模糊神经控制

2024-05-01

模糊神经控制（精选十篇）

模糊神经控制篇1

关键词：模糊对向传播网络,径向基函数神经网络,模糊神经网络模型,自适应控制

1 引言

融合模糊逻辑和人工神经网络于一体的模糊神经网络是当前研究的热点问题,是解决非线性系统辨识和控制问题的一个重要方法[1]。一方面,模糊神经网络具有模糊逻辑系统的特点,能充分利用专家的语言信息、经验知识、启发性知识,还能跟踪推理过程,使网络权值具有明显的含义。另一方面,模糊神经网络具有神经网络的学习功能,适应被控对象特性或外界环境的变化,使基于模糊神经网络的控制系统具有良好的控制效果。本文围绕非线性系统的模糊神经网络控制问题,展开研究,设计了一个自适应模糊神经网络控制系统。

2 控制系统的描述

图1为模糊神经网络控制系统的示意图。它由模糊神经网络辨识器和神经网络控制器构成。模糊神经网络辨识器采用对非线性系统具有较强逼近能力的模糊对向网络模型,学习训练分为在线和离线两部分。神经网络控制器使用RBF神经网络,学习训练采用减法聚类算法和梯度下降法相结合的混合算法。

3 基于FCP网络的被控对象辨识器

模糊对向传播(F C P)网络具有函数全局逼近能力,它在功能上等价于T-S模型,因此FCP网络同样有模糊逻辑系统具有的两大优点,用它辨识非线性系统是适宜的[2]。

考虑如下离散时间非线性被控系统

其中:f是一个待辨识的未知函数,u和y分别为系统的输入和输出,n和m分别是时间序列{y(k)}和{u(k)}的阶次。被辨识的对象假设是稳定的,它具有一个已知参数表,但参数的值是未知的。

在此,考虑FCP网络的非线性系统辨识串-并联模型

其中:是辨识模型的输出。

设F C P网络的输入层至隐含层连接权向量vj(j=1,2,L,c)和隐含层至输出层的连接权向量wl(l=1,2,L,M)。F C P网络是把竞争层的第j个神经元的输出函数看作是输入样本xk属于该神经元代表的类的隶属度函数而导出的,其中,隶属度函数采用模糊C-均值方法中的公式:

如果这正是当时函数ujk的极限。m∈1(,∞)是模糊因子。F C P网络参数学习步骤如下:

Step1:确定竞争层神经元的个数c和模糊因子m。在这里,根据权向量的具体物理意义和模糊逻辑系统接收人类语言信息的能力来选取初始权向量,把输入-输出样本集中前c对输入-输出模式作为权向量vj和lw的初始值,而在下面的学习中从第c+1个训练模式开始。

Step2:用无监督聚类法和梯度下降法分别粗调权向量vj和lw,算法过程如下:

1)对于k=c+,1c+,2L,p

a)由(3)式计算ujk,(j=1,2,L,c)

b)根据下式调整vj

c)由下式计算输出层第l个神经元的输出

d)用下式调整权向量lw

2)计算误差若E≤ε或t>T,转入步骤3;否则t=t+1,转入1)。其中:λ(t),γ(t)为学习率,它们的调整方法与自组织特征映射网络相同。

S t e p 3:用误差回传(B P)学习算法细调vj(j=,1L,c)和wl(l=,1,2L,M)。

其中α(t),β(t)是学习率。

上述学习算法充分利用了FCP网络的特性,Step2的学习过程正是标准CP网络学习算法的一种自然的推广,而BP学习算法却是F C P网络独有的,这是F C P网络较之CP网络的一大优点。算法的Step2和Step3分别应用于在线和离线学习,以提高效率。

4 基于RBF神经网络的控制器设计

径向基函数(R B F)神经网络具有学习收敛速度快,非线性逼近能力强等特点,本文利用其设计系统的控制器。应用减法聚类算法[3]确定RBF神经网络的隐层节点个数,隐含层节点中的作用函数取高斯函数,通过对聚类中心的部分最邻近点取平均距离,确定宽度参数,然后用梯度下降法进行在线学习。

控制器的输出为

其中:ci是第i个基函数的中心,σi该基函数围绕中心点的宽度。

取R B F神经网络控制器的指标函数为

其中:Jc为R B F神经网络控制器的指标函数,kr为系统设定值。

权值调整如下:

其中η为学习率。

应用链式微分法得:

当yk未知时,有关灵敏度值无法计算,可基于模糊对向网络辨识器,用近似灵敏度N′FCP(uk-1)代替,即yk对uk-1的灵敏度

将式(12)代入式(11)得:

5 模糊神经网络控制系统

把模糊神经网络与自适应控制方案相结合,设计出一种能对非线性系统进行有效控制的自适应模糊神经网络控制系统。

模糊神经网络控制系统的训练步骤:

Step0:输入训练样本。用训练FCPNNI的步骤1和步骤2初步确定辨识器的结构和权值,用减法聚类算法确定R B F C的结构,各类中心和宽度。

Step1:给定(或计算)设定值;

Step2:计算FCPNNI的输出,并计算近似灵敏度函数N'FCP(u k-1);

S t e p 3:应用训练F C P N N I的步骤3在线辨识FCPNNI的参数和权值;

Step4:应用梯度下降法在线估计FNNC的参数和权值;

Step5:计算RBF函数网络控制器的uk,并输出之;

S t e p 6:采集新数据yk+1,形成新的训练样本

6 仿真研究

设被控对象的真实模型为

输入信号u(k)=sin(2πk/25)+sin(2πk/10)

仿真是在Matlab6.5环境下编程实现的,图2为辨识模型的拟合曲线,图3为控制系统跟踪方波信号的输出结果。初始学习参数定为λ(0)=0.6,γ()0=06.,α(0)=06.和β(0)=.06,取网络竞争层节点数c=25和模糊因子m=0.2。由此可看出,本文所提出的控制策略,辨识器辨识精度高,系统响应跟踪速度快且平稳。

7 结束语

提出了基于模糊神经网络的控制系统方案,做了大量的仿真实验。仿真结果表明模糊对向网络辨识器的相对误差能达到10-3,可以满足在线控制的需要,模糊神经网络控制系统的控制结果也可达到满意效果,所以证明了本文所提出控制方案的有效性和实用性。

参考文献

[1]水谷应二(日).神经—模糊和软计算.西安交通大学出版社,2000.6.

[2]陈非,敬忠良,姚晓东.一种模糊神经网络的快速参数学习算法.控制理论与应用,2006,19(4):120-124.

[3]王旭东,邵惠鹤.RBF神经网络理论及其在控制中的应用[J].信息与控制,1997,26(4):272-284.

[4]马宁.自适应神经模糊-PID控制在电厂过热汽温控制中的应用[J].自动化技术与应用.2008,27(4):31-33.

模糊神经控制篇2

电火花加工放电状态的检测及神经模糊控制

设计了电火花加工放电状态的`检测方案,确定了模糊控制的输入输出参数,给出了一种实用的神经模糊控制算法.实验结果表明,加工效率有明显提高.

作者：罗元丰赵万生狄士春 Luo Yuanfeng Zhao Wansheng Di Shichun 作者单位：哈尔滨工业大学机电学院,哈尔滨,150001刊名：高技术通讯 ISTIC EI PKU英文刊名：HIGH TECHNOLOGY LETTERS年，卷(期)：10(11)分类号：V2关键词：电火花加工神经模糊控制放电状态检测

模糊神经控制篇3

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

基于模糊神经网络的滑模控制算法篇4

关键词：模糊神经网络,积分滑模控制,变控制增益,永磁同步电机

滑模变结构控制是一种非连续控制。由于滑动模态可以进行设计且与对象参数及扰动无关,使其具有很好的鲁棒性,但是传统的控制策略要求事先知道参数变动等不确定因素的边界值。同时,高频率的切换也产生了严重的抖振现象。近几年,随着智能控制算法的逐步发展,将滑模控制算法与智能控制算法结合,利用智能控制的自学习、自适应、自组织、进化等功能来调节滑模控制并控制其输出,已成为滑模控制一个重要研究方向。文献[1,2]提出了一种自适应模糊滑模的设计方案,用自适应模糊控制逼近滑模控制中的等效控制,解决由于不确定性及干扰的存在而不能准确确定等效控制的问题。文献[3]提出了一种基于模糊逻辑的边界层方法消除抖振,通过模糊逻辑,实现了边界层厚度的自适应调整。

本文将滑模变结构控制与模糊神经网络控制相结合,设计了模糊神经网络滑模变结构控制器。利用模糊神经网络来逼近系统的等效控制,解决由于结构参数变化对等效控制的影响。同时为了抑制因滑模的切换产生的系统抖振,采用了积分型变切换增益[4]的方法,使切换增益在逼近切换面的过程中逐渐减小。本文以永磁电机交流伺服系统为例,介绍了该滑模控制器的设计方法。

1 模糊神经网络滑模控制器的设计

考虑如下的非线性系统:

式(1)中f(θ,t)和g(θ,t)为未知的非线性函数,g(θ,t)>0,d(t)为外加干扰。

跟踪误差为

式(2)中,θ*(t)为参考输出,θ(t)为实际输出。

本文滑模控制的切换面选择文献[5]中选用的切换面:

式(3)中c1,c2是常数。

选择滑模变结构控制器为:

其中,ueq为等效控制,us为切换控制。

当系统运动到滑动平面时,即

将(1)式代入(4)式,得滑模控制的等效控制为:

式(5)是在f(θ,t),g(θ,t),d(t)都已知的前提下得出的理想等效控制律,但在实际控制中,由于f(θ,t),g(θ,t),d(t)是无法直接测得的,使得等效控制无法直接由(5)式获得,本文利用模糊神经网络输出来逼近等效控制ueq。

1.1 等效控制器设计

系统采用四层双输入单输出的模糊神经网络控制器,以位置误差和的前一次输出作为控制器的输入,以为控制器的输出。

设模糊系统有一组规则组成,采用单点模糊化,乘积推理和中心平均加权解模糊得到模糊系统的输出。

第一层,输入层:

第二层,模糊化层:采用高斯隶属函数;

其中aki,bki分别是第k个输入变量的第j个模糊集合的高斯型隶属函数的均值和标准差,均为可调参数。

第三层,模糊条件层:采用乘积推理

第四层,解模糊化层:

采用误差反传算法修正ωij,aki,bki。

定义误差函数为:

为了克服标准BP算法的缺点,本文采用添加动量项法和变步长方法。

网络连接权学习规则:

其中,αj(k)为变学习步长,第三项为动量项。

由于ueq无法直接求取,而趋于0与滑模s(t)趋于0的控制效果相同,因此选用滑模面s(t)来代替[6]。

1.2 切换控制器设计

滑模变结构控制虽然具有快速响应、对不确定性扰动不敏感等优点,但是它本身的切换控制不可避免的产生抖振问题。不仅影响系统的稳定性和跟踪精度,同时增加能量消耗。为了减弱抖振的影响,本文采用积分型切换增益,即引入s(t)的积分项,当s(t)趋近于0时,s(t)的积分也趋近于0,从而使切换增益在靠近滑模面时逐渐减少,从而消除抖振。

文献[7]中选用的积分型切换项为:

当不在滑动模态时,s(t)的值较大,所以s(t)的积分也较大,造成切换项的增益较大,因此文献[8]在(6)式的基础上做了如下修改,即在积分项中加入负的权值K2。

修改后在ρ的表达式中,当ρ>0时,K2ρ<0,当ρ<0时,K2ρ>0,有效避免了当系统不在滑动模态阶段时切换项增益的过大。两者的比较如图1,图2所示。

3 仿真研究

这里以永磁同步电机位置伺服为例,其动态方程为[8]:

其中x1和x2分别为电机的转角和角速度,u为控制输入,电机极对数pn=4,永磁体基波励磁磁场链过定子绕组的磁链ψf=0.8,粘滞系数B=0.002,转动惯量J=0.008 kg·m3负载转矩TL=1 N·m。假设位置指令信号为外加干扰d(t)=200sin(2πt)。取滑模控制面的c1=150,c2=200,系统初始状态为[0,0],k1=30,k2=-25。

为了方便比较,在同样的条件下,对常规滑模变结构控制进行仿真。

图3是在相同的外加干扰和负载转矩条件下,基于常规等效控制的滑模控制和基于模糊神经网络等效控制的滑模控制的正旋跟踪信号的比较曲线,图4为两者的位置跟踪误差比较曲线。从图3、图4中可知,本文提出的控制策略能更好地消除外界干扰,有效地跟踪控制信号,同时有效地削弱了系统抖振。

4 结论

本文设计了一种基于模糊神经网络的积分滑模控制器,将滑模控制与智能控制结合在一起,利用模糊神经网络的不依赖于对象的数学模型的优点,消除了等效控制器对数学模型的依赖;同时,采用变切换增益,减弱了系统抖振。以永磁电机交流伺服系统为控制对象的仿真结果表明,该控制器较好地消除了外界干扰,抑制了抖振,具有较强的鲁棒性。

参考文献

[1]刘云峰,缪栋.导弹电液伺服机构的自适应模糊滑模跟踪控制.电光与控制,2007;14(1):76-80

[2] Guan P,Liu X J,Liu J Z.Adaptive fuzzy sliding mode control for flexible satellite.Engineering Applications of ArtificialIntelligence, 2005;18(5):451-459

[3] Senol I,Demirtas M,Rustemov S,et al.Position control of induction motoa new-bounded fuzzysliding mode controller.Electrical and Electronic Engineering,2005;10(4):145-157

[4] Wong L J,Leung F H F,Tamp K S.A chattering elimination algorithm for sliding mode control of uncertain non-linear systems.Mechatronics, 1998;8(7):765-775

[5]郁明,丛爽,徐娟.基于GA的非线性电机自适应模糊滑模控制器设计.系统仿真学报,2008;20(12):3141-3145

[6]张远深,张文涛,徐正华.模糊神经滑模控制在气动位置伺服系统中的应用.机床与液压,2008;36(5):58-64

[7] Tahara J I,Tsuboi K,Sawano T.An adaptive VSS control method with integral type.Switching Gan.Proceeding of the IASTED Internatonal Conference Robotics and Applition,Florida,USA,2001:106-111

基于模糊神经网络的目标识别篇5

基于模糊神经网络的目标识别

结合模糊推理和神经网络两种方法的优点,从网络的结构、工作过程、学习算法等方面,探讨了一种基于模糊神经网络(FNN)的目标识别方法.通过仿真结果证明,此方法确实可行.

作者：孙宝琛时银水朱岩 SUN Bao-chen SHI Yin-shui ZHU Yan 作者单位：防空兵指挥学院,河南,郑州,450052刊名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：12(3)分类号：V24关键词：模糊推理神经网络 BP学习算法目标识别

模糊神经控制篇6

【摘要】在分析了水泥生产过程中回转窑的运行原理和影响其工作性能因素的基础上，应用RBF算法和模糊控制进行建模，以窑头负压、温度，窑尾負压、温度为输入，对窑电流进行预测，经过试验数据与现场实际数据比较，模糊RBF神经网络在窑电流预测方面有很大的参考意义。

【关键词】窑电流；RBF神经网络；模糊控制；预测控制

引言

水泥回转窑是新型干法水泥生产线的核心设备，生料煅烧理化反应是水泥生产过程在回转窑中最关键的部分，回转窑的负载电流能很大程度反映窑内热工状况。研究窑电流的建模和预测方法，对提高水泥回转窑的控制水平具有重要的理论和实际意义。

时变性、非线性、滞后性是回转窑的重要特征，窑电流是回转窑的主要参数之一，其波动情况受很多因素共同影响，普通的数学模型很难比较精确的预测窑电流的变化趋势。

根据上述问题本文采用模糊控制与神经网络算法相结合的方法对窑电流的发展趋势进行预测。建立RBF神经网络的预测模型，将预测数据与实测数据进行了比较，发现预测数据与实测数据误差很小，对水泥厂实际生产具有很高价值的指导意义。

1、RBF神经网络

1.1RBF网络常用学习算法

基函数中心的选取对RBF网络性能的影响并是至关重要的，RBF网络中心选取不当构造不出性能优越的网络。例如，有些网络数值上产生病变是由于选取的网络中心太靠近造成近似线性相关。通常使用的RBF有：高斯函数、多二次函数、逆多二次函数、薄板样条函数等。高斯函数的应用在普通RBF网络中是比较常见的。高斯基函数表达形式简单对于多输入变量复杂性不会有太多增加，所以常作为基函数，并且径向对称；光滑性好，任意阶导数均存在。基函数结构简单解析性好的基函数是进行理论分析的基础。

随机选取中心、自组织选取中心、有监督选取中心、正交最小二乘等方法是按RBF的中心选取方法的来区分的。采用监督学习算法对数的中心、扩展常数和输出层权值进行训练，在训练过程中不断修整参数。本文介绍一种梯度下降算法。

参数公式是目标函数在训练过程中通过样本误差不断修整，所有样本输入一轮后对应各参数调整一次。瞬时值可以作为目标函数的表达形式，即当前输入样本引起的误差：E=0.5e*e。单样本训练模式的目的是使上式中目标函数参数误差最小化。

2、模糊控制器

模糊控制器如图2所示主要由：模糊化、模糊控制规则、模糊决策和解模糊，四部分组成。

结合现场实际工况，将系统偏差E和偏差变化率EC作为模糊控制器的输入，△S作为输出。设定输入变量偏差E和偏差变化率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，Z，PS，PM，PB}。窑电流偏差E和偏差变化率EC的论域定为[-100，100]，ΔS为模糊控制器输出值S的调整值。ΔS的论域为：ΔS=[-0.5，0.5]，其模糊集为：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分别为负大、负中、负小、零、正小、正中，正大。隶属度函数NB、PB选为高斯函数，其余选取等腰三角形函数作为隶属度函数。E，EC作为两个输入值决定模糊控制器调整值ΔS的输出。模糊控制器输出值S与调整值ΔS根据如下公式进行调整

3、RBF神经模糊网络控制系统的结构

具有学习算法的模糊RBF神经网络被称作RBF神经模糊网络系统，“if-then”是模糊规则的表达形式，模糊规则在模糊RBF神经系统中占有控制决策的支配地位；神经模糊系统的参数的调整则通过学习算法对数据信息的更新来完成。通过学习能自动产生模糊规则是RBF模糊神经系统的优势所在。模糊RBF神经网络控制系统的结构图如图3所示。R为输入信号，E、Ec分别为窑头温度、压力和窑尾温度、压力与设定值的误差及误差变化率，E和Ec量化后的模糊量送入RBF神经网络构成神经模糊网络控制器的输入；Ke、Kc为量化因子。

4、控制算法的应用

在生产现场，采用了本文所述控制算法的软件与水泥生产线的DCS系统相连接，并应用该软件对回转窑各参数进行了200分钟的在线控制，根据现场情况和烧成系统的工艺要求，将窑电流的目标设定值为1150A。应用本文所提出的预测控制方式下，对后30分钟窑电流的变化值进行了预测，如图4所示。

试验表明在经过6次迭代后窑电流网络训练趋于稳定，在经过第69次迭代时网络的预测性能达到最佳。经过与实测数据的对比，仿真的数据是合理的，最后的均方差误差小，测试集误差和验证集误差特征类似，没有明显的因过拟合想象发生的迭代。结合图4和图5所示，表明RBF模糊神经网络对窑电流的预测有较高可靠性。

5、结束语

本文应用模糊RBF神经网络对回转窑系统建立控制模型，当现场工况出现波动时，控制系统把偏差量送入模糊RBF神经预测系统中，根据实测数据进行分析处理，从而较为准确预测出窑电流的变化趋势，对烧成系统的预判断有很大的参考价值，便于提前对回转窑系统进行调整。

参考文献

[1]庞清乐.基于粗糙集理论的神经网络预测算法及其在短期负荷预测中的应用[J].电网技术，2010，12.

[2]张亮，王瑞民，周友运.一种基于模糊神经网络融合的故障诊断模型研究[J].弹箭与制导学报，2005，25（3）.

[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.

[4]李永亮，袁铸钢，于宏亮.ART-2在回转窑电机电流模式识别中的应用[J].济南大学学报（自然科学版），2008，22（2）：149-152.

[5]李萍，乌日图，杨举宪.水泥回转窑系统模糊控制研究[J].内蒙古科技与经济，2004（9）：81-82.

[6]胡宝清.模糊理论基础[M]2版，武汉大学出版社，2010.330-446.

作者简介

第一作者简介：刘伟涛，男，汉族，河北保定人，硕士，单位，河北科技大学信息工程学院，研究方向：计算机测控；

模糊神经控制篇7

模糊控制是以模糊集合论、模糊语言变量及模糊推理为基础的非线性控制。模糊控制与经典控制的根本区别在于它并不需要建立被控对象的精确数学模型, 把人的知识和经验变成计算机可以接受的控制模型, 从而由计算机代替人来进行控制。

模糊控制器控制规则一般采用“if…then…”结构型的模糊控制以实现专家控制。在房间空调控制器的模糊控制中, 根据制冷系统的运行特性提出多条控制规则, 模糊推理采用Mamdani的重心法进行, 决定其压缩机频率。

设计的模糊控制系统如图1所示, 其中虚线框中部分为空调模糊控制系统的核心部分, 由计算机软件实现。模糊控制器中模糊规则的设计具有举足轻重的作用, 也是智能变频空调控制系统设计的重要部分。

为了克服模糊控制规则获得困难及模糊控制参数难以确定的问题, 采用神经网络优化模糊控制, 即模糊神经网结构的控制方法以提高控制效果。

2 模糊神经网络控制器的设计

2.1 控制系统结构

基于模糊神经网络的智能变频空调控制系统的结构图如图2所示。由于变频空调在控制过程中受环境温度影响具有滞后、非线性特性, 被控对象实时变化, 被控对象过程需辨识, 这里由神经网络辨识。因此, 系统由两类神经网络组成:一类是模糊神经网络控制器 (FNNC) , 其用于控制变频压缩机的, 属控制系统中前向通道;另一类是RBF网络预测器 (NNP) , 其用于压缩机输出预测, 预测器通过对网络的学习, 预测压缩机的未来工作频率, 使控制器预先感知系统输出状态的变化趋势, 从而作出相应的调整。

2.2 模糊神经网络控制模型的设计

设计的FNNC控制器采用神经网络模拟模糊推理过程获得推理知识, 其结构图如图3, 其结构分4层, 误差e和误差变化率ec作为第一层的输入, 这里用x1和x2表示。整个网络的输入输出映射关系如下:

(1) 第一层有两个节点, 输入和输出关系为:

(2) 第二层节点的输入和输出关系为:

(3) 第三层节点输入和输出为:

(4) 第四层节点输入和输出关系为:

式中mij, σij分别表示高斯隶属函数的中心和宽度值参数, ω1i, ω4k表示网络的连接权值。

2.3 模糊神经网络的学习算法

FNNC需要学习的参数, 主要是第一层和最后一层的连接权ω1i和ω4k, 以及隶属函数的中心值和宽度mij, σijFNNC学习算法采用误差反传的方法调整参数, 以使被控对象的输出逼近期望输出。定义误差函数为:

其中n为学习样本数, yri为给定温度, yi为房间温度。采用误差反传方法改变网络的连接权和隶属函数参数, 以实现网络自学习、自适应控制过程。

3 仿真控制分析

采用C语言编程设计FNNC控制器运算, 其输出控制量传给仿真系统。仿真时为了说明问题, 将FNNC控制与传统PID、模糊控制进行了对比, 并从几个环节仿真控制效果。

3.1 室内、外温度较高时开启空调

假设被控房间的温度初始值和室外温度初始值不同, 控制温度设定值为25℃, 选室外温度为40℃, 房间热惯性时间常数Ty=450, 空气导热延迟τ=35, 假设在无干扰状态下进行仿真, 假设仿真时间为5000秒, 系统的仿真曲线如图4所示。

从图4可以看出:控制过程中模糊神经网络控制下降速度比PID控制快, 并且FNNC控制超调最小, 稳定误差小, 调节速度快, 动态性能优于PID控制, 说明训练效果较好。

3.2 有扰动情况的分析

被调房间存在诸多干扰因素, 如门、窗打开, 设备起停, 室外温度变化等, 假设控制过程中房门突然打开, 500秒后关上, 仿真如图5所示。

由图可见PID控制对扰动很敏感, 控制系统需要经历较长时间趋于稳定;而模糊神经控制器只有微小的抖动, 鲁棒性强。

4 结束语

本文在分析变频空调特性基础上构建了变频空调的模糊控制策略, 将神经网络和模糊控制技术相结合, 设计了模糊神经网络控制器, 并构造设计了具有多层的模糊神经网络控制器FNNC和RBF网络预测器NNP。该智能控制系统以温度偏差、温度偏差变化率作为输入变量, 变频压缩机工作频率变化作为输出控制量, 通过神经网络调整隶属函数和改变模糊控制规则。仿真实验说明设计的控制系统具有较好的控制效果, 为变频控制提供了较好的控制方法。

参考文献

[1]邵双全, 石文星, 等.变频空调器节能特性分析[J].中国建设信息供热制冷, 2004 (10) .

[2]王丰浩.变频空调器控制系统的技术现状与发展趋势[J].制冷学报, 2000 (2) .

[3]魏文学.日本的暖通空调及制冷工业[J].家用电器科技, 2004 (3) .

[4]周鲜成.模糊控制技术在变频空调器中的应用[J].电子技术应用, 2001 (2) .

[5]高俊岭, 李咏梅.IPM高智能功率模块在变频器中的应用[J].煤矿机械, 2004 (11) .

[6]QU SUN, RENHOU LI, PING'AN ZHANG.Stable and optimal adaptive fuzzy control of complex systems using fuzzy dynamic model[J].Fuzzy Sets and Systems, 2003 (2) .

模糊神经控制篇8

关键词：高压直流输电系统,解耦控制,神经元PID

0 引言

随着智能电网技术的发展, 新一代高压直流输电技术已经得到了较多的研究和应用[1,2]。其中采用电压源换流器的高压直流输电系统 (VSC-HVDC) [3], 控制灵活、响应快速, 已成为研究的一个热点。然而VSC-HVDC的运行比较复杂, 还存在强耦合、时变等非线性特征, 其运行控制也是一个难点[4,5]。传统PI/PID控制、逆系统方法、非线性控制等多种方法得到了研究[6,7], 然而都难以实现VSC-HVDC较好的控制。模糊神经元控制方法是解决非线性解耦系统的一个有效方法[8]。本文研究用于VSC-HVDC的模糊神经元解耦控制器, 仿真实验验证了其优良的动态控制效果。

1 系统描述

文章所研究的对象模型如图1所示, 是一个交流与直流相混合的复杂非线性系统, 其中的电力电子元器件类型多, 物理变量也较多, 下标1和2分别对应VSC1和VSC2的物理量, Us和Uc是两侧VSC母线电压的有效值;R, L为VSC母线的等效电阻和电感;Ud1和Ud2为直流输电线路两端的电压;R3, L3为直流输电线路的等效电阻和电感。直流输电线路上的电流特性为:

设VSC1和VSC2的PWM调制信号分别为m1和m2, 控制信号为Um1和Um2, 则可以得到VSC-HVDC的运行控制方程为:

由此可知, VSC-HVDC是一个多输入多输出的复杂时变非线性系统, 存在强耦合性, 传统的PI/PID控制、非线性控制都难以取得较好的效果, 因而本文考虑将模糊控制器 (FLC) 与神经元PID相结合来设计智能解耦控制器。

2 VSC-HVDC系统的智能解耦控制

2.1 控制器结构

模糊控制器 (FLC) 具有不依赖对象模型、鲁棒性强等优点, 神经元PID具有比普通PID更灵活的参数调节能力, 而且学习能力强。本文设计的用于VSC-HVDC系统的智能解耦控制器结构如图2所示。该智能解耦控制器由FLC、神经元PID控制器和解耦补偿器构成。这里Id0, Ud20为VSC-HVDC期望值, Id, Ud2为实际测量值, e1, e2分别为VSC-HVDC期望值的偏差, 而ec1, ec2为所对应的偏差变化率, f1, f2为FLC输出值, V1, V2为神经元PID控制器输出值, Um1和Um2为解耦补偿后直接作用于对象的控制量。下面将分别介绍该智能解耦控制器中每一个部分的设计与实现。

2.2 控制器的设计与实现

下面将分别介绍解耦控制器中每一个环节的设计。图2中FLC1和FLC2均为普通的模糊控制器。FLC设计中, 主要考虑模糊化、模糊规则、去模糊化三个环节。在模糊化过程中, 根据Id0, Ud20的实际运行情况和调控范围, 合理地确定各个输入量的范围作为其论域, 同时, 对输入论域进行离散化, 为每个变量定义合适规模的模糊子集。本文设定模糊变量E、EC、EI、U的论域均为{-3, -2, -1, 0, 1, 2, 3}, 共有7个档, 对应的模糊语言子集为{NB、NM、NS、Z、PS、PM、PB}, 即{“负大”、“负中”、“负小”、“零”、“正小”、“正中”、“正大”}。

这种大小规模的模糊子集比较适中, 规则的数目不是很多, 计算量不大, 而且具有较好的区分度。建立的模糊控制规则表如表1所示。隶属函数采用普通的三角形函数, 计算方便快捷;模糊推理采用一般的Madami规则, 去模糊化采用常见的加权平均法, 这样就实现了FLC的设计。

由于表1所示的模糊规则大多数是基于专家经验设置的, 因而本文采用神经元PID来提高规则的精确性。神经元PID控制器可以通过调节加权系数来提高自适应能力, 而加权系数采用有监督的Hebb规则学习方式, 这也是充分利用神经元的优良学习能力。神经元PID不仅具有普通PID的优点, 而且其自学习、自适应的能力明显改善。

以其中神经元PID控制器为例, 相关学习算法可描述为:

式中, x1 (k) =f1 (k) , x2 (k) =f1 (k) -f1 (k-1) , x3 (k) =f1 (k) -2f1 (k-1) +f1 (k-2) , 分别为比例、积分、微分的学习速率, K1为比例系数, K1>0。对比例、积分、微分分别采用了不同的, 以便分别对相应的权系数进行学习, 这样便保证了参数的适应性。

考虑到式 (2) 所示的VSC-HVDC系统是一个复杂的非线性耦合对象, 这里设计了一个解耦补偿器, 通过对不同信号的解耦权系数来评估耦合关联程度, 从而以解耦权系数的补偿来消除VSC-HVDC对象的耦合性。即:

式中, bij为解耦权系数。由式 (8) 可知, 只要设置合理的解耦权系数就可以反映对象的耦合程度, 也可以较好地实现解耦控制。然而不同的耦合系统, 其解耦权系数显然是不同的, 因而本文可以采取类似于BP算法的方式来根据样本数据优化解耦权系数, 从而达到精确解耦控制的目标。此时, FLC、神经元PID和解耦补偿器的相互补充就实现了VSC-HVDC系统的智能解耦控制。

3 仿真实验

这里以图1所示的系统模型进行仿真研究, 来验证本文所提出的智能解耦控制的VSC-HVDC系统的有效性能。本文考虑的一个动态调节过程为:在t=10s时, 对象期望值发生一个阶跃响应,

其后在t=10s时又发生一次阶跃响应恢复到原值。在两次阶跃响应的动态过程中, VSC-HVDC系统的电压和电流响应曲线如图3所示, 图3中描述了模糊神经元解耦控制 (FNN) 和常规PID控制器的效果。从图3中可知, 在控制器的作用下, 电压和电流逐渐响应到期望值, 而本文设计的控制器的误差更小, 超调量也较小, 调节时间更短, 从而验证了本文方法的有效性。

4 结论

针对VSC-HVDC系统, 本文研究了一种智能解耦控制器。仿真研究表明:所设计的控制器有效改善了VSC-HVDC系统的动态性能。该控制器也可应用于其他非线性对象的解耦控制。

参考文献

[1]Huang Z, Ooi BT, Dessaint L A, Galiana F D.Exploiting voltage support of voltage-source HVDC[J].IEE Proceedings-Generation, Transmission and Distribution, 2003, 150 (2) :252-256.

[2]刘文泽, 王增煜, 陈韦宇, 沈建雄.两端均为有源网络的VSC-HVDC系统仿真研究[J].电力科学与工程, 2012, 28 (1) :6-12.

[3]郑连清, 池俊锋, 陆治国.基于三级模糊自适应PI控制的VSC-HVDC控制器设计[J].电力系统保护与控制, 2011, 39 (23) :117-122.

[4]赵成勇, 孙营, 李广凯.双馈入直流输电系统中VSC-HVDC的控制策略[J].中国电机工程学报, 2008, 28 (7) :97-103.

[5]Du C, Agneholm E, Olsson G..Comparison of Different Frequency Controllers for a VSC-HVDC Supplied System[J], IEEE Transactions on Power Delivery, 2008, 23 (4) :2224–2232.

[6]彭建春, 金灵满, 曾超.VSC-HVDC输电系统的非线性控制器设计[J], 湖南大学学报, 2008, 35 (8) :38-42.

[7]Cuiqing Du, Bollen M H J, Agneholm E, Sannino A.A New Control Strategy of a VSC–HVDC System for High-Quality Supply of Industrial Plants[J], IEEE Transactions on Power Delivery, 2007, 22 (4) :2386-2394.

模糊神经控制篇9

自动舵[1]的产生要追溯到上世纪20年代, 第一代自动舵, 能进行简单的比例控制作用, 为了避免振荡行为需要选择低的控制增益, 只能用于低精度的航向保持控制。到了50年代, 比例- 积分- 微分 (PID) 控制方法被用于自动舵控制, 产生了第二代自动舵即 (PID) 自动舵, 它具有结构简单、参数易于调整和具有固有鲁棒性等特点, 能提高船舶的航向控制精度。70年代末期, 自适应控制理论在船舶操纵方面的成功应用, 使得自动舵的更替成为现实。从而诞生了第三代自动舵即自适应自动舵。由于它采取微机技术, 其控制性能、精度有了明显提高。

70年代以来, 自适应理论成功用于船舶操纵, 其系统设计方案主要有三大类:简单自适应控制、自校正自适应控制和模型参考自适应控制。此阶段的自适应舵虽然在提高船舶控制精度、减少能源消耗方面取得了一定的成绩, 但其控制方案都是建立在受控对象为线性系统、阶数与时延己知的假设基础上的。要从根本上解决这些不足之处, 必须在传统的自适应控制中引入新的控制技术。目前有多种复合型控制方案提出, 其中应用较多的是将人工智能技术与自适应控制结合起来而形成的智能自适应控制。

2基于自适应神经模糊系统的船舶航向控制

2.1 船舶运动控制过程描述[2]

如图1所示, ABC 为计划航线, AB′为航迹向, 由于风、流的影响, 航迹向不是船首向。航向舵不能控制船舶到达 B, 外界的干扰, 实际到达了图1中的y 为船舶重心偏离计划航线的距离;N为真北方向;V、B′、V′为船舶重心;f、f′为外界干扰。AB//VD, VH//fB′, V′H′//f′C 。

ψd为驾驶员设定航向;ψr 为电罗经测量值;ψ为航向偏差, 自动舵的作用是消除ψ或y。驾驶员一般每间隔 1h修正航向为ψ′d。由于y或ψ≠0, 船舶大惯性的影响, 船首向左右摆动, 船舶实际航迹近似三角函数曲线, 实际航线为S型。综合船首向与风、流作用方向, 使船舶的实际运动航迹逼近计划航线, 这样保证航迹向与航线方向基本一致。

2.2 自适应神经模糊系统 (ANFIS) [3]

2.2.1 模糊控制器的组成

由图2知:模糊控制控制系统的核心部分为模糊控制器, 上图中被虚线框起的部分所示。

模糊控制器主要由模糊化、知识库、模糊推理、清晰化四部分组成:

①模糊化。

这部分的作用是将输入的精确量转化成模糊量。其中输入量包括外界的参考输入、系统的输入等。

②知识库。

包括了具体应用领域中的知识和要求的控制目标, 通常由模糊控制库组成, 主要包括各种语言变量的隶属度函数、模糊因子、量化因子。

③模糊推理。

它是模糊控制器的核心, 具有模拟人的基于模糊概念的推理能力。该推理过程是基于模糊逻辑中的蕴涵关系及推理规则来进行的。

④清晰化。

清晰化的作用是将模糊推理得到的控制量变换为实际用于控制的清晰量。

2.2.2 自适应神经模糊推理系统的结构

由Jyh-Shing R.Jang提出的自适应神经模糊推理系统, 是一种基于Takagi--Sugeno模型的模糊推理系统。模糊推理系统的结构如图3所示。对应的规则形式为:

规则1:If x is A1 and y is B1, Then f1+p1x+q1y+r1

规则2:If x is A2 and y is B2, Then f2+p2x+q2y+r2

通过计算, 给定前提参数后, ANFIS的输出可以表示成参数的线性组合:

undefined

从以上网络的输入输出之间的关系可以看出, 图3所示的网络与式所表示的模糊推理系统完全等价。模糊推理系统的参数学习可归为对前提参数非线性参数与结论参数线性参数的调整。

2.3 ANFIS船舶自动舵

从船舶航迹、航向、舵角和航速等的变化特性及其历史数据反映的变化趋势上, 预测到未来的船舶运动控制作用的强度和方向。

ANFIS自动舵控制系统如图4所示, 图4- (b) 由抗滞后ANFIS控制器, 卡尔曼滤波器, 过程动态特性特征值提取器和渐进辨识环节组成。

图4- (c) 采用三层串级回路结构:内环为舵角控制, 中环为航向控制, 外环为航迹控制。

船舶自动舵ANFIS控制系统具有航向/航迹自动控制能力, 根据电罗经/GPS 信号自动控制舵角操作, 稳定船舶航向, 保持最小航迹偏差, 使船舶航迹呈现尽可能的直线运动, 减少S形航行动作, 通过缩短实际航程和时间达到节能目的。在船舶实际运动中, 其载重量、动力性能、航速等船舶因素, 风、浪、流等海况因素造成的航向扰动, 都会在电罗经/GPS 提供的实际航向数据中有所反映。

尽管这些扰动无法独立且定量化的测量, 难以建立准确实用的数学模型, 但本质上是在不断改变着船舶运动过程的增益、惯性、滞后、非线性等动态特性。ANFIS的自适应能力应对动态特性的变化, 确定适当的修正舵角, 减少舵角调节过程中超调引起的振荡, 改善纠正偏航操作效率, 提高自动舵的控制运行品质。

渐进辨识利用船舶过程模型的渐进方差算法获得增益、惯性、滞后, 模型结构确定以及参数估计模型结构采用ARX模型, 并根据最小二乘准则进行模型参数估计。高阶模型的降阶和阶次的选取这里采用频率加权模型降阶方法, 并运用渐进准则确定模型的阶次。模型的有效性检查根据模型的边界误差, 确定建模质量的好坏。

特征值提取器采集过程动态特性的参数有延迟时间、上升时间、过渡过程时间、峰值、峰值时间、最大超调量, 过程变量的峰值误差和过零事件产生的速率都与控制过程的动态特性直接相关。

卡尔曼噪声滤波器的作用是有效地滤去在K 时刻所包含的由风、浪等因素引起的噪声成分, 用于估算船舶在该时刻船在某一舵角下的船首向、旋回角速率及船舶运动特性参数。通过渐进辨识、特征值提取和卡尔曼滤波, 建立船舶的预报模型。

3结束语

针对船舶航向非线性不确定系统, 利用自适应神经模糊的控制算法 (ANFIS ) , 将模糊逻辑和神经网络适当地结合起来, 既可以表达模糊语言变量, 又具有学习功能。在对ANFIS的原理和算法介绍基础之上, 讨论了ANFIS控制器的实现方法, 并将ANFIS控制器应用到船舶航向非线性系统中, 最大限度地减小船舶重心偏离计划航线的距离y (见图1) , 实施更合理的船舶航行控制。航迹控制功能在航向控制基础上进一步加强了自动舵控制能力:对各种海况的适应能力更强;减少人工操作的不确定性, 自动控制水平提高, 人工操作量减小;有利于进一步减小“S”字形摆动幅度, 缩短实际航行距离, 节能降耗。

摘要：介绍了自动舵的设计历史和发展方向, 讨论了ANFIS控制器的实现方法, 将ANFIS控制器应用到船舶航向非线性系统中, ANFIS自动舵的功能在于将实际航迹与计划航线之间的误差最小化, 实施更合理的船舶航行控制。

关键词：自适应自动舵,自适应神经模糊系统,航向控制

参考文献

[1]程启明, 万德钧.船舶操纵的控制技术发展综述[J].东南大学学报, 2005, 06.

[2]张桂臣, 任光.不依靠模型自适应控制的船舶自动舵[J].船舶工程, 2008, (1) .

模糊神经控制篇10

目前模糊神经网络控制在控制领域里已经成为一个研究的热点,其原因在于神经网络和模糊系统两者之间的互补关系。尽管模糊推理系统的设计(隶属度函数和模糊规则的建立)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,则很难期望它能获得满意的控制效果。而神经网络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型特征的分析与建模上,产生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(模糊规则库的建立)是非常有效的工具。自适应模糊神经系统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大量的已知数据的学习得到的,而不是基于经验和直觉任意给定的,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。

1 自适应模糊神经网络控制系统的结构

自适应模糊神经网络系统是指具有学习算法的模糊神经网络系统,这里的模糊神经网络系统是由服从模糊逻辑规则的一系列“如果—则”规则所构造的;而学习算法则依靠数据信息来对模糊神经系统的参数进行调整。

模糊神经网络控制系统的结构如图1所示。其中NFNC为模糊神经网络控制器;R为输入信号;E、Ec分别为误差及误差变化量化后的模糊量;Ke、Kc、Ku为量化因子;u为控制信号;Y为输出信号。

2 模糊推理系统生成方式

在MATLAB模糊逻辑工具箱中,提供了有关对自适应模糊神经推理系统进行初始化和建模的函数genfis1()和anfis()。

函数genfis1()可为训练自适应模糊神经推理系统(Adaptive Neuro-Fuzzy Inference System,简称ANFIS)产生Takagi-Sugeno型模糊推理系统(Fuzzy Inference System,简称FIS)结构的初值(隶属度函数参数的初值),它采用网格分割的方式,根据给定数据集生成一个模糊推理系统,一般与函数anfis()配合使用。由genfis1()生成的模糊推理系统的输入和隶属度函数的类型、数目可以在使用时指定,也可以采用默认值。该函数的调用格式为:

其中:data为给定的输入/输出数据集合,除了一列为输出数据外,其余列均表示输入数据;numMFs为一向量,其各个分量用于指定每个输入语言变量的隶属度函数的数量,如果每个输入的隶属度函数的数量相同,则只需输入标量值;inMFType为一字符串阵列,其每一列指定一个输入变量的隶属度类型,如果类型相同,则该参数将变成一个一维的字符串;outMFType为指定输出隶属度类型的字符串,由于只能采用Takagi-Sugeno型系统,因此系统只能有一个输出,其类型仅取linear或constant;fisMat为生成的模糊推理系统矩阵。当仅使用一个输入参数而不指定隶属度函数的个数和类型时,将使用默认值,即输入隶属度函数个数为2,输入隶属度函数类型为钟形(gbellmf)曲线,输出隶属度函数为线行(linear)曲线。我们可以利用函数genfis1()产生一个两输入单输出的模糊推理系统。其中要求输入隶属度函数分别为π形(pimf)和三角形(trimf)[BFQ],分割数分别为5和7,其MATLAB程序如下:

根据以上MATLAB程序,可以得到由函数genfis1()生成的ANFIS系统训练前的初始隶属度函数曲线,如图2所示。

由图2可以看出,根据函数genfis1()生成的模糊推理系统的输入/输出隶属度函数的曲线,在确保覆盖整个输入/输出空间的基础上对其进行了均匀分割。

3 自适应模糊神经系统的建模

在MATLAB模糊逻辑工具箱中,提供了对基于Takagi-Sugeno型模型的自适应模糊神经推理系统ANFIS的建模方法,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/输出数据对的建模。该系统为模糊建模的过程提供了一种能够从数据集中提取相应信息(模糊规则)的学习方法,这种学习方法与神经网络的学习方法非常相似,通过学习能够有效地计算出隶属度函数的最佳参数,使得设计出来的Takagi-Sugeno型模糊推理系统能够最好地模拟出希望的或是实际的输入/输出关系。相应的函数为anfis(),该函数的输出为一个三维或五维向量,当未指定检验数据时,输出向量为三维。anfis()支持采用输出加权平均的一阶或零阶Takagi-Sugeno型模糊推理。该函数的调用格式为:

(1)trnData为训练学习的输入/输出数据矩阵,该矩阵的每一行对应一组输入/输出数据,其中最后一列为输出数据(该函数仅支持单输出的Takagi-Sugeno型模糊系统)。

(2)initFis为指定的初始模糊推理参数(包括隶属度函数的类型和参数)的矩阵,该矩阵可以使用命令fuzzy通过模糊推理系统编辑器生成,也可使用函数genfisl()由训练数据直接生成,如果没有指明,则函数anfis()会自动调用genfisl()来按照输入/输出数据生成一个默认的初始FIS推理系统参数。使用函数genfisl()的作用是先根据一定的专家经验给出一个初始模糊系统的合适结构,在使用函数anfis()的训练过程中,已经给定的初始模糊系统的结构(隶属度函数的个数、模糊规则数目)不会改变,只是对相应的结构参数进行调整和优化。

(3)trnOpt为指定训练的有关选项,参数trnOpt为一个五维向量,其各个分量的定义如下:trnOpt(1)为训练的次数,默认值为10;trnOpt(2)为期望误差,默认值是0;trnOpt(3)为初始步长,默认值是0.01;trnOpt(4)为步长递减速率,默认值是0.9;trnOpt(5)为步长递增速率,默认值为1.1。如果trnOpt的任一个分量为NaN(非数值,IEEE的标准缩写)或被省略,则训练采用默认参数。学习训练的过程在参数得到指定值或训练误差得到期望误差时停止。训练过程中的步长调整采用以下的策略:当误差连续4次减小时,则增加步长;当误差变化连续2次出现震荡,即一次增加和一次减少交替发生时,则减小步长。trnOpt的第4个和第5个参数分别按照上述策略控制训练步长的调整。

(4) disOpt用于控制训练过程中MATLAB命令窗口的显示内容,参数disOpt为一个四维向量,各分量的定义如下:disOpt(1)显示ANFIS的信息,如输入/输出隶属度函数的次数,默认值为1;disOpt(2)显示测量误差,默认值为1;disOpt(3)显示训练步长,默认值为1;disOpt(4)显示最终结果,默认值为1。当disOpt的一个分量为0时不显示相应内容,如果为1或NaN或省略则显示相应内容。

(5)chkData参数为一个与训练数据矩阵有相同列数的矩阵,用于提供检验数据,当提供检验数据时,anfis()返回对检验数据具有最小均方根误差的模糊推理系统chkFis。

(6)optMethod为隶属度函数参数训练中的可选最优化方法,其中1表示混合方法(BP算法和最小二乘法的组合),0表示BP方法,默认值为1。

(7)Fis为返回参数,是学习完成后得到的对应训练数据具有最小均方根误差的模糊推理系统矩阵。

(8)error为训练数据对应的最小均方根误差向量。

(9)stepsize为训练步长向量,当指定检验数据后,输出向量为五维参数向量。

(10)chkFis为对检验数据具有最小均方根误差的模糊推理系统。

(11)chkEr为检验数据对应的最小均方根误差。

利用anfis()函数进行自适应模糊系统建模,除了给定系统期望的输入/输出数据之外,还必须提供一个初始模糊推理系统(包括隶属度函数的类型和参数),否则函数anfis()会自动调用genfisl()来按照输入/输出数据生成一个默认的系统。

我们对非线性函数undefined,建立一个自适应模糊神经推理系统,对其进行逼近。编写MATLAB程序如下:

由此可以得到如图3所示的函数实际输出和模糊推理系统输出曲线。

从图3中可以看出,经过训练的模糊推理系统基本能够模拟原函数。

4 结论