基于matlab模糊逻辑工具箱的剖析文档格式.docx
《基于matlab模糊逻辑工具箱的剖析文档格式.docx》由会员分享，可在线阅读，更多相关《基于matlab模糊逻辑工具箱的剖析文档格式.docx（15页珍藏版）》请在冰豆网上搜索。
Abstract:
Afterbriefintroductionoftheequipmentsofautomaticbatchingofdyestuff,anon
2linelearningalgorithmis
designsed,whichisbasedonfuzzyneuralnetworkinordertodealwiththeuncertaintyofdyestuffcharacteristicandexternaldisturbance1Bycombiningthemeritsoffuzzylogicandneuralnetworks,anewmethodisproposed,inwhichafuzzyinferenceofthemodelisrealizedbyneuralnetwork1Asforsystemapplication,friendlyuserinterfacebasedonVC++isadoptedandfuzzy
neuralcontrolalgorithmisrealizedbyMatlabprogramming
1Therunningresultshowsthatthecontrolalgorithmhasgood
efficiency1
Keywords:
Metrology;
Automaticbatchingofdyestuff;
Fuzzyneuralnetwork;
Referencemodel
收稿日期:
2005212222;
修回日期:
2006205220
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1~5kgΠmin
。
图1 3 ,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
由于螺旋加料的不可,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:
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（1Δe（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A1、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=“-”,
A3、A7、A11中,e=“-”及Δe=“-”,误差是负的并且是减少的。
4
8
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
=[-E,E],x2=[-E・,E・],y4o=[-U,U]。
模糊控制规则i:
Ifx
（tisA
i
andx2（tisBi,Theny4o（tisCi（i=1,2,…,n。
Ai、Bi、Ci是相应论域上的模糊子集。
5
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=
（22
（σ
ij
y2j=exp（net2j（6aij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=7jω3jkx3j,y3k=f3k（net3k=net3k（7x3j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=6kω4kox4k,y4o=f4o（net4o=net4o（8
ω4
ko
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
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aij和标准差σ
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
,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=（1Π26n（xmn-xrn2（9xmn和xrn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:
传播的误差给出如下:
δ4
=-5net4o=-5y4
5net4（10
连接权重修正量计算如下:
Δω4
=-4ko=-5y4
5net4o
54ko=δ4ox4k（11
输出层的权重根据下式迭代:
ω4ko（N+1=ω4
（N+ηωΔω4
（12
η
ω
为学习速度因子,N代表迭代次数。
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
k
=-5net3k=-5y4
5net4
5y3k
3
5net3k=
6kδ4oω4ko（13第2层:
该层使用的是乘法,误差可由下式计算出来:
δ2
j
=-net2
=-y4
net4o
y3k
net3k
・
5y2j
5net2=δ3k
5x3j・y2j
=6kδ3ky3k（14aij的修正量计算如下:
Δa
=-a
=-y2
net2jaij
=δ2j
2（x2i-aij
（σij2
（15
σ
ij的修正量计算如下:
Δ
-
52jij
22iij
（16该隐层的平均值和标准差迭代算法如下:
aij（N+1=aij（N+ηaΔaij（17
（N+1=σ
（N+ησΔσ
（18
a
和ησ是高斯方程的平均值和标准差的学习速度因子。
该系统的雅可比方程5EΠ5y4
o的计算由于系统的动力学特性未知而不能确定,尽管模糊神经控制器辨识器式（16可以用来计算系统的雅可比方程,然而需要占用系统较多的时间,为了解决该问题和增强连接权重的在线学习效率,提出如下的改进Delta规则:
o≈A（ym1-yp1+（ym2-yp2
=Aem1+em2（19ym2和yp2分别表示参考模型输出ym1和控制对
象输出y
p1的导数（见图4
em1和em2是参考模型和对象输出的误差及其导数,A是一个正的常数。
学习参数的选择对网络性能有着重大的影响。
如给出的学习速度参数较小,则收敛的速度很低;
另一方面,如果学习速度参数设置过高,则系统极有可能不稳定。
为了有效地训练模糊神经网络,所有的学习速度因子都是在线训练。
通过式（16所述的算法和基于提出的改进Delta规则,所有的隶属度函数的参数和连接权重都是随机初始化的,通过实验结果即证明了提出的基于改进规则的模糊神经网络的在线782第29卷 第3期龚 利等:
训练的有效性。
图4 FNN模型参考控制器结构图
6 控制系统实现
该系统上位机用户程序用VisualC++开发,但若用C++语言来实现复杂的控制算法,工作量将十分庞大且周期长。
Matlab
法、。
利用Matlab可以方便地设计出功能强大、稳定可靠的应用程序来完成用户所需的功能。
若VC++能调用Matlab工具箱中的文件,会大大提高控制算法的实现,且可靠性也很高。
Matlab与C++语言的接口方法有几种,其中最常用的一种是VC++下通过Matlab引擎使用Matlab功能的方法。
该方法的具体应用参见文献[6]。
在实际应用中,VC++的用户程序从高精度电子秤接收数据,然后向Matlab引擎传送命令和数据信息,并从Matlab引擎接收经过模糊神经网络控制算法计算后得到的数据信息,最后将数据下传到下位机DSP来控制驱动单元的精密运动。
7 结 论
为了验证系统方案及算法的可行性及有效性,做了一系列的试验,试验条件为:
相同的温度、湿度,采用不同的染料,配料1000g,分别按本文给出的模糊神经网络模型参考方案和常规控制方案进行多组下料对比试验,结果见表1。
表1相同条件下不同控制方案200组配料试验统计结果误差范围Πg平均时间
Πs超差组数模糊神经网络方案-0109~+0106510常规PID控制-0109~+81645613 本文提出的模糊神经网络模型将具备模糊数据处理能力的模糊理论与擅长学习的神经网络方法有机地结合起来,对该模型采用了便于在线学习计算的有效算法,并与常规PID控制方案进行了比较,结果表明采用参考模型跟踪的模糊神经网络方案较常规PID方案具有更好的稳定性,
。
[献]
[1]
algorithms:
Industrialapplication[M].BocaRaton:
CRCPress,1998.
[2] PassinoKM,YurkovichS.FuzzyControl[M].Indianapolis:
PrenticeHallΠPearsonPress,2002.
[3] ZhengPei,KeyunQin,YangXu.Dynamicadaptivefuzzyneural-networkidentificationanditsapplication[A].
Systems,ManandCybernetics,IEEEInternational
Conference[C],WashingtonDC:
2003.
[4] HwangCL,LinCH.Adiscrete-timemultivariableneural-adaptivecontrolfornonlinearunknowndynamicsystems[A].Systems,ManandCybernetics,IEEEInternational
Conference[C],Tokyo,Japan:
1999.
[5] 王立新.自适应模糊系统与控制———设计与稳定性分析[M].北京:
国防工业出版社,2000.
[6] 苏金明.MATLAB与外部程序接口[M].北京:
电子工业出版社,2004.
882计量学报2008年7月
升级会员 