模糊神经网络控制（精选12篇）
模糊神经网络控制 第1篇
交通运输在我们日常生活中扮演越来越重要的角色, 然而交通拥堵越来越严重, 出行难已经成为困扰人类社会的重要问题。近年来采用综合信息技术、控制技术等高新技术的智能交通系统 (ITS) 大大提高了交通的运行效率。智能交通的信号灯控制系统又是ITS最重要的一个组成部分, 所以解决好信号灯的智能控制问题, 是非常必要的。
红绿灯设在十字路口或在多干道的岔口上, 是为了调整岔口的交通秩序, 由于不同时刻的车辆流通状况是复杂多变、高度非线性、随机的, 还经常受人为因素的影响, 非常难于获取精确的十字路口交通动态数学模型。交警的判断决策过程也难用简单的程序实现, 用传统的常规闭环控制红绿灯达到最佳状态是非常困难的, 因为传统的诸多控制方法都是建立在精确数学模型的基础上来实现的;而模糊控制正是建立在模糊概念上模仿人脑决策的控制理论, 其鲁棒性强, 尤其适用于非线性、时变、滞后的控制。所以采用模糊神经网络控制可以把模糊控制和神经网络两种技术的优点结合起来, 既可以利用专家的经验知识, 又具有学习逐步优化功能, 特别适用于实时多变的交通状况, 其控制效果优于一般智能控制方案。
1 模糊神经网络技术
模糊控制模拟人的思维, 无需精确的数学模型, 对时变、不确定等非线性系统同样具有良好的控制效果和鲁棒性, 模糊控制基本结构有四部分组成, 如图1所示。
1.1 模糊化
模糊化部分的作用是将输入的精确量转化为模糊量, 为完成输入模糊化, 必须知道输入量对模糊集的隶属函数、语言变量的论域、模糊集的个数等。
首先, 要对输入量进行处理得到模糊控制所要求的输入, 如计算偏差e和偏差的导数c。
然后, 将处理得到的精确输入量e和c进行尺度变换, 一般是乘上尺度变换因子ke、kc, 使其变换到各自的论域范围, 为处理上方便将输入的论域取为[-6, 6]。
最后, 将已变换到论域的精确输入进行模糊处理, 精确量转化为模糊量, 即将E和C视为论域[-6, 6]上的语言变量, 其模糊集为{PL, PM, PS, ZE, NS, NM, NL}, 含义为PL (正大) 、PM (正中) 、PS (正小) 、ZE (零) 、NS (负小) 、NM (负中) 、NL (负大) , 隶属函数形状可根据实际而定, 一般可取三角形、梯形或正态分布等, 在此取正态分布型, 隶属度函数表如表1所示。
1.2 模糊决策
模糊决策为模糊控制的核心, 具有模拟人的基于模糊概括推理能力, 该推理过程是基于模糊规则进行的, 模糊控制系统品质与模糊规则关系很大, 双输入单输出的模糊控制器的模糊规则一般采取如下形式:If E is A1, C is A2 Then U is B。
1.3 清晰化
通过模糊决策得到模糊量输出, 将之用于实际系统, 需要进行逆模糊处理。清晰化主要功能是将模糊推理得到的控制量 (模糊量) 变换成用于控制的精确量, 它包含两方面内容:
(1) 将模糊的控制量经过逆模糊化变换成在论域范围内的精确量;
(2) 将表示在论域范围的精确量经过尺度变换成实际的控制量。
常见的逆模糊化方法有最大隶属度法、加权平均法、取中位法等。
1.4 知识库
知识库包含具体应用领域中的知识和要求的控制目标, 通常由数据库和模糊控制规则库两部分组成:
(1) 数据库主要包括各语言变量的隶属函数, 尺度变换因子和模糊空间分级数等;
(2) 规则库包括用模糊语言变量表示的一系列控制规则, 反映了控制专家的经验和知识。
神经网络具有学习功能, 我们将模糊控制和神经网络结合起来, 利用两者的优点, 设计了一种基于神经网络的自适应模糊控制器[1], 不失一般性, 对常规双输入单输出模糊控制器, 可以用一个神经网络来构造模糊控制模型, 如图2所示。
其中x1=yd (t) -y (t) 为系统误差, x2为误差变化率, u*为控制量输出。网络的 (1) ~ (2) 层对应于模糊控制的模糊化部分, 亦即模糊规则的if部分, 其中 (2) 层每个神经元对应一个模糊集, 即需要7个节点, (3) 层对应模糊推理部分, (4) 层对应于模糊控制的清晰化部分, 整个网络的输入输出映射关系如下:
(1) 层节点输出:O1k=xk (k=1, 2) 。
其中, xk表示网络输入, Wjk, Wij, Wpi分别表示各层的连接权值, 激活函数为双极性函数f (x) =tanh (x) 。
2 基于模糊神经网络的交通信号控制
2.1 经典的单交叉口信号控制
图3给出了一个被广泛采用的经典单交叉口信号控制的模块图[2,3]。
此控制系统考虑的是二相控制, 是两输入单输出:输入为绿灯车队Qg (取两个方向上较大者) 、红灯车队Qr (取两个方向上较大者) ;输出量为绿灯的延长时间Δt。为了采集车流数据, 在十字路口4个方向共装8个传感器 (前后2个传感器相距150 m) 。
平均车长约5 m, 所以定义车辆队列数Q的论域为[0, 30], 分为3个模糊子集:少、中、多, 其隶属度函数如图4所示。
绿灯延时Δt论域为[0, 40], 分为3个模糊子集:短、中、长, 其隶属度函数如图5所示。
在没有任何数据资料的情况下, 只能根据经验设计其模糊规则, 其结构如表2所示。
2.2 改进的单交叉口信号控制
针对2.1方法中的不足做出相应的改进:采集车流数据与2.1方法一样, 车辆队列数Q取2个相对方向上车队数的平均数, 车辆队列数Q的论域仍为[0, 30], 为了提高精度分为5个模糊子集:微、少、中、多、巨, 但红绿灯的隶属度函数不同, 因为给绿灯的优先权相对比较大, 隶属度函数分别如图6和图7所示[4]。
为了进一步提高控制精度, 绿灯延时取定值Δt=10 s, 模糊控制器输出是一个确定值1或0 (1表示绿灯延时Δt=10 s, 0表示不延时) , 这样就可以在绿灯期间以10 s为一个周期检测红绿灯方向的车流情况, 选择交通情况最紧急的相位为下一个优先放行的候选绿灯相位, 并实时控制红绿灯的切换, 最大程度上利用时间。根据经验得出的控制规则如表3所示。
按照固定相序可能给没有排队车辆的相位予最小绿灯时间, 造成时间浪费, 因此增加一个相位控制器, 它检测红灯方向的车辆, 并作为自己的输入, 改进的交通模糊控制系统见图8。在绿灯最大时间到来的时刻, 若检测到的红灯方向车辆数仍为0, 则开始下一个绿灯周期, 即把绿灯时间计时器Tg=Tg, min。这样就不会因为绿灯的最大时间的到来, 而强行给没有车辆的红灯方向于通行权, 可以避免时间浪费和交通拥堵, 从而大大提高效率。
具体算法如下:
Step1:根据实际情况和经验分别指定各相位的最短绿灯时间Tg, min、最大绿灯时间Tg, max和黄灯时间Ty, 从而确定最小信号周期Tmin和最大信号周期Tmax;
Step2:给获得通行权的相位以该相位的最短绿灯时间Tg=Tg, min;
Step3:根据Tg秒内测得的车道上的车辆信息, 计算放行相位在Tg秒内的绿灯车辆数Qg及红灯相位的车辆数Qr, 模糊控制器根据模糊规则控制交通信号的切换;
Step4:相位控制器根据红灯相位的车辆数Qr, 相位优化器从中选择下一个候选绿灯相位, 它以当前红灯相位的车辆数Qr作为输入。若最大绿灯时间Tg, max到来时红灯相位的车辆数Qr=0, 则继续给当前绿灯方向于通行权, 返回Step2。
2.3 多交叉口信号控制
多交叉口信号协调配时控制与孤立交叉口的信号配时控制相比, 存在着以下特点:被控对象和控制目标进一步复杂化、干扰因素增多、不能仅仅依靠本地信息决定、并不是局部最优之和等于全局最优、需要在各个局部路口最优配时方案之间进行折中 (Tradeoff) , 即寻求平衡点 (多目标优化问题中常出现的现象) [5]。
在2.2方法的基础上, 以四相控制为例, 与下一个交叉口进行协调, 则应检测下一个交叉口的车辆排队数, 与当前绿灯车辆队列Qg同一方向的车辆队列数设为Qng;与当前红灯车辆队列Qr同一方向的车辆队列数设为Qnr, 车辆队列数的论域仍为[0, 30], 分为5个模糊子集:微、少、中、多、巨, 红绿灯的隶属度函数见图6和图7, 增加两个辅助模糊控制器, 一个输入为Qg和Qng, 输出为Qg';另一个输入为Qr和Qnr, 输出为Qr'。如果下一个与当前绿灯同一方向交叉口的车辆排队数Qng比较大的时候, 就把当前绿灯的车辆排队数Qg降低, 相当于降低当前绿灯方向上的通行权, 不至于加剧下一交叉口的车流量, 达到局部优化的目的;红灯方向上的控制方法类似, 从而得到改进的多路口模糊控制系统, 见图9;辅助模糊控制器的控制规则见表4、表5。
具体算法如下:
Step1:把辅助控制器的输出Qr'和Qg'作为模糊控制器的红绿灯车辆排队数输入, 即替换原来的Qr和Qg;
Step2:根据实际情况和经验分别指定各相位的最短绿灯时间Tg, min、最大绿灯时间Tg, max和黄灯时间Ty, 从而确定最小信号周期Tmin和最大信号周期Tmax;
Step3:给获得通行权的相位以该相位的最短绿灯时间Tg=Tg, min;
Step4:根据Tg秒内测得的车道上的车辆信息, 计算放行相位在Tg秒内的绿灯车辆数Qg'及红灯相位的车辆数Qr', 模糊控制器根据模糊规则控制交通信号的切换;
Step5:相位控制器根据红灯相位的车辆数Qr', 相位优化器从中选择下一个候选绿灯相位, 它以辅助控制器输出的红灯相位车辆数Qr'作为输入。若最大绿灯时间Tg, max到来时红灯相位的车辆数Qr'=0, 则继续给当前绿灯方向于通行权, 返回Step3。
3 方法分析
假设有一个交叉路口, 路口间距150 m, 按前面的方法安装相距150 m的车检测器测得两路口间的车辆数, 车辆数Q为相对方向车辆数的平均数, 再假设平均车长5m, 平均车速5 m/s, 不失一般性, 且入口处平均每5 s到达一辆车, 交叉口绿灯时平均每2 s排一辆车, 车过交叉口的时间与信号相位差抵消。Q[→]表示东西方向的车辆数;Q[↓]表示南北方向的车辆数;G为[→]表示绿灯方向为东西方向;G为[↓]表示绿灯方向为南北方向, 如图10所示。
在路口1对方法2.2的分析见表6, Δt=10s, 记录240 s内的交通流量情况。
从上表可以得出:最大车队长16辆, 南北车流72辆, 东西车流82辆。
在路口1对方法2.1的分析见表7, 记录240 s内的交通流量情况。
从上表可以得出:最大车队长18辆, 南北车流82辆, 东西车流62辆。
还可以进一步得出方法2.1和2.2的效果曲线图, 见图11和图12。
对比2.1和2.2的分析结果, 后者最大车队数小于前者, 而车流辆数大于前者。表明方法2.2优于2.1, 如果再考虑车辆到达呈正态分布和左右转车流的话, 分析表明后者优势更加明显。
在多路口中, 用类似的分析方法对2.3方法进行分析, 分析结果表明:2.3方法可以增大多路口整体的车流辆, 虽然可能使局部路口的车队变长, 但整体效果变得更优一些。
4 结语
主要介绍了神经网络来实现模糊控制, 分析了运用模糊控制技术来实现智能交通灯的经典模糊控制, 并在此基础上提出一些自己的改进单交叉路口交通控制方法;最后提出一个简单的相邻路口的协调控制方案, 可以使整体交通状况得到改善。
对于当前提出的多交叉路口的交通控制方法, 还有许多研究工作要做, 例如辅助控制器的算法还可以进一步完善, 或者可以同时考虑相邻几个路口的车流量, 使得根据当前路口和相邻几个路口的车辆数更好的协调交通控制信号, 进一步提高整体交通控制效率。
参考文献
[1]李翔.从复杂到有序——神经网络智能控制理论新进展[M].上海:上海交通大学出版社, 2005:1-23.
[2]罗俊.基于前置信号的单交叉多相位模糊控制[J].交通标准化, 2007 (7) :144-148.
[3]曹洁, 苏玉萍, 吴国龙, 王芬.城市交通信号灯两级模糊控制及仿真研究[J].交通与计算机, 2007 (2) :42-46.
[4]刘智勇.智能交通控制理论及其运用[M].北京:科学出版社, 2000:6-55;127-222.
模糊神经网络控制 第2篇
模糊神经网络控制在污水处理中的应用研究
摘要：对模糊神经网络(FNN)技术应用于污水处理进行了研究,提出了一个具有五层的模糊神经网络控制器,仿真实验表明,该控制系统具有很强的鲁棒性与容错性.该控制器能够自动调整隶属度函数、动态优化控制规则,将其应用于溶解氧控制和出水水质预测,结果表明可以快速、有效地使溶解氧浓度达到期望值,实际出水水质预测结果也具有很好的收敛性和预测精度.作 者：王中琪 赵诚 赵丽 Wang Zhongqi Zhao Cheng Zhao Li 作者单位：西南科技大学环境与资源学院,绵阳,621010期 刊：环境污染治理技术与设备 ISTICPKU Journal：TECHNIQUES AND EQUIPMENT FOR ENVIRONMENTAL POLLUTION CONTROL年，卷(期)：,7(12)分类号：X703 TP183关键词：模糊神经网络 污水处理 模型
模糊神经网络控制 第3篇
摘要：针对三自由度直升机模型的稳定运行控制问题，根据各个自由度运动特性，采用牛顿力学原理，建立了直升机系统的数学模型.采用自适应神经模糊算法对模型进行控制，通过编写MATLAB的M文件和应用ANFIS工具箱结合simulink对控制效果进行仿真，得到仿真曲线，对比模型原厂自带PID控制器的控制效果，神经模糊控制俯仰轴调整时间缩短，超调降低，结果验证了自适应模糊神经算法在三自由度直升机模型的稳定运行控制问题上是有效可行的.
关键词：三自由度直升机；自适应模糊神经；极点配置：MATLAB； ANFIS工具箱
DOI： 10.15938/j.jhust.2015.02.007
中图分类号：TP273
文献标志码：A
文章编号：1007-2683（2015）02-0035-06
0 引 言
三自由度直升机模型是典型的非线性、强耦合、多输入多输出的复杂控制系统，是可以验证各种控制算法有效性的理想试验平台.直升机飞行控制系统的非线性、强耦合的特点和广阔的应用前景使得许多研究人员投入了大量的精力来研究这一控制系统.通过进行直升机系统的建模、设计、仿真与实验，不断提高直升机飞行器的控制性能，文建立了3-DOF直升机的神经网络模型，采川APC方法解决直升机的飞行姿态控制问题，义将二次型最优控制、滑模控制和遗传算法融合在控制系统中，使直升机系统得以稳定，国内高校对直升机控制问题关注较早的赵笑笑多次撰文研究直升机多种研究算法控制器的设计，均获得了不错的效果.
模糊控制系统与神经网络控制时，无需获得被控对象精确的数学模型.模糊控制系统凭人的经验知识进行控制，而神经网络则是通过样本学习，调整改变网络的连接权重达到控制目的，因此，把神经网络的学习机制引入模糊系统，使模糊系统具有自学习、自适应能力，而神经网络也能够利用已有的经验知识，既发挥二者的优点，又可弥补各自的不足.
本文采用由固高公司生产的三自由度直升机模型为研究对象，将现代控制理论中的极点配置控制应用于模型中，通过对直升机模型的运动原理进行数学描述，选取适当的状态变量获得状态空间模型，从而设计了极点配置控制器并进行了仿真，然后将极点配置控制的仿真结果作为训练数据，利用自适应神经模糊推理系统ANFIS的控制数据得到神经模糊控制器，对其控制效果进行仿真分析.
1 系统模型分析
三自由度直升机控制系统的工作原理如图1所示，上位机输出电压控制量经过运动控制卡驱动螺旋桨旋转，电压值的改变引起螺旋桨转速和方向的变化.位置编码器按照设定的采样周期将直升机当前状态传送给运动控制卡后传送到上位机，再根据设计的算法求出相应的控制量输送给电机.
三自由度直升机模型如图2所示，基于三自由度直升机系统的特点，忽略各个轴之间的耦合，系统分为三个轴分别建模.
1.1俯仰轴
基于三自由度直升机实验系统动态特性，俯仰运动简化模型如图3所示，
假定直升机初始位置是悬在空中并保持平衡状态，根据力学原理可得到下列等式：其中：Je是俯仰轴的转动惯量，V1和V2是两个电机的电压，由它们产生升力F1和F2；Kc代表螺旋桨的电机升力常数；l1.是支点到电机的距离；l2是支点到平衡块的距离；Tg是由俯仰轴的重力G产生的有效重力矩，是俯仰轴的俯仰加速度.
1.2横侧轴
横侧运动简化示意图如图4所示，
其动力学方程如下：其中：Jp代表横侧轴转动惯量；P为横侧轴运动方向的角加速度.
1.3旋转轴
旋转轴的简化示意图如图5所示.直升机旋转轴动力学的方程如下：
其中：r为旋转轴的旋转速度，单位rad/s；Jt是旋转轴的转动惯量，
俯仰轴状态变量选取x1=[εε]T，输入量为螺旋桨电机的电压和；横侧轴状态变量选取x2=[p，P]T输入量为螺旋桨电机的电压差；由于旋转轴的运动可以通过横侧轴来控制，因此在本文中不做单独状态反馈控制器的设计，仍采用原系统自带的PID控制器控制.其中：Je为俯仰轴转动惯量；Jp为横侧轴转动惯量；l1为螺旋桨到俯仰轴的距离；lp为螺旋桨到横侧轴的距离；Kc为电机力常数，
文对三自由度直升机模型的PID控制方法及参数渊节研究详细，在此不再详述，其PID控制仿真曲线如图6所示.
2 极点配置控制器设计及仿真
2.1 极点配置控制器设计
现代控制理论，经常采用的是状态反馈，所谓的状态反馈，就是把系统状态变量与对应的反馈系数相乘，然后反馈到输入端与参考输入相加形成控制律，作为受控系统的控制输入，即状态反馈M=一纸[吲.只要系统足能控的，通过这种方法，极点配置的线性状态反控制可以满足被控对象对于控制器的要求.
对于上述俯仰轴与横侧轴的状态空间模型通过计算，得到Tc=[B AB]满秩，即俯仰轴、横侧轴系统可控，闪此直升机模型俯仰轴和横侧轴可以分别设计极点配置控制器，
调用MATLAB控制系统命令step（A，B，C，D），可得到系统的单位阶跃响应曲线如图7所示.
由图可看出，未加控制器的系统很显然是发散的，不稳定的，
极点配置控制器设计时，期望极点的选择严重影响控制系统的性能.通过多次仿真试验，为获得较好控制效果，俯仰轴阻尼比ζ1=0.783，横侧轴阻尼比ζ2=0.477，Matlab运行后可确定期望的闭环极点：
wn=log（1/deta*sqrt（1-kosi.^2））1（kosi*t），
s=-kosi*wn+j*wn*sqrt（1-kosi.^2）.
运行结果俯仰轴Sl=-1.7186+1.3653i，横侧轴S2=-3.7829+6.9703i.
通过计算得到俯仰轴和横侧轴的状态反馈矩阵分别为Kl=[0.9996 0.5906]； K2=[0.9887 0.0604].
2.2仿真
在Simulink环境下进行极点配置仿真，各模块连接框图，如图8所示.
给定俯仰角角度为30°，旋转速度给定值为10rad/s，根据计算得出的反馈矩阵K搭建模型，利用状态方程的解随着时间的变化来观察状态变量的变化，仿真结果如图9所示，
由图9可知，俯仰角经过短时间调整后稳定于30°，跟踪效果良好，直升机旋转速度由0到给定值产牛一定的横侧角，随着旋转速度的增加，横侧角逐渐减小，旋转速度超调时，横侧角减小到负值，旋转速度完成跟踪后，横侧角稳定到0°.
3 自适应神经模糊控制
3.1 自适应神经模糊控制器设计
将通过极点配置控制得到的数据作为训练数据，输入隶属度函数个数为5，类型为钟形，输出类型为线性，训练次数为40次.可通过编辑M文件进行控制，采用genfsl（）函数自动生成Takagi-Sugeno型模糊推理系统，利用函数anfis（）训练白适应神经模糊系统；也可使用ANFIS工具箱进行控制.将神经模糊网络进行训练后导出，就可作为控制器对直升机模型进行控制，
以控制俯仰轴角度为例分别用M文件控制和ANFIS工具箱控制.
3.1.1 M文件
numpts= 68
data=E：
trndata= data（1：2：numpts，：）；%训练数据对集
chkdata=data（2：2：numpts，：）；%检验数据对集
%%采用genfisl（）函数直接由训练数据生成TS型模糊推理系统
numMfs=5；mfType='gbellmf'；
fisMat=genfisl（trnData， numMfs， mfType）；
%%根据给定训练数据训练自适应神经模糊系统
epochs=40；%训练次数为40
trnOpt=[epochs NaN NaN NaN NaN]；
disOpt=[]；
[Fis， error， stepsize， chkFis， chkEr]=anfis（trn-data， fisMat， trnOpt， disOpt， chkdata）；
%%计算训练后神经模糊系统的输出与训练数据的均方根误差trnRMSF
trnOutl=evalfis（trndata（：，1），Fis）；
trnOut2=evalfis（trndata（：，1），chkFis）；
trnRMSEJ=norm（trnOutl-trndata（：，2））/sqrt（length（trnOutl））；
trnRMSE2=norm（trnOut2-trndata（：，2））/sqrt（length（trnOut2））；
%%计算神经模糊推理系统的输出
anfis_y1=evalfis（x，Fis）；
anfis_v2=evalfis（x，chkFis）；
程序运行后绘制曲线如图10所示.
可知，经过训练后的隶属度函数产生了变化，训练后ANFIS的输出可以进行很好的跟踪拟合.
3.1.2
ANFIS工具箱
在ANFIS工具箱中，导人训练数据，输入隶属度函数个数为3，类型为钟形，输出类型为线性，训练次数为50次，进行训练，如图11所示.
将训练好的神经模糊网络导出，对三自由度直升机模型的俯仰轴进行控制，如图12所示.
3.2仿真
给定俯仰轴角度30°，仿真结果如图13所示，可知自适应神经模糊控制可实现直升机模型俯仰轴的稳定控制.
通过比较图13与图6（a），明显看出，自适应神经模糊控制调节时间为5s左右，而PID控制俯仰轴调节时间为16s，神经模糊控制俯仰轴达到稳定状态的时间明显优于PID控制器，同时，神经模糊控制曲线上来看几乎不存在超调量，而从PID控制曲线来看，明显存在超调量.通过以上比较可以得出自适应神经模糊控制方法效果更优.比较俯仰轴的自适应神经模糊控制与极点配置控制仿真效果，可以看出两种控制方法的控制效果基本一致，但是，极点配置控制需要依赖数学模型，而自适应神经模糊控制是一种智能的控制方法，仅需要经验控制数据，因此，自适应神经模糊控制对于基于数据的经验控制易于实现，具有一定的实际意义.
3 结 论
车辆EPS模糊神经网络控制研究 第4篇
关键词：电动助力转向系统,模糊神经网络,车辆,研究
电动助力转向系统(Electric Power Steering,缩写EPS)是一种利用电动机产生的动力协助驾车者进行动力转向[1,2,3,4,5,6,7],与传统的液压助力转向系统HPS(Hydraulic Power Steering)相比,EPS系统具有很多优点。EPS主要由扭矩传感器、车速传感器、电动机、减速机构和电子控制单元(ECU)等组成,如图1所示。
1—输入轴,2—扭矩传感器,3—电机,4—循环球螺杆,5—齿条
分别建立汽车二自由度转向模型和EPS动力学模型,设计EPS模糊神经网络控制系统及其控制策略,通过神经网络对模糊控制规则进行实时调整,模糊控制器依据汽车行驶速度、转向盘操纵转矩与理想操纵转矩之差及其变化率得到助力转矩。进行了不同转向盘转角阶越输入的仿真计算,验证模型的正确性和控制策略的有效性。
1EPS的动力学模型
EPS机械部分包括转向盘、转向轴、电动机、减速结构和齿轮齿条四个主要部分。
1.1转向盘和转向柱输入轴子模型
对转向盘和输入轴受力分析,这里考虑了转向盘的转动惯量,并且把输入轴的黏性阻尼考虑在内,可以得到如下运动方程:
式(1)中:Js为转向盘、输入轴转动惯量;Bs为输入轴黏性阻尼系数;θs为输入轴旋转角;Th为作用在转向盘上的转向转矩;Tsen为扭杆反作用转矩。
由于转矩传感器是依靠扭杆的相对转动产生扭转变形,扭杆受到的转矩与扭杆的扭转角度成正比,即有
式(2)中:Ks为扭杆刚性系数;θe为输出轴旋转角。
1.2电动机模型
采用永磁式直流电动机,等效电路如图2所示。
电动机的端电压U与电感L、电枢电阻R、反电动势常数Kb、转速
电动机产生的电磁转矩为:
式(4)中:Ka为电动机的转矩系数。
对电动机机械部分受力分析,可以得到:
式(5)中:Jm为电动机和离合器的转动惯量;Bm为电动机黏性阻尼系数;Tm为电动机电磁转矩;Ta为电动机输出转矩。
在实际的控制系统中,电动机助力转矩可用式(6)表示:
Km为电动机和减速机构输出轴刚性系数。
1.3输出轴子模型
对转向柱输出轴及电机输出轴进行动力学分析,得到下面的运动学方程:
式(7)中:Jc为输出轴的转动惯量;Be为输出轴的阻尼系数;G为蜗轮-蜗杆减速机构的减速比;Tw为作用在输出轴上的反作用转矩。
1.4齿条子模型
对齿条和小齿轮进行动力学建模,可以得到:
式(8)中:m为齿条及小齿轮的等效质量;br为齿条的阻尼系数;xr为齿条的位移;rp为小齿轮半径;FTR为轮胎转向阻力及回正力矩等作用于齿条上的轴向力。
转向阻力FTR可简化为
式(9)中:kr为等效弹簧的弹性系数;Fδ为路面的随机作用力。联立上面所建的动力学方程,可以得到
2二自由度汽车转向模型
把整车的转向模型简化成二自由度的汽车转向模型进行研究,此模型做了以下简化处理:忽略转向系统的影响,直接以前轮转角为输入;忽略悬架作用,认为汽车只做平行于地面的平面运动;忽略空气动力的作用;忽略左右车轮由于载荷变化而引起的轮胎特性的变化,即认为左右转向角相等。简化后的二自由度汽车转向模型如图4所示[8]。
该模型的动力学方程为:
式(13)中:m为汽车质量;a 为前轮到质心的距离;b为后轮到质心的距离;Jz为汽车绕z轴的转动惯量;β为车身的侧偏角;δ为前轮转角;ωr为汽车横摆角速度;Kf为前轮侧偏刚度;Kr为后轮侧偏刚度;V为汽车行驶速度。
根据上面的动力学方程建立系统仿真模型的状态方程模块。
式(14)中状态变量为:X=[β ωr];
控制输入量为:U=[δ];
输出量为:Y=[β ωr]。
式(14)中:
3EPS模糊神经网络控制系统设计
EPS模糊神经网络控制系统框图如图4所示。
本文所设计的模糊神经网络控制器选用汽车行驶速度、转向盘操纵转矩与理想转矩之差及其变化率作为输入, 输出EPS助力转矩。
设计的模糊神经网络系统由4层神经元组成, 其结构及各层神经元功能如图5所示。
图5中x
4仿真结果分析
在MATLAB6.5的环境下建立EPS、汽车二自由度转向模型及其模糊神经网络控制系统,分别进行转向盘转角90°、180°和270°阶越输入仿真计算及分析。仿真计算时,部分参数表1所示,仿真结果见图6、图7、表2至表7。
从图6、图7、表2至表7可以看出,与传统的机械式转向系统相比, 转向盘转角180°阶越输入时EPS模糊神经网络控制的车辆横摆角速度响应更快,并且其峰值和标准差分别减少了5.2%和11.2%;车身侧偏角的峰值和标准差分别减少了29.2%和28.7%。同时经过模糊神经网络控制后,EPS车辆在转向盘转角90°和270°阶越输入时的横摆角速度和车身侧偏角的峰值和标准差均相应减小。
5结论
(1)建立了EPS动力学模型和二自由度车辆转向模型,并设计了EPS模糊神经网络控制系统结构及其控制策略,通过神经网络调节模糊控制规则,模糊控制器依据转向盘操纵转矩与理想转矩的差及其变化和汽车行驶速度,得到助力电机需要输出的助力转矩大小。
(2)通过不同转向盘转角阶越输入下的EPS仿真计算,结果表明,经过模糊神经网络控制以后的EPS车辆横摆角速度和车身侧偏角的峰值与标准差均有一定程度下降,说明车辆在转弯过程中的操纵稳定性和行车安全性得到有效提高,证明了模型的正确性和控制策略的有效性。
参考文献
[1]贝绍轶,赵景波,刘海妹.含特殊转向工况的汽车EPS电动机控制策略.系统仿真学报,2009;21(18):5886—5895
[2]杨其华.汽车EPS性能试验与评价方法研究.中国计量学院学报,2005;16(2):143—147
[3]刘钢海,杨其华,陈洪飞.模糊控制的EPS系统研究与仿真.中国计量学院学报,2007;18(1):29—33
[4]季学武,马小平,陈奎元.EPS性能试验研究.江苏大学学报(自然科学版),2004;25(2):116—119
[5]陈卫平,陈无畏,郁明.汽车电动助力转向系统的模糊自调整控制研究.合肥工业大学学报,2005;28(5):497—500
[6] Kim Ji-Hoon,Song Jae-Bok.Control logic for an electric power steer-ing system using assist motor.Mechatronics,2002;(12):447—459
[7] Chen J C.Control of electric power steering system.USA:SAE Paper,981116,1998
模糊控制实验报告 第5篇
学院：班级：
姓名：学号：
一、实验目的1.通过本次实验，进一步了解模糊控制的基本原理、模糊模型的建立和模糊控制器的设计过程。
2.提高有关控制系统的程序设计能力；
3.熟悉Matlab语言以及在智能控制设计中的应用。
二、实验内容
设计一个采用模糊控制的加热炉温度控制系统。被控对象为一热处理工艺制作中的加热炉，加热设备为三相交流调压供电装置，输入控制信号电压为0-5V，输出相电压为0-220V，输出最大功率180kW，炉内变化室温~625℃。
三、实验过程及步骤
1.用Matlab中的Simulink工具箱，组成一个模糊控制系统，如图所示
2.采用模糊控制算法，设计出能跟踪给定输入的模糊控制器，对被控系统进行仿真，绘制出系统的阶跃响应曲线。
（1）模糊集合及论域的定义
对误差E、误差变化EC机控制量U的模糊集合及其论域定义如下：
E、EC和U的模糊集合均为：
{NB、NM、NS、0、PS、PM、PB}
E和EC的显示范围为：[-6
6]
结果如下图所示
打开Rule编辑器，并将49条控制规则输入到Rule编辑器中
利用编辑器的”View→Rules”和”View→Surface”得到模糊推理系统的模糊规则和输入输出特性曲面，分别如下图所示
从图中可以看出，输出变量U是关于两个输入变量E、EC的非线性函数，输入输出特性曲面越平缓、光滑，系统的性能越好。
将FIS嵌入Simulink
R（t）=400℃时系统阶跃响应
系数Ke变小时的系统阶跃响应
通过本设计可以知道，模糊控制具有能够得到良好的动态响应性能，并且不需要知道被控对象的数学模型，适应性强，上升时间快。与PID控制相比有着很大的优势，采用PID控制虽然稳态性能较好，但是难以得到满意的动态响应性能。当然，模糊控制也有着自身的缺点，容易受到模糊规则等级的限制而引起误差，需要进一步改进。
四、实验总结
模糊神经网络控制 第6篇
关键词:人工神经网络;模糊理论;短期负荷预测;BP算法
中图分类号:TM715 文献标识码:A 文章编号:1000-8136(2009)30-0005-02
电网是电力系统的重要组成部分,提高负荷预测准确率,对电网安全、稳定、经济运行有着极其重要的意义。负荷预测误差小,则电网的开机、线路的潮流都在预计的范围内运行,电网的安全、稳定、经济运行就有了保障,还可以大大提高电力系统的经济效益。
在电力系统负荷预测的理论与实践相结合的方面,国内外许多的电力系统专家做了大量而有意义的工作。随着他们的不断探索,负荷预测从早期传统的弹性系数法、时间序列法、卡尔曼滤波分析法逐步发展到灰色模型法、专家系统法,伴随着计算机技术的发展和人工神经网络理论的不断完善,应用人工神经网络进行电力负荷预测得到了很大的发展,自从提出用人工神经网络进行电力负荷预测,充分利用了BP模型的非线性映射能力及自适应的学习能力,得到了较好的预测效果。
人工神经网络计算(ANN)是由具有非线性作用函数的神经元构成、进行大规模并行信息处理非线性模型结构,它可以模仿人脑的智能化处理,对大量非结构性、非精确性规律具有自适应功能,具有记忆功能、自主学习、知识推理和优化计算的特点,尤其是它的学习和自适应功能是常规算法和专家系统技术所不具备的。[2]因此,应用ANN对历史曲线进行拟合,能够达到十分满意的结果。并将该模型用于某地区电网的短期负荷,预测结果证明了它的有效性。
1神经网络BP模型
本文采用成熟的误差反向传播模型(ERROR BACK PROP
AGATION),简称BP模型。BP模型是一个多层前溃神经网络。BP模型由输入层、隐含层和输出层组成,其中隐含层可以是一层或是多层组成的。本论文采用单隐层的神经网络进行负荷预测,其模型网图见图1所示。这是一个三层的神经网络,其中输入层有i个节点、隐含层有j个节点、输出层有k个节点。BP算法的指导思想是:对网络权值(Vij,Wjk)的修正或阈值(θ,γ)的修正,使误差沿梯度方向下降。BP算法是一个工作信号正向传播和误差信号反向传播的过程。[1]
图1BP模型网络图
对于输入层每个神经元,其输入与输出相同。而对于隐含层或输出层的每个神经元,其神经元的输入为:
(1)
式中,i:前一層神经元;
Oi:神经元的输出;
Wij:神经元i与j的连接权值;
θj:神经元j的阈值。一般阈值θj为常数,并取(-1,+1)之间任意值。
定义误差函数Ep为各节点希望输出值与实际输出值之差的平方和:
(2)
式中,tpj:节点j的希望输出值;
Opj:节点j的实际输出值。节点j的实际输出值Opj由(1)
式的加权及阈函数决定,即:
(3)
选取S型函数为阈函数,则有:
BP模型的训练步骤如下:
(1)为所有的连接权值赋初值,并且确定阈值。
(2)输入一组训练样本。
(3)由给定的输入、阈值和连接权值,利用式(3)计算网络输出值。当输出值与期望值误差的平方和小于给定值时停止计算,否则向下顺序执行。
(4)根据输出计算值与实际值之间的偏差,由输出层反向逐层调整权值,甚至输入层,权值调整公式为:
式中,Wij(t)和θj(t)是训练过程中第t次循环结束后得到的,从节点i到节点j之间的连接权值和节点j的阈值;
ΔWij(t)和Δθj(t)是第t次循环结束后得到的相对应的调整量;a为冲量因子(0 < a < 1)。
基于梯度下降法可得出连接权值和阈值的调整量为:
ΔWij=ηδjOi ,Δθj=ηδj
当节点j为输出层的节点时:δj=Oj(1-Oj)(tpj-Oj)。
当节点j为隐含层的节点时: 。
式中,η为学习因子。
完成第四步后转回第三步。
2模糊理论的应用
从以上可以看出,BP模型算法的学习方式是梯度下降法。虽然它是神经网络(ANN)中比较成功的一个模型,但是这种算法由于迭代次数导致收敛速度太慢,而且存在局部极小点,特别是网络规模比较大时也就是神经元的数目较多时,这样的问题会比较明显,甚至会出现不收敛的情况。
这样就需要模糊理论与人工神经网络结合起来进行电力系统负荷预测。它同前者的区别是:采用普通神经网络的结构和神经元作为信息处理工具,而网络的输入量、输出量采用输入、输出信息的模糊隶属度。也就是说将输入量通过隶属度函数转化为模糊量后,再交给神经网络进行处理,以提高预测精度。[3]
电力系统短期负荷预测是对电网未来某一天到一周的负荷进行预测(本论文将对24 h进行负荷预测的研究)。负荷预测要考虑天气、节假日和季节对电力负荷的影响。因此需要建立这几个因素的隶属度函数。利用最大隶属度原则,在相同的约束条件下进行多目标优化,对函数F(x)=[f1(x),f2(x),…,fn(t)]构造相应的隶属度函数 ,且满足 ,并可用 表示第i个目标达到最优的程度, 越趋近于1,表示目标函数F(x)=[f1(x),f2(x),…,fn(t)]越趋近最优解。另外,为了降低求解规模,对1天的24点负荷每点建立1个预模型,第i点的输入输出函数为:Ljt′=fj(aj1′,… aji′)
式中,Ljt′ 是指第j个学习样本在第i点的规一化值,规一化函数为:
(4)
式中,Lji:指第j个学习样本第i点负荷的实际值;
Lji min:学习样本中第i点负荷的最小值;
Lji mix:学习样本中第i点负荷的最大值。
经过规一处理后,0< Lji′<1。fi是指第i点的输入输出函数;aj1′,…ajl′是第j个样本的影响因素值的隶属度向量,包括2个代表日类型的隶属度,3个代表最高温度的隶属度,3个代表最低温度的隶属度,3个代表平均温度的隶属度,5个代表光照的隶属度,5个代表雨量的隶属度。当学习完成后,将预测日当天影响因素的隶属度向量βj1′,…βjl′代入式(4),则可得第i点的负荷预测值。
3实例检验
本文利用人工神经网络的方法和神经网络与模糊理论相结合的方法对某地区的多个日负荷进行预测,考虑到主要成分或相关因素,保留较大的影响因素如雨天、晴天、高温天和休息天进行预测,所得结果见图2所示(圆点代表预测的负荷,三角代表实际的负荷)。
根据上面预测的一个月负荷的情况看来,可计算出负荷绝对误差的均值x =1.86,标准差σx=8.13,当x的置信限为
时,x的置信概率为 =
0.99995≈1,绘制曲线f(x),同时绘制理论正态曲线,见图3
(实线为模型预测的分布,虚线为实测的负荷分布)。
因为本文研究的是电力系统短期负荷预测,所以它必须精确(要求预测相对误差不超过4 %)。从上表中可以看到,采用普通的BP模型所得到的预测结果基本上都比4 %的;而采用组合式得到的预测结果基本上能够满足精确度的要求,而且误差普遍比用前一中方法小。因此,利用神经网络和模糊理论进行负荷预测能够满足电力系统实际的需要。
图2一个月的负荷预测图
图3负荷预测的正态分布图
4结论
利用神经网络和模糊理论的组合式负荷预测方法,它充分利用了神经网络和模糊理论各自的优点,发挥了ANN在处理非线性问题的能力,模糊理论在此基础上对神经网络所存在的问题进行了修正,使得预测结果能够更加满足实际的需要。最后的实际算例也证明了使用这种方法于实际情况的偏差系数也不大。但是应指出:①由于资料的有限性,本文仅某地区实际的一个月资料得到以上初步的结论,还有待于采用更多的资行验证;②对于具体时间进行负荷预测,如果此地区有负荷的误差资料,则可直接采用正态分布。
参考文献
1 丁坚勇、刘 云.基于负荷特征提取的神经网络短期负荷预测[J].高电压技术,2004.30(12):47～49
2 阎平凡、张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000:73～74
3 程其云、孫才新、张晓星等.以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法[J].电工技术学报,2004.19(10):53～58
4 赵宇红、唐耀庚、张韵辉.基于神经网络和模糊理论的短期负荷预测[J].高电压技术,2006.32(5):107～110
Artificial Neural Networks And Fussy Theory
Apply to Short-term Load Forecasting
Wei Wei,Wang Jin
Abstract:To the complexity that electric power system load forecasts, be improve the short-term load forecast accuracy, has adopt one kind of the model use of neural networks and fussy theory to load porecasting. The training speed being an algorithm’s turn to have overcome that tradition BP algorithm is slow, existence the part minimal point shortcoming, makes to forecast accuracy being great improvement. The example calculates the pragmatism and feasibility having indicated that algorithm.
模糊神经网络控制 第7篇
递归神经网络是人工神经网络的一种即 (Recurrent Neural Networks, RNN) , 也是一种具有反馈回路的大规模的非线性动力系统, 它在模式识别、图像处理、智能控制、信号处理优化计算等领域有着广泛的运用。
模糊控制是以模糊集合为理论基础的新兴控制手段, 将模糊数学应用人工智能控制技术中。神经网络擅长从神经网络传输层的输入输出数据中学习有用的知识, 并进行取舍, 将最优秀的神经元融入到下一步的寻找最优化的过程中, 而模糊控制则擅长利用人的经验。二者的结合成为智能控制领域研究的热点。
2 T-S模糊控制
T-S模糊控制的主要思路:通过IF-THEN规则, 将高度复杂的全局非线性系统分解成简单的局部的线性系统, 再利用Lyapunov稳定性理论, 得到T-S系统的稳定性结论[1,2]。
连续的非线性模糊模型可以表达如下:
由于非线性函数al (x) 和bl (x) 已知, 在没有外界干扰时及dl (t) =0。运用反馈控制:
s (X) = (s1 (X) , …, s2 (X) ) T是神经向量, 有界且对所有的X∈R都有成立, 则将控制器ul代入公式 (1) 可得闭环误差方程为:
3 基于递归神经网络控制算法研究的应用—单连杆机器人[3]
首先考虑如下带有无刷直流电机驱动的单连杆机器人的动态模型:
其中q, 分别代表了连杆位移、速度和加速度, τ和τ觶代表了电机转角和电机转速。τd表示转矩干扰, u是用来表示电机转矩的控制输入。令, 则上述系统动态模型转化为:
设计如下控制似的系统的连杆位移y=x1跟中信号yd=sin (πt) , 选择系统参数为D=B=1, M=0.05, Km=10, H-0.5, N=10, 设计参数r=4, k1=4.5, δ1=0.08, λl=0.15, 在外部扰动τd=10e-0.15t和初始条件[x1 (0) , x2 (0) , x3 (0) , δ1 (0) , δ2 (0) ]T=[0.2, 0, 0, 0, 0]t的作用下得到如图1所示仿真结果, 结果表明输出y跟踪给定轨迹yd, 所以本文所论述的基于递归神经网络控制算法应用到无刷直流电机驱动的单连杆机器人是可以实现控制的。
参考文献
[1]F.Cuesta, F, Gordillo, J.AracilandA.Ollero.Stability analysis of nonlinear multivaxiable Takagi-Sugeno fuzzy eontrol systems.IEEETrans.FuzzySystems, 1999, 7:508-520.
[2]王芬.基于递归神经网络的模糊控制算法研究[D].武汉科技大学, 2009.
模糊神经网络控制 第8篇
随着我国市场经济的迅速发展, 水对人民生活与工业生产的影响日益加强, 与此同时用户对供水系统可靠性和供水质量的要求也越来越高;另外, 资源的紧缺和人们环保意识的增加, 如何把先进的自动化技术、控制技术、通讯及网络技术等应用到供水领域, 成为对供水系统的新要求, 因此无论是在性能方面考虑还是在节能方面考虑, 供水系统都需要巨大的变革。
1 传统控制策略
由于变频调速恒压供水系统具有典型的大延迟性、非线性, 而且城市用水具有季节性、时间性、水压扰动量大等特点。因此, 虽然统治工业控制领域多年的传统PID控制有很多优点并且长期应用于供水系统, 但是其固定参数模式致使其不适宜应用于恒压供水系统。由于PID控制拥有很多较好的优点, 诸如:原理简单, 使用方便, 适应强, 鲁棒性强等优点。因此在工业控制中人们往往还是会想到PID控制。根据被控对象的不同制定合适的KP、KI、KD参数, 可以获得满意的控制效果。然而, PID控制并非尽如人意, 因为PID控制适合系统模型非时变的情况。对于一个时变系统, 由于PID的参数不会随系统变化而动态的调整KP、KI、KD参数, 这样会使控制作用变差, 甚至造成系统不稳定。
与传统PID控制相比, 模糊控制具有很多优点。模糊控制是建立在模糊数学基础上的一种智能控制技术, 可以达到传统控制策略无法达到的效果。模糊控制能较好得跟随系统状态的变化动态调整自身控制参数, 不需要建立精确的控制对象模型, 因而在实际上的应用越来越广泛。
但是作为一门较为新型的控制科学, 还没有系统的方法来指导设计参数精良的模糊控制器。模糊控制器控制规则的确定以及其可调节性是对其控制效果影响最大的一方面。尤其是控制规则的合理制定是模糊控制中的重要部分。目前存在的主要问题是在建立模糊控制规则时要考虑若干参数的选择是否合适, 恰当的选择参数是非常重要的。如在供水系统的水压控制中, 系统误差和误差变化率的动态范围需要反复多次整定以满足控制需要。
尽管模糊推理系统的设计 (隶属度函数及模糊规则的建立) 不主要依靠对象的模型, 但是它却相当依靠专家或操作人员的经验和知识。若缺乏这样的经验和知识, 则很难期望它能够得到满意的控制效果。神经网络的出现很好的弥补了这一缺陷。神经网络系统的一大特点就是其自学习功能, 将这种自学习的方法应用于对模糊特征的分析与建模上, 产生了自适应的神经网络技术。这种自适应的神经网络技术对于模糊系统的模型建立是非常有效的工具。而自适应神经模糊系统就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。
神经网络可以与模糊控制相结合组成神经网络模糊控制, 两者各有所长, 神经网络能够通过给定的经验集学习并生成映射规则, 但其规则不可见;模糊控制制定的规则虽然可见, 但是其自学习能力欠缺, 导致其规则的动态调整不足。因此有必要将上述两点结合。
2 新型控制策略
由于供水系统的非线性、大惯性及纯滞后性等特点, 很显然单纯依靠PID、模糊控制和神经网络控制都不能实现很好的控制效果。因此可以考虑应用一种综合的控制策略以实现对供水系统的良好控制。基于此本文提出了一种新型控制策略——神经模糊PID控制算法, 该算法可以综合以上各算法的优点, 它不仅具有神经网络控制的自学习自组织能力, 还具有模糊控制的鲁棒性强、适应性强的优点, 另外还拥有PID控制的实现简单方便等优点, 优于以往的算法。
如图显示了神经网络模糊PID控制器的结构框图, 该控制器是由三部分组成:
(1) 神经网络控制器:控制模糊规则的动态调整, 通过神经网络的自学习, 使模糊规则的生成转变为加权系数的确定和调节。根据供水系统的运行状态, 调节PID控制器参数, 使供水系统最终达到最优控制。
(2) 模糊控制器:对系统的输入输出变量进行模糊化和归一化运算。这些运算的意义是鉴于模糊控制的强鲁棒性和非线性控制作用, 对输入到神经网络的模糊规则进行预处理, 避免了神经网络采用sigmoid激活函数时, 由于输入过大而导致输出饱和。
(3) 传统PID控制器:直接对供水系统的控制过程进行闭环控制, 并且三个参数KP、KI、KD实行在线调节, 使控制作用时刻跟踪系统的变化。
以上过程简要说来就是使输出层神经元的输出状态与PID控制器的KP、KI、KD参数相对应, 这样可以通过神经网络的自学习能力实现加权系数调整, 进而使其稳定状态与PID的最优控制相对应, 最终利用PID控制器的输出u来实现对供水系统的水压的控制。
参考文献
[1]刘萍丽.交流变频恒压供水控制器的设计.大连海事大学硕士学位论文.2005.
模糊神经网络控制 第9篇
传统的PID控制由于具有原理简单、适应性强和鲁棒性强等特点, 是迄今为止最通用的控制方法。但是对于具有惯性大、滞后严重、参数非线性及结构复杂处理过程, 常规PID控制的缺陷逐渐暴露出来, 而智能控制具有不依赖系统精确数学模型和对参数的变化具有良好鲁棒性等优点。因此, 随着工业控制品质要求的提高、对象复杂程度的增加, 智能控制算法的研究成为适于现代复杂过程控制研究的热点。本文将结合钢厂脱硫塔脱硫工艺, 阐述基于T-S模糊神经网络的信息融合自适应控制算法的网络结构和自学习过程, 并将控制算法应用于脱硫的生产实践, 克服了脱硫工艺中的结构复杂、参数整定困难等控制难题, 在控制中取得良好的控制效果, 并对T-S模糊神经网络今后的发展提出一些看法。
二、信息融合及其方法
信息融合是指多传感器信息融合, 又称多源信息融合, 是用于包含多个或多类传感器或信息源的系统的一种处理方法。其基本原理是充分利用多源系统中的各信息源提供的信息不同特征, 按照某种优化准则, 将这些互补冗余的信息进行重组、关联, 从而产生对观察目标或环境的一致性解释和描述。
目前, 能够应用于多传感器数据融合的方法可以分为随机类方法和工智能方法两大类。随机类方法主要有统计决策理论、D-S证据推理、产生式规则、多贝叶斯估计法、Kalman滤波等;而人工智能类方法主要有加权平均法、人工神经网络、模糊逻辑理论、粗糙集理论等。
三、基于模糊神经网络的信息融合结构
模糊系统和神经网络控制均可视为智能控制领域内的分支, 各有自己的优势。模糊控制是利用领域专家的先验知识进行近似推理, 在描述高层知识方面有其长处, 容易进行高阶的信息处理, 但在工程实际应用中对于时变参数非线性系统, 却缺乏在线自学习或自调整的能力;而神经网络在学习和自动模式识别方面有很强的优势, 采用神经网络技术来进行模糊信息处理, 则使得模糊规则的自动提取及隶属函数的自动生成有可能得以解决, 使模糊系统成为一种自适应模糊系统, 而且, 将模糊技术引入神经网络, 可大大地拓宽神经网络处理的范围和能力。由此, 将模糊技术和神经网络技术有效融合, 可发挥各自的优势并弥补各自的不足, 这是模糊神经网络 (FNN) 的一大优势。模糊神经网络控制系统结构如图1所示。
利用输入输出样本对网络进行学习训练之后, 就构造了一个模糊神经网络控制器 (FNNC) 。将模糊控制器加入到被控系统中, 便构成了一个模糊神经网络控制系统, 如图1所示。其中, kl, k2, k3分别表示模糊控制器的两个量化因子和比例因子。
四、基于T-S模型模糊神经网络
T-S模型 (Takagi-Sugeno模型) 是基于对模糊神经网络的改进而出现的, 它的实质是非线性的, 主要用在多维模糊推理方法, 能够比较容易地描绘复杂系统的动态特性。这个在T-S模型的基础上形成的模糊神经网络具有强大的局部逼近功能, 不仅能够使对模糊与定性知识的描绘更简便, 而且具备较强的学习能力。
T-S模型的模糊神经网络共由七层组成, 主要包括前件网络与后件网络。前件网络的主要作用是匹配模糊规则的前提, 而后件网络的主要功能是获得模糊规则的结论。现以一个五输入两输出的控制系统为例, 来建立T-S模型的模糊神经网络。此控制系统为脱硫塔脱硫控制系统, 主要控制量有入口SO2浓度 (X1) 、出口SO2浓度 (X2) 、吸收塔浆液p H值 (X3) 、吸收塔内液气比 (X4) 、进风含氧量 (X5) ;控制输出为需要加入的石灰石浆液的量 (Y1) 和需要加入的水的量 (Y2) 。设计如图2所示网络的结构图, 其中, 一、二、三、四层是前件网络, 五、六、七层是后件网络。
输入X=[x1, x2, x3, x4, x5]T, 输出为Y=[y1, y2]T, 定义每个输入变量的模糊量的模糊子集均为{NB, NM, NS, ZE, PS, PM, PB}, 分别表示负大、负中、负小、零、正小、正中和正大。文中隶属函数采用高斯型函数, 模糊控制器的输出U由35条模糊控制规则决定, 其形式通常由一系列的关系词, 如if-then, and, or等连接而成, 其中第j条模糊规则的形式为:
其中Aij (j=1, 2, …, 5) 是xi的第j个语言变量, 相应的隶属度函数为uAi (xi) (i=1, 2, …, 5;j=1, 2, …, 7) 。
第一层:是整个前提网络的输入层。它们是直接相连的。该层的主要功能是将输入向量x送入下一层。故有fi (1) =x (0) i=xi。
第二层每个节点代表一个语言变量值。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函数, 其中μisi=μAsi (xi) , 若隶属度函数采用高斯函数, 则:
, cij和δij分别为第i个输入语言变量xi的第j个术语的高斯型隶属函数的中心和宽度。
第三层 (推理层) :该层每个节点代表一条模糊规则, 规则推理采用AND运算。
fj (3) =min (x1 (i3) , x2 (j3) , 1) ;Xi (j3) =αj=fj (2) , 其中αj是每条规则的适用度;j=0, 1…7。
第四层 (归一化层) :该层对应每条规则推理结果的归一化处理。
其中为归一化的每条规则的使用度;j=0, 1, …, 7。
第五层:f0 (5) =1, fi (5) =xi (0) =xi, i=1, 2, …5;
第六层:
其中, pjki是网络的连接权值, 代表该条规则输出隶属函数的中心值, yki是每条规则的输出值。
第七层:
第五、六、七层完成解模糊过程, 第七层输出有两个, 为需要加入的石灰石浆液的量 (Y1) 和需要加入的水的量 (Y2) 。
五、网络的自学习过程
T-S模糊模型的前件模糊划分是预先确定的, 那么需要学习的参数主要是后件网络的连接权值pkij (i=1, 2, …7;j=1, 2…, 7;k=1, 2) 和前件网络层隶属度函数的中心值cij及宽度δij。
模糊神经网络结构模型采用两个阶段的学习方法:第一阶段采用自组织学习方法用来确定初始隶属函数和发现规则的存在, 即网络的结构辨识阶段;第二阶段采用监督学习方法, 为获得理想的输出而优化调整网络的参数, 即网络的参数辨识阶段。整个学习过程可如图3所示的流程图。
取误差函数, yd和y (7) 分别表示期望输出和实际输出, 最后参数的学习算法为:
其中i=1, 2, …, 5;j=1, 2, …, 7, β>0为学习率。
六、在钢厂脱硫塔中的应用实例
在脱硫塔中采用的T-S神经网络模型自适应控制, 通过离线学习, 确定了T-S神经网络的参数, 提高了控制算法的实时性, 应用控制效果对比如表1所示。
七、结语
在脱硫塔脱硫控制应用中, 改进的T-S模糊神经网络可提高系统辨识精度, 取得了较好的效果, 不仅对烟气变化适应性强, 而且在脱硫工艺不改变的条件下, 提高了脱硫率, 达到了国家环保部规定的排放标准。
T-S模糊神经网络预测控制中仍然有许多问题需要解决, 主要有:一是进一步研究基于模糊语言规则模型和T-S模型相结合的新型模糊模型的预测控制是一个可行的方向。二是模糊预测控制的理论研究中, 如稳定性、鲁棒性等, 难度很大, 这方面的研究工作有待进一步展开。
摘要：信息融合技术是近年来发展起来的新型控制算法。本文介绍基于T-S模糊神经的信息融合自适应控制算法的网络结构, 分析了网络七层结构的主要作用和网络的自学习过程, 在实践中应用于钢厂脱硫塔脱硫工艺中并取得较好控制效果。
关键词：模糊决策优化,信息融合,模糊神经网络,自学习
参考文献
[1] .王浩, 谭琳.多传感器信息融合研究概述[J].硅谷, 2012, 3
[2] .王睿洁.一种改进的-TS型模糊神经网络控制在平面一级倒立摆中的应用[D].太原理工大学, 2002, 7
[3] .常依斌.模糊神经网络自组织控制在自动舵中的应用[D].上海海运学院, 2003, 2
基于神经网络的热风炉的模糊控制 第10篇
1 模糊控制系统的组成
模糊控制系统是以模糊数学、模糊语言形式的知识表示的,以模糊逻辑运算与模糊规则推理为理论基础;采用计算机控制技术构成一种具有反馈通道呈闭环结构形式的数字控制系统。该系统是人工智能算法与现代先进控制理论与技术相结合的一种模糊集成控制系统。该系统是由模糊控制器、输入/输出接口、执行机构、被控对象和测量与反馈装置组成,其结构框图如图1所示。
在模糊控制系统中,为了提高控制精度,需要及时观测被控量的变化特性及其与期望之间的偏差,以便及时调整控制规则和控制量输出值。因此,往往将测量装置的观测值反馈到系统输入端,与给定输入量相比较,构成具有反馈通道的闭环结构形式[1,2,3]。
模糊控制器的设计包括:模糊控制器结构的选择与参数化;模糊规则的选取;知识库的建立;确定模糊化和解模糊的方法;模糊推理算子的选择;控制性能的调整与完善。
2 热风炉燃烧过程智能控制
热风炉燃烧所用的燃料为焦炉煤气(COG)和高炉煤气(BFG),两种燃料进入热风炉燃烧室后,在燃烧混合器内进行混合,再与助燃空气一起通过陶瓷烧嘴进行燃烧。热风炉的燃烧时间约为110min左右。燃烧时,炉体温度达1 050℃左右,拱顶温度最高不得超过1 350℃。热风炉燃烧控制通过调节煤气和助燃空气流量以及两者之间的比值(空燃比)来实现。对于燃烧混合煤气或燃烧预热的高炉煤气和预热空气的热风炉来说,包括煤气流量控制、空气流量控制、空燃比控制、拱顶温度控制和废气温度控制。影响热风炉燃烧的因素很多,根据实际生产,通过调节空然比,实现对热风炉的优化控制。笔者采用模糊神经网络控制器对热风炉进行控制。
用拱顶温度和废气温度反映的热风炉燃烧过程可以分为两个阶段:在加热期以较大的煤气量和空燃比(空气与燃料即煤气的流量比)进行快速加热,使热风炉的拱顶温度迅速达到稳定值;进入蓄热期后,需要增加空气量以保持拱顶温度,并在废气温度管理器中调节煤气和空气流量以保证废气温度不超过其设定值。热风炉使用焦炉煤气(COG)和高炉煤气(BFG)组成的混合煤气[4]。一次COG加入混合煤气的热值达到某设定值,二次COG的加入是为了使每座热风炉的热水平都维持在相同的水平。当某座热风炉送风结束时,系统除了根据过程信息计算燃烧期内二次COG配比外,还要计算混合煤气的流量。
在高炉作业中,需控制格子砖温度分布以保护设备。此外,为了使能耗最小,还需在燃烧时对煤气流量作最优设定。前者除了保护拱顶使其不在超过上限温度时发生硅砖膨胀而破裂,还需在送风末期控制这一温度。过去热风炉煤气流量自动设定主要是按热平衡和检测数据来计算送风终了时的蓄热量,但没有足够精度的残热推断和温度分布的数学模型,为此还需手动设定。高炉把多元观测信息和操作工的经验知识结合而确定热风炉流量,设定模糊控制系统。
2.1 模糊控制方法与神经网络的特点
利用模糊控制的方法能够实现热风炉空燃比的控制,但是由于模糊控制的学习能力较差,对于过程参数变化较大的情况,模糊控制技术没有很好的自适应能力,由于神经网络具有较强的学习和自适应能力,神经网络可以对模糊控制的模糊规则库和推理方法通过不断的在线学习进行实时调整,使模糊控制方法对过程参数改变的适应能力大大提高。由于模糊控制具有描述和处理模糊信息的功能,但不具备“学习”功能,而人工神经网络具有“学习”功能,但不具备模糊信息功能,因此将二者结合起来设计了一种模糊神经网络控制器。
2.2 热风炉的模糊控制
热风炉的主要被控参量为空燃比,即煤气流量与空气流量的比值,而影响这一输出参量的主要因子是高炉拱顶温度变化和拱顶温度变化率。在热风炉燃烧过程中,温度变化及温度变化率可以作为控制系统的输入参量,而空燃比作为控制量,即系统的输出[5]。实际上,燃烧过程中的这类输入和输出之间很难用一定的数学模型进行描述。系统燃烧过程中具有较大的不确定性,控制过程在很大程度上依赖操作者的经验,这样一来,利用常规的方法进行控制难以奏效。但是,如果利用专家知识进行决策,往往容易实现优化控制,这就是热风炉中应用模糊控制技术的主要原因之一。
根据上述模糊控制的基本原理,可得出确定空燃比的模糊推理框图(图2)。其输入量为拱顶温度变化及其变化率,输出量为空燃比。考虑到适当的控制性能需要和简化程序,定义输入量温度变化的模糊词集为{大、中、小},定义温度变化率的模糊词集为{大、中、小},定义输出变量空燃比的模糊词集为{大、中、小}。描述输入/输出变量的词集都具有模糊特性,可以用这个模糊集合表示[6]。因此,模糊概念的确定问题就直接转换为求取模糊集合的隶属函数问题。
通过Matlab模糊工具箱,输入表1样本数据,确定隶属函数曲线,定义出一个模糊子集。热风炉模糊控制的输入输出变量隶属函数如图3所示,由此可以相继确定它们的模糊子集。
热风炉模糊控制规则可以归纳为9条,见表2,其中E为偏差,Δe为偏差变化率。
2.3 热风炉的神经网络模糊控制器的设计
模糊控制的过程,首先热风炉获取的温度信息由温度传感器送到信息处理元,分为温度变化和温度变化率送入模糊控制器。对输入的模糊量,需要将其转换成模糊变量,经过去模糊化单元处理,再由执行机构去控制热风炉燃烧,这样就完成了一次模糊控制算法过程。一般的模糊控制热风炉将“专家经验”通过模糊控制规则表体现出来,运行中通过查表做出控制决策,这比需要操作者设定程序的电脑控制热风炉又先进了一步[7]。但是,这种热风炉由于规则表需要占用大量的内存空间,查表反应速率慢,且只能按已编入的规则进行控制,因此不够理想,而将神经网络和模糊控制相结合,则能解决这个问题。
热风炉的神经网络模糊控制利用离线训练好的网络,通过在线计算即可得到最佳输出。这种控制模式的反应速度快,而且神经网络又具有自学习功能和联想能力,对于未在训练中出现的样本,也可以通过联想记忆的功能,作出决策,表现非常灵活。
热风炉的神经网络模糊控制器的控制系统中含有多个神经模糊环节,下面介绍以温度变化和温度变化率为输入参量来确定热风炉空燃比的控制器。该控制器的控制框图如图4所示,空燃比神经网络结构如图5所示。
神经模糊控制器在输入/输出参量的选择以及模糊论域和模糊子集的确定方面,与一般模糊控制器没什么区别,只是在推理手段上引入了神经网络。令x1～x7为输入量温度变化的模糊子集,x8～x14为输入量温度变化率的模糊子集,y1～y11为输出控制量的模糊子集。从模糊控制规则表2可以看出,共有9条控制规则,每条规则都是一对样本,则共有9对样本。例如,当温度变化为“小”,温度变化率为“小”时,空燃比应该为“大”,这个样本可以表示为:
x=[1,0.67,0.33,0,0,0,0,1,0.6,0.25,0.05,0,0,0]T
y=[0,0,0,0,0,0,0,0.25,0.5,0.75,1]T
其中,x中的各元素为对应隶属函数,即模糊子集的赋值。同理可列出其它样本,并将其依次送入神经网络进行离线训练,当训练结束后,神经网络已经记忆了模糊控制规则,使用时具有联想记忆功能。表3为每个输入参量的模糊量。
3 仿真
根据模糊规则,可获得网络的训练P和T,根据Kolmogorov定理,由于输入层有14个节点,所以中间层有29个节点,中间层神经元的传递函数为tansig,输出层有11个节点,其神经元传递函数为logsig,训练函数采用traingdx,训练目标误差为0.001,求训练值在每一点上的误差,网络的误差曲线如图6所示。由图可见,网络的最大误差不超过0.13,说明网络性能是可以满足要求的。网络经过329次训练后,训练误差达到要求,结果如图7所示。
4 结束语
笔者设计了热风炉智能控制系统,对于热风炉燃烧控制系统,采用了模糊神经网络控制决策的方法解决热风炉燃烧控制问题。可以直接从经验中获取知识,自动建立模糊规则和隶属函数,无需查表,节省内存空间,只需要通过在线计算,便可得到控制器输出。具有较强的适应能力和联想能力,对于未出现过的样本,神经模糊控制器可通过记忆、联想产生合适的输出量对系统进行控制。通过大量采集的输入、输出数据对,利用模糊技术确定神经网络的初始位置,再去控制被控对象。这种智能控制方法具有良好的鲁棒性和适应性,对热风炉燃烧系统能实现有效的控制。
摘要：针对热风炉燃烧控制的特点,将模糊控制技术与神经网络技术相结合,提出了一种基于模糊神经网络的热风炉燃烧控制方法。该方法充分考虑了系统非线性、难以建模和具有强耦合性的特点,应用模糊神经网络对模糊规则进行快速提取,通过模糊学习,解决了模糊控制应用中规则难以获取的问题。
关键词：热风炉,模糊控制,神经网络,智能控制
参考文献
[1]李公法,孔建益,蒋国璋等.焦炉加热过程模糊复合智能控制系统模型研究[J].化工自动化及仪表,2007,34(3):23～25.
[2]郭宏伟,韩国祥.加热炉炉管膨胀变形原因分析[J].化工机械,2010,37(1):107～108,119.
[3]陈立军,赵丽丽,周正兴.基于规则自寻优的过热汽温模糊控制[J].化工自动化及仪表,2010,37(1):5～7.
[4]樊波,齐渊洪.热风炉燃烧控制技术的研究[J].钢铁,2005,40(4):17～20.
[5]马竹梧,白凤双,庄斌.高炉热风炉流量设定及控制专家系统[J].冶金自动化,2002,26(5):11～15.
[6]陈铁军,陈华方.高炉炼铁焦比和炉温的链系统控制算法研究[J].化工自动化及仪表,2010,37(4):26～28.
模糊控制理论的探索与研究 第11篇
模糊逻辑控制（Fuzzy Logical Control）简称模糊控制（Fuzzy Control），是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。在传统的控制领域里，控制系统动态模式的精确与否是影响控制优劣的关键所在，系统动态的信息越详细，则越能达到精确控制的目的。然而，对于复杂的系统，由于变量太多，往往难以正确描述系统的动态，于是工程师便利用各种方法来简化系统动态，以达成控制的目的，但却不理想。换言之，传统的控制理论对于明确系统有强而有力的控制能力，但对于过于复杂或难以精确描述的系统，则显得无能为力。因此尝试以模糊数学来处理这些控制问题。
如人工控制反应釜的釜内温度经验可以表达为：若釜内温度过高，则开大冷水阀；若温度和要求的温度相差不太大，则把水阀关小；若温度快接近要求的温度，则把阀门关得很小。这些经验规则中，“较小”“不太大”“接近”“开大”“关小”“关得很小”等表示温度状态和控制阀门动作的概念都带有模糊性。这些规则的形式正是模糊条件语句的形式，可以用模糊数学的方法来描述过程变量和控制作用的这些模糊概念及它们之间的关系，又可以根据这种模糊关系及某时刻过程变量的检测值（需化成模糊语言值）用模糊逻辑推理的方法得出此刻的控制量。这正是模糊控制的基本思路。
模糊控制理论发展至今，模糊逻辑推理的方法大致可分为3种，第一种依据模糊关系的合成法则；第二种依据模糊逻辑的推论法简化而成；第三种和第一种相类似，只是其后件部分改由一般的线性式组成。
由于模糊控制器的模型不是由数学公式表达的数学模型，而是由一组模糊条件语句构成的语言形式，因此从这个角度上讲，模糊控制器又称模糊语言控制器。模糊控制器的模型是由带有模糊性的有关控制人员和专家的控制经验与知识组成的知识模型，是基于知识的控制，因此，模糊控制属于智能控制的范畴。
可以说，模糊控制是以人的控制经验作为控制的知识模型，以模糊集合、模糊语言变量以及模糊逻辑推理作为控制算法的数学工具，用计算机来实现的一种智能控制。
1 模糊控制系统的组成
模糊控制系统的基本原理图如图1所示。其中的核心部分为模糊控制器，由于模糊控制器的控制规则是根据操作人员的控制经验取得的，所以它的作用就是模仿人工控制。模糊控制器的控制规律由计算机的程序实现。其功能的实现是要先把计算机观测控制过程得到的精确量转化为模糊输入信息，按照总结人的控制经验及策略取得的语言控制规则进行模糊推理和模糊决策，再经去模糊化处理得到输出控制的精确量，求得输出控制量的模糊集作用于被控对象。因此，控制器的结构通常是由它的输入和输出变量的模糊化、模糊推理算法、模糊合成和模糊判决等部分组成。
2 模糊控制器的设计原理
模糊控制器结构如图2所示。模糊控制器主要由模糊化、模糊推理和模糊决策（反模糊化）3部分组成。模糊控制器的输入是实际量，经模糊化后转换成模糊输入。根据输入条件满足的程度和控制规则进行模糊推理得到模糊输出。该模糊输出经过模糊判决（反模糊化）转化成非模糊量用于过程的控制。
模糊控制器3部分的共同基础是知识库，它包含模糊化所用的隶属函数、模糊推理的控制规则及反模糊化所用的公式。和常规控制方法比较，模糊控制有其明显的优越性。由于模糊控制实质上是用计算机去执行操作人员的控制策略，因而可以避开复杂的数学模型。对于非线性、时变的大滞后及带有随机干扰的系统，由于数学模 型难以建立，因而常规控制方法也就失效；而对这样的系统，设计一个模糊控制器却没有多大困难。
3 小结
模糊神经网络控制 第12篇
三级倒立摆系统是一个高阶次、不稳定、多变量、非线性、强耦合系统,只有采取行之有效的控制方法才能使之稳定,火箭、直升机和机器人设计中都存在着类似于倒立摆的稳定控制问题,具有重要的应用价值,是研究控制理论如PID、模糊、人工神经网络、预测等算法的理想实验对象。文献[1]应用状态变量合成模糊控制方法,解决了模糊控制多变量系统时模糊规则爆炸的问题。文献[2]应用人工神经网络来辨识二级倒立摆系统模型,用广义预测算法来求解控制量,实现了倒立摆的稳定控制,但因预测算法优化过程中多维搜索的复杂性而限制了控制器的反应速度。
BP人工神经网络是目前研究较深入、应用较广泛的一种模型,但B P算法的缺点是收敛速度慢、易导致局部极值,从而影响控制效果。本文提出应用B P人工神经网络和最小二乘法相结合的混合算法训练模糊神经网络模型,解决了上述BP神经网络的缺点,并且根据变量加权构造四个并联模糊控制器[3],实现了控制三级倒立摆。为适应模糊控制在控制快速、强非线性、绝对不稳定系统和解决对多变量系统控制时计算量过大的问题提供了一种方法。该方法对于状态变量可按性质和类型分类的多变量系统,可以大大减少模糊控制器的计算量,有利于合理利用专家的控制经验。
2 直线三级倒立摆数学模型
本文使用G L IP-2003型三级倒立摆实验装置,由倒立摆机械本体、电控箱组成。根据动力学理论可以得到如式1所示的三级倒立摆的数学模型[4]:
其中:X=[x1,x2,x3,x4,x5,x6,x7x8]T=[小车位移,下摆角度,中摆角度,上摆角度,小车速度,下摆角速度,中摆角速度,上摆角速度]T,U为控制小车移动的控制电压,Y=[x1,x2,x3,x4]T=[小车位移,下摆角度,中摆角度,上摆角度]T,
3 人工神经网络模糊(ANFIS)控制系统设计
3.1 模糊控制器的设计
整个系统的控制结构如图1所示。由式(1)可以看出,三级倒立摆系统数学模型包括8个状态变量,则设计4个模糊控制器来分别控制小车位移和小车速度、下摆角度和下摆角速度、中摆角度和中摆角速度、上摆角度和上摆角速度,控制器设计采用7′7=49条规则的二输入单输出的二维模糊控制结构。考虑到测试的可实现性,设定输入值选取理想的倒立摆系统期望值,反馈的变量为倒立摆系统实际输出值Y。误差e及误差的变化率ec为模糊控制器的输入变量,输出变量之和为控制量U,用来调整倒立摆系统电机转速,从而通过皮带拉动小车左右移动来达到维持倒立摆系统稳定的目的。
图1倒立摆的加权变量模糊控制系统示意图
三级倒立摆系统的控制目标是当系统达到稳定时,三个摆杆都直立不倒且小车能由初始设定处行走至期望值处。考虑到倒立摆系统的自然特性,即运动的过程应以稳定上摆为主,中摆、下摆次之,最后考虑系统的小车的水平位移,故根据经验用试凑法确定相应的变量加权值为[10,5,5,1,20,2.5,40,5]T。
具体来说,图1中的模糊控制器1的两个输入量分别为1x的偏差1e和偏差变化率1e?:偏差1e的论域为[-0.3,0.3],量化因子为10;偏差变化率1e?的论域为[-0.6,0.6],量化因子为5;输出控制量论域为[-15,15],比例因子为5。模糊控制器2的两个输入量分别为x2的偏差2e和偏差变化率2e?:偏差2e的论域为[-0.6,0.6],量化因子为5;偏差变化率2e?的论域为[-3,3],量化因子为1;输出控制量论域为[-75,75],比例因子为25。模糊控制器3的两个输入量分别为x3的偏差3e和偏差变化率3e?:偏差3e的论域为[-0.15,0.15],量化因子为20;偏差变化率3e?的论域为[-1.2,1.2],量化因子为2.5;输出控制量论域为[-60,60],比例因子为20。模糊控制器4的两个输入量分别为x4的偏差e4和偏差变化率e4?:偏差e4的论域为[-0.075,0.075],量化因子为40;偏差变化率e?4的论域为[-0.6,0.6],量化因子为5;输出控制量论域为[-40,40],比例因子为30。
M am dani型模糊推理规则具有较高的归纳能力、简洁的结构和人性化的规则库等特点。根据专家经验建立起基于M am dani推理规则的4个模糊控制器,控制器1的模糊推理规则如表1所示,其它模糊控制器的规则与表1类似。
3.2 模糊控制器仿真实验
设定系统期望值[0,0,0,0]T,系统初始值[0.01,0,0,0]T,开始仿真试验。模糊控制器控制效果如图2、图3、图4、图5所示。
由图2、图3、图4和图5所示仿真曲线可以看出,Mamdani型的模糊控制器对三级倒立摆的控制效果曲线有一定的振荡,在4秒的时候稳定在期望值位置。为了获得更好的控制响应速度和精度,考虑到Sugeno型推理的计算效率高,自适应工作性能良好以及输出量连续的优点,设计一种Sugeno型模糊神经网络控制器对倒立摆系统进行控制实验。
3.3 模糊神经网络控制器设计
以各个Mamdani型模糊控制器控制倒立摆仿真系统时的输入输出数据为训练样本,应用Matlab工具箱中的ANFIS系统训练出四个Sugeno型模糊神经网络控制器代替四个Mamdani型模糊控制器接入如图1所示控制系统。
由于A N F I S系统应用B P神经网络和最小二乘法混合算法进行训练,各个输入输出数据的模糊分段数均得到优化,则控制器1的两个输入量,即1e论域变为[-0.3023,0.1895];&1e论域为[-0.4318,0.3042];输出控制量论域为[-10.87,5.78]。控制器2的两个输入量,即2e论域为[-0.5288,0.1728];e&2论域为[-2.094,1.571];输出控制量论域为[-64.3,20.57]。控制器3的两个输入量,即3e论域为[-0.1518,0.05498];3e&论域为[-1.047,1.047];输出控制量论域为[-32.62,46.83]。控制器4的两个输入量,即e4论域为[-0.0652,0.0735];e&4论域为[-0.5545,0.6132];输出控制量论域为[-30.45,36.46]。
由各个变量的论域变化可知,经过B P神经网络与最小二乘法相结合的混合算法训练得到的Sugeno型模糊神经网络控制器优化了Mamdani型模糊控制器的输入输出语言变量,使得Sugeno型模糊神经网络控制器的表示方法更加紧凑,推理过程更加简捷方便,保证控制量的连续光滑的输出。
3.4 模糊神经网络控制器仿真实验
设定系统期望值[0,0,0,0]T,系统初始值[0.01,0,0,0]T,开始仿真试验。模糊神经网络控制器控制效果如图6、图7、图8、图9所示。
由图6仿真曲线可以看出,当小车初始位于导轨右边0.01m处时,模糊神经网络控制器可以在2s的时候就可以将其控制回导轨的中央并使摆杆维持不倒,与图2相比,小车位移曲线无超调量,位移曲线更加平滑,到达指定位置时间更短。
与图3、图4、图5相比,图7、图8、图9的仿真曲线显示,下摆、中摆及上摆的角度均在2s的时候就已经到达平衡点附近,可见模糊神经网络控制器控制三级倒立摆系统运行更加平稳,且鲁棒性更好。这表明该控制器对于三级倒立摆这种具有同种类型和性质的状态变量的多变量系统的控制是更加有效的。
4 结束语
本文对于三级倒立摆这种多变量系统,提出了采取对倒立摆系统各个部件分别进行加权控制的方法,避免了在控制多变量系统时模糊规则爆炸问题。通过基于加权变量的Mamdani型模糊控制和Sugeno型模糊神经网络控制两种方法的仿真结果比较,表明Sugeno型模糊神经网络控制方法的控制效果更好,更有利于专家控制经验的利用。
建立Sugeno型模糊神经网络控制器模型时,应用BP人工神经网络和最小二乘法结合的混合算法来优化网络参数,仿真结果表明,对多变量的三级倒立摆系统的控制,经过优化的Sugeno型模糊神经网络控制器,与Mamdani型模糊控制器相比,简化了控制器在控制过程中的计算量,并且控制效果更好、跟随性及鲁棒性更强,可见这一控制思想对于解决其它多变量系统的控制问题具有借鉴意义。
参考文献
[1]洪晓英,崔桂梅,秦力舒,王建良.状态变量合成三级倒立摆模糊神经网络控制[J].控制工程,2004,11(1):36-38.
[2]葛锁良,陈学军,邱丹.神经网络预测控制及其在二级倒立摆中的仿真[J].自动化技术与应用,2005,24(6):4-6,12.
[3]曲建岭,吴文海,孙俊恩.三级倒立摆系统模糊控制器设计及仿真[J].系统仿真学报,2004,3:578-581.
[4]固高摆系统与自动控制实验指导书[M].固高公司.2002.
[5]CHEN WEI-JI,FANG LEI,Lei KAM-KIN.Fuzzy logic controller for an inverted pendulum system[C].Octo-ber 1997,IEEE International Conference on Intelligent Pro-cessing Systems:188-189.
[6]CHENG FU-YAN,ZHONG GUO-MIN,LI YOU-SHAN.Fuzzy rule control for an unstable system[J].Con-trol Theory and Applications,1995,12(5):583-589.
[7]LIN C T,G C S,Lee.Real-time supervised structure/parameter learning for fuzzy neural network[C].March 1992,IEEE International Conference on Fuzzy System:1283-1291.
[8]项湜伍,陈元春,刘新铭.基于模糊神经网络的倒立摆控制系统[J].计算机应用与软件,2006,23(10):68-70.
[9]雍容,高岩.模糊神经网络算法在倒立摆控制中的应用[J].控制理论与应用,2004,23(1):20-22,32.
[10]TAKAGI T,Sugeno M.Fuzzy identification of sys-tems and its applications to modeling and control[J].IEEE Transactions on Systems,Man and Cybernetics,1985,15(1):116-132.
【模糊神经网络控制】相关文章：
模糊神经网络控制算法07-01
自适应神经模糊控制06-25
基于RBF模糊神经网络控制器的设计及仿真02-05
模糊神经系统05-13
自适应模糊神经网络05-31
模糊神经网络在教学质量评估中的应用研究09-12
模糊控制小论文07-18
模糊控制算法体会07-21
模糊控制工程论文05-06
自适应模糊滑模控制07-05