基于matlab模糊逻辑⼯具箱的
第29卷 第3期2008年 7⽉计量学报
ACTA METROLOGICA SINICA Vol.29,№3
July,2008
龚 利1
, 王云宽1
, 宋英华1
, 曹志强
2
(1.中国科学院⾃动化研究所⾼技术创新中⼼, 北京100080;2.渤海船舶重⼯业有限责任公司机动处, 辽宁葫芦岛125004)
摘要：在简单介绍固体染料⾃动配料设备组成的基础上，针对染料⾃⾝特性和外部环境变化等不确定因素，设计了基于模糊神经⽹络便于在线计算的学习算法。将模糊逻辑和神经⽹络的长处融合在⼀起，使模糊推理通过神经⽹络来实现。系统采⽤VC++编写友好的⽤户界⾯程序,⽤Matlab 完成模糊神经⽹络控 制算法的计算任务。实际运⾏结果表明，该控制算法具有很好的控制效果。
关键词：计量学；固体⾃动配料；模糊神经⽹络；参考模型
中图分类号:TB99 ⽂献标识码:A ⽂章编号:100021158(2008)0320284205
AutomaticBatchingControlSystemofDyestuff
BasedonFuzzyNeuralNetwork
GONGLi 1
, WANGYun 2kuan 1
, SONGYing 2hua 1
,
CAOZhi 2qiang
2
(1.InstituteofAutomation,ChineseAcademyofSciences,Beijing100080,China;2.BohaiHeavyIndustriesofShipbuildingCoLtd,Huludao,Liaoning125004,China )
Abstract :Afterbriefintroductionoftheequipmentsofautomaticbatchingofdyestuff,anon
2linelearningalgorithmis
designsed,whichisbasedonfuzzyneuralnetworkinordertodealwiththeuncertaintyofdyestuffcharacteristicandexternal disturbance
1Bycombiningthemeritsoffuzzylogicandneuralnetworks,anewmethodisproposed,inwhichafuzzyinferenceof themodelisrealizedbyneuralnetwork
1Asforsystemapplication,friendlyuserinterfacebasedonVC++isadoptedandfuzzy neuralcontrolalgorithmisrealizedbyMatlabprogramming
1Therunningresultshowsthatthecontrolalgorithmhasgood
efficiency 1
Keywords :Metrology;Automaticbatchingofdyestuff;Fuzzyneuralnetwork;Referencemodel
收稿⽇期:2005212222；修回⽇期:2006205220
收稿⽇期：国家863计划项⽬(2003AA421110
)作者简介：龚 利(1975-)，男(苗族)，贵州铜仁⼈，中国科学院⾃动化所博⼠研究⽣。主要研究⽅向为智能控制。
1 引 ⾔
长期以来纺织服装⾏业⼀直是中国出⼝创汇的
⽀柱产业，占据世界纺织服装贸易的12%左右，居世界⾸位。但我国出⼝的纺织品在⾊彩、印染质量等⽅⾯不具有竞争优势，产品的档次较低。通常，在⾯料质地相同的情况下，其档次的⾼低就主要表现在它们⾊调的⼀致性上,⾊调⼀致性越好，档次相应就越⾼。⽽染料配⽅中某种关键染料误差⼤于011g 往往就会导致⾊调出现明显的不⼀致。随着中国
加⼊WTO 进程的深⼊和纺织印染⾏业的蓬勃发展,
国内有实⼒的纺织印染⼚家已经把使⽤⾼精度⾃动配料⽣产系统作为提⾼产品质量的关键，但⽬前国内此类⾼精度染整配料设备研制还不成熟,⼤多需要从
欧美进⼝。本⽂采⽤⼀种基于参考模型的模糊神经⽹络控制算法来控制染整配料系统的精密配料过程，实验结果表明该算法能够取得满意的效果。
2 系统特点及组成
该⾃动称料配料系统是⼀种能够运⽤在印染、
化⼯、医药等⾏业进⾏颗粒状及粉末状固体物料精确称重的智能化设备，它具有称重精度⾼(≤011g )、称重范围⼴(5～32kg )、智能化(在线学习)等特点。该系统主要由上位机、下位机、储料罐、螺旋给料机构、电⼦秤、驱动装置、吸尘器和装料⼩车组成。系统的组成框图见图1。 系统的主要性能指标是配料时的称重精度和称
重速度，对⼤多数染料，如⽆特殊规定，要求精度能达到≤±011g；称重速度与称重精度和染料物理特性有关，称重精度越⾼则称重速度越慢，染料密度越⼤流动性越好称重速度越快;⼀般要求称重速度能够达到1～5kg Πmin
。
图1 配料系统的组成⽅框图
3 控制⽅案的选取
在设计控制器时，通常假设受控系统模型的参数是基本已知的。但是在动态配料过程中对象参数的变化，如染料的密度、黏度和流动性的改变，或者是环境的改变，如温度、湿度和储料罐压⼒的变化都将导致模型参数的不确定性，以及由于空中飞料的很难预先确定也⼤⼤增加了控制的难度。常规的PID 控制⽅案很难取得满意的控制效果,⽽基于⼈
类思维的智能控制⽅法却⾮常适合于多种染料的动态配重控制。模糊建模是利⽤模糊推理规则来描述系统特性的⼀种⽅法。该⽅法的⼀个显著特点是可以⽤语⾔⽅式来表达复杂的⾮线性系统[1,2]
。然⽽,
辨识该模糊规则以及调整模糊推理中的⾪属函数是
⼀个重要的问题[3]
；由于神经⽹络具有⾃学习能
⼒
[4]
，因此考虑⽤该⽅法辨识模糊模型从⽽组成模
糊神经⽹络。
模糊控制器的控制算法通常是很直观地表⽰的，本质上说，模糊控制器属于⼀种误差驱动产⽣控制信号的机制，具有内在的鲁棒控制特性
[5]
。尽管
如此，由于对象参数变化很⼤，不同种染料密度可能相差⼏倍，流动性也千差万别，对于⼀定的控制作⽤，其响应曲线也⼤不相同，如图2所⽰，对于⼀定的控制量u ，染料A 的响应曲线a 为⽋阻尼状态，配料的速度很快，但是在最后部分即使迅速减⼩u 也
常常会控制不住⽽出现超调。由于螺旋加料的不可逆性，给定量超调⽆法弥补，只能重新进⾏,
这种情况将造成浪费⽽绝对应该避免。染料C 在u 作⽤下的响应曲线c 则为过阻尼状态，虽然该情况下不会出现超调，但是速度太慢⽆法满⾜实际⽣产的需要。染料B 的响应曲线b，则为接近临界阻尼曲线。每种染料的临界阻尼曲线可以通过多次反复试验近似测得，为较理想情况，兼顾了速度和精度的统⼀。因此，可以采⽤参考模型来产⽣希望的响应曲线。参考模型的输出与控制对象的实际输出之间的误差⽤来驱动控制器改变控制量u ，所以我们可以选取模糊神经⽹络模型参考控制⽅案。 图2 期望模型跟踪的动态响应分析
582
第29卷 第3期龚 利等：基于模糊神经⽹络的固体粉末⾃动配料控制系统
4 模型跟踪动态特性分析
为了设计模糊参考⾃适应控制器，下⾯分析模型跟踪动态特性。如图2所⽰，在时间轴的原点给出⼀个控制命令，同时该图也给出了参考模型的输出和模糊⾃适应控制器的期望输出轨迹。
误差e和误差的变化率Δe定义如下:
e(k)=θ′r(k)-θr(k)(1)
Δe(k)=e(k)-e(k-1)(2)其中:θ′
r
(k)为第k次采样的参考模型的响应,θr (k)为第k次采样的控制对象的响应,e(k)为第k 次采样的误差信号,Δe(k)为第k次采样的误差变化率。
为了⽅便起见，图2中也给出了每⼀个范围的e和Δe的极性，从图2可以得到如下的特性关系:
在区域A
1、A
5
、A
9
中,e=“+”及Δe=“+”，误差是
正的并且是增加的。在区域A
2、A6、A10中,e=“+”及Δe=“-”，误差是正的并且是减少的。在区域
A3、A7、A11中,e=“-”及Δe=“-”，误差是负的并且是减少的。在区域A
4
、A
8
、A
12
中,e=“-”及Δe=“+”，误差是负的并且是增加的。
以上分析是语⾔控制规则构建的基础，下⾯分别给出语⾔变量、⾪属函数和论域:
语⾔变量：正⼤(PB)，正中(PM)，正⼩(PS)，零(ZE)，负⼩(NS)，负中(NM)，负⼤(NB)。
⾪属函数：选取⾼斯函数作为⾪属函数。
语⾔变量的论域分别为: x
1
=[-E,E], x2= [-E·,E·], y4o=[-U,U]。
模糊控制规则i:If x
1
(t)is A杜邦分析法
i
and x2(t)is B i, Then y4o(t)is C i(i=1,2,…,n)。A i、B i、C i是相应论域上的模糊⼦集。5 模糊神经⽹络模型参考控制器设计
511 模糊神经⽹络控制器结构
如图3所⽰的⼀个4层模糊神经⽹络,
由输⼊
图3 4层模糊神经⽹络
层(第i层)、⾪属度层(第j层)、规则层(第k层)和
输出层(第o层)组成来完成FNN控制算法。输⼊
层的节点代表输⼊的语⾔变量,⾪属度层的节点作
为⾪属度函数,⽽规则层的所有节点形成了⼀个模
糊规则库。
模糊神经⽹络描述如下:
第1层：输⼊层
对于这⼀层的每⼀个节点，输⼊输出关系如下:
net1i=x1i,y1i=f1i(net1i)=net1i(5)
x1i代表第1层的第i个节点的输⼊变量，该层共有
两个输⼊节点分别代表e和Δe。
第2层:⾪属度层
在该层，每⼀个节点为⼀个⾪属度函数,⽤⾼斯
函数来作为⾪属度函数，对于第j个节点:
net2j=
(x2
i
-a ij)2
(σ
ij
钙离子拮抗剂
)
2
,y2j=exp(net2j)(6)
a ij和σij分别代表第i个输⼊变量的第j个模糊集合
的⾼斯型函数的平均值和标准差。它们都是FNN
的可调参数，此层共有14个节点。
第3层：规则层
这⼀层的每个节点都⽤7来表⽰，将输⼊信号
连乘，对于第k个规则节点
682计量学报2008年7⽉
net3k=7jω3jk x3j,y3k=f3k(net3k)=net3k(7) x3j代表第3层第j个输⼊,ω3jk为权系数是⼀致的。y3k为第k条规则的激活度，此层共有49个节点。
第4层：输出层
这⼀层每⼀个节点o都⽤6来表⽰，其输出是所有输⼊信号的和:
net4o=6kω4k o x4k,y4o=f4o(net4o)=net4o(8)
ω4
k o
是输出与第k个规则的可调权系数,x4k代表第4
层节点的第k个输⼊,y4
o
是FNN的输出。此层只有1个节点。
在该⽹络中，可调参数有三类,⼀类是规则中的
结论数值ω4
k o
，
它们都是第3、4层间的权系数，代表规则参数。第⼆、三类可调参数分别是⾼斯⾪属函
数的均值a
ij 和标准差σ
ij
，代表⾪属函数的参数。可
⽤BP算法修正模糊神经⽹络的可调参数。
512 在线学习算法
模糊神经⽹络的学习控制算法的核⼼部分就是如何得到⼀个收敛的梯度向量，其每⼀个分量在学习算法中被定义为该⽹络参数的能量⽅程的导数，这通过规则链和后向传播学习规则实现，该梯度向量是以每个节点输出流的相反⽅向来计算的，能量⽅程被定义为
E=(1Π2)6n(x m n-x r n)2(9) x m n和x r n表⽰参考模型的输出和控制对象的实际输出，下⾯推导基于反向传播的学习算法:
第4层:
关于加强网络游戏虚拟货币管理工作的通知传播的误差给出如下:
δ4
o =-
5E高纯氮气压缩机
5net4o=-
5E
5y4o
·
5y4o
5net4o(10)
连接权重修正量计算如下:
创业王论坛Δω4
k o =-
5E
5ω4k o=-
5E
5y4
o
·
5y4o
5net4o
5net4o
5ω4k o=δ4o x4k
(11)
输出层的权重根据下式迭代:
ω4
k o (N+1)=ω4
k o
(N)+ηωΔω4
k o
(12)
η
ω
为学习速度因⼦,N代表迭代次数。
第3层:
因为这⼀层权系数是⼀致的，所以该层只有误差需要反向传播和计算。δ3
广州塔模型k =-
5E
5net3k=-
5E
5y4
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议