基于血糖濃度生理調控機制的智能協同控制器設計

劉寶　蔡夢迪　周培　張欣

摘 ? 要：現代工業生產中出現越來越多具有大慣性、時變性、時滯性的復雜控制對象，傳統控制算法已經不能滿足其越來越高的控制要求. 受啟發于人體內血糖濃度的生理雙向網絡調控機制，提出一種智能協同控制器. 該智能協同控制器包括主控制單元、輔控制單元、監控適應單元和協同控制單元四部分. 在監控適應單元的監督控制和協同控制單元的協調控制下，主控制單元和輔控制單元分工協作，共同保證該智能協同控制器在不產生超調的前提下以較快的上升時間和調節時間達到控制系統的目標值. 為檢驗該智能協同控制器的控制性能，選擇工業乙醇生物反應器作為被控對象，對其生物反應溫度進行控制仿真. 實驗結果表明：相比于普通BP神經網絡控制器和模糊控制器，該智能協同控制器具有更好的動態性能、穩態性能及抗干擾能力.

關鍵詞：雙向網絡調控機制;神經網絡;模糊控制;協同控制

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

隨著工業生產的發展，傳統的控制理論和技術已經難以滿足其日益復雜的控制要求. 現代工業過程控制中出現的復雜控制對象越來越多，且工藝環境和控制目標的復雜性也日益突出，這對智能控制理論和技術的發展提出更高的要求[1-2]. 常見的智能控制理論與技術主要包括專家控制、模糊控制、神經網絡控制、集成智能控制、遺傳算法與進化計算等[3-4].

智能控制技術的發展過程中，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控機制對其發展有重要的啟發作用. 如人體內神經系統、內分泌系統、免疫系統和遺傳系統等生理調節系統，具有許多特殊的學習或調控機制. 其中，神經內分泌系統作為人體內一個重要的生理調節系統，對各種激素的調控具有自適應性和穩定性等優點. 因此研究基于神經內分泌系統的生物智能控制理論，可為工業生產中復雜控制對象提供新的研究思路，提高其控制質量[5-6].

近些年已經出現一些有關神經內分泌控制的研究成果. 如文獻[7]基于神經內分泌系統的睪丸素調控原理，提出一種新穎的雙層結構控制器，但該控制器存在對時變控制對象不適用且控制參數不能自適應調整等問題. 文獻[8]基于神經內分泌甲狀腺激素調節原理，提出一種帶長環和超短環結構的智能控制器，并成功應用于機器人系統控制，但該智能控制器在響應速度和控制精度上還存在不足. ?文獻[9]基于激素調節利用多種反饋保持內分泌系統穩定的原理，提出一種基于神經內分泌算法的智能控制器，并成功應用于永磁同步電機控制系統，但該智能控制器還不具備較好的穩定性和魯棒性. 上述基于神經內分泌的智能控制在應用上仍具有局限性，且對于工業生產中具有時滯性、大慣性、時變性的復雜控制對象，例如生物酒精發酵生物反應器的溫度控制，上述智能控制器仍不能實現較好的自適應控制和穩定控制.

針對上述問題，本文受啟發于神經內分泌系統雙向網絡調控機制及胰島素脈沖分泌模式，提出一種基于人體內血糖濃度生理調控機制的智能協同控制器. 該智能協同控制器具備較好的自適應性和穩定性，能夠提高對具有時滯性、大慣性、時變性等復雜控制對象調控的動態性能及穩態性能指標.

1 ? 人體內血糖濃度雙向網絡調控機制原理

1.1 ? 人體內雙向網絡調控機制

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

1.2 ? 血糖濃度的調節過程

人體內的血糖濃度就是通過上述雙向網絡調控機制維持穩態的. 血糖濃度在雙向網絡調控機制作用下維持穩定的具體調節過程如下：當人體內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等神經中樞系統調理后，再傳遞給下丘腦血糖調節中樞，使SNN的作用強于PNN，這將導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，從而維持人體內血糖濃度的穩定[11].

當人們進食后，食物中的糖類被轉化為葡萄糖，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，恢復到正常水平. 胰島素呈脈沖樣的分泌模式對其發揮正常的降糖作用意義重大. 醫學上為了對比脈沖式和持續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恒速分泌模式高30%[12].

血糖濃度維持穩定的調節過程存在三個特性. 第一個是雙向網絡調控機制，即當血糖的濃度高于或低于正常值時，交感神經網絡和副交感神經網絡兩個子網絡協同工作，共同調控使其恢復到正常水平. 第二個是快速脈沖調控機制，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. 第三個是生理預得胰島素穩態分泌率的特性，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定的恒定值. 基于以上三個調節特性，血糖濃度可以迅速恢復到生理穩態值.

2 ? 基于血糖濃度雙向網絡調控機制的智能協

同控制器設計

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

2.1 ? 智能協同控制器的結構設計

受啟發于人體內血糖調節過程中的雙向網絡調控機制、胰島素脈沖式分泌模式以及生理上預先獲得胰島素分泌速率三個特性，本文設計的智能協同控制器系統結構如圖1所示. 圖中控制系統的設定值sp（t）對應于人體內正常的血糖濃度，被控對象輸出值pv（t）對應著人體內實際的血糖濃度，控制器輸出值u（t）對應于胰腺分泌的胰島素水平.

對應于人體內的交感神經網絡、副交感神經網絡、大腦皮質神經中樞和下丘腦血糖調節中樞，依次分別設計智能協同控制器的主控制單元、輔控制單元、協同控制單元和監控適應單元，具體對應關系如表1所示.

1）當控制系統的設定值sp（t）發生改變或出現外部干擾導致系統產生較大偏差e（t）時，主控制單元輸出脈沖式的控制信號u1（t），改善控制系統動態變化過程中的上升時間和超調量等指標.

2）當控制系統達到相對穩定狀態時，輔控制單元輸出控制信號u2（t），使其快速接近穩態值us（t）并進行微調，改善其工藝變量穩態變化過程中的調節時間和控制精度.

3）協同控制單元在整個控制過程中協同調控

主、輔控制單元的工作過程，并融合產生最終的控制輸出信號.

4）監控適應單元負責實時監測控制系統運行狀態，提供控制系統的實時期望響應軌跡并提高智能協同控制器的適應性.

2.2 ? 主控制單元的設計

當控制系統出現偏差時，為實現工藝變量在較小或無超調的前提下快速接近設定值，受啟發于SNN在雙向調控網絡中的作用和結構特點設計了主控制單元，基于血糖濃度調節過程中胰島素脈沖分泌模式高效調節血糖的特性，設計了主控制單元的快速脈沖式控制規律.

主控制單元的快速脈沖式控制規律為：當控制系統出現較大偏差時，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定值;同時為避免出現超調，控制信號要及時從峰值恢復到穩態值.

整個脈沖式控制規律利用BP神經網絡算法實現. BP神經網絡結構設計為三層，分別為輸入層、隱含層、輸出層. 一般輸入層選取3個神經元，且3個神經元在不同控制階段輸入信息不同，隱含層常選取5～7個神經元，輸出層神經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，為實現脈沖信號的上升沿，期望神經網絡輸出控制系統所需的最強控制信號um（t）. 此時神經網絡輸入層3個神經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致控制系統出現超調或者劇烈震蕩，當系統響應曲線與2.4節監控適應單元期望響應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，期望神經網絡輸出未來控制系統穩態對應的控制信號值us（t）. 此時神經網絡輸入層三個神經元輸入信息分別為：未來控制信號穩態值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，神經網絡通過BP算法，對網絡的權值和誤差進行反復修正，使輸出值盡可能的接近期望值[13-14].

為實現神經網絡學習過程中學習率的自適應性，提高神經網絡對非線性對象的控制精度，采用基于神經網絡誤差變化量error1（t）的學習率自動調節公式，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λ2，以增大學習步長，加快網絡學習速度[15]. 本文借鑒人體內激素的Hill函數分泌調節規律，設計減量系數λ1和增量系數λ2變化規律，具體如式（2）所示.

λ1（G） = ? ? ? （2）

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

為實現主控制單元快速脈沖式控制規律，被控對象的控制信號穩態值us（t）是智能協同控制器的一個重要參數，且影響到控制系統的控制性能. 受啟發于胰島素分泌速率可以預得的特性，為預先獲得被控對象的控制信號穩態值us（t），可以利用傳統控制方式在n個不同工作點附近進行階躍響應測試，從而得到被控對象設定值sp（t）和控制信號穩態值us（t） 的n組數據對{（sp1，us1），（sp1，us1），…，（spn，usn）}. 進一步利用數據擬合工具得到兩者之間近似的非線性關系式，可由式（3）表達：

us（t） = F（sp（t）） ? ? ? ?（3）

式中：F（·）代表控制信號穩態值us（t）和設定值sp（t）的對應非線性關系. 這樣在控制系統給定不同設定值 sp（t）時，就可以近似獲得不同設定值所對應的控制信號穩態值us（t）.

2.3 ? 輔控制單元的設計

主控制單元主要作用是滿足控制系統的動態性能指標，以進一步提高穩態過程中的控制精度等. 受啟發于PNN在雙向調控網絡中的結構特點及其與SNN的協同作用，設計了輔控制單元控制規律.

輔控制單元控制規律同樣利用BP神經網絡算法實現. 當控制系統進入相對穩定的狀態時，主控制單元輸出的控制信號穩態值不能實現較高的控制精度. 而BP神經網絡可以通過較強的學習能力將控制誤差降到較小的范圍內，因此能夠滿足控制器較高的控制精度. 神經網絡的結構為三層，分別為輸入層、隱含層、輸出層. 輸入層一般選取3個神經元，且3個神經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）表示神經網絡的學習誤差，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個神經元，輸出層神經元為輔控制單元控制信號u2（t）.

輔控制單元的控制規律為：在控制系統的設定值發生改變后，為跟蹤控制系統設定值變化，神經網絡的學習誤差error2（t）表達如式（4）所示：

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

式中：當控制系統被控對象為正作用特性時η = 1，反之，η = -1.

當系統響應曲線與2.4節監控適應單元期望響應曲線之間的絕對誤差小于誤差閾值ε1時，為避免出現超調或震蕩，同時有利于輔控制單元對主控制單元起協調作用，期望輔控制單元輸出未來控制信號穩態值us（t）. 此時神經網絡學習誤差error2（t）則為控制信號穩態值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）

當系統響應曲線與監控適應單元期望響應曲線之間的絕對誤差小于誤差閾值ε2時，為保證控制精度，神經網絡error2（t）重新設置為公式（4）所示的定義方式. 一般情況下ε2 < ε1. 神經網絡通過BP算法對網絡權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節方法來提高學習率的適應性，獲得神經網絡的輸出u2（t），也是輔控制單元要輸出的控制信號.

2.4 ? 監控適應單元的設計

為了監控主、輔控制單元的工作狀態并滿足在不同工作點的控制性能指標，實現控制系統的響應輸出具有較小的上升時間且避免超調，對應下丘腦血糖調節中樞對血糖濃度的監測與調控作用，設計了監控適應單元控制規律.

監控適應單元提供系統的期望響應曲線，利用期望響應曲線與控制系統響應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態值us（t）的時間，從而保證主、輔控制單元實現各自的控制性能指標.

本文主要針對化工過程大多數開環穩定工程對象，且可以用一階純滯后環節近似. 對于開環不穩定對象，需要施加單獨閉環控制先實現穩定之后再應用本文控制算法. 因此，選用時間常數比較小的一階慣性環節內部模型作為性能目標，可以實現對大多數化工過程對象的高質量控制需求. 通常一階慣性模型的響應速度較快且無超調，將一階慣性作為監控適應單元的目標模型，由其得到響應曲線作為控制系統的期望響應曲線. 目標模型傳遞函數表達式如式（6）所示：

G′（s） = ? ? ? （6）

式（6）中時間常數T ′ 影響期望響應曲線的響應速度和上升時間，從而決定了主、輔控制單元輸出的控制信號變為控制信號穩態值us（t）的時間，因此時間常數T ′ 的設置對控制系統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，因此依據被控對象在最強控制作用下響應曲線的時間常數t ′ 來確定目標模型的時間常數T ′ .

上述涉及控制系統中最強控制信號的確定方法為：若控制對象為正作用特性，設控制系統設定值從 sp1變為sp2，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，當其設定值由sp1變為sp2，且sp1 < sp2時，該被控對象在最強控制信號作用下，響應曲線的時間常數t′確定方法如下：若設定值初值sp1對應的穩態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）經拉普拉斯變換為um（s）. 由于工業生產中大多數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，其傳遞函數如式（9）所示：

G（s） = ? ? ? （9）

式中：K（t）為開環增益，T（t）為時間常數，τ（t）為純滯后時間. 在階躍信號Um（s）作用下，此時控制系統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）經拉普拉斯反變換得Δc（t），且被控對象設定值初值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，從初始狀態達到設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. 因此為獲得在最強控制信號下的時間常數t′，令

c（t′） = 0.632·sp ? ? ? ? （12）

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

考慮到實際應用中，目標模型的時間常數T′取值應略大于t′，可設置為kt′，其中k>1. 由此，即可獲得設定值改變為sp2時的目標模型，由其得到控制系統被控對象所需的期望響應曲線. 當工業生產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，監控適應單元目標模型的時間常數T′與一階純滯后模型得到的時間常數T′近似相等. 因此，多數情況下兩者之間的期望響應曲線差異較小，獲得的控制效果差異較小.

2.5 ? 協同控制單元的設計

主控制單元和輔控制單元的控制優勢體現在不同的控制階段，為實現主、輔控制單元在整個控制過程中的相互配合，受啟發于大腦皮質等高級神經中樞對雙向調控網絡的協同作用，設計了協同控制單元來協同組織主、輔兩個控制單元.

協同控制單元利用模糊控制算法實現. 根據控制系統的偏差和偏差變化量，得到主控制單元的控制系數k1. 主控制單元的控制系數k1 > 0，輔控制單元的控制系數k2 > 0，且k1 + k2 = 1. 那么，智能協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后的總和. 因此，控制系數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揮主要作用. 即當控制系統的偏差或偏差變化較大時，協同控制單元會使主控制單元系數 k1輸出較大值，使主控制單元發揮主要作用;而當控制系統的偏差較小時，協同控制單元會使主控制單元系數k1輸出較小值，使輔控制單元發揮主要作用.

實現協同控制單元算法的基本步驟如下：

1）參數定義. 確定輸入變量、輸出變量及量化因子、比例因子. 將控制系統控制偏差e（t）和偏差變化率ec（t）作為協同控制單元的輸入變量，主控制單元的控制系數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、控制系數變量k1模糊論域. 進一步根據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[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?。≒S）、正中（PM）、正大（PB）;輸出變量的模糊語言值選取5個：負大（NB）、負小（NS）、零（ZO）、正?。≒S）、正大（PB）. 根據相應隸屬度函數獲得相應模糊子集的隸屬度，實現了精確量轉化為模糊語言值[17].

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

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

2.6 ? 智能協同控制器的整體工作過程

智能協同控制器利用協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同組織時，同時利用監控適應單元對控制系統的響應曲線進行實時跟蹤監督，從而可以實現主、輔控制單元的光滑切換，保證控制器的正常工作并實現各項控制指標控制要求. 控制器的控制流程如圖2所示.

1）當控制器的設定值發生改變時，經協同控制單元的判斷和協調，控制器的主控制單元進入工作狀態，輸出脈沖式的控制信號.

2）當控制系統的絕對誤差小于閾值ε1時，經協同控制單元的判斷和協調，輔控制單元進入工作狀態，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控適應單元監控和協同控制單元協同，以保證主控制單元實現較高的動態性能指標及輔控制單元實現較高的穩態性能指標.

3 ? 系統仿真及結果分析

3.1 ? 仿真被控對象

為了測試該智能協同控制器具有良好的控制效果，選擇用于實現生物酒精發酵過程的生物反應器作為被控對象. 該生物反應器是一個增益和時間常數具有強時變性和強非線性的化學反應過程，傳統的控制算法一般難以取得理想的控制效果. 反應裝置如圖3所示，Cs是葡萄糖濃度;Cp是乙醇濃度;O2是氧氣;C O2是液態氧的溶解濃度;C*O2是液態氧的平衡濃度;Tc是溫度控制器;Tin是進料溫度;Tr為反應器溫度;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. 該生物反應器的各模型參數值和機理模型可參見文獻[19].

智能協同控制器的監控適應單元需要確定被控對象的傳遞函數表達式，因此利用多個溫度工作點階躍響應辨識方法建立一階滯后傳遞函數模型，通過Matlab的擬合工具得到該生物反應器溫度的模型如式（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 ? 仿真結果分析

仿真實驗過程中將控制系統設定值先由32 ℃變化到35 ℃，再變化到28 ℃，最后為24 ℃. 針對生物反應器非線性溫度被控對象，分別用本文設計的智能協同控制器、常規BP神經網絡控制器、常規模糊控制器和文獻[10]中的非線性導向智能控制器進行控制，對比4種控制器的控制效果. 各控制器的參數設置如下：

1）常規BP神經網絡控制器：BP神經網絡結構為三層. 輸入層選取3個神經元，分別為控制系統工藝變量設定值、測量值和兩者間誤差. 隱含層選取7個神經元，輸出層神經元為控制系統的控制信號. 隱含層和輸出層的激勵函數選用tanh函數，學習速率為0.3.

2）常規模糊控制器：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）、負小（NS）、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，“PB”都選擇S型隸屬度函數，其余語言變量都選擇三角形隸屬度函數.

3）非線性導向智能控制器：該控制器的設計也是受啟發于雙向網絡調控機制和人體葡萄糖調節特性，主要包括協同控制單元、增強控制單元、抑制控制單元和輔控制單元，各單元參數的具體設置方式可參見文獻[10].

4）智能協同控制器：主、輔控制單元神經網絡隱含層激勵函數都為sigmoid函數，輸出層激勵函數都為tanh函數，學習率分別設置為0.3和0.2. 誤差閾值ε1為1.8，ε2為0.2. 監控適應單元基于一階滯后和二階滯后生物反應器模型獲得的目標模型時間常數近似相等，具體設置如表3所示. 生物反應器溫度設定值范圍為21 ℃ ～ 36 ℃，因此設協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，“PB”都選擇S型隸屬度函數，其余語言變量都選擇三角形隸屬度函數.

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，調節時間ts對比如表5所示，超調量對比如表6所示，穩態誤差對比如表7所示.

從表4～表7中的數據可以看出，相比于常規的BP神經網絡控制器，智能協同控制器和其他兩種控制器的上升時間和調節時間較短，超調量較小;并且常規的模糊控制器存在一定的穩態誤差，智能協同控制器和其他兩種控制器的穩態誤差較小.

由圖4中智能協同控制器的控制信號輸出和圖6中智能協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，當控制系統的設定值變大時，該智能協同控制器在短時間內輸出幅值為范圍下限的脈沖式控制信號;當設定值變小時，智能協同控制器在短時間內輸出幅值接近范圍上限的脈沖式控制信號. 即當控制系統的設定值發生改變時，主控制單元輸出脈沖式的控制信號，由協同控制單元的判斷，使主控制單元起主要作用，以減小上升時間，保證控制系統較好的動態性能. 經與監控適應單元的期望響應曲線對比，當控制系統的響應曲線接近穩態時，由協同控制單元判斷，決定智能協同控制器的控制輸出以輔控制單元的輸出信號為主，減小控制系統的穩態誤差并維持穩態. 該效果圖說明了該智能協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器溫度，智能協同控制器在上升時間tr、超調量、調節時間ts等動態性能指標的表現上，要明顯優于常規的BP神經網絡控制器. 同時在穩態性能上智能協同控制器避免了模糊控制器穩態精度不高的問題，取得較好的穩態性能. 在綜合性能上，智能協同控制器也要優于非線性導向智能控制器. 因此本文提出的智能協同控制器在不同工況下，能夠無超調且更加迅速地逼近生物反應器的目標溫度值，控制性能要優于其他3種對比控制器.

2）有干擾控制實驗

為檢驗智能協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，常規的BP神經網絡控制器和模糊控制器輸出的控制信號振蕩幅度比較大，非線性導向智能控制器輸出的控制信號震蕩幅度較小，而智能協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，智能協同控制器的控制效果要優于常規的BP神經網絡控制器、模糊控制器和非線性導向智能控制器. 采用均方誤差來評價各控制器的抗干擾能力，智能協同控制器的均方誤差為0.167 9，非線性導向智能控制器的均方誤差為0.184 3，BP神經網絡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，本文設計的智能協同控制器具有更好的抗干擾能力.

4 ? 結 ? 論

1）本文在研究基于神經內分泌系統的智能控制器的基礎上，受啟發于神經內分泌系統在雙向網絡調控機制下維持血糖平衡的原理，提出一種基于血糖濃度調控機制的智能協同控制器.

2）該智能協同控制器借鑒雙向網絡調控機制思想和胰島素脈沖式分泌模式的特性，可以在不產生超調的前提下以較小的上升時間接近控制系統目標值，且達到穩態誤差較小. 該控制器能夠提高復雜被控對象的控制質量.

3）將該控制器應用于生物反應器的溫度控制

中，實驗表明本文所提出的基于生物調控機制的智能協同控制器不僅提高了控制系統的動態性能和穩態性能，而且提高了控制系統的抗干擾能力.

4）將來需要進一步研究神經內分泌系統復雜的信息處理與調控機制，并積極將神經內分泌系統內某些生物網絡機理與智能控制網絡相結合，以便設計出具備更優性能的智能控制器.

參考文獻

[1] ? ?劉寶. 基于生物網絡的智能控制系統及其應用[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[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. 基于生物網絡的智能控制與優化研究進展[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. 一種內分泌單神經元控制策略及應用[J]. 系統仿真學報，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. 基于神經內分泌的并聯機器人智能控制系統[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. 基于神經內分泌算法的智能控制器設計[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] ?王鎮道，郭敬勛，肖旺. 基于自適應徑向基函數神經網絡的光伏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BP神經網絡的風力發電變槳距控制技術[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）;中央高校基本科研業務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

通信聯系人，E-mail：liubao@upc.edu.cn