基于神经模糊的工业锅炉温度控制器的研究
1 引言
在工业锅炉中，温度是一个非常重要的控制参数。目前常采用PID控制装置，但这种PID控制适应能力差，对高频干扰非常敏感。而且由于温度是一个非线性时变参数，加上工作环境的随机性，很难建立一个精确的数学模型。而模糊和神经网络控制是一种非线性控制方式，对无法取得数学模型或数学模型相当粗糙的系统可以取得满意的控制效果。模糊系统与神经网络各有特点，现分别说明如下。
(1) 知识表示、存储、运用和获取
从知识的表示方式来看，模糊系统可以表达人的经验性知识，便于理解;而神经网络只能述大量数据之间的复杂函数关系，难于理解。
从知识的存储方式上来看，模糊系统将知识存在规则集中，神经网络将知识存在权系中，都具有分布存储的特点。
从知识的运用方式来看，模糊系统和神经网络都具有并行处理的特点，模糊系统同时激活的规则不多，而神经网络涉及的神经元很多，计算量大。
从知识的获取方式来看，模糊系统的规则是靠专家提供或设计，对于复杂系统的专家知识，往往很难直觉和经验获取知识，表示规则形式也是困难的，这些知识的获取需要大量的时间。而神经网络的权系数可通过对输入输出样本的学习来确定，无需人来设定。
(2) 系统性能
影响模糊系统和神经网络性能的主要原因，是由于多层神经网络的输入空间可按任意超平面划分，而模糊系统的输入输出空间却只能按平行于超平面之一的输入输出轴划分。例如，在模式分类的应用中，由于上述原因，神经网络处理会比模糊系统处理的精度高很多;在函数逼近应用中，模糊系统对输入空间的划分，对其性能影响并不敏感。但是，如果对输入空间和输出空间进行复杂划分后，用神经网络来进行训练，就可以很容易的逼近期望函数。另外，对模糊系统输入空间的划分，会引起输入变量的增加，进而导致规则数目按指数形式增加，对于多变量输入系统，其系统组织会变得不可能。
(3) 系统调节
神经网络训练需要用算法来调节它的权系数，所以，对网络行为的分析是很困难的。对于模式分类，分析网络还有可能，但对于应用于函数逼近的网络，分析它就不容易了，这样，在训练网络权值动结后，就不能采用分析权系数的方法来调节系统。另一方面，模糊系统，由于人们可以人们可以非常容易地对系统规则进行分析，所以，系统地调节可由规则地隶属度函数或删除和增加模糊规则来完成。
(4) 神经模糊控制系统
神经网络技术和模糊逻辑控制相结合地神经模糊控制方法，是一种比较有前途地控制方法。
本文将神经网络方法应用于模糊控制技术中，充分利用人工神经网络的非线性映射和自学习能力[2]，将神经网络方法应用于模糊控制技术中，把模糊控制器的推理过程用神经网络实现。通过BP网络的在线学习和离线训练，使控制器具有较强的自调整和自适应能力及良好的实时性和鲁棒性。
2 神经模糊控制器的设计
2.1 模糊控制器的结构
本文选择温度偏差E和温度偏差变化率EC作为控制器的输入变量，风量的变化△Q为控制器的输出变量，这有利于通过参数变化量的调整，使系统偏差减小。模糊控制的原理框图如图1所示。
模糊控制是对专业技术人员工作过程的模仿,是一种智能控制[1]。该系统在控制中，采用Max-Min模糊推理法，而模糊决策采用加权平均法。模糊控制的过程采用查表法进行，即在计算机中存储控制表的内容，根据检测得到的温度，查表代替每次进行模糊推理求出控制数据。查表的方法极大地降低了程序计算的复杂程度，以实现更精确的控制。模糊控制器的设计步骤可分3步进行。
(1) 精确量的模糊化
根据E论域{-6，-5，-4，-3，-2，-1，-0，+0，+1，+2，+3，+4，+5，+6};可定义相应7个模糊量，即语言值为{负大NB，负中NM，负小NS，零Z，正小PS，正中PM，正大PB};同理， EC的论域为{-6，-5，-4，-3，-2，-1，-0，+0，+1，+2，+3，+4，+5，+6};其语言值为{负大NB，负中NM，负小NS，零Z，正小PS，正中PM，正大PB};
输出变量为风量Q,它的论域U是{7, -6，-5，-4，-3，-2，-1，-0，+0，+1，+2，+3，+4，+5，+6,+7],语言值为{负大NB，负中NM，负小NS，零Z，正小PS，正中PM，正大PB]。
用正态分布的高斯函数作为隶属度函数，其中μ为模糊值的均值，σ为方差，此处σ＝2。而模糊逻辑变量E的模糊集负大NB，负中NM，负小NS，零Z，正小PS，正中PM，正大PB的均值μ为-6，-5，-4，-3，-2，-1，-0，+0，+1，+2，+3，+4，+5，+6;同样办法处理EC和U。
根据输入输出变量的论域、模糊集合和隶属函数，就可求出论域中各元素的隶属度，其中E、EC、U隶属度表和规则表分别见表1，表2，表3，表4。
(2) 模糊推理
建立模糊控制规则库有四种方法[2]，一是根据专家经验生成控制规则;二是对系统执行手工控制即根据工艺操作规程生成控制规则;三是根据被控对象的模糊模型生成控制规则;四是根据学习算法生成控制规则。我们先根据方法三建规则库,再根据方法一修改，最后形成规则库。模糊推理由一批模糊推理规则决定，推理的前件为E和EC，后件为U，其中，第i条推理规则表示为:
IF Ei=PM AND ECi=PS then Ui=NS
从而得模糊控制规则如表3所示。采用Max-Min模糊推理法，就可推理出模糊控制输出变量值。
(3) 模糊决策
模糊决策采用重心法，即加权平均法，将模糊输出变量转化为被控过程精确的输入量，由所得的输出模糊量可决策出最终推理结果:
2.2 模糊控制的神经网络实现
(1) 网络结构
神经模糊控制是指用一个神经网络实现模糊控制器的功能。本文采用一个三层BP神经网络实现记忆模糊控制规则并进行模糊逻辑推理，将模糊逻辑控制表作为神经网络的学习样本，利用BP学习算法对网络进行离线训练，通过调整网络权重和阈值，使网络满足对应这组样本的输入输出映射，从而使网络实现了记忆模糊控制规则的功能。当网络在线运行时，控制器用常规的模糊化方法将实际输入的偏差e和偏差变化率ec转化为响应的模糊子集E和EC，用神经网络进行在线自学习和推理，得到控制结果U，再用模糊判决得到精确的控制结果输出给被控对象。控制器如图2所示。输入层神经元对应偏差e和偏差变化率ec论域E和EC的元素，输出层神经元对应控制量u的论域U的元素。所以，网络的输入层和输出层分别有26个和15个神经元。如图3所示。
(2) 学习算法
图3是三层前馈神经网络的结构图，它有26个输入节点，M个中间节点和15个输出节点，其Sigmoid函数为
(1)
对网络进行离线训练，求多层神经网络计算实际输出，具体步骤如下:
求各层输出:
其中Wij、Wjk分别为输入层到隐层，隐层到输出层地连接权值;表示第L层第I个神经元的输出，表示第L层第j个节点的阈值。L＝0，1，2;
我们定义误差函数为:式中表示网络的实际输出，u表示网络的期望输出。下面是权值、阈值的调整:
隐层到输出层:
输入层到隐层:
式中，η为学习效率，α为动量因子。(0＜η，α＜1
3 仿真与结论
本文针对温度闭环控制的方程G(S)，进行了仿真，通过一组样本对网络进行了离线训练，网络经过10000次训练，误差小于0.06。通过仿真曲线我们可以知道，NFC控制比FC上升速度快，且无超调;消除了FC的静态误差，具有良好的动态响应和静态特性。同时，由于采用了神经网络来记忆规则和进行模糊推理，因此，可以利用更多的经验规则，由于神经网络具有容错能力，所以，即使有少量的错误信息也能在训练过程中自动排除。
由仿真可知，计算值的误差较小，得到了令人满意的结果。因而证明了前面建立的人工神经模糊控制模型的可行性和正确性。使系统在应用中可不断提高精度，具有较高的使用价值和广阔的应用前景。
参考文献
[1] 李士勇.模糊控制.神经控制和智能控制论[M]. 哈尔滨:哈尔滨工业大学出版社，1998
[2] 章卫国.杨向忠.模糊控制理论与应用[M]. 西安:西北工业大学出版社，1999
[3] 孙增圻等.智能控制理论与技术[M].北京:清华大学出版社，1997
[4] 张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社，1992
[5] 焦李成.神经网络系统理论[M]. 西安:西安电子科技大学出版社，1991
作者简介
王致杰(1964-) 男 1985年毕业于山东科技大学电气工程系，副教授，博士，主要从事工业微机控制、模糊控制和网络方面的研究。发表论文多篇，有多项科研成果。
|
