模糊神经网络控制算法（精选10篇）
模糊神经网络控制算法 第1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.
计算机模糊控制算法 第2篇
例!设#$%&’(&)(&*(&+(&,(&!(&-(.-(.!(.,(.+(.*(.)(.’/(则#上的0个模糊子集可表示为：
12$3-(-(-(-(-(-(-(-(-(-(-(!(-(*(-(0(!(-4
15$3-(-(-(-(-(-(-(-(-(-(,(-(6(!(-(-(6(-(,4
17$3-(-(-(-(-(-(-(-(-(+(-(0(!(-(-(-(!(-(-4
18$3-(-(-(-(-(-(-(-(!(-(-(’(-(!(-(-(-(-4
98$3-(-(-(-(-(!(-(’(!(-(-(-(-(-(-(-(-4
97$3-(-(-(!(-()(!(-(-(0(-(+(-(-(-(-(-(-(-4
95$3-(,(-(6(!(-(-(6(-(,(-(-(-(-(-(-(-(-(-4
92$3!(-(-(0(-(*(-(!(-(-(-(-(-(-(-(-(-(-4
:$%&’(&)(&*(&+(&,(&!(-(.!(.,(.+(.*(.)(.’/(而:上的6个模糊子集可表示为：
12$3-(-(-(-(-(-(-(-(-(-(!(-(*(-(0(!(-4
15$3-(-(-(-(-(-(-(-(-(;(!(-(-(6(!(-(-(6(-(,4
17$3-(-(-(-(-(-(-(-(;(!(-(-(6(-(,(-(-4
8$3-(-(-(-(-(-()(!(-(-()(-(-(-(-(-4
97$3-(-(-(,(-(6(!(-(-(;(-(-(-(-(-(-(-4
95$3-(,(-(6(!(-(-(6(-(,(-(-(-(-(-(-(-(-4
92$3!(-(-(0(-(*(-(!(-(-(-(-(-(-(-(-(-4
若系统的误差为#中的某元素#?@。
。表，也称为查询表(见表,)表,
3下转第))页4
第K期王志兵：论五年制高职数学课程建设“校本化”原则>>力相结合、个别与群体考核相结合、面向全体的基本要求与分层提高要求相结合、统一与分类侧重相结合的
“考核评价体系。形成“教”、学”相辅、互动的方式，把对“学”的考核作为对“教”的考核评价的重要内容，把对
“教”的考核评价作为对“学”的考核的一部分。在数学课程建设“校本化”中，通过改革考试与评价体系，促进教学观念的转变，推动数学教学的改革，真正做到教学相长，相互促进。
另外，高职数学课程的“校本化”，要加强硬件与软件建设，特别是学习包的开发，试题库、试卷库的建立，!
总之，高职数学课程“校本化”，必须以“高职”为根本出发点和归宿点，才能体现高职数学课程应有的特色，才能发挥出数学课程在“高职”中的作用与效益。
!
6%17(8#%9*%1+#*$1’:7.%1+#*$;1)(7*$-*’’(2(4*$+*’*2
=6>?@,#4A#$2
($%&’()*+&’,-’(!./.0!-112(2，+&’,-’($%&’()*334556)
6A)+
;&@,&,,&A829,-8%(82@29*A&,%-’C#,%)-=;@%
B(
J上接第KL页M
查询表是模糊控制算法的结果，事先把它算出来，在实时控制时只要查这个表就可以了，这就是所谓的查表法。
参考文献
NKO
N3O
NLO
NYOP?B-%)P2,&1CQ*RR?S2,)&’9S?),2
-*8&.+(
FG6>?-,1*
J+&’,-’(Z-A&,%-’&1[72A8’%A&1S8%;;%’(!-112(2V+&’,-’($%&’()*334554M
6A)+
B2A-
模糊神经网络控制算法 第3篇
摘 要：对发动机瞬态工况空燃比进行控制时，由于单缸汽油机本身固有的非线性和时滞环节，传统PID控制很难取得满意的效果，本文构造了一种带动态补偿的模糊PID控制器.首先搭建了单缸机仿真模型，并将模糊PID控制算法应用于空燃比控制中，以适应系统的非线性；然后针对单缸机系统中固有的时滞环节提出一种动态时滞补偿器，以降低时滞环节对系统的影响；再将该时滞补偿器耦合于模糊PID控制器中，应用于单缸机瞬态工况下的空燃比控制.仿真结果表明，改进的模糊PID控制器不仅能补偿系统中时滞环节带来的非最小相位影响，而且能很好地适应发动机系统的非线性特征，从而使控制系统的稳定性、准确性、快速性均得到了很大的改善.
关键词：空燃比控制；时滞补偿器；非最小相位特性；模糊控制
中图分类号：TK464 文献标识码：A
节能减排是目前的世界性难题，大量研究表明，对于汽油发动机，当空燃比处于理论空燃比（λ=14.7）附近时，三效催化剂的转化效率达到最高，排放性最好，且此时发动机具有较好的燃油经济性＼[1-5＼].为了使空燃比保持在理论空燃比附近波动，汽车发动机均已采用电喷系统进行空燃比闭环控制，而摩托车用单缸汽油机目前仍多采用化油器式发动机，相比于电喷发动机，其燃油经济性和排放性均较差.然而随着摩托车保有量的增加，其对环境和能源造成的压力越来越大，对摩托车发动机采用电喷系统，从而实现空燃比闭环控制也显得越来越重要.空燃比闭环控制系统设计的主要难点＼[6＼]在于：1）发动机系统是一种复杂的非线性系统，而经典PID控制为比例、积分、微分三个环节的线性组合，使得使用经典PID控制时，很难对复杂的非线性系统取得良好的控制效果；2）发动机燃烧过程中存在废气传输和氧传感器反应等延时，这相当于在空燃比闭环控制系统中引入一个时滞环节，使系统表现出非最小相位特性，降低系统的相角裕度，使系统趋向于不稳定的状态.
针对系统中的非线性与时滞问题，国内外已经有很多学者进行过相关方面的研究.文献[7， 8]采用了基于模型的设计方法，该方法的控制效果严重依赖于发动机模型精度，适应性较差.文献[9-12]针对系统的时变时滞环节，提出了一种动态滤波补偿器，但其仍使用传统PID进行控制，不能很好地适应发动机系统的非线性.本文以某款125cc化油器式单缸发动机为研究对象，建立平均值模型，对发动机瞬态工况下的空燃比控制策略进行研究.针对传统PID控制方法不能很好适应发动机系统时滞环节和非线性等缺点，提出一种带动态时滞补偿器的模糊PID控制策略，使控制器不仅能够对系统的时滞进行补偿，而且能够很好地适应发动机的非线性特性.
1 发动机模型的建立
为了便于仿真和控制器设计，需要对发动机建立仿真模型.目前应用最广泛的两类发动机模型为计算流体力学模型和平均值模型.计算流体力学模型能详尽地描述发动机流体力学特性，模型精度较高，但是建模过程很复杂，且计算量很大，很难满足控制系统的实时性的要求.而发动机平均值模型忽略了不同曲轴转角所对应的发动机状态，对发动机的单个工作循环进行研究，它对发动机的稳态和瞬态工况均能很好地描述，且模型精度能够满足控制要求.由于平均值模型具有表达形式简单，计算量小，实时性好的优点，被广泛应用于实时性要求较高的控制系统开发中.
本文以某款125cc单缸机为研究对象，依据试验数据建立了发动机仿真模型如图1所示，包括充气效率模型、燃油喷射模型、动力输出模型等，并根据单缸发动机的特点对进气波动、油膜蒸发等进行了改进.该模型与实验数据进行了对比，验证了其可靠性，可以用于下一步控制及仿真.
1 发动机模型的建立
为了便于仿真和控制器设计，需要对发动机建立仿真模型.目前应用最广泛的两类发动机模型为计算流体力学模型和平均值模型.计算流体力学模型能详尽地描述发动机流体力学特性，模型精度较高，但是建模过程很复杂，且计算量很大，很难满足控制系统的实时性的要求.而发动机平均值模型忽略了不同曲轴转角所对应的发动机状态，对发动机的单个工作循环进行研究，它对发动机的稳态和瞬态工况均能很好地描述，且模型精度能够满足控制要求.由于平均值模型具有表达形式简单，计算量小，实时性好的优点，被广泛应用于实时性要求较高的控制系统开发中.
本文以某款125cc单缸机为研究对象，依据试验数据建立了发动机仿真模型如图1所示，包括充气效率模型、燃油喷射模型、动力输出模型等，并根据单缸发动机的特点对进气波动、油膜蒸发等进行了改进.该模型与实验数据进行了对比，验证了其可靠性，可以用于下一步控制及仿真.
2 发动机空燃比模糊PID控制
发动机系统是一个非线性系统，且运行过程中模型参数表现出不确定性，对于单缸机而言，其循环波动比多缸机更大，这就对控制系统提出了更高的要求.在这里，本文采用模糊PID控制，其控制框图如图2所示.控制系统通过开环和闭环相结合的控制方法共同调节喷油量，从而达到调节空燃比的目的.其中，开环控制通过发动机进气压力和转速计算出基本喷油量，提高系统响应速度；闭环控制通过空燃比误差对喷油量进行反馈调节，提高空燃比调节的精度.实现空燃比闭环控制的关键是针对发动机非线性和时滞的特征设计出合理有效的闭环控制器，快速、准确地调节喷油量，从而达到精确控制空燃比的目的.
模糊控制器设计的主要任务是确定输入、输出隶属度函数和模糊控制规则表，即确定PID控制器的3个参数kp，ki，kd与系统偏差e（t）及偏差变化率（t）之间的模糊关系，在运行过程中不断检测（t）与e（t），利用模糊推理对PID控制器的3个参数进行在线智能整定，以满足系统运行过程中模型参数变化及不确定性对控制器参数变化的要求.本文经过大量实验，最后确定Δkp的模糊控制规则如表1所示，采用类似的方法，可确定Δki，Δkd的模糊控制规则表.
3 带时滞补偿的模糊PID控制
3.1 时滞模型分析
发动机燃烧过程中存在废气传输和氧传感器反应等延时，这相当于在空燃比闭环控制系统中引入一个时滞环节.由控制理论可知，当在闭环系统中引入了时滞环节，会减小开环系统的相角裕度，使系统表现出非最小相位特性，降低系统的稳定裕度，给控制系统的稳定性设计带来麻烦；另外，时滞环节还会减小闭环系统的带宽，而系统带宽越大系统反应越快，所以时滞环节会导致系统调节时间延长＼[6＼].总之，时滞环节的引入会给系统稳定性和快速性均带来不利影响.
发动机运行过程中对空燃比精确控制影响较大的时滞环节主要包括[9]：发动机循环延时τc，废气传输延时τg.对于四冲程发动机，发动机循环延时表示混合气在缸内滞留的时间，大小为τc=120/N，其中N为发动机转速.废气传输延时是指废气从排气门传输到氧传感器的时间，用τg表示，该值一般通过试验的方法获取，这里取经验值0.1 s.另外，氧传感器的响应时间一般被简化为具有固定时间常数的一阶线性系统，其传递函数可表示为：
Gs=1τss+1. （1）
其中，τs表示传感器的时间常数.
考虑氧传感器动态效应和时滞效应的AFR控制系统可以表示为下式：
τs（t）+y（t）=u（t-τ）. （2）
其中，y（t）表示实际的缸内空燃比，u（t） 表示传感器测得的空燃比.τ表示由发动机循环延时τc和废气传输延时τg组成的总的时间延时.
将式（2）写成传递函数的形式为：
Gs=11+τsse-τs. （3）
根据帕德近似，纯时间延时可以近似为下式：
e-τs∑ji=0-1i2j-i！j-i！i！τsi∑ji=02j-i！j-i！i！τsi. （4）
为了计算方便，这里使用一阶帕德近似.因此，时滞环节的传递函数可以近似表达为下式：
e-τs1-τ2s1+τ2s. （5）
结合式（3）和式（5）可得发动机系统中总的时滞环节传递函数模型：
Gs1-τ2s1+τ2s1+τss. （6）
3.2 时滞补偿器的建立
为了减小时滞环节对系统的影响，本文引入一个动态补偿器对时滞环节进行补偿，然后将该补偿器耦合于模糊PID控制系统中，构造一个新型的模糊PID控制器.
对时滞环节的补偿一直是控制理论研究的重要内容.Smith[8]于1957年提出经典的Smith预估控制方法，通过反馈的方式对时滞环节进行补偿，使被延迟了的被控量超前反映到控制器中，可以在理论上完全消除时滞对系统的影响.但在实际应用中，当控制对象模型与实际对象有偏差时，Smith预估器的效果会严重恶化，甚至会导致发散，特别是针对发动机这种具有非线性且模型不确定性的控制对象，Smith预估补偿器效果更差.对发动机系统中的时滞环节的补偿，已经有很多学者提出了比较可靠的时滞补偿器[8，10].针对如式（5）所示的时滞环节，文献＼[10＼]提到了如式（7）所示的动态滤波补偿器，并证明了该补偿器的可靠性与有效性.
（dndtn+cndn-1dtn-1+∑n-1j=0aj-n11ρcjdn-1dtn-1）e_（t）=-a12（ρ）∑n-1i=0∑ij=0aj-i-111ρcjdidtie（t）. （7）
其中，e（t），（t）分别为空燃比的实际误差和基于动态补偿时的滤波器误差，ρ=τ-1，a11（ρ）=2ρ，a12ρ=-τs，cj为延时环节的特征值.这里针对单缸机系统的特点将上述补偿器参数进行重新调试，由式（4）可得时滞环节特征值有两个，分别为：c0=-τ2，c1=-τs.将其代入式（7）计算可得如下时滞补偿器：
·t-τ2+2τst=-2ττsτ2+τ2st-τsτ2et. （8）
这里，τ和τs取文献[10-11]中的经验值，分别为：τ=0.5 s，τs=0.4 s.
3.3 带动态补偿器的模糊PID控制器
将上述时滞补偿器耦合于模糊PID控制器中，建立如图3所示的带动态补偿器的模糊PID控制器模型.
图3 带时滞补偿器的模糊PID控制系统框图
Fig.3 Control diagram fuzzyPID with
dynamic compensator
模糊PID控制器的模糊控制规则和主要参数仍然通过多次仿真试验来确定，以控制系统动态响应和超调量同时达到最佳为目标.经仿真试验，将经过改进的模糊PID控制的输入输出论域分别选取为：e（t）和（t）的基本论域为-5～5，-3～3；Δkp，Δki，Δkd 的论域分别取为-10～10，-0.5～0.5，-5～5，每个输入输出变量的隶属度函数取Gauss函数.其中kd对应的模型控制曲面如图4所示.图中E为误差，EC为误差变化率.kp和ki可根据类似的方法获取.
图4 模糊控制器的输入输出
Fig.4 Input and output of fuzzy controller
4 仿真结果与分析
为了验证改进模糊PID控制器的优越性，在发动机运行过程中突然改变节气门开度，对比使用不同控制策略时空燃比的动态响应特性曲线.算例1将节气门开度由40%减小到20%，如图5所示.仿真得到如图6所示过量空气系数变化曲线，使用PID和模糊PID控制器时，实际空燃比分别在节气门突变后2.9 s和2.3 s恢复到期望值.而采用时滞补偿模糊PID控制器时，实际空燃比在节气门开度突变后1.1 s即恢复到期望值.而且，采用时滞补偿模糊PID控制器后，过量空气系数最小值由0.908变为0.935，减小了空燃比的波动范围.
t/s
图5 模糊PID控制方法下的
节气门开度突然减小时的控制
Fig.5 Throttle control under the fuzzy PID method
when its opening suddenly reduced
t/s
图6 不同控制方法下的过量空气系数
Fig.6 Excess air coefficient under
different control methods
为了进一步验证控制系统在不同工况下的适应性，算例2考察了节气门开度增加的情况，如图7所示在运行第4 s突然增大节气门开度，并在0.5 s内从20%开度增加到40%.
t/s
图7 模糊PID控制方法下的
节气门开度突然增大时的控制
Fig.7 Throttle control under the fuzzy PID method
when its opening suddenly increased
图8表示了分别使用时滞补偿模糊PID控制和传统模糊PID控制器时的控制效果.当使用模糊PID控制器时，过量空气系数最大值为1.18，且需要在节气门变化后2.5 s左右才能恢复到初始值，而在使用改进后的模糊PID控制器时，过量空气系数最大值为1.1，且空燃比经过1.5 s即能恢复到初始值.
t/s
图8 无干扰情况下的仿真结果
Fig.8 The simulation results without the inteference
为了验证控制系统的抗干扰性能，在基本喷油量基础上叠加一个随机扰动量，得到空燃比变化曲线如图9所示.在随机喷油干扰下，使用改进后的模糊PID控制器时空燃比波动幅值更小，由此证明新的控制器具有更好的抗干扰能力.
t/s
图9 随机喷油干扰下的仿真结果
Fig.9 The simulation results with random inteference
5 结 论
本文将时滞环节的动态时滞补偿器耦合于传统的模糊PID控制器中，提出一种新的控制器，将改进后的模糊PID控制策略应用于某款125cc单缸发动机的瞬态工况空燃比控制中.当节气门开度突然减小时，实际空燃比1.1 s后即恢复到期望值.而且，采用时滞补偿模糊PID控制器后，过量空气系数最小值由0.908变为0.935.当节气门开度突然增大时，系统调整时间从2.5 s缩短到1.5 s，且超调量由0.18减小到0.1.仿真结果证明，该时滞动态补偿器能够很好地耦合于模糊PID控制器中，经过改进的模糊PID控制器不仅能很好地适应发动机模型的非线性特征，而且能够补偿系统的非最小相位特性，从而提高系统的稳定裕度，增大系统带宽.另外，当引入一个随机的喷油干扰量时，使用新的控制器能够有效减小空燃比波动幅值，可见本文提出的时滞补偿模糊PID控制策略也具有很好的抗干扰能力.
参考文献
[1] WANG T， LIN X， FENG X， et al. Research in fuel injection revision control of gasoline engine based on the electronic throttle during transient condition[C]//2010 International Conference on Computer， Mechatronics， Control and Electronic Engineering.Changchun， China， 2010： 285-287.
[2] SHAO J J， GAO S， TAN D R， et al. Airfuel ratio fuzzy PID control for coalbed gas engine based on fuzzy PID feedforward[C]// ICEEP. Guilin， China， 2013： 800-808.
[3] LI Y， SONG E Z， ZHANG Z H， et al. Study on the effect of fuzzy PID airfuel ratio closed loop control of a natural gas engine[C]//ICMCEI. Taiwan， 2014： 372-377.
[4] GAO S， LANG H， TAN D， et al. Study on airfuel ratio control of coalbed gas engine based on fuzzy PID control[C]//2011 International Conference on Remote Sensing， Environment and Transportation Engineering. Nanjing， China， 2011： 1624-1627.
[5] LI G， HE Y， JIANG G， et al. Research on the airfuel ratio intelligent control method for coke oven combustion energy saving[C]//2nd International Conference on Frontiers of Manufacturing and Design Science. Taichung， Taiwan， 2012： 2873-2877.
[6] KANEKO Y. Effect of airfuel ratio modulation on conversion efficiency of threeway catalysts[C]//SAE Technical Paper No. 780607， 1978.
[7] WOJNAR S， HONEK M. Nonlinear airfuel ratio predictive control of spark ignited engines[C]//International Conference on Process Control. Strbske Pleso， Slovakia， 2013： 225-330.
[8] SMITH O J M. Closed control of loops with dead time[J].Chemical Engineering Progress， 1957，53（5）：217-219.
[9] RAJAGOPALAN S S V. Model based control design and rapid calibration for air to fuel ratio control of Stoichiometric engines[D]. Columbus： The Ohio State University， M.S.， 2008.
[10]EBRAHIMI B， TAFRESHI R， MASUDI H. A parametervarying filtered PID strategy for airfuel ratio control of spark ignition engines[J]. Control Engineering Practice， 2012（20）： 805-815.
[11]YILDIZ Y， ANNASWAMY A， YANAKIEV D， et al. Spark ignition engine fueltoair ratio control：An adaptive control approach[J]. Control Engineering Practice， 2010（18）：1369-1378.
模糊神经网络控制算法 第4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.
模糊神经网络控制算法 第5篇
基于修正因子智能权函数的汽车ABS模糊控制算法仿真研究
根据汽车ABS相关知识和模糊控制理论,建立了基于修正因子智能权函数的模糊控制算法,利用Maflab建立了ABS模糊控制总模犁及模糊控制器模型,对其进行仿真.结果显示,基于修正因子智能权函数的控制算法能使车轮的附着系数在最大附着系数附近微小波动,最佳的`利用路面的附着潜力,故此控制算法的制动效果较好.
作 者：李劲松 金志扬 LI Jin-song JIN Zhi-yang 作者单位：海南大学机电工程学院,儋州,571737 刊 名：汽车科技 英文刊名：AUTOMOBILE SCIENCE & TECHNOLOGY 年，卷(期)： “”(3) 分类号：U461.3 关键词：汽车防抱死制动系统 修正因子 智能权函数 模糊控制 仿真模糊神经网络控制算法 第6篇
温室对象是个非线性、分布参数、时变、大时延和多变量耦合的复杂对象, 但通过对多变量的解耦、园艺经验及实际的测量结果, 可以把温室对象简化为一个一阶大惯性加大时延的环节。大时延问题是控制界一直未得到妥善解决的问题。控制作用的时延极易引起系统的大超调和持续振荡或中调的过渡过程, 动态品质很差, 甚至可能使系统不稳定, 而且使系统的扰动不能及时得到响应。未来温室智能控制的发展方向将是各控制算法的融合技术。本文将遗传算法、神经网络、模糊控制和PID控制融合在一起, 可相互补充, 充分发挥各自的优点, 达到最优的控制效果。
1 总体控制方案的设计
温室环境中要控制的因子很多, 如温度、湿度、光照和CO2浓度等。因为温度对作物来说是最重要的一个环境因子, 所以以温室温度控制为例, 对温度进行仿真控制。本文提出的控制算法的系统结构图如图1所示。
2 模糊神经网络控制
2.1 设计思路
模糊神经网络控制主要是指利用神经网络结构来实现模糊逻辑推理, 从而使传统神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义。设计模糊神经网络控制器主要包括以下几部分:确定模型的输入/输出个数、模糊神经网络的层数、神经元的激励函数和去模糊化的方法等。本文首先考虑对温室环境的温度进行控制, 此时模糊神经网络的控制器输入个数为1, 采用2个输入量, 即温度误差和温度误差变化率。
2.2 模糊神经网络控制器模型结构
模糊神经网络控制器 (如图2所示) , 由输入层、两个隐含层和输出层构成4层神经网络。从第2层到第4层的神经元都有明确的模糊逻辑含义;第2层是将输入变量模糊化, 即求输入变量的隶属度, 选择类高斯函数作为隶属度函数;第3层实现模糊推理功能, 选高斯函数为模糊推理函数;第4层实现去模糊化功能, 这里采用重心法去模糊化。
1) 类高斯函数。
2) 高斯函数。
其中, 中心c和半径σ都是可调整的参数。
2.3 PID控制器
本文中所采用的是经典增量式数字PID控制, 控制算式为
式中 KP, KI, KD—比例、积分和微分系数, 是神经网络NN的3个输出;
u (k) —控制器输出, 利用u (k) 控制被控对象。
3 基于遗传算法的模糊神经网络控制
与以往所采用的模型训练算法 (如BP算法、梯度法和牛顿法等) 相比, 改进遗传算法在搜索过程中不易陷入局部极值点, 能在全局范围内较快地找到最优解, 且不要求目标函数具有可微和非凹等特性, 还具有编程简单的优点。
3.1 被控对象的选择
本文所考虑的被控对象可由具有纯滞后的一阶惯性环节来表示, 其传递函数为
式中 K—静态增益;
T—时间常数;
τ—纯滞后时间。
3.2 温室对象辨识系统
PID控制要取得较好的控制效果, 就必须通过调整好比例、积分和微分3种控制作用, 形成控制量中相互配合、相互制约的关系。这种关系不一定是简单的“线性组合”, 从变化无穷的非线性组合中可以找出最佳的组合。神经网络具有的任意非线性表达能力, 可以通过对系统性能的学习来实现具有最佳组合的模糊PID控制。本文采用基于遗传算法的BP神经网络, 来建立参数 KP, KI和KD的PID控制系统。由图1可知, 整个控制系统分为3部分:
1) 首先对温室系统进行辨识, 提供给基于遗传算法的模糊神经网络一个学习信号;
2) 基于遗传算法的模糊神经网络, 根据辨识系统提供的学习信号, 调节PID控制器的参数, 以期达到性能指标的最优化, 使输出层神经元的输出状态对应于PID控制器的3个可调节参数KP, KI和KD, 即通过神经网络的自学习和加权系数调整, 使神经网络输出对应于某种最优控制规律下的PID控制器参数;
3) 采用经典的增量式PID控制器, 直接对被控对象进行闭环控制, 并且3个参数KP, KI和KD由模糊神经网络实现在线调整。
3.3 遗传算法训练优化模糊神经网络
本文主要讨论将遗传算法用于前馈网络的权值优化, 其基本思想是将网络的学习过程看成是在权值空间中搜索最优权值集合的过程。其结合算法的系统结构图如图3所示。
考虑到神经网络理论在最优结构方面还不是很成熟, 目前还没有一个成形的理论来定义网络的最优结构, 同时也考虑到遗传算法对于网络结构的优化方法也还不成熟, 因此在本文的系统应用中, 预先固定网络的基本结构, 采用遗传算法对网络的权系值和阈值进行优化。
3.3.1 优化方案
遗传算法在对神经网络进行权阈值优化的过程中, 首先把权值和阈值编码后按一定顺序合成一个长串, 从而在网络结构已经确定的情况下, 每一个染色体串就描述了一个神经网络。为了计算每一个个体的适应值, 将该个体串赋给网络参数 (解码) 。该网络对训练输入样本进行运算, 再根据输出样本返回误差平方和 (适应度) , 即在遗传算法中, 网络起到计算函数的作用。整个迭代运算过程中, 神经网络的结构 (包括隐层数、结点数以及结点间的连接方式) 是固定不变的。优化训练的步骤如下:
1) 确定网络权系的编码解码规则和个体位串的长度。权系值 (权值和阈值) 与GA空间的个体位串的关系由编码映射决定的;
2) 选定GA操作、设置GA参数及自适应调整算法等;
3) 给定网路的输入/输出样本集:xi/yi, i=1, 2, …, n, j=1, 2, …, m;
4) 随机产生初始种群, 种群规模为M;
5) 译码种群中的每一个体位串, 求得M组网络的权系值, 得到具有相同结构的N个网络;
6) 由输入样本集经前向传播算法, 求得M组网络权值对应的M个网络的输出:undefined;
7) 设定网络的目标函数, 将其转换成适应度, 对N个网络进行评价;
8) 依据适应度在GA空间进行选择操作;
9) 依据选定的交叉、变异、有关算法及参数, 进行相应的操作, 得到新一代种群;
10) 返回5) , 直到满足性能要求, 得到一组优化的权系值。
算法流程图如图4所示。
3.3.2 GA优化模糊神经网络的参数设置
3.3.2.1 初始群体的生成
采用实数编码, 并随机生成种群规模为50的初始群体。系统中有8个参数需要优化, 包括GA-BPNN、辨识器的学习速率、惯性系数以及各修正系数。因此, 以8个参数为分量构成8维行向量, 并把它作为个体的编码, 即
式中 p1～p6—WkP, WkI, WkD的学习速率和惯性系数αP, ηP, αI, ηI, αD, ηD;
p7, p8—辨识器的学习速率ηf和惯性系数αf。
采用计算机随机生成初始种群, 要求在产生的每个体中8个向量均为0～1之间的随机小数。因为在一般的控制过程中kP值相对于其他两个参数kI和kD要稍大些, 所以为了加快遗传算法的寻优速度, 可以使代表wkP的学习速率αP、惯性系数ηp的向量p1和p2值稍大点, 如p1和p2取0.4～ 1之间的随机数。
3.1.2.2 目标函数的确定
本文的目的是在一定的约束条件下通过遗传算法来优化BP神经网络、辨识器的学习速率和惯性系数等参数, 使控制系统具有良好的控制性能。通常衡量一个控制系统的指标有3方面 (即稳定性、准确性和快速性) , 而上升时间反映了系统的快速性。上升时间越短, 控制进行得就越快, 系统品质也就越好。但是如果单纯追求系统的动态特性, 得到的参数很可能使控制信号过大, 在实际应用中会因系统固有的饱和特性导致系统的不稳定。因此, 本文选择了控制量、误差和上升时间作为遗传算法寻优的约束条件。其目标函数为
式中 w3—权值, 且w4≫w1;
e (t) =y (t) -y (t-1) ;
y (t) —被控对象输出。
4 仿真分析
利用国际公认的最优秀的数值计算和仿真分析软件作为计算机辅助设计工具, 用M 语言编写各相关程序。取系统采样时间为20s, 遗传算法的种群规模N=50, 最大优化次数为500次, 每次遗传操作后保留1个最优个体, 交叉概率和变异概率分别为pc=0.68 , pm=0.05。所得仿真结果和使用Ziegler Nichols 整定式设计的传统PID 控制器的控制效果, 如图5所示。
比较可知:传统PID 控制超调过大, 震荡次数过多, 动态性能劣于所设计的遗传神经控制;传统PID 控制追求上升阶段的快速性, 就会导致调节后期的震荡;追求调节后期的小超调和少震荡等动态性能, 就难免影响上升速度, 而遗传神经控制器阶跃响应的超调量很小, 过渡时间也明显缩短。
5 结论
经过计算机辅助设计与仿真可以证明:本文设计的遗传算法与模糊神经网络相融合的控制器, 较传统PID 控制器使控制系统动态性能有了很大改善, 同时也解决了单纯神经控制收敛速度慢、易陷于局部极小和全局搜索能力差等问题。 新的基于遗传算法的模糊神经网络温室温度控制器充分显现了二者相融合的优越性。
摘要：为了创造适合作物生长的环境, 针对温室系统的特点提出了一种新的基于遗传算法的模糊神经网络控制器, 利用遗传算法训练模糊神经网络模型, 并采用此模糊神经网络控制器控制温室温度系统。运用该方法对温室温度控制系统进行了Matlab仿真, 结果表明:采用遗传模糊神经控制器的系统, 不但提高了阶跃响应的快速性, 而且大大减少了超调量。
关键词：温室温度,模糊神经网络,控制器,遗传算法
参考文献
[1]李秀梅, 刘华毅, 徐景德.一种新的遗传算法求解约束优化问题[J].计算机技术与自动化, 2003 (3) :17-20.
[2]Angelov P P, Buswell R A.Automatic gene ration of fuzzyrule-based models from data by genetic algorithms[J].In-form Action Sciences, 2003, 150:17-31.
[3]窦振中.模糊逻辑控制技术及其应用[M].北京:北京航空航天大学出版社, 1995.
[4]Wang K.Robustness and perturbation analysis of a class ofartificial neural networks[J].Neural Networks, 1994, 7 (2) :251-259.
[5]H C.A learning scheme for dynamic and connective stability[J].Neural Network, Neural Networks Equilibrium Mani-fold, 1995, 3 (6) :853-864.
[6]Suykensl A K.Static and dynamic stabilizing neural control-lers, applicableto transition between equilibrium nnint[J].Neural Networks, 1994, 15 (1) :819-831.
[7]Cohen MA, Grossberg S.Absolute stability of global patternformation and parallel memory storage by competitive neuralnetwork[J].IEEE Trans.SMC, 1983, 13 (5) :815-826.
模糊神经网络控制算法 第7篇
由于液压伺服系统是结构复杂的机、电、液综合系统,普遍存在非线性、时变性和不确定性,用传统理论设计的控制器不易解决液压伺服系统中存在的这些问题,因此有必要寻找新的控制策略。
常规模糊控制缺乏神经网络所具有的自学习能力,神经网络不具备模糊系统的规则推理机制,将二者结合起来的模糊神经网络,既具有模糊逻辑的强大知识表达推理能力,又具有神经网络的自学习能力。RBF神经网络具有全局逼近能力,可以以任意精度逼近任意的非线性特性,并且具有拓扑结构紧凑、结构参数可实现分离学习和收敛速度快等特点。采用RBF设计模糊神经网络的最大优势在于RBF网络与模糊推理过程具有函数等价性,这个等价性将两种不同构造的系统在函数上统一起来,使网络的参数和运算有了明确的物理意义[1]。通常采用BP算法来训练神经网络的参数,但BP算法收敛速度慢,且不易得到全局最优值。GA算法提供了一种求解复杂系统优化问题的通用框架,采用多点并行操作机制寻找全局最优解,收敛速度快。本文提出一种调节模糊RBF神经网络参数的GA-BP算法,将GA的全局寻优及BP的局部寻优相结合,可以大幅提高网络的学习速度及网络的控制性能。
2 系统模型分析
液压动力机构是由液压控制元件和执行元件组成的液压装置。控制元件可以是液压伺服控制阀或伺服变量泵,执行元件可以是液压缸及液压马达。为使问题具有一般性,选取阀控液压缸电液压力控制系统为研究对象[2]。整个电液压力控制系统的方框图如图1所示。
图1电液压力控制系统方框图
其中:Ur为指令电压信号;Uf为反馈电压信号;Kfp为压力传感器增益;Pl为液压缸油腔内压力;Ka为比例放大器增益;Xv为比例阀阀芯位移;Ctp为液压缸的总泄露系数;Ksv为比例阀增益;Kce=Ka+Ctp;Gsv(s)为K=1时比例阀的传递函数;G为系统前向传递函数;H为系统反馈传递函数;ωm为负载固有频率;ωo为液压弹簧与负载弹簧并联偶合的刚度与负载质量形成的固有频率;ξo为阻尼比;
由图1经过化简可得电液压力控制系统的传递函数为:
3 控制系统设计
3.1 系统控制原理
基于改进遗传算法的模糊RBF神经网络控制系统的结构如图2所示,为了产生更好的控制效果,图2中的模糊神经网络采用GA-BP算法进行参数的优化。
3.2 模糊RBF神经网络控制器结构
本文将输入e和ec和输出U均划分为7个模糊子集,即为邀负大,负中,负小,零,正小,正中,正大妖=邀NL,NM,NS,ZO,PS,PM,PL妖,它们的隶属函数用高斯函数表示。根据实际经验,可得模糊控制规则为表1所示。
如图3所示的模糊RBF神经网络[3],隐层采用高斯指数型函数,输出层采用线性激活函数。整个网络的输入输出映射关系如下。
第一层:输入层。输入变量为x1和x2。
式中,T为采样周期。
第二层:模糊运算层。这一层完成了模糊化、释放强度、归一化三个过程功能。本层49个节点,在下式所示的推导过程下,得节点输出为avek。
式中,i=1,2,…7;j=1,2,…7;k=1,2,…49。
第三层:输出层。这一层完成模糊推理结论和反模糊化的输出过程,得节点输出为网络输出U。其中ωk表示模糊推理结论部分,从结构上相当于模糊RBF神经网隐层到输出层的权值。
基于高斯径向基的RBF神经网络的优越性及其与模糊神经网络的等价性可分别参见文献[4-5]。本文采用基于高斯这种结构的模糊神经网络除了能很好的映射模糊控制规则外,还有利于网络的初始化和网络结构的设计,这主要是由于:网络的第二层,不但实现了隶属度函数,而且也实现了模糊隶属度的合成,使模糊控制的前件在同一个神经元中完成,根据系统的控制要求可在线调整第二层的节点数。当根据控制要求需要变化模糊控制规则时,只需在第二层中增加(或减少)节点即可,而且,第二层网络的节点变化对整个网络的影响不大。
另外,对于这种网络结构,由于采用了GA-BP遗传算法来构造网络,用遗传算法对参数a、b进行寻优,并通过BP算法改变网络的权值来调整规则库,从而达到一种自适应最优控制的目的。
3.3 GA-BP算法的设计
模糊神经网络若采用BP算法训练,速度较慢,可能陷入局部极小点。本文利用GA在全变量空间搜索全局解的特点以及BP算法能局部寻优的特点,提出了GA-BP算法,先采用GA算法先对模糊RBF神经网络的隶属函数参数a、b进行全局寻优,再将得到的最优解保存并按BP算法对网络隐层的到输出层的权值ωk进行训练。
3.3.1 GA算法全局寻优
(1)参数编码形式
经典遗传算法采用二进制编码再转化为实数,但这样引入了量化误差,使参数变化为步进,如目标函数值在最优点附近变化较快,则可能错过最优点。鉴于此,这里采用实数编码的方式。本文a、b共28个元素取值范围均在[0,1]之间,其构成一个染色体。
(2)三种基本操作
对于基于适应值的概率分布选择新种群的选择过程,采用“赌轮法”。为了维持种群的多样性和算法收敛,本文采用自适应交叉和变异概率[6]。favg表示种群平均适应值,fmax为种群最优个体适应值,假设给定两个[0,1]内的两个数Pc1和Pc2,并且Pc1>Pc2,种群内随机选择两个交叉的个体,其中较大个体的适应值为f',那么交叉概率Pc由下式给出:
同样可以给出变异概率Pm的表达式:
这样,自适应交叉概率和变异概率保证了适应值大的个体进行交叉操作的概率小,适应值小的个体进行交叉操作的概率大。根据实际经验,本文取Pc1=0.9,Pc2=0.6,Pm1=0.1,Pm2=0.001。
(3)初始化及适应度函数
本文种群大小为30,GA用来搜索最优模糊隶属函数参数a、b,使得误差函数取得最小值。其中,p表示样本数,Udi和Ui分别表示期望输出和实际输出。那么可根据下式计算每个染色体的适应度值:
3.3.2 BP算法局部寻优
取误差函数为:
则参数ωk的调整公式为:
其中η为调整参数ωk的学习因子,t是离散时间变量。
3.3.3 基于GA-BP的模糊神经网络寻优步骤
基于GA-BP的模糊神经网络控制器的算法实现步骤如下:
(1)采用实数编码,初始化染色体,形成初始种群;
(2)利用适应度f评价每代中每个染色体;
(3)采用轮盘赌法计算概率并按照适应度的概率分布选择新群体;
(4)以自适应交叉概率Pc,选择两个染色体进行算术交叉操作;
(5)以自适应变异概率Pm,使种群中每个染色体的各个元素产生非均匀变异;
(6)对新种群中的最优个体实现精华保留,用上代最优个体取代本代最差个体;
(7)判断是否达到进化代数,若没有则返回(2)步,否则结束;
(8)将新群体获得的最优个体的值a和b保持不变,采用BP算法对ωk进行学习;
(9)判断误差E是否达到要求,若没有则返回(2)步,直到满足性能指标。
4 仿真研究
4.1 控制参数的选取
以阶跃信号作为输入信号进行实验,根据实验测得的数据,结合MATLAB辨识工具箱,通过ARX模型辨识,求得传递函数(1)式的参数。可得电液压力控制系统的传函为:
4.2 仿真分析
下面对PID控制与本文提出的基于改进遗传算法的模糊RBF神经网络控制作仿真比较。通过调试,得到阶跃响应曲线如图4所示。若在控制过程中把系统开环增益KO增大一倍,即改变被控对象的参数,其仿真曲线如图5所示。此时PID控制超调量较大并且输出曲线有明显振荡的现象;而本文的方法无超调,调节时间短,其响应曲线与图4中阶跃响应曲线区别很小。由图4、5可知基于改进遗传算法的模糊RBF神经网络控制器具有良好的自适应性和鲁棒性。
5 结论
针对电液伺服系统普遍存在的非线性、时变性和不确定性,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法通过模糊RBF神经网络自动调节隶属函数参数和模糊规则,达到一种模糊自适应的控制效果。同时采用GA-BP的改进遗传算法来优化参数,两者的有机结合克服了单独应用GA算法或BP算法调节控制器参数存在的缺陷。基于改进遗传算法的模糊RBF神经网络控制方法具有良好的自适应性和鲁棒性。
参考文献
[1]赵振宇,徐用懋.模糊理论和神经网络的基础和应用[M].北京:清华大学出版社,1996.
[2]王春行.液压控制系统[M].北京:机械工业出版社,1981.
[3]高建英.基于遗传算法设计模糊RBF神经网络控制器[D].大连:大连理工大学,2000.
[4]丛爽.几种模糊神经网络系统关系的对比研究[J].信息与控制,2001,30(6):36-38.
[5]Jang JS Roger.Functional equivalence between radial basisfunction networks and fuzzy inference system[J].IEEETrans.on Neural Networks,1993,4(1):156-158.
模糊神经网络控制算法 第8篇
随着人类社会的不断发展进步, 高层建筑的数量逐渐成为城市发展繁荣的标志之一, 而电梯是高层建筑中不可或缺的组成部分, 因此电梯技术也随之得到了飞速发展。电梯在控制技术方面逐步从一部电梯发展为多部电梯的集中控制。这样将多部电梯集中起来并统一进行协调和优化的调度系统, 就是电梯群控系统 (EGCS) 。在电梯群控系统中, 智能算法是整个系统的核心, 目前常见的算法主要有:专家系统、模糊控制、遗传算法、人工神经网络和模糊神经网络等。本文采用的是模糊神经网络算法。本文首先分析大厦客流, 对电梯群的交通模式进行分类, 利用模糊神经网络对电梯群的交通模式进行了识别, 根据系统的识别结果判定电梯群当前处于的交通模式。然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算, 选取可信度最大的电梯响应呼梯信号, 最终完成派梯。
图1为电梯群控系统从呼梯信号产生到完成派梯的系统框图。
2 交通模式的分类与识别
2.1 交通模式的分类
建筑的功能不同, 其乘坐电梯的人群也不同, 因此往往具有不同的交通客流, 每一栋大厦都有自己独特的交通客流特征。以一栋办公高层写字楼为例, 一天之中交通客流会随着时间的变化而变化。由于上班人群具有严格的作息规律, 因此交通客流变化也有一定规律可循。对于大楼而言, 交通客流主要分为三类:进入客流、层间客流和离开客流。进入客流, 乘客由一楼大厅或地下停车场进入大楼, 乘坐电梯前往各自的目的楼层;层间客流, 乘客在自己所在的楼层乘坐电梯前往其它楼层;离开客流, 乘客从自己所在楼层前往一楼大厅或地下停车场, 离开大楼。
在电梯运行过程中, 交通客流是不断变化的, 只有通过交通客流的变化, 确定当前电梯交通模式, 才能采用合适的调度算法。本文以高层办公大楼为研究目标, 根据固定时间段内交通客流变化, 将电梯交通模式分为6类:上行高峰交通模式、下行高峰交通模式、空闲交通模式、中间层繁忙模式、单中间层繁忙模式和双中间层繁忙模式。
2.2 模糊神经网络
将交通模式分类后, 接下来需要识别电梯群当前的交通模式, 本文采用模糊神经网络来进行识别。模糊神经网络是将模糊理论和人工神经网络取长补短的融合应用, 可以实现复杂信息处理和控制的智能算法。将模糊逻辑和人工神经网络结合起来, 人工神经网络可以进行逻辑运算从而能够对模糊变量和模糊规则, 充分发挥各自优势。模糊神经网络的结构是根据输入输出变量个数及其模糊子集数、模糊规则数等决定的, 权值的赋值也跟模糊变量有关, 因此可以充分的利用现有专家经验建立模糊子集和规则库, 根据实际需要确定网络结构。
模糊神经网络的网络结构构建规则与人工神经网络不同, 人工神经网络对中间隐含层数量可以根据需要进行设置, 而模糊神经网络结构中层数是固定的, 分别为输入层、模糊化层、规则层、综合层、输出层。
(1) 输入层:输入层是模糊神经网络拓扑结构的第一层, 输入变量通过该层的节点输入到整个网络中。因此在输入层的每一个节点都代表着一个输入变量。每个神经元即节点, 把输入变量输入到第二层。神经元的数量等于输入变量的个数。
(2) 模糊化层:模糊化层也叫输入语言变量层。每个输入变量都要实现定义好各自模糊子集, 通过这一层计算全部模糊子集的隶属度函数。该层的神经元数量是由上一层的节点数和各输入变量的模糊子集数量决定的。
(3) 规则层:该层节点为规则节点, 代表逻辑规则。每个节点具有“与”的逻辑运算功能。该层全部节点形成一个if-than规则库。
(4) 综合层:该层的神经元个数等于输出变量的所有模糊子集个数。该层节点执行模糊“或”运算, 用来合成具有同样结果的规则。
(5) 输出层:该层又叫做反模糊化层。这一层的网络结构是由输出变量的个数决定的。
2.3 交通模式识别
本文以高层写字楼为例, 统计全时间段大厦内乘坐电梯的客流数据, 总结特点, 提取有效的特征值。以10分钟为一个单位时间段, 特征值有:单位时间内总客流量、进入客流量、离开客流量、客流最大中间楼层、客流次大中间楼层。其中进入客流量为从一楼大厅和地下停车场进入电梯的乘客数量。根据上述五个特征值, 对之前已经分为五类的交通模式进行识别。五类交通模式中, 单中间层繁忙模式和双中间层繁忙模式本质上属于中间层繁忙模式, 但根据实际可能发生的交通客流变化情况, 本文将这两种交通模式单独细化出来, 作为中间层繁忙模式的特例, 便于电梯群控调度的优化处理。因此在识别过程中应该分为两个步骤来识别, 首先识别上行高峰交通模式、下行高峰交通模式、空闲交通模式和中间层繁忙模式。然后再针对一般中间层繁忙模式、单中间层繁忙模式和双中间层繁忙模式进行识别。如果第一步确认不属于中间层繁忙模式或中间层交通客流较小, 则不需要进行第二个步骤进行细化识别。
将单位时间内总客流量、进入客流量和离开客流量作为输入变量, 在输入网络之前要先分别除以单位时间段内总客流量最大值进行归一化处理, 归一化之后, 输入变量均属于[0, 1]。模糊神经网络输出变量是各交通模式所占的比例, 比例最大的交通模式为当前电梯群所处的交通模式。首先计算上行高峰交通模式、下行高峰交通模式、空闲交通模式和中间层繁忙模式所占比例, 如果中间层繁忙模式所占比例较大, 那么需要继续比较一般中间层繁忙模式、单中间层繁忙模式和双中间层繁忙模式所占的比例, 最终确定所占比例最大的交通模式, 那么就判定该交通模式为电梯群当前处于的交通模式。
模糊神经网络在模式识别之前需要进行训练, 训练成功之后才能进行识别, 确保误差在可以接受的范围之内。训练用输入数据因为需要进行归一化处理, 输入值同样只能在[0, 1]区间, 因此将输入样本间隔取值0.2。将第一步骤输入变量和输出变量的模糊子集个数定义为6个, 代表含义分别为极大、很大、较大、较小、很小、极小。第二步骤输入输出变量模糊子集个数定义为4个, 代表含义分别为很大、较大、较小、很小。因此可以确定两个步骤各自的网络结构, 即各层的节点数量。模糊子集个数定义过多或过小, 都将影响网络的误差和效率。根据之前介绍过的学习方法对网络进行训练, 其中模糊规则抽取阈值为β0=0.05。第一步骤中的网络结构为:第一层3个节点, 第二层18个节点, 第三层216个节点, 第四层24个节点, 第五层4个节点。第二步骤中的网络结构为:第一层2个节点, 第二层8个节点, 第三层16个节点, 第四层12个节点, 第五层3个节点。
3 电梯群控系统派梯算法
电梯群控的派梯算法是一个多目标的优化算法, 需要综合考虑到全部人群平均等待时长、全部人群在电梯内运行平均时效、人群久待时间所占比例和电梯群总体能耗等因素。本文针对不同交通客流模式, 分别进行优化派梯算法研究。
电梯群控系统需要同时控制多部电梯响应多个不同的呼梯信号, 所以一般的数学模型无法做到, 这里将继续采用模糊神经网络来实现多目标优化。这电梯性能的多个指标中, 最重要的是乘客平均等候电梯时间AWT、乘客平均乘坐电梯时间ART和能耗RNC这三个指标。
本文采用系数加权法来确定AWT、ART、RNC三个变量的权值。根据各实际情况对应的系数, 计算AWT、ART、RNC的权值, 再根据加权公式的得到最终的结果。电梯群处于繁忙的工作状态时, 往往是大量集中客流导致的, 此时重点加权的参数应该是人群的平均等候电梯时间, 同时也要使人群乘坐电梯时间不能过长, 在这种情况下能耗的因素可以基本忽略。所以平均等候电梯时间的权值最大, 平均乘梯时间次之, 能耗的权值最小。
上述已经确定好的权值, 也可以根据实际情况, 通过统计数据结果或专家经验作为参考进行修正。上行高峰交通客流模式、中间层繁忙客流模式、下行高峰交通客流模式、单中间层繁忙模式、双中间层繁忙模式和空闲交通客流模式。所占的交通比例分别为P1、P2、P3、P4、P5、P6, 并且有P1+P2+P3+P4+P5+P6=1。则最终计算出AWT、ART、RNC的权值如下式:
产生一个叫梯信号后, 系统将会立即通过HCWT、max HCWT、CV和GD这四个参数来计算出每台电梯的乘客平均等候电梯时间AWT、乘客平均乘坐电梯时间ART和能耗RNC指标。HCWT为呼梯信号产生到响应电梯到达该层的运行时间和等待时间, 其中运行时间包括启动加速、匀速和减速至停止的时间;等待时间包括打开电梯门、乘客进入、关闭电梯门的时间。max HCWT为某台电梯响应的所有呼梯信号中的最大等待时间, 包括已经响应的和新分配给它的所有呼梯信号。CV表示响应未来呼梯信号的能力。计算公式为:CV=1- (P1+P2) /P0, 其中P1为当前电梯内人数, P2为已经响应但未处理的乘客人数, P0为电梯额度载客数量。GD为新产生的呼梯信号楼层与电梯所响应的所有信号楼层之间的最短距离。该距离需要考虑到电梯运行方向。为了简化计算, 该距离以楼层为单位。
建立模糊神经网络模型, 输入变量为HCWT、max HCWT、CV和GD, 输出变量为AWT、ART、RNC这三项的可信度。根据不同的交通模式, 调整三项可信度的权值, 计算出最终的可信度。通过比较各电梯响应该呼梯信号的可信度, 选取可信度最大的电梯来完成派梯。
结语
本文以某一30层大厦的电梯群为例进行仿真, 该大厦有电梯6部, 每部电梯额定载人15人。首先根据客流特征值识别当前电梯群所处的交通模式, 然后根据当前交通模式计算AWT、ART和RNC的权值, 并通过HCWT、max HCWT、CV和GD这四个参数来计算出AWT、ART、RNC这三项的可信度, 根据交通模式计算出最终可信度。通过比较这6部电梯最终可信度大小, 选取可信度最大的电梯进行派梯。本文利用MATLAB软件进行了仿真实验, 取得了较好的实验效果。如何对各加权系统进行合理调整, 使算法更加优化是值得继续深入研究的方向。
参考文献
[1]郭建龙.基于模糊神经网络的电梯群控系统的研究[D].东北大学, 2013.
[2]张绍谦.模糊神经网络在电梯群控系统中的应用研究[D].东北大学, 2009.
[3]李向莉.基于模糊神经网络的电梯群控系统调度方法研究[D].苏州大学, 2006.
[4]唐海燕.基于模糊神经网络的电梯群优化控制研究[D].哈尔滨工业大学, 2006.
恒温炉模糊控制算法仿真 第9篇
温度对象在生产、科研与实验中较为常见,因此,对温度量进行控制也十分普遍。采用常规控制方法为基础的仪表实施温度控制时,其适应不同对象的能力差,参数整定工作技术含量高,受温度对象工况变化的影响明显,过渡过程品质指标不理想。模糊控制以有经验的操作人员的控制规则为基础,在一些复杂系统,特别是系统存在定性的、不精确和不确定信息的情况下,取得了较好的控制效果,且与一系列传统的控制方法相比,模糊控制不需要被控对象的精确数学模型。
2 常规控制算法分析
如图1所示,该系统输出量y反馈到输入端组成闭环负反馈自动控制系统。控制的目的是希望该系统能通过控制器Gc(S)的操作使其输出y不断。
当设定值r=700,Kp=0.3,Ki=0.1,Kd=0,采样周期为1秒控制对象为时
温度响应曲线如图2。
常规PID控制器具有结构简单、适用面广等特点理论研究和长期实践都已证明它在过程控制中的有效性是非常显著的[1]。尽管如此,在常规PID控制器的实际应用中仍然存在着一些需要解决的问题。例如,控制系统正式投入运行前的调试工作,其难点就集中在控制器参数的整定上。一方面,人们希望系统不但能正常地运行,而且还具有较高的控制精度。另一方面,控制器参数的整定以前又主要依赖于熟练操作人员的已有经验。因此,造成了人为因素影响的矛盾。
3 模糊控制器设计
模糊控制器最基本的形式是“查询表”方式的模糊控制器,这种控制器将模糊控制规则最终转化为一个查询表,存储在计算机中供在线控制时使用这种控制器具有结构简单,使用方便的特点[2,3]。本文中模糊控制器的设计就采用查询表方法
本文中取:控制对象为一阶滞后系统具有时间常数大、纯滞后时间长、时变性等特性较符合现场
误差E:[-24,24]
误差的变化EC;[-0.06,0.06]
控制量U:[-14,14]
3.1 模糊控制器的结构
在大量的控制领域问题中,消除被控对象或被控过程的输出偏差问题,是相当普遍的一大类控制问题。设计模糊控制器的结构,一般选择输入变量为误差E及误差的变化EC,输出变为控制量U。[4,5,6]
对误差E,误差变化EC及控制量U的模糊集及其论域定义
E、EC、U的模糊集均为
E和EC的论域均为
U的论域为
3.2 模糊控制系统仿真研究
控制对象为一阶滞后系统
其中K=10s,T=4s,τ=1s,采样时间为1秒
当Ke=0.25时仿真结果,如图
4 PID控制与模糊控制仿真比较
常规PID控制具有滞后的被控对象时,各个参数整定比较困难,同时控制效果与理想模型仿真不同。
根据实际情况,工业现场存在一定干扰,而实际控制中要尽量减少干扰的影响。
通过仿真结果得出对一阶纯滞后、大惯性、时变性明显的恒温炉温度控制在本文中所涉及的场合下模糊控制优于PID控制。
5 结束语
可以看出PID仿真结果加热时间短、超调大,根据实际情况过度时间短是无法实现的,同时现场会受到各种干扰,所以P ID为理想的模型实现受很多条件的制约。模糊控制仿真结果超调较小,过度时间符合实际情况,有较强的抗干扰能力,模糊控制具有优良的抗干扰性。在系统受到干扰时,模糊控制的扰动幅度明显小于常规的PID控制,而工业恒温炉控制场合经常会受到干扰,仿真结果说明对于恒温炉的控制模糊控制算法比PID算法更为合适。
摘要：本论文以工业恒温电炉为被控对象,采用模糊控制算法,主要研究了温度模糊控制器的设计,并对所设计的模糊控制器的控制效果进行了计算机仿真,仿真结果证明了本论文所研究内容的正确性及有效性。
关键词：模糊控制,温度,仿真
参考文献
[1]薛定宇著.控制系统计算机辅助设计—MATLAB语言与应用(第2版)[M].北京:清华大学出版社,2005:372-378.
[2]诸静.模糊控制理论与系统原理[M].北京:机械工业出版社,2005:1-120.
[3]KIM E.A fuzzy disturbance observer and its ap-plication to control[J].IEEE Trans.on Fuzzy Systems,2002,10(1):77-84.
[4]刘金琨著,先进PID控制MATLAB仿真[M],北京:电子工业出版社,2004,9.
[5]宋子巍、陈思忠、杨林,模糊-PID控制的MATLAB仿真分析,科技资讯,2006(3).
模糊神经网络控制算法 第10篇
关键词：周期时长,绿信比,相位差,模糊控制
城市干道是城市交通的主要载体。干道的畅通对提高城市道路的通行能力、缓解交通拥挤起着至关重要的作用。最近几年,模糊控制、神经网络控制,遗传算法在交通工程领域的应用中取得了一定的进展。针对我国目前大多数城市交通信号控制系统处于单点、定周期运行而且引进系统未能很好适应我国城市交通混合流的状况,对城市自适应信号控制系统的研究和开发应用将具有十分广阔的发展前景和应用价值[1]。
本文采用智能控制当中的模糊控制方法对城市干道交通信号进行控制,并结合合肥市芜湖路的交通状况,给出具体的交通信号优化控制方案,最后用Vissim进行了仿真。
1 传统数解法协调控制
1.1 干道交通控制问题的描述
芜湖路是安徽省城合肥一环内东西向的主干道,承担着很大的交通量,是合肥市对外活动的重要窗口。选取芜湖路上7个路口组成的交通干线如图1所示,东西向为主干道,为了进行线控,需要选一个路口作为相位差基准参考点,这个路口通常叫作关键交叉口。芜湖路干线采用双向协调控制。设交叉口的信号机运行的是“2”相位的方案(实际上不一定),第1相位(即协调相位)的绿灯时间为gi1,第2相位绿灯时间(即非协调相位)为gi2,i=1,2,3,4,5,6,7。
为了使干道上行驶的车辆尽可能不遇红灯或少遇红灯,干道上各路口的信号灯应具有相同的信号周期,而且相应绿灯信号的开启时间应相互错开。同时调整各路口的信号周期和绿信比,使各路口的等待延误最小。
1.2 干道的信号优化计算
要解决芜湖路干道交通的协调控制问题,首先需要得到干道各交叉口的周期时长和绿信比,以及相邻交叉口之间的相位差,进而实现优化协调控制。
根据实地调查的交通量数据,计算各相位的临界车道流量,采用Webster最佳周期公式计算各路口的信号周期时长[1]:
各相位的有效绿灯时间及绿信比采用式(2)、(3)计算。
式中:tEGij为第i个路口j个相位的有效绿灯时间,s; yij为第i个路口j个相位的关键流量比;λij为第i个路口j个相位的有效绿信比。
干线各路口的公共周期
通过优化计算得到芜湖路各个路口的信号控制情况如表1所列。
关键交叉口的绿信比计算方法与单点优化绿信比计算方法相同,非关键交叉口的算法与单点优化绿信比计算算法不同,要根据关键交叉口的实际情况进行调整,具体步骤如下:
1) 确定线控系统中协调相位的最小绿灯时间。协调相位就是协调方向的相位。各交叉口协调相位所必须保持的最小绿灯时间就是关键交叉口协调相位的绿灯显示时间,其计算式[2]:
2) 确定非关键交叉口非协调相位的最小绿灯时间[2]。
3) 确定非关键交叉口协调相位的有效绿灯时间[2]。
1.3 确定相位差
依据干道交通信号的协调控制原理,用数解法[2]确定相位差。数解法通过寻找使得系统中各实际信号位置距理想信号位置的最大挪移量最小来获得最优相位差控制方案。
将7个交叉口自西向东依次设为A、B、C、D、E、F、G,他们相邻的间距见表2所列,其中绿信比是通过式(1)、(4)、(5)、(6)计算得到的在公共周期126 s下的协调相位的绿信比。在表2中,合用一个理想信号的左右相邻实际交叉口间采用同步式协调;其他各实际交叉口间都采用交互式协调。
2 干道交通模糊控制
城市交通系统是一种对象不确定的,结构十分复杂的大系统。对象的不确定性和复杂性决定了系统建模和模型求解的难度,以致很难用数学模型来描述。基于某些控制规则的模糊控制技术具有较强的实时性、鲁棒性,便于结合人的思维经验,为城市的交通信号控制提供了一条切实可行的途径。
2.1 交通干线的模糊控制
2.1.1 相位时间g1,g2的调整
大量的研究表明:当交叉口放行车辆的饱和度约在0.9时,交叉口的通行能力最大。当放行的饱和度小于0.9时,说明放行时间比实际的交通需求要长,应减少绿灯时间;当饱和度大于0.9时,应增大绿灯时间。
将饱和度X作为模糊控制的输入变量,其论域为:
X={0.80,0.82,0.84,0.86,0.88,0.90,0.92,0.94,0.96,0.98,1.00}
其语言值设定为:PB(正大)、PM(正中)、PS(正小)、ZE(零)、NS(负小)、NM(负中)、NB(负大)。
绿灯时间的增量Δg作为模糊输出变量,语言值同上,其论域为:
ΔG={-8,-6,-4,-2,0,2,4,6,8}
饱和度隶属度如表3所列。
绿灯时间调整量录属度表如表4所示。
利用Matlab中的模糊工具箱设计控制器,根据实际经验采用的控制规则为:
IF(车辆饱和度is PB) THEN (绿灯时间增量is PB);
IF(车辆饱和度is PM)THEN (绿灯时间增量is PM);
IF(车辆饱和度is PS) THEN (绿灯时间增量is PS);
IF(车辆饱和度is ZE) THEN (绿灯时间增量is ZE);
IF(车辆饱和度is NS) THEN (绿灯时间增量is NS);
IF(车辆饱和度is NM)THEN (绿灯时间增量is NM);
IF(车辆饱和度is NB)THEN (绿灯时间增量is NB)。
采用面积重心法去模糊化得到模糊关系输出查询表,通过离线计算得到绿灯调整量精确控制查询如表5所示。
协调相位的绿灯时间gi1和非协调相位的绿灯时间gi2都按上述过程确定。由此可以得到各路口的周期时间Ci,选择7个路口的最大周期时间作为(包含所有的非协调相位)周期时间C。将差值(C-Ci)加到干线绿灯时间上,于是协调相位的绿信比得到优化调整。
2.1.2 相位差的调整
干线绿波带的形成完全取决于各交叉口之间的相位差,而影响相位差的主要因素是相邻交叉口之间的距离和两交叉口之间车流运行速度。车流密度是影响车流速度的重要因素。我们知道车流速度随着车流密度的增加而降低,当交通流密度趋向于零时,车流密度趋向于自由流速度;当交通流密度趋向于阻塞密度时,车流速度趋向于零,而此时各车辆的速度等于或接近这个车队的速度。车流速度的快慢以及车流密度的大小均是模糊的概念。因此,可根据车流密度运用模糊控制规则来对车流速度实施控制,进而优化相位差。
将区段内的车流密度作为模糊变量m,其论域为M:
M={0,30,60,90,120,150,180,210,240,270,300}
其语言值设定为:SS(非常小)、VS(很小)、S(小)、M(中)、B(大)、VB(很大)、SB(非常大)。
模糊控制的输出变量为该区段的区间车速记为V,其论域为:
V={100,92,84,76,68,60,52,44,36,28,20}
其语言值的设定同上。根据实际经验分别对车流到达密度和区间车速的隶属度进行定义。采用的模糊控制规则见表6,通过离线计算[4]得到的区间车速精确控制查询表,见表7。
设dij为i交叉口和j交叉口之间的距离,vij为其间的区间车速,Oij为i交叉口和j交叉口之间未经调整时的相位差。于是i交叉口和j交叉口之间相位差需调整为:
3 仿真分析及评价
本节运用德国PTV公司的Vissim交通仿真软件[5]来仿真[6]芜湖路干线的交通运行状况。交通仿真实验室配置此软件的版本是Vissim4.10。
首先在Vissim中依据芜湖路整个干线的道路条件和交通条件建立路网模型,并选取合适的位置设置相应的评价参数检测器,将仿真时长和评价时长均设为3 600 s,然后运行软件,将生成的结果文件进行整理,得到芜湖路分别采用以下3种控制方案的总体运行效果对比情况见表8。
由表8可见,对芜湖路干线实施模糊协调优化方案以后,干线上各交叉口总体的车辆平均延误和停车率都有较大程度的减少,平均排队长度也有所减小。通过仿真的输出画面可以看出芜湖路堵车的问题明显地得到了改善,车辆在整个干线上基本上能形成“绿波”交通。根据表9中信号控制交叉口的机动车延误与服务水平的关系[1],可知现状芜湖路干道的总体服务水平为C级,传统数解法协调控制方案和模糊协调控制方案的服务水平达到B级,并且模糊协调优化控制方案的改善效果更佳。由此可见,对芜湖路干线实施模糊协调优化控制能够更有效地协调干道交叉口群,使车辆在各个路口上的延误时间大大地降低,提高通行效率,干线的整体服务水平有较大程度的改观。
4 结 语
论文在芜湖路历史交通量的基础上,对各个路口进行了信号配时优化,并结合模糊控制算法对绿信比和相位差分别进行了调整和优化。通过Vissim软件仿真分析,得知模糊协调优化控制方案能够更有效地协调干道交叉口群。但是若要使芜湖路真正起到快速干道的作用,必须增加一些其它的交通管制措施,比如说在芜湖路沿线建立健全的道路语言系统,全线的监控以及交通诱导措施等等。
参考文献
[1]杨佩昆.交通管理与控制[M].北京:人民交通出版社,1995
[2]徐建闽.交通管理与控制[M].北京:人民交通出版社,1995
[3]刘智勇.智能交通控制理论及其应用[M].北京:科学出版社,2003
[4]闻新.MATLAB模糊逻辑工具箱的分析与应用[M].北京:科学出版社,2001
[5]李灵犀.两相临路口交通信号的协调控制[J].自动化学报,2003,29(6):947-952
【模糊神经网络控制算法】相关文章：
模糊神经网络控制06-03
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
模糊控制算法体会07-21
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