未来智库 > 神经网络论文 > 【基于人工神经网络下的模糊控制理论】
    关键词:BP神经网络 PID模糊控制 自学习
    中图分类号:TP273 文献标识码:A 文章编号:1674-098X(2017)10(c)-0076-03
    人工神经网络的英文全称是Artificial Neural Networks,简称ANN。人脑的复杂程度是任何自动化系统都不能全面真实地描述出来的。ANN只是人脑功能基本特征的网络模型,是人脑的模拟与简化[1]。
    模糊逻辑控制(Fuzzy Logic Control)简称模糊控制(Fuzzy Control),是一种电脑数字控制技术,以模糊集合论、模糊语言变量和模糊逻辑理论为基础。1973年,美国的扎德创立了相关的定理。1974年,Mamdani将其应用到了工业控制中,获得成功,标志着模糊控制论的诞生[2]。
    1 人工神经网络
    1.1 人工神经网络的组成
    人工神经网络是由大量神经元组成,神经元是功能简化的处理单元(电子、光学元件等),一个输出值由多个输入值确定。输出是输入与权值的非线性函数,其非线性特征是由神经元上的作用函数(也称激活函数)决定的。神经元之间通过由一定规则确定的权系数连接。该规则是指改进网络性能过程中所应用的权系数的修改规则[3]。神经网络的信息处理是通过处理单元之间的相互作用实现的,网络的自学习过程即神经元权系数的动态演化过程。
    1.2 人工神经网络理论简介
    人工神经网络的信息处理是经由单个神经元之间的相互作用而完成的,节点与节点之间的相互作用包括刺激或抑制,人工神经网络的一个节点如图1所示。
    其中,x1,x2,…,xn为节点的输入值,它们是神经元所接收到的信号;w1,w2,…,wn为权重;θi为阈值;f为激活函数,一般情况下为非线性函数;y为节点输出值。
    人工神经网络的工作过程具有自学习功能,这个自学习过程即是阈值、权值等参数的调整过程。
    2 模糊控制理论
    2.1 模糊控制理论的简介
    在经典的二值理论中,一个命题非真既假,不会存在亦真亦假的情况。模糊逻辑是对二值理论的一个补充,它所解决的是我们现实生活中大部分情况存在的模糊的概念。例如:某一品牌的汽车,对于其提速的快慢,我们该怎么回答?在经典的二值理论中,答案要么为“快”,要么为“慢”。可实际上,我们人脑中并没有一个确定的值来判定一辆汽车在提速方面的“快”与“慢”。这个“快”与“慢”的临界点就是模糊信息。
    相对于经典的非模糊控制系统。模糊控制能避开对象的数学模型,它力图对人们关于某个控制问题的成功与失败的经验进行加工,总结出知识,从中提炼出控制规则,形成一系列多维的模糊语言变量模型[4]。可以说模糊控制是一种语言变量的控制。
    2.2 模糊控制的基本原理
    常规情况下,我们把模糊控制建立在人的�验和常识上,也就是说操作人员对于被控系统的判断并不是通过精确的数值决定的,而是基于常识和他们一次又一次在调整参数过程中积累到的经验决定的。控制动作有相应的主观性,并且每个人并非一致,这是由人的决策过程中模糊性决定的。
    以流量控制为例,人在手动控制过程中,发现某种介质的流量比工艺要求量低,操作者就会及时地调整阀门的开度,使介质流量增大。介质流量就会越来越趋近于期望值。偏差值会越来越小,但是人脑对这个流量差值的“大”和“小”的概念是模糊的。如果操作工发现流量差值越来越小,并且变化率越来越大,此时就会调低阀门开度。这个过程中,有三个信息作为人脑的输入值,分别是偏差、偏差的大小和偏差变化的速度。而模糊控制的规则就是根据操作工手动控制过程中的经验总结出来的。因此流量模糊控制的输入值自然也可以有三个:流量差值、流量差值的大小和流量偏差变化的速度;而输出值一般选择为阀门开度的变化。
    模糊控制系统基本结构如图2所示。
    3 PID控制理论
    3.1 经典PID控制原理
    经典PID控制是一个在工业控制应用中常见的闭环控制回路,这种控制应用的关键是,如何才能使工艺过程参数的实际值达到期望值。经典的PID控制结构框图如图3所示。
    典型的PID控制是一种线性调节,我们还是以流量控制为例,它的输入值即现场实际流量与期望流量的差值,然后运用比例(P)、积分(I)、微分(D)3种计算方式,以差值为变量值进行线性组合,构成控制量,对被控过程进行控制,故称为PID控制。
    其数学模型可以用以下公式表示:
    其中,u(t)为调节的输出;e(t)为调节的输入;Kp、Ki、Kd为PID调节的三个控制参数,分别定义为比例系数、积分和微分。
    同时经典PID控制系统也有着自身的缺陷,那就是对突发干扰的响应时间长、应变能力差,在发生重大干扰时控制不稳定,这种缺陷在当前工业制造流程上,尤其是自动化程度要求日益提高的情况下是致命的。如何选择正确地控制参数,作为一个至关重要的问题摆在我们眼前。
    3.2 模糊PID控制结构
    模糊控制是通过模拟人脑的模糊思维方法,将现场经验用模糊语言进行描述和总结,生成一种新的控制规则。能有效解决繁琐的现场情况,抗干扰能力出众,适用范围广。
         由于模糊控制主要是根据输入值的特性对输出值进行选择,所以它不需要精确的数据模型;由于它是通过模拟人脑的模糊思维方法总结出来的,更接近人脑的思维方式,更容易被工艺人员理解;由于它可以根据不同的情况选择不同的参数传送给PID控制系统,所以其适应能力、抗干扰能力更强。
    如图4所示,系统的测量值与目标值之间的偏差e与变化斜率ec定义为模糊控制器的输入,而其三个输出值将作为 PID调节器的三个参数:Kp、Ki、Kd。
    3.3 基于BP神经网络的PID模糊控制
    BP神经网络能够逼近任何一种非线性函数,结构与算法简单。基于BP神经网络的PID模糊控制系统能够实现对被控制对象的闭环控制,而且其中的Kp、Ki、Kd三个参数为在线整定式,能够根据前几次的调节回路优化下一次调节回路的各个参数,这就是BP神经网络的自学习功能。
    自学习式数字PID控制算法如下:
    u(k)=u(k-1)-Kp[e(k)-e(k-1)]-Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
    其中,e(k)为实际值与期望值的偏差;u(k)为控制率。
    BP神经网络由输入层、隐含层、输出层组成,输入层的输入值是由前几次调节回路中的Kp、Ki、Kd按一定规则确定的。输出层中的输出值与PID模糊控制中的的Kp、Ki、Kd三个参数相对应。由于Kp、Ki、Kd在目标函数有一定权重含义,所以BP神经网络中将Sigmoid函数作为隐含层、输出层中全部节点的转换函数。由此,我们设计一个3层的BP神经网络结构,如图5所示。
    图5中,输入层的输入和输出为:
    其中,将网络的输入变量作为控制器的输入,即:
    网络隐含层的输入、输出为
    其中,为隐含层加权系数;上角标(a)、(b)、(c)分别代表着输入层、隐含层和输出层。
    网络输出层的输入、输出�椋�
    式中,输出层输出节点分别对应3个可调参数Kp、Ki、Kd。
    4 结语
    固然经典的PID控制结构相对简单,具备稳定以及可靠特点,但是其中隐含的缺陷也很明显:常规的PID控制将数学模型作为根本,而且常规的PID控制针对线性系统,并不具备通用的分析方式与设计方式。常规PID控制的种种缺陷为基于BP神经网络的PID模糊控制系统提供了广阔的应用空间。BP神经网络能够在线整定、优化PID控制参数,能够自学习,顺应能力较强;模糊控制能够模拟人类思维的模糊性,所以,将传统PID控制与模糊控制和神经网络系统进行有机结合的控制方式已经成为重要课题,将在以后的自动化控制中有着广泛的应用。
    参考文献
    [1] 王宏征.“人工神经网络”理论发展的哲学思考[J].商丘职业技术学院学报,2003,2(6):4-8.
    [2] 颜铭.基于模糊算法的神经网络研究[D].河北农业大学, 2010.
    [3] 王科俊,李殿璞,李国斌.人工神经元网络在控制中应用[J].自动化技术与应用,1992(3):1-12.
    [4] 蔚东晓,贾霞彦.模糊控制的现状与发展[J].自动化与仪器仪表,2006(6):4-7.
转载请注明来源。原文地址:https://www.7428.cn/vipzj17203/
 与本篇相关的热门内容: