基于Lonworks技术的模糊控制智能节点的设计

1、引 言

　　在化工生产中，温度通常是一个重要的控制参数，对于一些过程比较复杂，工艺要求精准的化工生产过程，采用传统的PID控制方式很难克服过程扰动的影响。如果针对特定的工艺情况，总结控制经验，制定一套有效的模糊控制策略，则可实现对温度的精确平稳控制。

　　现场总线是一种全分布式智能、双向的串行数字通讯链路，它直接沟通生产现场的测量控制和执行设备以及更高层次的自动化控制设备，是一种开放式控制系统。其中LON（Local Operating Networks）总线是美国ECHELON公司于1991年推出的一种功能全面的局部操作网络，广泛应用于冶金、化工、电力以及楼宇自动化等领域中，实现系统的全面网络化现场测控。若将模糊控制与LON现场总线相结合，建立一套基于Lonworks技术的模糊控制系统，则既可以实施现场级的模糊控制，又可以实现复杂模糊算法的上位机控制。

　　本文以某化工厂一个化学反应生产过程为例，介绍了一种基于Lonworks技术的温度模糊控制系统，详细介绍了其中智能节点的设计方法。该化学反应生产过程是：先将几种化工原料按一定比例混合，制成混合料，再向其中加入另一种化工原料A，发生化学反应生成所需的产品。为保证产品的质量和产量，工艺控制的最佳温度为T℃。由于是放热反应，所以采用调节冷冻水流量来控制反应温度。此温度控制系统具有非线性、时变、有噪声干扰、纯滞后等特性，难以用精确的数学模型描述，因此传统的PID控制方式，很难取得好的控制效果。

2、温度模糊控制系统设计

　　2.1 模糊控制系统的结构

　　在工艺控制的要求和特点的基础上，同时分析了大量生产过程中温度、原料A加入速度和冷冻水温度等历史曲线数据，并对熟练操作人员的操作经验进行了归纳整理，最后确定了“三输入——单输出”的温度模糊控制系统。

　　输入变量：
　　（1）反应温度：t，单位：℃
　　（2）反应温度的变化量：△t：t（n）－t（n－1），单位：℃。式中：t（n）为当前第n采样时刻的反应温度，t（n－1）为前一个采样时刻的反应温度，采样周期设为5s。
　　（3）原料A加入速度：v，单位：kg/h

　　输出变量：
    冷冻水流量调节阀门的开度：u

　　2.2 各模糊变量的模糊子集

　　①反应温度t的基本论域为[（t－t0），（t＋t0）]，其模糊子集T的论域为[－4，4]，t0为生产中可能达到的最大温度偏差；②反应温度的变化量△t的基本论域为[－3℃，3℃]，其模糊子集△T的论域为[－3，3]；③原料A加入速度v的基本论域为[0，1200kg/h]，其模糊子集V的论域为[－2，2]；④冷冻水阀门开度u的基本论域为[0，100%]。各对应模糊关系见表1、2、3。其中t1、t2、t3、t4为控制中可能的温度偏差，且t0＞t4＞t3＞t2＞tl。u的精确值将在控制规则中直接给出。

　　表1 反应温度t与其模糊子集T的模糊关系

　　表2 反应温度变化量△t与其模糊子集△T的模糊关系

　　表3 原料A加入速度v与其模糊子集V的模糊关系

　　本系统共建立了60条模糊控制规则。根据控制规则，最后得到下面的模糊控制查询表，见表4。其中UF为考虑原料A加入速度v时为确定阀门开度u而引入的中间值，它与原料A加入速度的模糊子集V的关系见表5。

　　表4 模糊控制量u（%）查询表


　　表5 UF与原料A加入速度的模糊子集V的关系

3、系统结构设计

　　系统结构如图1所示，共包含三大部分：上位机、LON总线和智能节点。其中：

图1 系统结构图

　　上位机主要负责LON网络的安装、维护和管理，可对温度进行实时监控。同时建立测量值数据库，对数据进行存档和归表以便查询、打印。上位机还可作为Web服务器与Internet相连，实现远程监控。

　　智能节点主要包括温度控制节点和温度测量节点。温度测量节点对温度进行测量并对非线性值进行线性化处理，使得到的数值有足够的精度和线性度，并定期将温度对应的数字量发送到LON总线上交上位机处理。温度控制节点采用模糊控制算法对冷水阀进行控制，并负责各采样点温度采样值的显示与上传。[page]

4、智能节点硬件设计

　　智能节点采用的Neuron芯片是可带外存储器的MC143150。其片内有三个CPU，即：网络CPU、应用CPU和介质访问CPU。它们与I/0口驱动电路、定时器、片内存储器、网络通讯接口通过8位数据总线和16位地址相连。该芯片有11个可编程的I/0口对象。通过引脚的不同配置，为外部硬件提供灵活的接口，实现不同的I/0对象。

　　4.1 温度控制节点的设计

　　温度控制节点主要包括：Neuron芯片MC143150，外带的程序存储器，D/A转换，执行机构，显示电路和总线收发器等，如图2所示。D/A转换选用MAX7228，显示电路由MAX7219及相关的驱动电路构成，执行机构包括AD694及其相关的外围电路。执行机构是角行程电动执行机构，应用于冷水阀控制。模糊推理所用的知识库数据存放于神经元芯片的E2PROM存储器中，有一组初始值。系统运行期间可以通过LON总线从上位机获取新的控制参数，从而完成控制参数的更新。

图2 温度控制节点结构图

　　4.2 温度测量节点的设计

　　温度测量节点的结构如图3所示。包括神经元芯片MC143150、程序存储器、温度传感器、光电耦合器MOC3020、A/D转换电路ADC0809、FTT-10A收发器等。

图3 温度测量节点结构图

5、智能节点软件设计

　　节点应用程序用Neuron C语言编写。Neuron C是神经元芯片的专用语言，是ANSI C的扩展，并增添了一些较强的功能，如网络变量类型，事件调度语句等。神经元芯片的任务调度是事件驱动的。当一个给定的条件变为真时，与该条件相关联的一段代码被执行。该智能节点的软件设计包括主程序、A/D转换程序、D/A转换程序、显示子程序、控制算法子程序等，下面以查表法实现模糊控制为例，给出部分源代码：

　　signed short fc（float－type＊input1）｛
　　……//设置局部变量
　　if（mcc＝＝1）
　　sp＝sp1；
　　pe＝e；//记下偏差的上一个状态
　　fl_sub（input1，& sp，& e）；//计算偏差get e
　　fl_neg（& range_e，& f1）；//对偏差限幅
　　if（fl_it（& e，& f1）＝＝TRUE）
　　ce＝f1；
　　else if（fl_gt（& ce，& range_ce）＝＝TRUE）
　　ce＝range_ce；
　　fl_mul（& e，& f1_6，&f1）；//对偏差进行量程变换
　　fl_div（& f1，& range_e，& f1）；
　　fl_add（& f1，& f1_6，& f1）；
　　fl_round（& f1，& f2）；//对变换后误差进行四舍五入
　　rol＝low－byte（1ro1）；
　　fl_mul（& ce，& f1_6，& f1）；//对偏差变化值进行量程变换
　　fl_div（& f1，& f1_6，& f1）；
　　fl_add（& f1，& f1_6，& f1）；
　　fl_round（& f1，& f2）；//对变换后的偏差变化值四舍五入
　　lcow＝fl_to_ulong（& f2）；
　　cow＝low_byte（1cow）；
　　table_u＝table[ro1][cow]；
　　……
　　fl_from_ulong（ltable_u，& f1）；//对查表结果进行量程变换
　　fl_mul（& f1，& range_dtu，& f2）；//查模糊控制表
　　fl_div（& f2，& f1_6，&f1）；
　　……
　　return f_out；//返回输出控制增量

　　本系统投入运行后，取得了比传统单回路PID控制方式更好的控制效果，见图4中的温度曲线对比。从图中可看出，模糊控制过渡过程时间短，超调量小，达到了工艺生产的要求。

图4 温度曲线对比

6、结束语

　　模糊控制技术在我国已广泛应用于工业过程、家用电器等领域，但模糊控制技术的网络应用还不多见。本文将Lonworks技术与模糊控制技术结合起来，通过上位机实现实时测控，在实际应用中取得了良好的控制效果。该系统还可充分利用主机资源，使模糊控制算法位于上层，从而可以绑定多个设备节点，以便于构造不同的模糊控制器。控制参数可以通过人机界面由用户输入，通用性强、操作灵活便捷，为模糊控制生成器与现场设备的集成提供了一种有效的途径。

　　本文作者创新点：将Lonworks技术与模糊控制技术结合起来，给出了智能节点的设计方法和实例，通过计算机实现网络监控，能远程实施温度测控，在应用中取得了良好的控制效果。