自适应模糊神经网络（精选10篇）
自适应模糊神经网络 第1篇
关键词：乌龙茶烘焙,PLC,模糊解耦
作为乌龙茶精制中的重要工序, 烘焙具有除湿、去杂、熟化、提香、灭菌等作用[1,2]。传统烘焙方法有炭焙 (木炭焙笼) 和机焙 (电烘箱) 两种。炭焙耗时、费力且专业性强, 不适合大规模茶叶生产。机焙效率高、品质稳定, 适合大规模茶叶生产但成茶品质较炭焙稍差。
乌龙茶机焙其实是利用自动控制技术控制茶叶烘焙过程中的温湿度, 从而对其进行精制。有学者利用PID、模糊等算法设计了多种自动烘焙控制系统, 但控制效果难以令人满意。为更好满足乌龙茶烘焙工艺要求, 提高茶叶品质, 丰富产品种类, 下面利用PLC设计一种基于自适应模糊神经网络的乌龙茶烘焙控制系统。
1系统参数设计
乌龙茶的烘焙过程不能始终保持恒温。因此, 系统将烘焙分成两个步骤进行。第一步, 利用基于数据的自适应模糊控制器控制温度进行时高时低的变化 (85~110℃) , 时间为1~2h, 使乌龙茶呼出水气及臭青味, 避免茶色变红, 香气流失;第二步, 根据产品要求获取烘焙温度 (100~120℃) 和时间 (1~3h) , 利用模糊控制器实现恒温控制, 如秋茶铁观音[3,4], 烘焙温度为118℃, 烘焙时间2h, 茶叶呈甜果香, 汤色金黄, 味道醇厚, 品质较高;若烘焙温度降为100℃, 烘焙时间延长至4h, 茶叶则略带甜香, 汤色清黄。
在烘焙过程中, 加热会使湿度上升, 除湿会使温度下降, 二者存在严重的交叉耦合。因此, 系统利用模糊解耦器解除了二者的耦合关系, 使温度和湿度控制相互独立。
2控制系统设计
控制系统由PLC、温湿度检测、加热、除湿、显示及按键、上位机等部分组成。PLC为控制核心, 利用温湿度检测模块采集电烘箱内的温湿度后, 根据茶叶生产要求, 通过自适应模糊控制器获得控制指令, 控制电加热管和除湿风机工作。其中, 温度控制由双向可控硅控制电加热管工作时间实现, 湿度控制由变频器控制风机转速实现。显示和按键用于LCD信息显示及参数设置。为方便操作, 利用组态王软件设计了上位机组态界面, 实现了乌龙茶烘焙过程的组态监控。
3自适应模糊控制器设计
在专家手工烘焙过程中, 烘焙初期的温度呈时高时低的呼吸式变化, 而具体变化过程全凭专家经验, 难以口述。为改善机焙成茶品质, 在采集专家手工烘焙数据的基础上, 利用模糊聚类 (Fuzzy Clus-tering) 和自适应神经模糊推理系统 (Adaptive Neuro-Fuzzy InferenceeSystem, ANFIS) 设计了自适应模糊控制器, 用于模拟专家手工烘焙过程。其中, 模糊聚类用于生成初始模糊推理系统 (Fuzzy InferenceeSystem, FIS) , ANFIS用于建立T-S模糊控制器。
模糊聚类算法采用减法聚类, 通过单次快速运算一组数据当中的聚类个数和聚类中心位置, 进而产生聚类中心, 初始FIS生成速度快且能避免规则爆炸[5]。利用MATLAB的ANFIS工具箱建立烘焙温度T-S模糊控制推理系统, 如图1所示。
初始FIS由烘焙过程实测数据归一化后, 通过减法聚类生成。部分数据如下:time={-1, -0.92, -0.84, -0.76, -0.68, -0.6, -0.52, …};T={0.429, 0.509, 0.519, 0.420, 0.07, -0.497, -0.397, …}
ANFIS生成的T-S模糊控制器为单输入量单输出, 输入量为时间time, 输出量为烘焙温度T。该控制器可使电烘箱温度在烘焙初期实现忽高忽低的呼吸式变化, 在不降低茶叶品质的前提下去除茶叶的水气和杂味。
4温湿度控制器及解耦补偿器设计
4.1恒温模糊控制器
在茶叶烘焙第二阶段, 利用模糊控制器Fuz1对烘焙温度进行恒温控制。Fuz1为两输入一输出。其中, 输入e为给定温度与箱内温度之差;输入de/dt为温度变化率;输出量T为给定周期内双向可控硅导通时间。模糊输入 (E, EC) 和模糊输出的模糊子集均为{NB, NM, NS, Z, PS, PM, PB}, 隶属函数为高斯函数, 模糊控制规则略。
4.2湿度模糊控制器
茶叶烘焙过程中产生的水气须及时排出, 否则电烘箱内部压力过大会使茶叶水气无法排出, 影响品质。除湿风机由变频器控制转速, 而变频器输入电压由两输入一输出的模糊控制器Fuz2控制, 输入量为湿度h及湿度变化率dh/dt, 输出为变频器输入电压u。湿度控制较温度控制简单, 模糊输入 (H, RH) 和模糊输出的模糊子集为{NB, NS, Z, PS, PB}。模糊控制规则表略。
4.3温湿度模糊解耦补偿器
电烘箱内温湿度之间的强耦合会严重影响烘焙控制效果, 因此, 利用模糊解耦补偿器对二者解耦以提高控制精度。模糊解耦补偿器是以模糊控制器的通用逼近性为基础设计的, 如图2所示。
根据Fuz1和Fuz2输出之间的耦合关系, 设计温度对湿度的补偿量Comp1以及湿度对温度的补偿量Comp2。以Fuz1输出T和Comp2控制给定周期内双向可控硅导通时间, 以Fuz2输出u和Comp1控制变频器。实验发现, 除湿对加热影响较大, 所以Comp2较大;加热对湿度影响较小, 所以Comp1较小。
部分模糊补偿规则如下:
为对比解耦前后温湿度控制效果, 对模糊补偿器使用前后的控制效果进行了Matlab仿真。仿真结果表明, 利用模糊补偿器解耦后, 温度T和湿度h的响应曲线均优于解耦之前, 且温度对湿度影响相对较小, 故解耦后控制效果更明显;而湿度温度影响较大, 故解耦后控制效果稍弱。
5成茶对比
为验证系统性能, 对人工烘焙、PID烘焙控制系统及本系统的成茶从色、香、味、形等方面进行了对比。
人工烘焙由于有熟练工人的全程参与, 因此成茶品质从外观、口感、香气来说, 均呈现较高水平。PID烘焙控制系统由于控制算法简单, 未考虑烘焙过程中温湿度的细节变化, 始终维持恒温烘焙, 导致茶叶色泽枯暗, 香味流失, 品质较差。本系统由于采用了模拟专家制茶过程的分段控制策略, 充分考虑了烘焙过程中温度与湿度的微弱变化对茶叶品质的影响。在烘焙初期, 控制温度呈呼吸式变化, 使茶叶排出部分水气及杂味;烘焙中后期通过精确恒温控制, 茶叶充分吃火、熟化、提香, 从外观、口感、香气上与人工烘焙几乎没有区别, 品质良好。
6结束语
实验结果表明, 本文设计的乌龙茶烘焙自动控制系统通过模拟专家手工烘焙过程, 使成茶品质得到了显著提高, 系统使用方便, 控制效果良好, 工作稳定, 能够较好满足大规模、多品种的乌龙茶烘焙需求。
参考文献
[1]王汉生.《乌龙茶制造生化原理》第五讲[J], 广东茶叶科技, 1985.04
[2]林木姬.乌龙茶精制烘焙[J], 福建茶叶, 2001.04:61
[3]吴建华, 陈林海.武夷岩茶烘焙加工方法选择初探[J], 福建茶叶, 2015.01:29-30
[4]张燕忠, 张凌云, 王登良.烘焙技术在乌龙茶精制中的应用研究现状与探讨[J], 茶叶, 2008.02:75-77
自适应模糊神经网络 第2篇
FIMU温度的模糊自适应PID.Smith控制
进行温度控制是提高基于光纤陀螺的惯性测量单元(FIMU)测量精度的重要手段.温控对象具有大惯性和大延迟等特性,难以取得满意的控制效果.在分析了常用温度控制方法的基础上,本文将模糊自适应整定PID控制与Smith预估控制方法相结合,在FIMU中采用模糊自适应整定PID-Smith的温度控制策略.该方法加快了系统的响应速度,很好的解决了控制系统的`滞后问题.对高精度FIMU温度控制系统的仿真研究表明:该方法的控制品质良好,具有较强的鲁棒性,能适应环境参数的变化.本文研究也可用于其它大滞后高精度控制系统设计.
作 者：李晓峰 房建成 张延顺 Li Xiaofeng Fang Jiancheng Zhang Yanshun 作者单位：北京航空航天大学仪器科学与光电工程学院,北京,100083 刊 名：电子测量与仪器学报 ISTIC英文刊名：JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT 年，卷(期)：2008 22(z2) 分类号：V24 关键词：FIMU 温度控制 Smith预估控制 模糊自适应整定PID控制自适应模糊神经网络 第3篇
关键词：柴油机；模型；自适应模糊推理系统；梯度下降算法
自适应神经模糊推理系统（ANFIS）是一种将神经元网络与模糊逻辑有效结合的、科学的推理系统结构，由于它具备任意精度迫近相应非线性函数的能力，因此拥有推广能力较强以及收敛速度过快等诸多特点。
1.故障诊断模型及其分析方法
本文结合ANFIS来构建柴油机故障诊断模型。
文章假设有一个为n维空间的样本集，并包含N个样本数据点：
Xi=[X（i），y（i）]
公式里，x=（x1，x2，...xn），其中n代表着样本数据维数；y则对应输出。
西方著名学者Jong提出的相应ANFIS，其实是Sugeno型模糊系统，对于典型的两个输入y以及x，其单输出?的一阶Sugeno模型系统具备以下两种规则：
I? x is A1 and y is B1 then f1=P1x+q1y+r1
? x is A2 and y is B2 then f2=P2x-q2y+r2 （2）
ANFIS的结构可分为5层
1.1.输入变量模糊化，此外输出与模糊集隶属度相对应。以下列节点A1为例，利用高斯函数进行传递函数，具体表示为：
Qj=μA1（x）=exp[-（xj-dij）/ ] （3）
其中公式中， μA1代表着隶属函数：xf（j=1.2）为节点j的有效输入： σij、dij分别代表着隶属度函数宽度以及中心，又被称作前提参数；其中i代表着隶属度函数所在的实际层数，即（i=1），而j则代表着层中的有效节点数。因此可以将A1看成是与该节点函数值有关的语言变量。
1.1.1.通过相应的乘法规则来将每条规则使用度进计算出来：
O2，i=ωi=μ A1（x）·μBi（y） i=1.2 （4）
其中该层的相应节点都将其标记成为II固定节点。
1.1.2.计算适用度归一化值
O3.i= =ωi /S， S= i=1，2 （5）
其中该层所有节点都可标记成为N的固定节点。
1.1.3.对每天规则输出进行计算
O4，i= ?i i=1，2 （6）
通过重心法加权求和，其中，?i中的ri、qi以及pi为结论参数，其中每个层的节点都可看作是自适应节点。
1.1.4.对模糊系统全部输入信号的整体输出进行计算
O5，i= = ?i/S i=1，2 （7）
结论参数以及前提参数均为未知参数，通过使用相应的混合算法训练ANFIS，能够依据特定指标获得该类参数值。从而构建该模糊模型。
1.2.参数优化
首先，对前提参数进行固定，采取线性最小二乘估计算法对神经网络的相应结论参数进行优化，通过上述公式（2）—（7）中，可以将系统总输出显示成为结论参数线性组合，也就是：
?=（ X）Pi+（ Y）qi+ ri+（ X）P2+（ y）q2+ r2=φ·D
其中，公式中{p1，q1，r1，p2，q2，r2}组成了列向量为D；且 φ、D、 ?的矩阵。它的维数实际为P*6、6*1、P*1；且P为相应的训练数据组数。
如果将误差指标函数设定为J（D）=1/2|| ?-φD||2，在依据相应的最小二乘法原理，确保J（D）达到最小值，所以：
D=[φTφ]-1φT ?
对参赛进行优化的第二步就是，结合固定结论参数对误差进行计算，并使用帝都下降误差对前提参数进行训练。
通过定样本数据，对相关优化步骤进行重复优化，直至确保误差符合相应要求或者达到了最大训练次数。
2.柴油机故障诊断实例
2.1.训练样本与测试样本
文章以常见的190A柴油机活塞-缸套磨损故障为例，对其在几种活塞裙部-缸套间隙下，实施故障诊断。由于该机身在运行过程中获得了相应的24组加速度信号，因此可以提出故障特征频率中的相应功率谱以及总功率参数来作神经网络诊断模型中的测试样本以及训练样本。
在对ANFIS诊断模型进行构建时，应选择高斯型隶属度函数。此外，为了简化模型，则利用减法聚类法对相应的训练数据空间实施非线性划分，并生成一个有效的sugeno模型作为相应的模糊推理系统结构。同时选择使用混合学习算法来对模型参数进行优化。
ANFIS模型可以全部检验样本进行正确有效分类，而且确保所输出的结果值稳定，其实际诊断值和识别值得比较如图6所示。通过相应的计算诊断识别得出，误差最大为10.16%，误差最小为0.115%，其平均误差可达2.26%。其识别精确度高达97.74%。由此可见故障类型的实际值恰好与识别值相吻合，表明训练后，构建的ANFIS模型具备较强的故障诊断能力。
总结：
当前，柴油机作为机、电液一体化的复杂系统，运用先进、合理的故障诊断技术来诊断和了解柴油机自身的工作性能，并对其内部各部件运行状况进行及时判断，为日后进一步研究和探讨柴油机故障诊断技术提供了一定理论支持。
参考文献：
[1] 曹政才，赵会丹，吴启迪. 基于自适应神经模糊推理系统的半导体生产线故障预测及维护调度[J]. 计算机集成制造系统. 2010（10）
[2] 于希宁，程锋章，朱丽玲，王毅佳. 基于T-S模型的自适应神经模糊推理系统及其在热工过程建模中的应用[J]. 中国电机工程学报. 2006（15）
[3] 武星星，朱喜林，杨会肖. 自适应神经模糊推理系统改进算法在机械加工参数优化中的应用[J]. 机械工程学报. 2008（01）
自适应模糊神经网络 第4篇
关键词：模糊控制,BP网络,PID控制器
0 引 言
PID控制以其简单、容易实现等优点被广泛应用于工业过程控制中[1],PID控制器参数的选择直接影响控制系统的控制效果。在PID控制器设计中,寻找合适的控制算法来实现Kp、Ki、Kd参数的整定至关重要。之前有人提出了用增加动量项、高斯牛顿法[2,3]、模糊控制规则[4]等改进的BP算法,但是这些学者并没有将这些改进的BP算法用到PID控制中。之后李秀改等人提出了基于BP算法的模糊自适应控制器的研究[5],将BP网络改换成一种模糊控制过程。唐锐等人又提出了基于BP网络的模糊PID控制算法的研究[6,7],将系统误差进行了模糊化处理后,再应用到PID控制中。
本研究首先用模糊规则对BP网络的参数进行调整,然后将其应用到PID控制中,利用神经网络较强的自学习能力和模糊控制在模型未知或不精确前提下的控制能力,实现PID控制参数的在线调整和优化。
1 基本的BP网络
本研究采用3层BP网络[8],其结构如图1所示。
网络输入层的输入为:
oundefined=x(j),(j=1,2,…,m) (1)
式中 m—输入变量的个数。
网络隐含层的输入/输出为:
undefined
oundefined(k)=f(netundefined(k)),(i=1,2,…,q) (3)
其中,wundefined为隐含层加权系数,上角标(1)、(2)、(3)分别代表输入层、隐含层、输出层。隐含层神经元的活化函数f取正负对称的Sigmoid函数。
网络输出层的输入/输出为:
undefined
oundefined(k)=g(netundefined(k)),(n=1,2,3) (5)
oundefined(k)=kp (6)
oundefined(k)=ki (7)
oundefined(k)=kd (8)
由于Kp,Ki,Kd不能为负值,输出层神经元的活化函数g取非负的Sigmoid函数。
性能指标函数为:
undefined
按照梯度下降法修正网络的权系数,并附加一个使搜索快速收敛全局极小的惯性项:
undefined
式中 η—学习速率;α—惯性系数。
网络输出层权系数的学习算法为:
∇wundefined(k)=α∇wundefined(k-1)+ηδ(3)noundefined(k) (11)
undefined
其中,n=1,2,3。
隐含层权系数的学习算法为:
∇wundefined(k)=α∇wundefined(k-1)+ηδundefinedοundefined(k) (13)
undefined
其中,i=1,2,…q;g′(·)=g(x)(1-g(x));f′(·)=(1-f2(x))/2。
3 对3层BP网络学习参数的模糊自适应控制
由于超曲面E(k)有时变化“缓慢”,有时变化“迅速”,或者说学习步长“大”、“小”等都是相对的模糊概念,本研究使用了模糊控制方法来调节BP网络的学习参数。
从数学分析和微分几何可知,用E(k)函数的1阶导数可以判断该函数的变化趋势。笔者定义模糊控制器的输入变量为:E(k)与dE(k)。
1阶导数:dE(k)=E(k)-E(k-1)。
并将E与dE划分为5个模糊子集(状态),“负大(NB)” 、“负小(NS)” 、“零(Z)” 、“正小(PS)” 、“正大(PB)”。为了方便,笔者选用常见的三角隶属函数。注意到,归一化后,多输入模式下均方误差在训练过程之初大约为0.5。BP网络软件应用经验表明,dE=0.01就是较大的变化。由此给出如图2、图3所示的E和dE的隶属函数曲线。同理定义模糊控制器的输出变量u为学习参数的改变量,即u=Δα、Δη。由经验表明,学习参数的调整量不宜过大,一般为0.01,因此u的三角隶属函数曲线如图4所示。
其模糊控制规则如表1所示。
(1) 由于E(k)没有负值,E(k)的模糊集为{Z,PS,PB},在学习过程的初级阶段E=PB,误差较大,若dE=Z,则需要显著加大学习步长,u=PB,此时E(k)尚未进入复杂山谷区。
(2) 此后当E=PS,误差较小,E(k)进入复杂区域,若dE=Z,E(k)暂时平坦,为谨慎起见,少量增加步长,u=PS。
(3) 当dE=PB,说明误差明显上升,即已进入超曲面复杂地形区,搜索正沿陡山而上,则应明显减小学习步长,u=NB,以免出现振荡。
(4) 当E=Z,学习过程结束,学习参数也不需要改变,即u=Z。
3 模糊BP网络整定的PID控制
经典增量式数字PID的控制算法为:
u(k)=u(k-1)+Δu(k) (15)
Δu(k)=kpx(1)+kix(2)+kdx(3) (16)
x(1)=e(k)-e(k-1) (17)
x(2)=e(k) (18)
x(3)=e(k)-2e(k-1)+e(k-2) (19)
基于模糊BP网络的PID控制器结构如图5所示。
综上所述,基于模糊BP神经网络的PID控制算法可归纳如下:
(1) 选定BP网络结构,即确定输入层节点数M和隐含层节点数Q,给出各层加权系数初值。选定学习速率η和惯性系数α,此时k=1。
(2) 采样获得rin(k)和yout(k),计算e(k)=rin(k)-yout(k)。
(3) 将e(k)输入到BP网络,利用式(9)计算E(k),再用模糊控制规则调节BP网络的学习参数。
(4) 计算改进的BP网络各层的输入输出,NN输出层的输出即为PID控制器的3个可调参数kp,ki,kd。
(5) 根据式(12)计算PID控制的输出Δu(k)。
(6) 进行神经网络的学习,在线调整加权系数wundefined(k)、wundefined(k),学习参数,实现PID控制的自适应调整。
4 仿真实验
设被控对象为非线性离散系统,其近似数学模型为:undefined,权系数初始值取区间[-0.5,0.5]上的随机数,输入为阶跃函数rin(k)=1.0。
仿真曲线如图6～图8所示。可以看出,算法改进前后虽然误差曲线没有明显的变化,但是输出超调明显减小,达到稳定的时间缩短,控制系统的鲁棒性得到了改善。
(1)—经典控制;
(2)—模糊BP的PID控制
5 结束语
采用模糊控制方法自动调节BP神经网络训练过程中的学习参数,将明显地提高收敛速度和误差精度。本研究正是将这种改进的BP算法应用于PID控制中,实现PID控制参数的在线调整和优化。仿真实验表明,其具有较强的适应性和鲁棒性,且该算法与改进前的PID控制相比较,取得了较好的效果。
参考文献
[1]ASTROMK J,HAGGLUND T.The future of PID control[J].Control Engineering Practice,2001,9(11):1163-1175.
[2]耿小庆,和金生,于宝琴.几种改进BP算法及其在应用中的比较分析[J].计算机工程与应用,2007,43(33):243-245.
[3]LEUN F HF,LAM H K,LING S H.Tuning of the struc-ture and parameters of neural network using an improved ge-netic algorithm[J].IEEE Transactions on Neural Net-works,2003,14(1):780-784.
[4]冯天瑾,陈哲,顾方方.BP网络学习参数模糊自适应算法的实现[J].青岛海洋大学学报,2000,30(1):137-141.
[5]李秀改,侯嫒彬.基于神经网络BP算法的模糊自适应控制器的研究与实现[J].电气传动自动化,2000,22(4):24-26.
[6]唐锐,文忠波,文广.一种基于BP神经网络的模糊PID控制算法研究[J].机电产品开发与创新,2008,21(2):24-26.
[7]孙小权,钱少明.基于BP神经网络的料筒温度PID控制器[J].机电工程,2008,25(5):18-20.
自适应模糊神经网络 第5篇
非平稳时间序列自适应线性神经网络在线预测
研究了应用自适应线性元件(Adaline)神经网络解决非平稳时间序列在线预测问题的可行性.提出根据自回归模型定阶方法来确定Adaline预测模型中的`输入神经元数目,并分析了自适应学习率对预测性能的影响.仿真结果表明,Adaline在线预测非平稳时间序列的工作性能良好.
作 者：冯志鹏 宋希庚 薛冬新 王平徐继承 作者单位：大连理工大学内燃机研究所,大连,116024 刊 名：振动测试与诊断 ISTIC EI PKU英文刊名：JOURNAL OF VIBRATION MEASUREMENT & DIAGNOSIS 年，卷(期)：2002 22(4) 分类号：O235 TP13 关键词：预测 神经网络 自适应 时间序列自适应模糊神经网络 第6篇
由于永磁同步电机(PMSM)具有体积小、结构简单、转动惯量小、输出转矩大、响应速度快、可靠性高等特点,因此在伺服控制领域中得到广泛应用。对此,研究者们提出了许多控制方案,如文献[1]利用矢量控制来进行转矩电流和励磁电流之间的解耦,文献[2]采用滑模变结构控制来克服电机的非线性,文献[3]采用基于自抗扰控制器来设计永磁同步电机的位置伺服系统。这些方法是基于解耦线性化模型的现代控制策略[4],是从电机本体参数出发进行线性化的处理。
同时从智能控制方法出发,出现了如文献[5]中所采用的模糊PI控制等。但是模糊推理系统的设计却存在相当依靠专家或操作人员经验和知识的缺陷。Jang J-S R.首先提出了自适应神经模糊控制器(ANFIS)[6],把神经网络和模糊控制相结合,利用神经网络的学习能力与映射能力,实现模糊系统的自学习、自适应功能,并对非线性系统建模进行了仿真研究。文献[7]中把模糊推理和神经网络相结合,进行了永磁同步电动机直接转矩控制的仿真研究,文献[8]把其应用到了中央空调水系统节能控制的仿真研究中,文献[9]把其应用到了开关磁阻电机的控制中。
本文永磁同步电机伺服系统采用双闭环矢量控制来实现,其中用ANFIS速度控制器来取代常规的PI速度调节器,并对其控制过程进行了研究分析。
1 PMSM的矢量控制
矢量控制就是以旋转的转子磁通矢量为参考坐标,利用从定子坐标系(abc坐标系)到转子坐标系(dq坐标系)之间的变换,将三相耦合的定子电流转化为转子坐标系下相互正交的励磁电流id和转矩电流iq。变换方程如下
式中,ia、ib、ic为定子三相电流;id、iq分别为dq轴定子电流;θ为转子位置信息。
通过坐标变换可得PMSM在矢量控制下电磁转矩方程
式中,Ld、Lq分别为定子dq轴同步电感,是与(θ无关的常量;Ψ为转子磁链;p为磁极对数。
由公式(1-2)可知,若令id=0,则电磁转矩完全由转子磁链和定子交轴电流分量确定。控制这两个解耦的量,就控制了电磁转矩,从而控制转速。因此,通过矢量变换实现了像控制直流电机一样地对PMSM进行控制。图1是永磁同步电机伺服系统的双闭环矢量控制系统框图,其中用速度控制器采用的是常规的PID控制。
2 自适应神经模糊推理系统(ANFIS)
2.1 ANFIS原理
尽管模糊推理系统的设计并不主要依靠对象的模型,但是模糊规则的选取却相当依靠专家或操作人员的经验和知识。规则选取的好坏,直接影响控制器的控制效果。神经网络系统具有自学习能力的优点。应用这种自学习的方法对系统模型进行分析与建模,形成了自适应的神经网络技术。自适应的神经网络技术对于模糊系统的建立(模糊规则的建立)是十分有效的工具。自适应神经模糊推理系统(ANFIS)正好结合了模糊控制和神经网络技术两者的优点。
2.2 基于ANFIS控制的PMSM的系统结构
永磁同步电机伺服系统采用双闭环矢量控制,其中用ANFIS速度控制器来取代常规的PI速度调节器,电流控制器采用PI,采用SVPWM技术调制控制电流。原理图如图2所示。
2.3 ANFIS速度控制器设计
本文中ANFIS是基于Takagi-Sugeno模型的自适应神经模糊推理系统,其网络结构如图3所示[10]。结合本文要求进行如下设计。
第一层为输入层。该层的各个节点直接与输入向量的各分量xi连接,它起着将输入值x=[x1,x2,…,xn]T传送到下一层的作用。该层的节点数N1=n。在本文中n取2,即x1为速度误差e,x2为速度误差变化率ec。
第二层每个节点代表一个语言值变量,如NB、PS等。它的作用是计算各输入量属于各语言变量值模糊集合的隶属函数μ
式中,i=1,2,…,n;j=1,2,…,mi。n是输入量的维数,mi是xi的模糊分割数。例如,若隶属函数采用高斯函数表示的铃形函数,则
式中,cij和σij分别表示隶属函数的中心和宽度,该层的节点总数
第三层的每个节点代表一条模糊规则,它的作用是用来匹配模糊规则的前件,计算出每条规则的适应度,即
式中,
第四层的节点数与第三层相同,即N4=N3=m,它实现的是归一化计算,即
第五层为输出层,它所实现的是清晰化计算,即
这里的yij是相当于yi的第j个语言值隶属度函数的中心值。
2.4 学习算法
该模糊推理系统利用BP反向传播算法和最小二乘算法来完成对输入/输出数据对建模训练。
ANFIS学习算法流程如图4所示。训练过程由两步组成:第1步,每一次迭代中,输入信号沿网络正向传递至第4层,固定条件参数,然后采用最小二乘法估计结论参数,信号继续正向传递至输出层即第5层;第2步,将获得的误差信号沿反向传播,利用误差反向传播算法调整前件参数。这样不仅可以降低误差反向传播算法中搜索空间的维数,还可以大大提高参数的收敛速度。
3 仿真过程
ANFIS系统通过对大量已知数据的学习得到,因此仿真过程首要任务是采集训练数据。本文为了采集数据成功训练神经网络,设计了模糊PID控制系统,并采集了516组速度误差e,速度误差变化率ec和速度控制器输出组成的数据组作为训练数据,同时从中抽取103组作为测试数据。和ec的模糊化e都取7个语言变量值,经训练可得到基于ANFIS的速度控制器模型。形状如图5所示。
得到ANFIS模型后组建仿真系统。电机参数如下:电机定子电阻RS=2.875 Ω,交直轴电感Ld= Lq= 8.5 mH,转子磁链Ψ= 0.175 Wb,磁极对数p= 4,转动惯量J= 0.8 g·m2,额定转矩为2.8 N·m。
为了便于控制性能的对比,设计了PID控制器、模糊PID控制器和自适应神经模糊控制器三种控制器。速度控制器的参数如下:PID控制器中的比例系数Kp=10,积分系数KI=80,微分系数KD=0。模糊PID控制器的控制规则为简单但使用的九条规则。给定转速700 rpm,给定负载转矩初值1 N·m,0.02 s后突变为3 N·m,以此检验系统抗负载扰动的能力,仿真波形如图6所示。
另外抽取图6中部分数据,观察三种控制的细节可得图7。
实验数据如表1所示。稳态误差取±2%,即±14 rpm。
由表1可发现,ANFIS控制器的不仅调节时间短,而且超调小。并且图7中ANFIS控制曲线达到e小于0.1rpm的时间较其余种控制更短,这说明ANFIS控制器控制的稳态精度比其余二者更好,跟随性更精确。
4 结束语
实验可以发现,根据ANFIS设计的速度控制器不仅响应速度比PID控制器好,超调量小。关键是ANFIS在稳态精度方面表现非常好,不仅波动小,而且能很好的跟随指定信号。
更为关键的是自适应神经模糊推理系统(ANFIS)是基于数据的建模方法,该系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的,而不是基于经验或直觉任意给定的,这对于那些特性还不被人们所完全了解或者特性非常复杂的系统尤为重要。
参考文献
[1]杨明,付博,李钊,等.永磁同步电动机矢量控制电压解耦控制研究[J].电气传动,2010,40(5):24-28.
[2]方斯琛,周波.滑模控制的永磁同步电机伺服系统一体化设计[J].中国电机工程学报,2009,29(3):96-101.
[3]孙凯,许镇琳,盖廓.基于自抗扰控制器的永磁同步电机位置伺服系统[J].中国电机工程学报,2007,27(15):43-46.
[4]杨书生,钟宜生.永磁同步电动机伺服系统转速环控制策略综述[J].电气传动,2006,36(2):3-7.
[5]程飞,过学迅,别辉.电动车用永磁同步电机的双模糊控制研究[J].中国电机工程学报,2007,27(18):18-27.
[6]Jang J-S R.ANFIS:adaptive-network-based fuzzy inference system[J].IEEE Transactions on Systems,Man,and Cyber-netics,1993,23(3):665-685.
[7]乔维德.基于神经网络模糊控制的永磁同步电动机直接转矩控制[J].微特电机,2008(8):36-39.
[8]于侃,高军伟.基于ANFIS中央空调水系统节能控制的仿真研究[J].青岛理工大学学报,2009(3):122-125.
[9]吴江潦,易灵芝,彭寒梅,等.开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制[J].煤炭学报,2010,35(8):1401-1405.
[10]李国勇.智能预测控制及MATLAB实现(第2版)[M].电子工业出版社,2010.
自适应模糊神经网络 第7篇
针对变压器专用绝缘条形材料的冲裁问题, 项目组设计了一套专用的自动冲床, 该冲床的关键技术为依靠滚轮摩擦力送料的自动送料系统的自动控制, 要求在加工对象表面摩擦力随机变化的情况下保持送料速度稳定。
加工过程中存在滚轮和加工材料之间的摩擦力及材料与导轨之间的摩擦力, 其中材料与导轨在高速运动过程中产生的非线性摩擦力对系统的控制精度影响非常大, 非线性的摩擦力导致整个控制对象的非线性, 用传统的控制方法很难达到高精度的控制效果。解决这个问题的一个行之有效的办法是建立摩擦力的数学模型并在此基础上进行补偿控制, 针对该类伺服系统人们已经提出了许多控制方法, 如对偶自校正PID控制[1]、基于重复控制原理的动态补偿方法[2]、鲁棒自适应摩擦补偿法[3]、PID加迭代学习的复合控制方法[4]及速度鲁棒跟踪控制[5]等, 以上控制方法在限定条件下可以获得较好的控制效果, 但是在工程应用中缺乏广泛适用性, 因为从控制应用角度来说, 构建的摩擦力模型越简单越好, 但如果只考虑静摩擦力 (库伦摩擦) 及粘性摩擦等因素, 可能引起因误差过大导致的过补偿, 从而产生极限环[6]。产生摩擦力的因素很多, 摩擦力大小不仅与负载大小、接触位置及运动速度有关, 而且受运动维持时间、环境温度、运动速度及接触位置等因素影响, 诸多因素, 导致摩擦力模型的非线性, 因此, 要获得其精确的数学模型非常困难。在具体应用环境下的控制策略只能考虑系统中影响摩擦力的主要因素, 根据参数及环境因素的改变适时调节摩擦力模型[7], 可能导致模型的非通用型, 同时, 自适应控制算法的复杂性也限制了其实际工程应用。
神经网络能够以任意精度逼近任意L2范数上的非线性函数, 并可以进行学习, 以适应环境的变化, 非常适合用来描述具有非线性特征的摩擦力模型, 并便于用现有的计算机技术或超大规模集成电路 (VLSI) 实现[8], 从而具有广泛的工程应用基础。只需要选取合适的网络模型及训练方式就可以构成具有自学习自适应功能的模型, 从而很好的对摩擦力进行补偿。
本文针对高速冲床摩擦力驱动系统, 在讨论了摩擦力驱动模型的基础上, 采用模糊控制与神经网络的结构等价方式, 用多节点的网络来实现模糊映射, 构成了一种但隐含层的三层模糊神经网络, 用于直流伺服电机的控制, 对电机单轴转动速率进行摩擦力自适应补偿研究, 从而提高其控制精度。
1 摩擦力特性分析及建模
1.1 线性特性分析
影响摩擦力的线性因素主要为库伦摩擦/静摩擦、粘性摩擦力矩以及位置相关性等。
(1) 库伦摩擦/静摩擦
当物体开始运动时, 存在一阻止运动进行的恒值摩擦力, 若外部作用力小于静摩擦力, 运动速度就为零。其表达式为:
式中q为角度, a为库伦摩擦力矩。
(2) 粘性摩擦力矩
该力矩与角速度成正比关系:
式中β为粘性摩擦力矩。
(3) 位置相关性
在某些伺服系统中, 传动与减速机构的误差可能会导致周期与减速比相对应的振荡, 从而产生摩擦力变化[9]。
1.2 非线性特性分析
摩擦力的非线性特性主要表现为滑动粘附现象[10]、动态滞后效应[11]、Stribeck效应[11]和可变最大静摩擦力[12]等,
(1) 滑动粘附现象
对应于克服静摩擦力产生运动后, 由接触面弹塑性变化引起的摩擦, 摩擦力矩随指数规律减小, 最小时约为静摩擦力的60%, 随后随着运动速度增大而增大。
(2) Stribeck效应
主要表现为进入滑动摩擦后, 在一定速度范围内产生“油膜”, 从而导致摩擦力迅速降低。该效应描述了摩擦力与转速之间的稳态对应关系。
(3) 动态滞后效应
指在静摩擦阶段, 滑动速度和滑动摩擦力相应的延时。该效应是摩擦力的非常重要的特性之一, 它的存在使得摩擦力建模更加复杂。
(4) 可变最大静摩擦力
指静摩擦力大小会随着接触面间相对静止的时间变化而变化, 运动以前相对静止时间越长, 静摩擦力就越大[13]。
在伺服系统中, 两个有相对运动或相对运动趋势的接触面上会产生摩擦力, 而需要区别的是, 因为在运动过程中, 滑块与导轨接触面表面区域会发生轻微变形, 导致滑块的速度与位移同滑块与接触面间的相对速度和相对位移的不同的[14], 从而在静摩擦状态下, 相对运动速度为零而滑块的实际位移可能不为零。通常, 钢质材料在静摩擦区域内的预位移为2~5μm[15]。
1.3 摩擦力建模
摩擦力模型采用包含库伦摩擦和粘性摩擦的指数模型:
式中和φ是经验系数, 选择值不同可得到不同的模型。若选择δ=1, 可得Tustin模型:
实验证明, 该模型的精度可达90%[16]。从式 (6) 中可以看出, 模型与称非线性关系, 故在实际使用时多采用线性化模型:
式中τc、τr、τv是随角速度变化的常数, 分别描述了摩擦力矩的非平衡型、滑动粘滞现象和速度相关特性。
2 模糊神经网络
结构等价模糊神经网络的结构如图1所示。该网络共有四层, 第0层为输入层, 将输入信号转入下一层;第1层为求取隶属度层, 是一个隐层型网络;第2层实现模糊集运算的功能, 及得到神经元输出μj, 第1层和第2层的权系数为1;第三层确定每条规则的激活强度, 并完成训练数据的后向传播, 第2层和第3层的权系数是bj, 需经过学习后确定;第4层是输出层, 用重心法实现反模糊化功能, 输出y。
神经网络的学习过程分3个阶段:
(1) 前件参数和后件参数的初步确定
前件参数包括输入隶属函数的均值和方差, 后件参数包括输出隶属函数的均值和方差。设输入论域为 (-N, N) , 模糊分档数为奇数, 则第i个隶属度的均值和方差ai, bi分别为:
(2) 控制规则的学习
把训练数据分别从输入输出端馈入网络, 知道第2层的输出端和第3层的输出端, 用微分竞争学习 (DCL) 提取有效的控制规则。算法为:
式中mij为第2层第i个神经元和第3层第j个神经元之间的连接权系数;sj (yj) 为第3层第j个神经元的输出;si (xi) 为第2层第i个神经元的输出。
学习结束后, 保留权系数较大的连接, 表示这条规则对控制起作用, 取消较小的连接, 表示该规则对控制输出不起作用。
(3) 前件参数和后件参数的优化
控制规则确定后, 根据训练数据进一步调整输入输出隶属函数的均值和方差, 减小系统误差。本文采用BP算法, 可表示为:
式中η为学习速率, 按照上式可计算出输入输出隶属函数中均值和方差的修正量, 不断调整参数知道输出满意的结果[17]。
3 控制系统设计
控制器模型为:
式中, q为角位移, τm为电机的输出力矩, τf为折算到电机轴上的等效摩擦力矩。H1=kp+ki/s, H2=kv, 代入 (6) , 可得:
在实际的系统中, 可令为θ的估计值, e为误差, 则有:
模型辨识算法为:
θ和θk即为在估计误差有节的假设下参数的最小二乘估计[9]。
基于模糊神经网络的摩擦力自适应补偿伺服系统结构图如图2, 图中, ed为期待误差, 执行机构为直流伺服电机, 模糊神经网络控制器 (FNN) 通过采集到的数据进行学习, 在线调整输出, 控制器的输出u为FNN输出ur与PID控制器输出uc之和, 即u=ur+uc, FNN初试权值为零, 在初试阶段PID控制器的输出占主导地位, FNN通过训练逐渐使u'r逼近u, 从而是误差e趋于零, 最终取代PID控制器的作用。在出现干扰时, 由于PID控制的快速性可以保证其重新起作用以确保控制系统的稳定性和鲁棒性, 同时由于FNN的作用可以提高系统的准确性和自适应能力[18]。
4 实验结果分析
作者在一条形绝缘材料摩擦力传动伺服实验台上, 进行了数据采集工作, 用采集到的数据对FNN进行训练, 分别选用正弦跟踪信号和方波信号进行了实验, PID控制器参数为kp=0.52, ki=0.1, kd=0.000, β=0.013, c=48。采集到的摩擦驱动轮角速度ωr与条形材料传动速率v的关系如图3所示。
图4所示为无补偿和FNN补偿后的启动曲线, 从图上可以看出, 在启动过程中无补偿系统与补偿后系统相比有明显的振荡, 调节时间较长, 在稳态时也因干扰引起较大误差, 而补偿后的调节时间明显减小, 对因速度引起的摩擦力变化等非线性因素有着姣好的抵抗能力, 稳态误差非常小。
图5所示为多次使用不同光滑程度的条形材料分别进行未经补偿及FNN在线补偿后的测试结果, 驱动速度均为稳态速度。测试结果表明, 未加补偿时, 稳态误差较大, 最大达到32.47%, 加入模糊神经网络补偿器后, 对摩擦力的非线性因素及各种干扰, 控制系统具有更高的跟踪精度, 能够很好的抵抗摩擦和外部干扰, 并具有较好的鲁棒性, 当惯性系统发生改变时, FNN可以通过其自学习能力很好的补偿各种非线性因素带来的不确定性, 具有很好的稳态精度。
5 结束语
自适应模糊神经网络 第8篇
截齿作为采煤机、刨煤机以及掘进机等工程机械设备在煤岩截割时的重要刀具,在煤炭开采、巷道掘进以及隧道建设工程中得到广泛的应用[1]。由于作业环境和工作条件错综复杂,截齿在截割煤岩过程中承受较大的压应力、剪应力以及摩擦力[2],同时还受温升等因素影响,导致截齿材质软化,容易加速截齿的磨损,增大截齿的消耗量[3]。截齿的磨损主要包括磨粒磨损和热疲劳磨损,据不完全统计,在截齿的失效形式中,磨损失效的比例高达75%~90%[4]。截齿磨损不但降低了设备的工作效率,而且对整机的平稳性、安全可靠性以及使用寿命都会产生巨大的影响,因此,实现截齿磨损量的实时在线动态监测,对获取截齿的最佳更换与维护周期,提高机械设备的工作效率以及延长使用寿命具有十分重要的意义。
近年来,一些专家学者针对截齿磨损相关问题进行了研究。Dewangan等[5]采用扫描电子显微镜和X射线能量色散谱对磨损后的镐型截齿进行图像扫描和分析,得到了七种不同的截齿磨损机理;张建广[6]、王雁翔等[7]通过人工模拟截割实验研究得到了截齿磨损的特性机理及主要影响因素;张景异等[8]采用图像处理技术与统计学相结合的方法进行了截齿磨损实验研究,得到了截齿的磨损率;张大伟等[9]利用三维图像重构技术计算截齿的体积,实现了对截齿磨损率的计算分析;李勇等[10]通过分析截齿的排列位置对其进行编号处理,采用称重和分类法得出了各截齿截割后的磨损破坏程度。以上针对截齿磨损的研究主要侧重于磨损的影响因素以及特性等方面,对于截齿磨损量的测试分析普遍采用后处理的间接测试方法,没有实现截齿截割过程中磨损量的实时在线动态监测,针对这一瓶颈问题,笔者提出了一种基于自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)模糊信息融合的采煤机截齿磨损实时在线监测方法,通过对截齿截割过程中多传感特征信息的提取、识别以及决策融合,实现截齿截割过程中磨损量的实时动态监测,为分析采煤机截齿的实时截割状态,获取截齿维护与更换的最佳周期提供重要的数值参考依据。
1 系统特征参数及总体结构分析
1.1 截齿截割特征信号分析
采煤机在截割煤岩过程中,截齿与煤岩发生剧烈碰撞和冲击,分别在横向、纵向以及轴向产生明显振动[11],大量现场实验测试结果表明,采煤机在截割过程中的三向振动幅度差异很大,其中y方向振动最为强烈,x方向次之,z方向的振动信号较小,因此,本文选取y方向的振动信号作为系统的特征输入信号。通过现场实验测得采煤机截割过程中y轴的振动曲线,如图1所示[12]。
采煤机截齿在截割过程中与煤岩表层发生剧烈碰撞和摩擦,造成截齿齿面温度场的显著变化,不同磨损程度的截齿,其截割过程中的温度场及瞬时闪温峰值差异很大,截齿齿面温度的变化可在一定程度上反映截齿的磨损程度。因此,选取截齿截割过程中的温度信号作为系统的特征输入信号,截齿截割过程中的表面温度场及其温度-频次百分数曲线分别如图2和图3所示。
截齿在截割煤岩过程中,除产生剧烈振动以及齿面发生明显的温度场变化外,还同时伴随混杂的声发射信号向外传播[13]。截齿与煤岩表层的碰撞角度和摩擦接触面积随截齿磨损程度的变化而变化,不同磨损程度的截齿与煤岩碰撞过程中产生的声发射信号具有显著的差异,因此根据截齿截割煤岩过程中声发射信号的特征变化可有效地对截齿的磨损程度进行监测和识别。
综上分析,本文通过测试提取采煤机截齿截割过程中的y轴振动信号、温度信号以及声发射信号作为融合系统的特征输入样本,建立截齿磨损实时动态监测的多特征信息融合模型。
1.2 融合系统结构模型
基于ANFIS模糊信息融合的截齿磨损在线监测系统结构如图4所示,预先采用定量磨损的截齿进行煤岩截割实验,提取不同定量磨损程度截齿截割过程中的振动、温度以及声发射特征信号,建立多信号的特征样本数据库,并以此为基础结合最小隶属度优化模型得到ANFIS模糊神经网络的模糊隶属度函数,构建多信息决策融合截齿磨损测试系统。采用随机未知磨损截齿对系统的可靠性及融合结果精度进行实验验证,将系统决策融合输出结果与人工实测结果进行对比分析,计算出系统测试结果的误差,通过系统学习优化不断修正,更新知识库规则信息,提高截齿磨损量模糊神经网络决策融合的精确度及可信度。
2 ANFIS模糊信息融合
2.1 多特征信号提取与识别
为测试提取截齿截割煤岩过程中的振动信号、温度信号以及声发射信号特征值,建立如图5所示的截齿截割测试实验台,实验台由工作台(包括截割电机、传送带、蜗轮蜗杆减速器和截齿部分)、行走机构(包括工作台驱动电机、滑轨、行走滑块、丝杠和轴承支架)以及煤岩试件构成,实际测试时采用单齿截割煤岩试件的实验方法。测试前在矩形煤岩试件棱角处安装声发射传感器,安装前在传感器表层涂匀声耦合剂,使其与煤岩试件紧密接触;在截齿与煤岩试件截割分离处架设红外热像仪,对截齿的温度进行实时监测;在蜗轮蜗杆减速器顶部y轴方向安装振动传感器,实时测试截齿截割过程中的y轴振动信号。
为了测试不同磨损程度截齿截割过程中的信号特征,定义不同磨损量的语言描述为{新齿,微小磨损,中小磨损,中等磨损,中大磨损,极大磨损,失效},对以上变量定义子集为{Y1,Y2,Y3,Y4,Y5,Y6,Y7},分别对上述7种磨损量状态下截齿截割煤岩过程中的y轴振动、温度以及声发射信号进行测试,采用小波分析方法提取振动、声发射信号的样本值,建立各信号的特征样本数据库,通过分析得到各信号的典型特征样本值分别如表1~表3所示。
mm
℃
2.2 基于最小模糊度的隶属度函数
针对隶属度函数的最优确定还没有一套成熟有效的方法,绝大多数隶属度函数的确定方法主要依托经验和实验[14],常见的隶属度函数有三角形、梯(半梯)形、高斯型以及S形等。其中三角形是最简单的隶属函数,它是由直线形成的,梯形隶属函数实际上是由三角形截顶所得。这两种直线形隶属函数都具有简单的优势,在基于模糊推理的信息融合方法中得到广泛使用,因此,本文采用两端为梯形、其余为三角形的隶属度函数构造方法建立隶属度函数模型,隶属度函数图见图6。
mV
好的隶属度函数应该在反映模糊概念和模糊性的同时,能最大程度地描述出评价指标所表达的客观实际内容。因此,采用模糊集的模糊度来度量事物客观性的清晰程度,模糊度越小,其模糊集表达的精准度越高。依托测试得到的特征样本数据,利用最小模糊度原则对隶属度函数进行优化求解,得到合适的隶属度函数。
定义截齿不同磨损量的各模糊子集Y1,Y2,…,Y7的隶属度函数分别为μ1,μ2,…,μ7,待优化求解参数分别用t1,t2,…,t7表示,根据已知特征样本定义系统论域为X={x1,x2,…,x98}。隶属度函数图两端采用梯形隶属度曲线,其表达式为
其他隶属度函数曲线为三角形,其表达式为
模糊熵用来描述一个模糊集的模糊性程度,通常做如下定义[15]:
(1)非模糊集为分明集,其模糊熵为0;
(2)[1/2]模糊集的隶属性最难确认,其模糊性应最大;
(3)距[1/2]的1远近程度相同的模糊集A与AC,其模糊程度要求相同;
4)模糊集A的模糊性应具有单调变化的性质,A越接近[1/2],其模糊性越大;A越远离[1/2],其模糊性越小。
本文选择模糊熵作为模糊度的度量,建立基于模糊熵的隶属度函数优化求解数学模型:
根据表1~表3中不同截齿磨损量的截割特征信号样本,结合式(4)采用MATLAB软件编程对隶属度函数的t值进行优化求解,得到优化后各特征信号的隶属度函数图,见图7~图9。
2.3 ANFIS模糊神经网络决策融合
ANFIS是一种基于自适应网络结构的模糊推理方法,它结合神经网络的自适应学习功能,同时具有模糊逻辑易于表达人类知识和神经网络的分布式信息存储以及自学习能力的优点[16],故广泛应用于模糊控制、模式识别等领域[17]。基于ANFIS模糊神经网络信息融合的截齿磨损测试分析结构模型如图10所示,ANFIS自适应模糊神经网络由前件网络和后件网络两部分组成[18],包括两个输入层、两个规则层与一个输出层[19],前件网络用来匹配模糊规则的前件,包含输入层、规则运算层、归一化层;后件网络用来产生模糊规则的后件,包括规则输出层以及ANFIS输出层,系统的神经元由截齿截割煤岩过程中提取的y轴振动信号、温度信号以及声发射信号组成。
第一层为系统输入层。它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度,实现各输入变量值的模糊化处理,每个输入变量包含7个模糊集,隶属度函数分别用Ai、Bi、Ci表示,则第一层各节点的输出分别为A1~A7、B1~B7和C1~C7。
第二层为规则运算层。其每一个节点代表一条模糊规则,用来匹配模糊规则的前件,计算出每条规则的适用度,第i个节点的适用度为
当系统的输入为给定值时,只有在输入点附近的语言变量值才具有较大隶属度值,远离输入点的语言变量值的隶属度或者很小或为0。因此只有少量节点输出非0。
第三层为归一化层。其节点数与第二层的节点数相同,它所实现的是归一化计算[20]:
式中,ai为各节点的适用度。
第四层为规则输出层。规则输出层用于计算每一条规则的输出,各节点的传递函数为线性函数,其规则输出为
式中,ξi为结论参数集对应的函数[21]。
第五层为输出层。是整个模型的后件网络,用于计算每一条规则的后件,最后的ANFIS输出为
基于ANFIS多维模糊神经网络融合模型的截齿在线监测系统,其原理是通过采集截齿截割煤岩过程中的y轴振动信号、声发射信号以及红外热像信号,经过模数转换后进入模糊融合系统,通过隶属度函数规则对各数据信号进行模糊化处理,得到其对应的隶属度函数μj,之后进入第二层规则运算层,计算出每条规则的适用度Pi(2),由于只有离输入点较近的语言变量值才具有较大的隶属度值,因此较大输出的节点较少,大部分节点输出为0或很小。适用度通过归一化计算,使系统数值的绝对值变成某种相对值关系,之后再进行解模糊、清晰化处理,输出截齿磨损的各融合规则Pi(4),最后得到ANFIS输出的截齿磨损融合结果。
3 实验验证
为验证截齿磨损在线监测系统测试的精确性与可靠性,采用如图4所示截割模拟实验台,对随机磨损量的单截齿进行截割实验。实验试件采用神东天隆公司生产的U85型截齿;振动传感器采用ZXD-YB一体化振动变送器,量程为0~20mm/s,输出信号为4~20mA电流信号,误差精度为±1%;采集系统采用SIRIUS RACK 8数据采集系统;声信号检测采用SAEU3S声发射系统,采用USB实现高速数据传输,能够实时采集和显示声发射波形信号和参数信号;温度信号的检测采用德国英福泰克公司生产的VCi ET780型高热灵敏度检测专家型红外热像仪,光谱范围为7.5~14μm;热灵敏度可达0.03℃。现场实测实验如图11所示。
截齿在线监测系统根据测试反馈的实时振动信号、温度信号以及声发射信号进行智能分析与ANFIS模糊神经网络决策融合,得到不同时段截齿磨损决策融合在线监测结果与实际截齿磨损量的对比曲线,如图12所示,其融合结果与实际磨损量的数据对比及误差分析如表4所示。
由图12和表4可以看出,基于ANFIS模糊神经网络的多传感信息融合的截齿磨损在线监测结果与实际截齿磨损量误差较小,在采样的10次对比数据中,最大相对误差为6.15%,此时截齿实际磨损量为1.3mm,与新齿的磨损量对比如图13所示,两者的齿尖表面形态对比如图14所示。通过10次对比误差分析可知,融合系统分析结果与实际磨损量基本一致,测试误差较小,满足测试精度要求。
4 结论
自适应模糊神经网络 第9篇
关键词：单神经元自适应PID,模糊,加热炉,温度控制
0 引 言
目前,加热炉在工业中的使用越来越普遍,对其温控精度的要求也相应提高,因此如何提高温控精度具有重要的现实意义。由于炉温控制系统具有非线性、大滞后、大惯性、升温单向性等特点,很难用数学方法建立精确的数学模型,因此用传统的控制理论和方法很难达到好的控制效果。本文主要介绍温控系统硬件设计及单神经元模糊自适应PID控制策略在炉温度控制系统中的应用。单神经元具有自学习和自适应能力,而且结构简单,易于计算。传统的PID调节器也具有结构简单、调整方便和参数整定与工程指标联系密切等特点。将两者结合,则可以在一定程度上解决传统PID调节器对一些复杂过程和参数时变系统进行有效控制的不足。目前,采用的神经元自适应PID控制器的学习速率是通过大量的仿真和实验得来的,在控制过程中保持不变,这样便限制了控制器品质的进一步提高,限制了控制效果。因此结合模糊集理论修正比例、积分和微分的学习速率可以实时调整学习速率。模糊控制不需要建立被控系统的精确数学模型,而用语言变量来描述,把模糊控制规则及有关信息(评价指标、初始PID参数等)作为知识存入计算机知识库,然后计算机根据实际控制系统实际响应情况,实现对PID参数的在线最佳调整。这样,既能处理加热炉生产过程中的模糊和不确定性因素,又可以适应加热炉对象的非线性和大惯性,提高系统鲁棒性,从而更好地提高控制效果[1,2,3]。
1 温度控制系统硬件电路设计
系统中,温度的精确测量和准确控制是关键问题,解决该问题的一个重要方法是提高系统的快速性,使之在外界大干扰情况下,立即反应,从而快速地达到平衡状态,硬件结构如图1所示。此温度控制器的核心为CYGNAL公司的C8051F005单片机,单片机是控制器的主体。C8051F005单片机是完全集成的混合信号系统级芯片(SoC),使用CYGNAL公司的专利CIP-51核,是与8051兼容的高速CIP-51内核。CIP-51内核采用流水线结构,机器周期由标准8051的12个系统时钟周期降为1个系统时钟周期,处理能力大大提高。在采用相同振荡器频率的情况下,C8051F005单片机的峰值执行速度是标准8051的12倍。此单片机内置32 KB FLASH程序存储器、2 KB内部RAM,9路12位A/D和2路D/A输出。C8051F005单片机具有片内调试电路,通过4脚的JTAG接口,可以进行非侵入式、全速的在线系统调试。温度控制系统主要由温度信号的检测与传送部分、C8051F005为核心的单片机系统及接口电路、过零检测与触发电路、掉电检测与保护电路组成。
在这个系统中,温度控制器采用通断比控制方式对电阻丝加热,控制算法采用单神经元自适应PID控制算法。检测炉温的热电偶电势经冷端补偿放大成1~10 V的标准信号,再经A/D转换电路之后进入单片机,单片机根据输入进行智能PID计算得到控制量输出脉冲触发信号,通过过零触发电路驱动双向可控硅。单片机通过I/O口改变控制脉冲宽度,也即改变了可控硅在固定控制周期TC内的导通时间,这样炉的温度随着炉的平均输入功率改变而变化,也即达到了控温[4,5]的目的。
2 单神经元模糊自适应PID控制
2.1 单神经元自适应PID算法
单神经元作为构成神经网络的基本单位,具有自学习和自适应能力,而且结构简单,易于计算。传统的PID调节器也具有结构简单,调整方便和参数整定与工程指标联系密切等特点。将两者结合,则可以在一定程度上解决传统PID调节器对一些复杂过程和参数时变系统进行有效控制的不足。单神经元自适应PID控制器的结构框图如图2所示[6,7]。
设定图2中转换器的输入值为r(k)和输出值为y(k);转换器的输出为神经元学习控制所需要的状态量x1(k),x2(k),x3(k)。这里:
z(k)=x1(k)=r(k)-y(k)=e(k)为性能指标或递进信号。图中K为神经元的比例系数,K>0,神经元通过关联搜索来产生控制信号,即:
式中:wi(k)为对应于xi(k)的加权系数。
单神经元自适应PID控制器正是通过对加权系数的调整来实现自适应、自学习功能的。加权系数的调整可以采用不同的学习规则,从而构成不同的控制算法,考虑到加权系数wi(k)应与神经元的输入、输出和输出偏差三者的相关函数有关,因此采用有监督Hebb学习算法时,有:
式中:vi(k)为递进信号,随过程进行逐渐衰减;z(k)为输出误差信号,z(k)=r(k)-y(k)=e(k);η为学习速率,η>0;c为常数,0≤c<1。
将式(4)代入式(3)中有:
如果存在函数fi[wi(k),z(k),u(k),xi(k)],对wi(k)求偏微分有:
则式(6)可写成:
式(7)中,加权系数wi(k)的修正是按函数fi(·)对应于wi(k)的负梯度方向进行搜索的。应用随机逼近理论可以证明,当常数c充分小时,wi(k)可以收敛到某一稳定值w*i,而且与其期望的偏差在允许范围内。
保证这种单神经元自适应PID控制学习算法的收敛性的鲁棒性,将上述学习算法进行规范化处理后可得:
式中:ηP,ηI,ηD为比例、积分、微分的学习速率;K为神经元的比例系数。
这里对比例(P)、积分(I)、微分(D)分别采用了不同的学习速率ηP,ηI,ηD,以便于根据需要对各自对应的加权系数分别进行调整,其取值可先由现场实验或仿真来确定,且取c=0。K的值选择非常重要,K越大,则快速性越好,但超调量大,甚至可能使系统不稳定,当被控对象时延增大时,K值必须减少,以保持系统稳定;K值选择过小,会使系统快速性变差。
2.2 模糊集理论修正比例、积分和微分的学习速率
从式(9)~式(12)可以看出,各权系数的修正速度取决于各自的学习速率。大量实验表明,ηP,ηI,ηD的学习速率的选取对控制效果影响很大,目前,所采用的神经元自适应PID控制器的学习速率是通过大量的仿真和实验得来的,在控制过程中保持不变,这样便限制了控制器品质的进一步提高,限制了控制效果。这里结合模糊集理论修正比例、积分和微分的学习速率[8,9]。
采用偏差E、偏差的变化率EC和调节时间T作为控制的信息域,他们以模糊语言变量描述的论域分别为:
E={负大、负中、负小、零、正小、正中、正大}
EC={负大、负中、负小、零、正小、正中、正大}
T={零、小、中、大}
需要调整的三个参数ηP,ηI,ηD,他们以模糊语言变量描述的论域分别为:ηP={小、中、大、很大},ηI={小、中、大},ηD={小、中、大}。三个参数的选取规则可采用如下条件命题加以描述:
(1) 置T=0;
(2) 读入T;
若T小,则{若E大,则{若EC小,则ηP很大,ηI大,ηD小,若EC中则ηP很大,ηI大,ηD小,否则ηP很大,ηI中,ηD小};
否则若E中则{若EC小,则ηP很大,ηI大,ηD小,若EC中则ηP大,ηI中,ηD小,否则ηP大,ηI中,ηD小};
否则若E小,{若EC小,则ηP中,ηI中,ηD小,否则若EC中则ηP中,ηI小,ηD中,否则EC大,则ηP大,ηI中,ηD小}};
否则若T中,则{若E大,则{若EC小,则ηP大,ηI大,ηD大,若EC中则ηP大,ηI大,ηD小,否则ηP大,ηI中,ηD小};
否则若E中,则{若EC小,则ηP中,ηI中,ηD中,若EC中则ηP中,ηI中,ηD中,否则ηP中,ηI小,ηD中};
否则若E小,则{若EC小,则ηP小,ηI中,ηD大,若EC中则ηP小,ηI小,ηD大,否则ηP小,ηI小,ηD大}};
否则若T大则ηP中,ηI中,ηD大;
否则ηP大,ηI小,ηD大。
(3) 若为动态调节,则返回(2)否则为稳态调节;若|E|大,则返回(1),否则返回(2)。
在控制过程中,首先根据上述介绍的模糊推理方法,确定本次的三个学习速率,然后再根据式(9)~式(12)进行权系数修正和计算[10,11]。
3 试验结果
加热炉是一种大滞后、大惯性的对象,故选取的仿真对象为二阶纯滞后系统:
为了便于与基本PID控制相比较,选取了纯滞后比较大的系统。根据模糊规则,可得Matlab仿真[12]结果如图3所示。曲线1为常规PID方法仿真曲线;曲线2为单神经元模糊自适应PID仿真曲线。由图3可知,设计的单神经元模糊自适应PID控制器响应速度快,超调量小,调节时间短,且系统较稳定。
控制器在实际应用中的实验效果曲线如图4所示,由图4可知,加热炉温度波动小,非常稳定,温控效果好。
4 结 语
本文讲述了加热炉温度控制器开发和实现。本控制器在硬件上采用高档的51单片机C8051F005,采用K型热电偶测温。在控制策略上,采用单神经元自适应PID控制,并针对单神经元不能对学习速率进行在线调整这一缺点,结合模糊集理论修正比例、积分和微分的学习速率,使得控制效果更好。本控制器控制精度高,运行可靠。由图3和图4可知,设计的控制器响应速度快,超调量小,调节时间短,且系统较稳定。由上述理论分析、仿真和实际控温效果可知,单神经元模糊自适应PID控制策略在被控对象特性变化时优于传统的PID,具有较强的鲁棒性、自学习能力和自组织能力,非常实用于大滞后、强耦合的大系统, 而且该控制策略具有明显的可实现性,具有较大的社会效益和经济效率。
参考文献
[1]李士勇.模糊控制、神经控制和智能控制导论[M].哈尔滨:哈尔滨工业大学出版社,1996.
[2]王耀南.智能控制系统[M].长沙:湖南大学出版社,1996.
[3]张剑,许镇琳,王天将.基于单神经元的参数自学习模糊控制器的研究[J].计算机仿真,1995,23(3):231-235.
[4]陈明,陈勇,王向垒,等.模糊控制在恒温炉中的应用[J].微处理机,2003,4(2):52-55.
[5]沈玉利,范波.模糊-单神经元PID复合控制智能控制器[J].计算机工程,2001(5):92-94.
[6]王婵娟,王强,傅承毓.单神经元模糊PID控制在光电跟踪系统中的应用[J].光电工程,2006(2):33-36.
[7]边军,张福波,刘相华,等.红外线加热炉温度PID控制及优化[J].东北大学学报:自然科学版,2004(8):771-773.
[8]宋乐鹏.基于PLC加热炉温度模糊控制系统的研究[J].微计算机信息,2008(8):67-90.
[9]贾立,陶鹏业,邱铭森.基于模糊神经模型的自适应单神经元控制系统设计[J].华东理工大学学报:自然科学版,2008(2):136-139.
[10]刘利,马劲松,李黎.基于神经元的模糊自适应PID控制及其应用[J].自动化技术与应用,2003(10):7-9.
[11]何熊熊,王宁.原料预热温度的模糊PID-神经元控制[J].计算机与应用化学,2008(7):809-812.
交流伺服系统模糊自适应控制研究 第10篇
交流伺服系统是一个参数时变、强耦合、多变量的非线性系统, 一方面要求其快速跟踪性能好, 另一方面要求其稳态精度高。交流伺服系统的控制器传统上大多采用PID控制, 这是由于PID控制器结构简单、稳定性好、可靠性高, 对于受控对象结构和参数已知的场合, 通过合理调整PID控制器参数, 便可获得好的控制效果;但其参数不易在线调整, 所以对一些复杂且参数慢时变并受随机干扰影响的系统, 其参数往往整定不良、性能欠佳, 对运行工况的适应性差, 难以获得满意的控制效果。
针对上述问题, 长期以来, 人们一直在寻求PID控制器参数的自适应技术[1], 以适应复杂的工况和高指标的控制要求。模糊PID控制器是近年来迅速发展的一种新型控制器, 它不依赖于系统精确的数学模型, 具有很强的适应性。
1自适应模糊PID控制器
1.1 自适应模糊PID控制器的结构
自适应模糊PID控制器以误差e=r (t) -y (t) 和误差变化率undefined作为输入, 利用模糊控制规则在线对PID参数进行修改, 可以满足不同时刻的e和ec对PID参数自整定的要求, 其结构见图1。图1中:r为输入;y为输出;e为系统误差;ec为系统误差变化率;Kp为比例系数, 主要是影响系统的响应速度和精度;Ki为积分作用系数, 主要影响系统的稳态精度;Kd为微分作用系数, 主要影响系统的动态特性。
PID参数自整定是找出PID 3个参数与e和ec之间的模糊关系, 在运行中不断检测e和ec, 根据模糊控制原理来对3个参数进行在线修改, 以满足不同e和ec时对控制参数的不同要求, 而使被控对象具有良好的动、静态性能。
由于PID控制的鲁棒性以及模糊控制器的灵活性, 使得PID参数的调整对各自初值的精度要求并不高, 因此可以先由常规PID对系统进行控制, 不要求系统性能指标均满足要求, 只要保证系统稳定即可;然后把这组PID参数值作为初始值, 再由模糊推理得出的校正量对PID参数进行细调以使系统性能指标达到要求。
1.2 自适应模糊控制参数自整定的原则
通常, PID控制器的控制算式为:
undefined。
针对不同的e和ec, 被控过程对参数Kp、Ki和Kd的自整定要求应满足以下规律[2]:①当|e|较大时, 应取较大的Kp和较小的Kd, 以使系统响应加快;②当|e|中等时, 应取较小的Kp及适当的Ki和Kd, 使系统具有较小的超调;③当|e|较小时, 应取较大的Kp和Ki以及适当的Kd, 以避免在平衡点附近出现振荡, 使系统具有较好的稳态性能。
1.3 模糊控制规则器的设计
模糊控制规则是模糊控制的核心, 必须精心挑选这些规则, 须考虑以下问题。
1.3.1 确定输入、输出语言变量
设定输入变量e和ec语言值的模糊子集为{负大, 负中, 负小, 零, 正小, 正中, 正大}, 并简记为{NB, NM, NS, ZO, PS, PM, PB}。同样, 设定输出量Kp、Ki和Kd的模糊子集也为{NB, NM, NS, ZO, PS, PM, PB}。论域定为[-3, 3], 隶属函数NB采用Z型函数, PB采用Sigmoid型函数, 其余均采用三角形函数。Ki的隶属函数曲线图见图2。Kp、Kd、e、ec的与其相似。
1.3.2 模糊控制器的规则设计
模糊控制的核心是总结工程设计人员的技术知识和实际操作经验, 建立合适的模糊规则表。Kp、Ki和Kd的模糊控制表分别见表1～表3。
根据模糊控制表, 可以对Kp、Ki和Kd进行动态整定, 根据各模糊子集的隶属度赋值表、隶属函数曲线和各参数模糊控制模型, 应用模糊合成推理设计PID参数的模糊矩阵表, 查出修正参数代入下式计算:
Kp=Kp0+{ei, eci}×qp ,
Ki=Ki0+{ei, eci}×qi ,
Kd=Kd0+{ei, eci}×qd 。
其中, Kp0、Ki0、Kd0为自适应模糊PID控制器3个参数初始值;Kp、Ki和Kd为调整后的PID参数;qp、qi、qd为PID的修正系数;{ei, eci}为偏差与偏差变化率对应于模糊表中的值。
在线运行过程中, 控制系统通过对模型逻辑的结果处理、查表和运算, 完成了对PID参数的在线校正。
2MATLAB/Simulink仿真及分析
伺服系统的理想化模型是一个典型的二阶系统。用于仿真实验的交流伺服系统的传递函数形式为undefined, 本实验中设定K=400, A=50。对此系统进行仿真。
(1) 设输入信号为阶跃信号时, PID和模糊PID控制响应曲线见图3。
由图3可以看出模糊PID控制比PID控制响应速度快, 调节时间短。
在第500个采样时间控制器输出加0.5的干扰, 相应的结果见图4。
从图4中可以看出, 模糊PID控制比PID控制抗干扰能力强。
(2) 现将传递函数中A改为60 (原来为50) , 阶跃响应曲线见图5。
从图5可以看出曲线没有明显变化, 说明模糊PID控制具有很强的鲁棒性。
(3) 设参考输入信号为sin (2*pi*t) , 在模糊PID控制时, 查看其跟踪性能, 见图6。
由图6可以看出两条线基本重合, 说明其动态跟踪性能好。
当将传递函数中A改为60 (原来为50) 时, 跟踪曲线见图7。
比较图6和图7可以看出曲线没有明显变化, 说明其鲁棒性好。
3总结
将模糊控制与PID控制相结合, 实现了对经典PID控制器参数的在线自修正, 从上面的曲线可以看出, 与其它一些常规控制方法相比, 采用自适应模糊控制方法, 系统的响应速度快、调节精度高、稳态性能好, 没有超调和震荡, 具有很好的鲁棒性能。
参考文献
[1]陶永华.新型PID控制及其应用[M].北京:机械工业出版社, 1998.
[2]杨智, 朱海锋, 黄以华.PID控制器设计与参数整定方法综述[J].化工自动化及仪表, 2005, 32 (5) :1-7.
[3]刘金锟.先进PID控制MATLAB仿真[M].北京:电子工业出版社, 2004.
[4]飞思科技产品研发中心.MATLAB 7辅助控制系统设计与仿真[M].北京:电子工业出版社, 2005.