生化培养箱是是生物、医学、环境保护等行业的科研机构的重要试验设备, 广泛应用于恒温恒湿试验、培养试验等。生化培养箱主要由制热、制冷、加湿、反馈系统及控制系统等部分组成, 其原理如图1 所示。主要采用热电阻丝和压缩机进行温度的升降调节, 实现温度可控, 同时利用加湿器进行湿度调节, 实现湿度可控。                                                          当生化培养箱工作温度偏离给定值时, 如温度升高, 感温电桥输出信号, 经放大控制压缩机制冷, 降低箱体温度;倘若温度低于给定值时, 电加热管对加温管道进行加热, 通过风扇向箱体输入热空气, 使箱体内部的温度快速升高, 使温度达到平衡。如箱体内湿度偏低, 感湿电桥输出信号, 湿度控制系统工作, 加湿器进行喷雾;反之, 需要减湿时压缩机工作致冷, 带出箱体内的水分, 达到除湿的目的, 稳定箱体湿度。生化培养过程中温度和湿度的变化相互影响, 耦合性较强。电加热管工作时, 温度升高, 水分扩散增强, 湿度升高;压缩机工作时, 会带出箱体内的水分, 降低湿度。加湿器工作时带入一定量的冷湿水分, 会影响箱体内的温度。因此, 生化培养过程的温、湿度交叉耦合严重。

   2 算法结构为了解决生化培养过程中, 温度和湿度相互制约, 相互影响的问题, 需要对系统温、湿度变化进行解耦, 本文提出了一种基于神经元解耦的变参数模糊制方法, 整个控制系统由基于改进模糊算法的温、湿度独立控制, 以及基于神经元的解耦补偿组成。改进模糊算法采用粒子群算法算法对模糊隶属度进行在线优化。神经元解耦补偿器, 利用解耦结果对控制量进行补偿。本文采用了梯形结构的模糊控制器隶属度函数, 每个隶属度函数, 有4 个参数待确定, 因此温、湿度模糊控制器各自的输入、输出共12 个变量的梯形隶属度函数参数, 共同构成了各自PSO的解空间。根据生化培养过程的控制指标, 大量粒子以当前的位置最优的粒子为参照更新自身速度矢量V, 调节自己的位置, 在解空间中搜索更优的位置。通过大量粒子不断的迭代更新, 逐步在空间中聚合到最优的位置, 从而得到隶属度函数的最优解集。根据生化培养过程的工艺分析, 可知温度控制和湿度控制存在严重耦合关系, 不利于控制策略的实施, 为了保证温度控制策略和湿度控制策略的相互独立, 需要对系统进行解耦, 采用神经元算法进行解耦补偿的方法可以解决生化培养过程的复杂非线性。