基于T_S模型和模糊神经网络的焊接电源群控_张宪

基于T-S模型和模糊神经网络的焊接电源群控张　宪,　冯　剑,　赵章风,　王扬渝(浙江工业大学机械制造及自动化教育部重点实验室,杭州　310014)摘　要:利用多台焊接电源同时对同一工件进行焊接,当外电压波动时,众焊接电源依靠自身控制系统进行各自调节的过程也是对外电网干扰的再生过程。

将模糊理论与神经网络相结合,并应用于多焊接电源的群控。

在分析和设计了状态变量的隶属度函数、推理规则、解模糊算法等基础上,完成了基于T-S(Tagaki-Sugeno)模型的自适应模糊神经推理控制器设计。

利用该控制模型在Simulink搭建的焊接电源群控模型上进行仿真。

结果表明,该控制模型具有调整时间短,超调量小的优点(与众焊接电源各自单独调节相比较,调整时间缩短了22%,超调量减小了40%),反映出良好的动态特性。

关键词:模糊神经推理;焊接电源;群控;T-S模型;仿真中图分类号:TG409 文献标识码:A 文章编号:0253-360X(2007)09-067-05张　宪0　序 言随着微电子控制技术的进步,焊接电源的控制在数字化方向也有了长足的发展,诞生了如E W M 公司lintegrai系列,Fronius公司Transplus syner gic系列等智能焊接电源[1];出现了如焊接电源波形控制[2],焊接电源内部特性的估计和建模[3],对GMA 焊接的综合性能控制[4]等控制算法等,这些智能焊接电源和控制策略对减少外电压波动对单一焊接电源的焊接过程的影响取得了积极的效果。

而在现代工业生产中,往往采用几台甚至十几台焊接电源同时对同一工件进行焊接,由于焊接电源功率较大,当外电压波动时,众焊接电源依靠自身控制系统进行调节的过程也是对外电网干扰的再生过程。

为此,对具有自调节功能的众焊接电源进行群控,在外电压波动时,减小焊接电源的输出功率超调量,缩短调整时间,对提高焊接质量具有重要的现实意义。

目前,国内外对焊接电源的群控,主要基于积累现场调整经验形成的知识库(专家系统)来实现,或者进行主机查询的方式调整[5],但是在焊接过程中,各种非线性参数的相互耦合效应难以进行逻辑描述和预测,基于精确数学描述的传统控制理论难以完成控制任务。

模糊理论与神经网络同属于智能控制范畴,二者的相互参透和有机结合是近几年国内外研究的一大热点,其主要融合方式是构造各类模糊神经元及带有模糊思想的神经网络,形成模糊信息处理单元,以实现模糊信息的自动化处理[6]。

文中基于模糊控制和人工神经网络相结合的模糊神经推理的思想(ANFIS)[7],利用Tagaki-Sugeno模型[8],设计了对众焊接电源进行群控的策略,并对输出功率进行了仿真分析。

1　基于T-S型的ANFIS控制器的设计1.1　焊接电源群控制系统的模型焊接系统的组成如图1所示。

多把焊枪对工件(图中工件为锅炉膜式水冷壁管屏,以下的仿真也是基于膜式水冷壁焊接生产线中的焊接电源组)同时进行焊接,一把焊枪对应一台焊接电源,每台焊接电源包含逆变电源、电源控制器、电压和电流传感器,可看成智能从站。

作为系统控制器的DSP,从智能从站处获取焊枪的工作电压U i和电流I i(i=1,2,…,n),当外部电压发生波动时,DSP根据控制策略进行分析和运算,并向各焊接电源传送控制任务(增加或减少供给的电流量I Oi,i=1,2,…,n),从而使多台焊接电源在统一控制策略的作用下进行自调节,实现恒定的焊接功率P。

触摸屏用于实现人机交互。

根据从智能从站处获取的工作电压U i和电流第28卷第9期2007年9月焊　接　学　报TR ANSACTIONS OF THE CHINA WELDING INSTITUTIONVol.28　No.9September　2007收稿日期:2006-12-29图1　焊接系统组成Fig.1　Composing of welding systemI i,以及焊接电源的设定功率P,可得理论上需调整的电流ΔI i为ΔI i=PU i-I i　(i=1,2,…,n),(1)式中:ΔI i>0时,ΔI i表示要增加的电流值;ΔI i<0时,ΔI i表示要减少的电流值。

考虑到建模与仿真的需要,现以4台焊接电源组成的群展开讨论。

模型的输入变量有4个,输出变量也有4个,分别是每台焊接电源理论上需调整的电流增量(系统输入变量)ΔI i,(i=1,2,3,4)和实际调整的电流增量(系统输出变量)ΔI Oi(i=1,2,3, 4)。

其中ΔI Oi为ΔI Oi=fuzzynet(ΔI1,ΔI2,ΔI3,ΔI4)。

(2) 1.2　状态变量的隶属函数根据控制系统的描述,可以推导出输入变量ΔI i和输出变量ΔI Oi的隶属度函数。

第一台焊接电源的电流输入论域,根据焊接电源调整范围将输入变量ΔI1的范围定义为[-10, 10],并根据调整范围和实际焊接效果定义了4个隶属度函数:负大NB[-10,-3],负小NS[-5,-0],正小PS[0,5],正大PB[3,10],分别对应输入模糊子集O1j(j=1,2,3,4)。

图2表示状态变量在隶属度函数下模糊化的过程。

其他3台的电流输入论域ΔI2,ΔI3,ΔI4,调整范围和隶属度函数的设置划分均与ΔI1一样。

模糊子集分别是T i,S i,F i,i=1,2,3, 4。

与上述类似,在电流输出论域,输出变量ΔI O1的变化范围定义为[-10,10],根据调整范围和实际焊接效果,定义了6个隶属度函数:负大NB[-10, -5],负中NM[-6,-1.5],负小NS[-3,-0],正小PS[+0,3],正中P M[1.5,6],正大PB[5,10]。

它们分别对应输出模糊子集O ut1j,j=1,2,……,6。

图2　第一个输入变量ΔI1的模糊化示例Fig.1　Exam ple of fuzzication about first variable1.3　推理规则普通的模糊模型是用一组模糊蕴含条件语句来描述。

而Tagaki和Sugeno所提出的模糊规则后件是输入变量的线性组合。

系统的输入向量为ΔI=[ΔI1,ΔI2,ΔI3,ΔI4]T,每个分量ΔI i均为模糊语言变量。

根据模糊理论有T(ΔI i)={A1i,A2i,…,A m i i};(i=1,2,3,4),(3)式中:A j i(j=1,2,…,m i)是x i的第j个语言变量值,它是定义在论域上的一个模糊集合。

根据T-S模型,相应的隶属度函数为u A ji(i=1,2,3,4;j=1, 2,…,m i)。

模糊推理规则为R j:IFΔI1是A j1andΔI2是A j2andΔI3是A j3andΔI4是A j4THEN I o1=p j0+p j1x1+p j2x2+p j3x3式中:j=1,2,…,m;m≤П4i=1m i;p j0,p j1,p j2,p j3,为真值参数,I o1为系统根据规则R j所得到的对应ΔI1,ΔI2,ΔI3,ΔI4输出。

也就是说,T-S模糊规则中,其前件部分是模糊的,而后件部分是确定的,即输出为各输入变量的线性组合。

由于有四个输入状态变量ΔI1,ΔI2,ΔI3,ΔI4,分别都有4个隶属度函数,所以推理系统的模糊规则有44=256条。

1.4　解模糊算法解模糊算法采用加权平均法,这与后面提到的ANFIS控制器的设置一致。

加权平均公式为z=∑ni=1z i u c(z i)∑ni=1u c(z i),(4)式中:z为清晰值;u c(z i)为隶属度z i的模糊区间。

2　ANFIS控制器的设计2.1　T-S模型结构基于ANFI S的Tagaki-Sugeno型模糊神经网络68　焊　接　学　报第28卷的结构是如图3所示的五层前馈模糊神经网络。

图3　基于T -S 的模糊神经网结构模型(n =256)Fig .3　AN FIS model based on T -S第一层:输入变量层,该层共4个神经元,每个神经元代表一个输入变量ΔI i 。

该层的作用把输入变量传给下一层,因此有(f 1表示第一层的输出值,以下同理):f 1=u 1i (u 1i =ΔI i ,i =1,2,3,4)。

(5)其中连接权重w 1i=1。

第二层:输入变量模糊层。

该层共16个神经元,每个神经元节点为输入变量隶属度函数,前层传入的输入变量ΔI i 经过该层模糊化运算,得到与4个输入变量对应的16个输入模糊子集O i j (i =1,2,3,4,j =1,2,3,4),用f 2=f 2(u 2i )表示,连接权重w 2ij =1。

第三层:模糊规则推理层。

该层共有44=256个神经元,每一个神经元节点为一个模糊规则,前层传入的16个输入变量隶属度将在此层按既定的规则进行模糊推理,得到一个模糊蕴含关系矩阵[f 3i ]:f 3=min (u 3o ,u 3t ,u 3s ,u 3f ),连接权重w 3i =1。

第四层:关系矩阵线性化层。

该层也有256个神经元,每个神经元是一个基于T -S 模型的线性化处理函数,对前层输入的模糊蕴含关系矩阵[f 3i ]在输出模糊子集O ut i j (i =1,2,3,4,j =1,2,…,6)域内分别进行线性化处理,输出256个一阶Sugeno 线性函数,用f 4=f 4(u 4i )表示,连接权重w 4i =1。

第五层:输出变量层。

该层共有4个神经元。

该层将对前层的输出采用加权平均法进行解模糊化运算,得到4个输出变量ΔI Oi ,这些变量将用于对焊接电源群进行控制。

对于本层有f 5=∑i w 5i u 5i =∑i(m i Q i )u 5i (i =1,2,…,256),(6)式中:连接权重w 5i =m i Q i 。

2.2　ANFIS 模型的参数确定系统利用从膜式水冷壁焊接生产中焊接电源群工作时获得的系统输入输出数据作为训练样本,混合使用最小二乘预测和反向传播算法(BP ),对AN -FIS 系统进行训练及验证。

为提高训练速度和准确度,训练中将数据分为三组,第一组用以训练模型,第二组用以训练过程中的辅助的模型校验,最后一组用以模型结果的测试。

通过一定次数的学习,得到网络的权值,形成输入输出之间的映射。

3　仿真分析和结论3.1　仿真模型完成了上述的建模和训练,利用MATLAB 的仿真工具Simulink 和模糊逻辑控制箱,建立模糊系统控制模型,将已经设计完成的ANFIS 控制器直接嵌入到仿真模型之中。

负载选用可变电阻负载,以便在比较波形时,可以清晰辨认。

仿真用的电源模型,以逆变式焊条电弧焊电源(SMAW )为参照[10],用Simulink 内含的电力电子器件(PSB )等,搭建了试验仿真平台,如图4所示。

其中单台电源模型经过封装模块化后,变成子系统以图4　仿真模型Fig .4　Simulation m odel第9期张　宪,等:基于T -S 模型和模糊神经网络的焊接电源群控69简化模型。