本文介绍各种控制算法的PID调节器/温控仪的控制算法的控制特性、功能及主要应用场合，对大家合理选用用于温度控制的PID调节器具有很强实用性。

　　常用PID调节器/温控仪控制算法包括常规PID、模糊控制、神经网络、Fuzzy-PID、神经网络PID、模糊神经网络、遗传PID及广义预测等算法。常规PID控制易于建立线性温度控制系统被控对象模型；模糊控制基于规则库，并以绝对或增量形式给出控制决策；神经网络控制采用数理模型模拟生物神经细胞结构，并用简单处理单元连接成复杂网络；Puzzy-PID为线性控制，且结合模糊与PID控制优点。

1、引言
温度控制系统是变参数、有时滞和随机干扰的动态系统，为达到满意的控制效果，具有许多控制方法。故对几种常见的控制方法及其优缺点进行了分析与比较。

2、常见温度控制方法
2.1 常规PID控制
PID控制即比例、积分、微分控制，其结构简单实用，常用于工业生产领域。原理如图1。

图1 常见PID控制系统的原理框图

明显缺点是现场PID参数整定麻烦，易受外界干扰，对于滞后大的过程控制，调节时间过长。其控制算法需要预先建立模型，对系统动态特性的影响很难归并到模型中。在我国大多数PID调节器厂家生产的调节器均为常规PID控制算法。

2.2 模糊控制
模糊控制(Fuzzy Control)是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机控制。原理如图2。

　　　　　　　　　　　　　　　　　　　　　　图2 模糊控制系统原理框图

2.3 神经网络控制
神经网络控制采用数理模型的方法模拟生物神经细胞结构，用简单处理单元连接形成各种复杂网络，并采用误差反向传播算法(BP)。原理如图3： 

图3 神经网络控制系统的原理框图

2.4 Fuzzy-PID控制
模糊控制不需知道被控对象的精确模型，易于控制不确定对象和非线性对象。PID本质是线性控制。将模糊控制与PID结合多，以Fuzzy-PID混合控制为例，据给定值与测量值之偏差e选择智能控制器，根据e的变化选择控制方法，当|e|≤emin或|e|≥emax时，采用PID控制；当emin≤|e|≤emax时，采用Fuzzy控制。其结构框图如图4。

图4 Fuzzy-PID混合控制结构框图

2.5 神经网络PID控制
在PID控制的基础上，加入神经网络控制器，构成神经网络PID控制器，如图5。神经网络控制器NNC是前馈控制器，通过对PID控制器的输出进行学习，在线调整自己，目标是使反馈误差e(t) 或u(t)趋近于零，使自己逐渐在控制中占据主导地位，以减弱或最终消除反馈控制器的作用。

　　　　　　　　　　　　　　　　　　　　图5 神经网络PID控制结构框图

2.6 模糊神经网络控制
将模糊逻辑与神经网络结合，采用神经网络模糊逻辑推理网络模型和快速的自学习算法，通过网络的离线训练和在线自学习使控制器具有自调整、自学习和自适应能力，达到模糊智能控制。如图6。

图6 模糊神经网络控制系统结构图

2.7 遗传PID控制
遗传PID控制是将控制器参数构成基因型，将性能指标构成相应的适应度，利用遗传算法来整定控制器的最佳参数，不要求系统是否为连续可调，能否以显式表示。基于遗传算法的自适应PID控制的原理框图如7。遗传PID温控系统将测量值与给定值进行比较，用遗传算法来优化PID参数，然后将控制量输出，实现将PID参数串接构成完整染色体，从而构成遗传空间中的个体，过通过繁殖交叉和变异遗传操作生成新一代群体，经过多次搜索获得最大适应度值的个体。

　　　　　　　　　　　　　　　　　　图7 基于遗传算法的自适应PID控制结构图

2.8 广义预测控制
预测控制(Predictive Control)是基于模型的计算机控制算法。其预测模型有脉冲响应模型、阶跃响应模型、CAMRMA模型和CARIMA模型。基于CARIMA模型的广义预测控制(GPC)是一种新型计算机控制算法。

3、常见温度控制方法的对比分析

通过上述温度控制方法的原理分析，表1给出各种温度控制特性与应用场合的情况。

将线性与非线性控制相结合。使温度能满足用户的精度要求是温控系统的最终目的。在实际应用中，根据具体的应用场合、不同的加热对象、不同的控制要求和控制精度，选择不同的控制方式。