；2：滾筒；3：電加熱管；4：加熱圈

圖3 模糊RBF神經網絡PID控制器的結構圖

2.1 模糊RBF神經網絡結構與學習算法

RBF神經網絡是一個局部逼近網絡，相對于全局逼近網絡在訓練學習過程中收斂速度較快，不需要對所有的權值和閾值進行修正，減少了訓練時間，且RBF神經網絡隱含層節點數和模糊規則數相同時，RBF神經網絡與模糊邏輯推理在函數上是等價的，能實現最優秀的逼近效果[14]。根據PID控制器的設計要求，模糊RBF神經網絡采用兩輸入三輸出四層結構形式，2個輸入節點分別對應系統偏差e和偏差變化率ec，3個輸出節點分別對應PID 3個參數kp、ki、kd，其網絡結構如圖4所示。

圖4 模糊RBF神經網絡的結構圖

第一層為輸入層，該層的節點個數為輸入變量的個數，兩個節點與輸入變量偏差e和偏差變化率ec直接連接，其作用是將變換后的偏差e和偏差變化率ec傳輸給下一層。該層節點的輸入輸出關系為：

第二層為模糊化層，該層的各節點對應一個語言變量值，其作用是把輸入確定量轉換為模糊矢量，輸入變量通過其所定義的模糊子集上的隸屬度函數變換成相應的隸屬度。選取高斯型函數作為隸屬度函數，各輸入分量在不同的模糊語言值對應的隸屬度為：

i=1,2；j=1,2···, L

式(2)中：bij、cij為第i個輸入變量第j個模糊集合的隸屬度函數的基寬和中心。

第三層為模糊推理層，該層每個節點代表一條模糊規則，通過與模糊化層的連接完成模糊規則的匹配，實現各節點之間模糊運算，每個節點的輸出為其所有輸入信號的乘積，即：

式(4)中：Ni為第i個輸入的模糊分割數。

第四層為輸出層，該層由3個節點構成，其作用是把輸出的模糊量轉化為清晰量，輸出PID的3個參數：

式(5)中：w為輸出層節點與模糊推理層各節點的連接權矩陣；f4(i)為kp、ki、kd3個參數的整定結果，i=1,2,3。

由模糊RBF神經網絡的結構可知，它實質上也是一種多層前饋網絡，具有從輸入到輸出的任意的非線性映射功能。利用學習算法改變網絡權值、隸屬度函數的基寬和中心，實現網絡的自適應控制過程[15-16]。

模糊RBF神經網絡PID控制器輸出為：

采用增量式PID控制算法：

u(k)=u(k－1)＋?u(k)····················(7)

采用Delta()學習規則來修正可調參數，利用梯度下降法使網絡輸出誤差隨著網絡訓練次數的增加按梯度下降，以實現在某種統計意義上系統的實際輸出最逼近于理想輸出。

定義學習的目標函數為：

式(8)中：r(k)、y(k)為每一次迭代的理想輸出和實際輸出，r(k)－y(k)為控制誤差。

網絡權值的學習算法為：

模糊化層中心向量和基寬向量的學習算法為：

若考慮動量因子，則輸出層的權值為：

式(12)中：為學習動量因子；為學習速率；k為網絡的迭代步驟。

2.2 模糊RBF神經網絡參數初始值的確定

模糊RBF神經網絡訓練時是否收斂及收斂速度與參數初始值的選擇有關，對網絡的訓練效果影響很大，而神經網絡訓練時其初始值為隨機數或零，需經過多次學習，憑經驗選取或多次試驗選擇，這樣的參數調整方式難以得到理想效果，且所構建的網絡性能很大程度上由隱含層神經元個數的選擇決定的，若從訓練樣本中任意構建模糊RBF神經網絡，其性能是無法滿足要求。K-means是劃分聚類的典型，產生的聚類是球形的，基于K-means的層次聚類方法將K-means聚類與層次聚類方法相結合，得到的是接近球狀的純種類聚類，離聚類中心越近的樣本隸屬該聚類的程度越高，這同模糊RBF神經網絡具有相同的意義[17-18]。本文采用該聚類方法對模糊RBF神經網絡的訓練樣本進行單一種類的聚類，利用聚類所得到的結果來確定模糊RBF神經網絡結構參數初始值和隱含層神經元的個數，提高模糊RBF神經網絡的訓練速度與逼近效果。

假設訓練樣本數有n個，每個訓練樣本數據維數為d，訓練樣本為k個種類，設樣本集合為：

式(13)中：i=1, 2, 3,···, n。

對各個種類編號為1、2、3、···、k，采用基于K-means的層次聚類方法得到的單一聚類Z為：

Z=｛Z1,Z2,…,Z｝（k≤≤n）····(14)

其中，每個聚類對應的樣本種類為K={K1, K2,…,K}，Ki∈{1, 2, 3,···, k}。

式(15)中：j=1, 2,···, d；k =1, 2,···, n；t≠i。

由式(15)計算得到模糊RBF神經網絡的隱含層神經元個數、隱含層神經元各節點基寬和中心為：

式(16)中：i=1, 2, 3,···,；j=1, 2,···, d。

2.3 模糊RBF神經網絡PID控制仿真與結果分析

以電加熱圈滾筒式殺青機溫控系統為研究對象進行仿真試驗，溫度系統存在時變性、非線性和時間滯后性難以建立精確的數學模型，采用試驗與理論分析相結合的方法，把溫度看成集中參數來處理，其數學模型可近似用一階慣性時滯環節來描述，溫度模型的傳遞函數為[19]：

其中，K為對象的靜態增益，表示溫度系統在新、舊穩態的輸出差值與輸入差值的比值；為滯后時間常數，是指被控量在受到輸入變量作用后發生變化所延時的時間；Tp為慣性時間常數，表示被控量變化的快慢程度，其大小等于輸出到達63.2%新穩態值所需的時間。通過測試對象階躍響應并采用科恩-庫恩（Cohen-Coon）公式可求得：K=0.87，=5?s，Tp=49?s。

利用MATLAB軟件分別建立模糊RBF神經網絡PID控制和常規PID控制的仿真模型，圖5是在MATLAB/Simulink環境中創建的常規PID控制算法的溫度仿真模型，采用臨界比例度法整定PID參數kp、ki、kd，通過多次調整得到最佳仿真結果。由于模糊RBF神經網絡PID控制算法比較復雜，若采用MATLAB語言編程將導致源程序代碼量大且煩瑣，應用Simulink中的S函數可加快編程速度，避免編寫大量煩瑣的源程序，且易于調試[20-21]，其仿真模型如圖6所示。設定仿真時間為100?s，采樣周期為0.1?s，模型的輸入為單位階躍信號，常規PID控制和模糊RBF神經網絡PID控制的仿真結果如圖7所示。由仿真曲線比較可知，常規PID控制的超調量σp、調節時間ts為9.6%和43?s，模糊RBF神經網絡PID控制的超調量σp、調節時間ts為0.2%和27?s，可見模糊RBF神經網絡PID控制方法超調量小、上升速度快、調整時間短，說明其具有更好的控制效果。

圖5 PID控制系統仿真結構圖

圖6 模糊RBF神經網絡PID控制仿真結構圖

為驗證模糊RBF神經網絡PID控制的抗干擾特性，在t=60?s時加入10%的階躍擾動，仿真曲線如圖8所示。從仿真曲線可看出，對突加的外部擾動系統反應迅速，在很短的時間內能快速調節到穩定，波動較小，對干擾信號抑制作用強，具有良好的抗干擾能力。系統誤差的變化過程如圖9所示，突加外部的擾動后誤差有一定的波動，但恢復時間較短，系統通過自調整使誤差穩定為0。

通過改變傳遞函數中的某些參數來模擬控制對象參數變化，在階躍信號作用下，測試模糊RBF神經網絡的PID控制和常規PID控制的自適應性能，以此來驗證系統的魯棒性能，兩種控制方式的仿真曲線如圖10所示。仿真結果說明，當控制對象參數變化時，常規PID控制由于參數不能在線修正而使響應時間變長且超調量變大；模糊RBF神經網絡PID控制則可根據控制對象參數變化完成參數的自調整，使其仍能保持最佳控制效果，具有更強的適應性和更好的魯棒性。

3 殺青機溫度控制系統設計

電加熱圈滾筒式殺青機溫控系統硬件電路由AT89S52單片機、溫度檢測、電熱管功率調節、人機接口及串行通信等部分組成[22]，其結構框圖如圖11所示。溫度傳感器將檢測到的溫度信號經過放大、線性化處理和A/D轉換器變換為數字信號后傳給單片機，單片機對信號進行分析處理后顯示當前溫度，同時把該溫度值與設定溫度值進行對比，采用模糊RBF神經網絡的PID控制算法輸出控制量，通過改變脈沖寬度調制（PWM）在控制周期內占空比來調節加熱圈加熱功率的大小，實現對溫度的自動控制。

系統軟件采用模塊化結構，主要包括主程序、控制算法程序、溫度檢測程序、參數輸入程序、中斷服務程序、掉電保護程序、溫度顯示程序和報警程序等[23]。主程序的流程圖如圖12所示，主程序在上電后首先對單片機、A/D轉換器和串口進行初始化，再執行溫度檢測程序、溫度顯示程序顯示實時溫度，檢測設置鍵是否按下并確認設定的溫度值，然后判斷實時溫度是否超限，若超限則執行報警程序，否則執行模糊RBF神經網絡PID算法控制程序，如此循環調用各子程序達到溫度自動控制的目的。溫控系統的溫度監控界面如圖13所示，可實時監控溫控系統的運行過程和狀況，包括溫度數據處理與顯示，溫度數據存儲、查詢、打印等。

圖8 加入擾動時模糊RBF神經網絡PID控制的階躍響應曲線

圖9 加入擾動時模糊RBF神經網絡PID控制的誤差曲線

圖10 改變參數時兩種控制方式的階躍響應曲線對比圖

圖11 溫控系統硬件電路

4 殺青機溫控系統性能測試與殺青品質比較

4.1 殺青機溫控系統性能測試

為測試電加熱圈滾筒式殺青機溫控系統的性能，通過溫度采集試驗和溫度控制試驗來驗證系統的設計是否達到預期要求。溫度采集試驗是檢驗溫控系統前向通道的測溫精度，采用精密水銀溫度計對恒定溫度場溫度值進行標定，每隔一定時間改變一次溫度，測試結果見表1。試驗結果表明，溫控系統前向通道的測溫誤差很小，在測試溫度范圍內的最大測溫誤差小于±0.5℃，具有較高的測量精度。溫度控制試驗檢測溫控系統的穩態性能和動態性能，通過輸入不同的溫度預設值，測量溫控系統響應時間和溫度控制值，測試結果見表2。試驗結果表明，溫控系統具有較好的跟隨性、響應較快、靜態誤差小，溫度控制誤差在±2℃范圍內，達到茶葉殺青機溫控系統的設計要求。

4.2 殺青品質比較

隨機選用金牡丹、福云6號、菜茶3種茶鮮葉樣本，每份樣本一分為二，分別在傳統的6CST-40型滾筒殺青機和采用模糊RBF神經網絡PID控制的滾筒殺青機進行殺青試驗，通過對殺青葉色澤、香氣、條形、均勻度進行感官評審和含水率的測定，驗證基于模糊RBF神經網絡PID控制的滾筒殺青機的殺青效果，測試結果如表3所示。結果表明，采用模糊RBF神經網絡PID控制的滾筒殺青機與傳統電熱式滾筒殺青機相比較，提高了茶葉殺青質量和殺青效率，更能滿足茶葉殺青工藝要求。

圖12 主程序流程圖

圖13 殺青機溫度監控界面圖

℃

表1 溫度測量測試結果

表2 溫度控制測試結果

表3 不同殺青設備殺青質量比較

5 結論

本文以常規PID控制為基礎，結合模糊控制與RBF神經網絡兩者的優勢構建模糊RBF神經網絡，實現對PID 3個參數kp、ki、kd在線修正，并利用基于K-means的層次聚類方法對訓練數據進行聚類分析來確定模糊RBF神經網絡結構參數的初始值，使得模糊RBF神經網絡的訓練速度加快，逼近效果更加，進一步改進模糊RBF神經網絡對PID參數的調節效果。MATLAB仿真與試驗結果表明，模糊RBF神經網絡PID控制與常規PID控制相比，具有超調量小、調節速度快、穩定的時間短、靜態誤差小和抗干擾能力強，獲得優于常規PID的控制效果，驗證了該控制方法的可行性和有效性；采用模糊RBF神經網絡PID控制的滾筒殺青機能夠很好滿足殺青工藝對溫度的要求，其殺青效果優于傳統電熱式滾筒殺青機。基于模糊RBF神經網絡的PID控制策略適用范圍廣泛，也可應用于殺青葉含水率控制，現有的茶葉殺青機是把溫度作為控制指標，而茶葉殺青生產過程中控制殺青葉含水率的高低至關重要，在以后研究中，若把溫度控制與殺青葉含水率控制相結合來構成雙閉環茶葉殺青控制系統，以殺青葉含水率為外環控制，其輸出作為內環溫度控制的輸入，殺青過程中通過溫度的改變實現對殺青葉含水率的控制，從而保證初始含水率不同的鮮葉的殺青效果。

[1] 袁英芳. 綠茶殺青技術研究概述[J]. 茶葉通訊, 2010, 37(1): 37-39, 43.

[2] 趙梨銘. 茶葉智能化汽熱殺青機控制系統[J]. 輕工機械, 2009, 27(2): 71-73.

[3] 彭秀英, 陳亞, 羅艷蕾. 基于PLC控制的電加熱滾筒殺青機溫度控制系統[J]. 農機化研究, 2011(4): 186-189.

[4] 林啟軍. 基于模糊技術的滾筒式茶葉殺青機溫度控制[D]. 長沙: 中南大學, 2011: 18-29.

[5] 沈斌. 茶葉殺青系統自動控制技術研究[D]. 杭州: 浙江工業大學, 2013: 33-39.

[6] 毛曉文. 基于模糊PID控制和在線檢測技術的綠茶殺青自動控制系統的研究與應用[D]. 合肥: 安徽農業大學, 2014: 20-26.

[7] 徐海衛, 蔣麗, 程宇菥, 等. 茶葉殺青溫度精準控制系統研究[J]. 中國測試, 2015(11): 64-67, 72.

[8] 曹成茂, 吳正敏, 梁閃閃, 等. 茶葉殺青機雙模糊控制系統設計與試驗[J]. 農業機械學報, 2016, 47(7): 259-265.

[9] 陳雯柏. 人工神經網絡原理與實踐[M]. 西安: 西安電子科技大學出版社, 2016: 140-147.

[10] 何晶, 張憲, 趙章風, 等. 基于PFC3D的茶葉殺青過程數值模擬和設備參數分析[J]. 茶葉, 2013, 39(1): 17-23.

[11] 宋志禹. 節能型自動化控制茶葉滾筒殺青機的研究[D]. 合肥: 安徽農業大學, 2010: 12-16.

[12] 郭凱, 郭奇, 李大偉, 等. 模糊神經網絡PID控制器設計及在常減壓裝置中的應用[J]. 自動化應用, 2016(2): 14-15, 18.

[13] 胥良, 郭林, 梁亞, 等. 基于模糊RBF神經網絡的智能PID控制[J]. 工業儀表與自動化裝置, 2015(6): 67-69, 75.

[14] 戴賽. 基于模糊RBF神經網絡的磁懸浮系統研究[D]. 哈爾濱: 哈爾濱理工大學, 2012: 22-25.

[15] 王曉遠, 傅濤. 基于模糊RBF神經網絡的無刷直流電機控制[J]. 微電機, 2015, 48(11): 33-36, 88.

[16] 范春麗. 基于模糊神經網絡的智能優化PID控制器研究[D]. 北京: 北京化工大學, 2009: 25-29.

[17] 付光杰, 張微微, 牟海維. 基于模糊RBF網絡高頻感應加熱電源控制的研究[J]. 化工自動化及儀表, 2014, 41(4): 357-361, 376.

[18] 李燕強. 模糊RBF神經網絡在人臉識別的應用研究[D]. 廣州: 廣州大學, 2011: 44-47.

[19] 郝朝會, 孫傳祝, 蘇夏侃. 自適應模糊PID控制在茶葉殺青機中的應用[J]. 農機化研究, 2013(2): 201-204.

[20] 劉金琨. 先進PID控制MATLAB仿真[M]. 4版. 北京: 電子工業出版社, 2016: 311-323.

[21] 王華強, 石亞娟, 王健波. 神經網絡模糊PID在水輪機調速系統中的應用[J]. 合肥工業大學學報(自然科學版), 2012, 35(9): 1187-1191.

[22] 潘玉成, 林高飛, 陳小利, 等. 基于模糊專家控制的茶葉炒制溫度控制系統[J]. 食品與機械, 2016, 32(11): 79-84.

[23] 李夢瑤. 基于模糊神經網絡PID算法的電阻爐溫度控制系統的研究[D]. 焦作: 河南理工大學, 2014: 55-61.

Design and Experiment of the Temperature Control System of the Fuzzy RBF Neural Network PID in Tea Fixing Machine

PAN Yucheng1, LIU Baoshun2, HUANG Xianzhou3, CHEN Xiaoli4, LYU Xianyin1

1. Department of Mechanical and Electronic Engineering, Ningde Vocational and Technical College, Fu′an 355000, China; 2. Wuyishan Manting Rock Tea Research Institute, Wuyishan 354300, China; 3. Department of Biotechnology, Ningde Vocational and Technical College, Fu′an 355000, China; 4. Department of Information Techonlogy and Engineering, Ningde Vocational and Technical College, Fu′an 355000, China

Due to the characteristics of time-varying uncertainty and nonlinearity of the temperature control system of rotary fixing machine, the conventional PID control parameters are difficult to meet the control requirements. Based on the good convergence of fuzzy control, computing advantages of fuzzy quantity and the self-learning and -adapting characteristics of neural network, a PID control strategy combined PID control, fuzzy control and neural network was proposed to achieve real-time online tuning of PID parameters. The simulation and test results of MATLAB software show that the fuzzy-RBF neural network PID control had better dynamic and static characteristics and anti-jamming performance than the conventional PID control. The temperature control error was within ±2℃, which well met the temperature control requirements of the tea fixation process and ensured the quality.

tea fixing machine, temperature of fixation, fuzzy RBF neural network, PID control, MATLAB simulation

TS272.3

A

1000-369X(2019)02-139-11

2018-06-14

2018-08-12

基于模糊神經網絡的PID控制方法研究、福建省教育廳科技項目（JAT171132）

潘玉成，男，副教授，主要從事自動控制、人工智能研究，E-mail：fapyc@163.com