模糊神经网络预测控制在配料系统中的应用
基于神经网络的模糊预测控制及其应用
下进 行试 验 。试 验装 置 的示 意图 如 图 １ 示 。 所
样 品的被 测表 面 ， 的保 留切割 时 的粗 表面 ， 的 有 有
用 细砂 纸 抛 光 成 光 表 面 ， 后 置 于 炉 内进 行 升 温 、 然 恒
温 、 温 。管形 炉 炉 温 用 ＰＤ调 节 。 当 到 达某 试 验 温 降 Ｉ
Ｔ ｅ Ｆ ｚ ｙ Ｐｒ ｄｉｔ ｎ Ｃｏ ｔｏｌ ｓ ｄ ｏ ｈ ｕ ｚ ｅ ｃｉ ｎｒ ｏ Ｂａ ｅ ｎ Ｎｅｕ ａ ｔ ｏｒ ｎ ｔ ｐｉａ ｉ ｒ ｌＮｅ ｗ ｋ ａ ｄ Ｉ Ａｐ ｌ ｔ ｓ ｃ ｏｎ
基于神经网络模糊PID控制算法的粮食储存控制系统
ｅ（惫）进 行模 糊 量化 和归 一化 处理 。模 糊化 控制 器 由计 算 控 制变量 、模 糊量 化 处 理 、模 糊 规 则 控 制 、模 糊 决 策
和非模 糊化 处 理等单 元 组成 。计 算控 制变 量单元 由计 算 机 经过 中断采 样 获 得被 控 制 量 的精 确值 ，将 此 量 与
１．３ Ｎ Ｎ
神经 网络 ＮＮ 以加 权 系 数 的形 式 表 示 模 糊 规 则 ， 通 过神 经 网络 的学 习算 法 计 算 ，模 糊 规则 的生 成 就 转
收 稿 日期 ：２０１５—０６—０９；修 订 日期 ：２０１６～０１—１１ 作 者 简 介 ：郑 伟 丽 （１９８０一），女 ，河 南 郑 州人 ，讲 师 ，本 科 ， 主要 研 究 方 向 为软 件 工程 、信 息 安 全
第 ２期 （总 第 １９５期 ） ２０１６年 ４月
Байду номын сангаас
机 械 工 程 与 自 动 化 Ｍ ＥＣＨＡＮＩＣＡＬ ＥＮＧＩＮＥＥＲＩＮＧ ＆ ＡＵＴＯＭ ＡＴ１０Ｎ
文 章 编 号 ：１６７２—６４１３（２０１６）０２—０１９５—０２
Ｎ Ｏ．２ Ａ ｐｒ．
基 于神经 网络模 糊 ＰＩＤ控制算 法 的粮食储存控 制系统
神 经 网 络 模 糊 ＰＩＤ 控 制 系 统 结 构 如 图 １所 示 。 系 统主要 由神经 网络 ＮＮ、模 糊 化 控制 器 、ＰＩＤ控 制 器 和被 控对 象组 成 。其 中 ，ｒ（忌）为 系统参 考输 入量 ；ｕ（ｋ） 为 ＰＩＤ控 制器 的输 出 ，其 作用 是控 制 被控 对象 ； （愚）为 系统输 出量 ； （志）为控 制 系 统偏 差 变 量 ，ｅ（ｋ）一ｒ（ｋ）一
给 定值 比较 得 到误差 信 号 Ｅ，把 误 差信 号 Ｅ 的精 确 量
模糊神经网络在温控系统中的应用
Ｈｅｅ ２０ ０ ， ｉａ ｆｉ ３０ ９ Ｃｈｎ ）
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ｔｈ ａ ｅｒｉｔｏ ｃ ｓ ｓ ｈ ｍ ｅ ｄ ｉ ｆｔ ｍｐｅａ ｕ ｅ ｃ ｎ— ｅ ｐ ｐ ｎ ｒｄｕ ｅ ｃ ｅ ｅｓｇｎ ｏ ｅ ｒｔ ｒ ｏ
ｔ ｙｔ ｒ ｓ ｓ ｅｍ ｎ ａａ ｆｆ ｃ ｉ ｄ ｅ ｆ ｓ ｌ ｔ ｎ ｉｔｏ ｃ ｓ ｓ ｒ ｃ ｏｌ ａ ｄ ｐ ｓ ｏ ｕｎ ｔ ｏｎ ｍｏ ｕｌ ｉ ｔ ｈｅ ｎ ｒ ｄｕ ｅ ｔｕ — ｒ ｙ，
摘 要 ： 章 首 先 介 绍 了 温 控 系统 的 方 案 设 计 以 及 部 分 功 能 模 块 ， 后 文 糊 推理 ， 在分 析两者弊 端 的基 础上提 出将 两者 相 结 合 的 控 制 方 法 。本 文 还 介 绍 了模 糊 神 经 网络 的 结 构 和 学 习方 法， 以及 如 何对 训 练 样 本 进 行 预 处 理 ， 后 利 用 ｍａｌｂ神 经 网 络 工 具 最 ｔ ａ 箱作 为 平 台 ， 过 测 试 样本 仿真 和试 验 。 设 计 的 应 用 为 实 现 快 速 、 通 本 精 确 的温 控 系统 提 供 了 一 种 功 耗低 、 济 有 效 的 解 决 方 案 。 经
ｔ ｒ ｅ ａ ｅｗ ｏ ｋ ｕｅ ｏｆｈｅ ＢＰ ｎ ｕｒｌｎ ｔ ｒ ．Ｔｈｅｐ ｅｒ ｏｉｔ ｕ ｉａ ｖ ｎｔｇ ｓ ｏ ｔ ａｐ ｎ ｓｏ ｔｄｓ ｄ ａ ａ ｅ ｆ ｐ ｂ ｓｃ ＢＰ ａｇ ｒ ｈ ｏｎ ｔ ｅ ｌ ｒ ｉｇ ｍｅｈ ｄ ｐ ｔ ｏｗａｒ ｏ ｒ— ａ ｉ ｌｏ ｉ ｍ ｈ ｅａ ｎｎ ｔｏｄ ａｎ ｕ ｓ ｆｒ ｔ ｄ ｃ ｒｅ ｓ ｎ ｉｇ ｓ ｕ ｉ ． Ｂ ｉｇ ＭＡＴＬ ｏｏｂ ｘ，ｔ ｅ ｍｐｒｖ ｄ ＢＰ ａｌ ｐｏ ｄｎ ｏｌｔ ｏｎ ｙ ｕｓｎ ＡＢ ｔ ｌｏ ｈ ｎｉ ｏｅ —
基于BP神经网络与模糊控制的小麦灌溉系统
基于BP神经网络与模糊控制的小麦灌溉系统目录1. 小麦灌溉系统概述 (3)1.1 内容综述 (4)1.1.1 研究背景与意义 (5)1.1.2 研究现状与不足 (7)1.1.3 研究目的与方法 (8)1.2 小麦灌溉的重要性 (9)1.2.1 合理灌溉对小麦生长的影响 (9)1.2.2 水资源合理利用的现实挑战 (10)1.3 灌溉技术综述 (12)1.3.1 传统的灌溉系统与技术 (13)1.3.2 智能化大规模灌溉系统的需求 (15)2. 模糊控制理论基础 (16)2.1 模糊集与隶属函数 (17)2.1.1 模糊集的基本概念 (18)2.1.2 隶属函数的定义与应用 (19)2.2 模糊推理与决策 (21)2.2.1 模糊推理的规则与结构 (22)2.2.2 模糊决策与控制的朋友技巧 (23)2.3 模糊控制系统的设计原理 (24)2.3.1 设计步骤及注意事项 (25)2.3.2 应用案例分析 (27)3. BP神经网络理论 (28)3.1 神经网络基本原理 (29)3.1.1 前向传播与后向传播 (31)3.1.2 网络结构与学习算法 (31)3.2 BP算法的优化 (33)3.2.1 初始权值的选择 (34)3.2.2 误差反向传播的优化 (35)3.3 BP神经网络在小麦灌溉中的应用优势 (35)3.3.1 自适应学习与泛化能力 (37)3.3.2 实时与在线控制的能力 (38)4. 基于BP神经网络与模糊控制的小麦灌溉系统的设计与实现 (39)4.1 系统总体架构设计 (40)4.1.1 感知层组成与功能 (41)4.1.2 决策层结构与工作原理 (42)4.2 具体实现步骤 (43)4.2.1 确定输入输出参数 (44)4.2.2 定义模糊集的规则 (46)4.2.3 网络训练与规则库更新 (46)4.3 系统的优化与性能评估 (47)4.3.1 系统性能指标的设定 (49)4.3.2 系统优化与调参策略 (49)4.3.3 实际应用案例分析与结果对比 (50)5. 讨论与展望 (51)5.1 基于BP神经网络与模糊控制的小麦灌溉系统优劣分析 (52)5.1.1 系统优势 (54)5.1.2 局限性与挑战 (55)5.2 未来发展方向 (56)5.2.1 技术的进一步优化与改进 (57)5.2.2 更大的应用范围与区域 (59)5.2.3 跨学科的综合研究与应用探索 (60)1. 小麦灌溉系统概述小麦作为全球主要的粮食作物之一，其生长状况直接影响到粮食产量和质量。
基于模糊PID控制饲料配料系统的仿真研究
中国 农机化
Ｃ ｉ ｅ ｅ Ａｇｉｕｔ ｒｌＭｅ ｈ ｎ ｚｔ ｎ ｈｎ ｓ ｒ ｌ ａ ｃ ａ ｉａｉ ｃ ｕ ｏ
Ｎｏ ３ ０１ ． ，２ ２ Ｔｏａ ．４ｌ ｔ ｌＮｏ２
基 于模糊 Ｐ 制饲料 配料 系统 的仿真研 究 Ｉ Ｄ控
Ｙ Ｎ Ｙ － ｈ ｎ ＨＥ Ｙ ｎ － ｉＬ Ｎ Ｗｅ． ｅ ｅ ｒｈｏ ｕ ｚ Ｐ Ｄ ｃ ｎｒ ｎｆｅ ａｃ ｉｇｓｓ ｍ 【 ． ｈｎ ｓ Ａ ｒ ｕｔｒｌ ｅ ｈ — Ｉ ｕ ｚ ｅ ， ｉｇ ｑ， Ｉ ｉ Ｒ ｓａｃ ｆ ｚｙ Ｉ ｏ ｔ ｌ ｄ ｂ ｔ ｎ ｔ Ｆ ｏｏ ｅ ｈ ｙｅ Ｊ Ｃ ｉｅｅ ｇ ｃ ｌ ａ Ｍ ｃ ａ Ｊ ｉ ｕ
模 糊 控制 器 输 出为 ＰＤ 的 ３个控 制 参 数 。即 Ｋ 、 Ｉ
尹 玉 珍 ，女 ， １６ ９ ３年 生 ，江 苏 淮 安人 ，硕 士 ，江 苏 财 经 职 业 技 术 学 院机 电 系副 教 授 ；研 究 方 向 为机 械制 造 及 自动 化 。 赫英 岐 ，男 ， １７ ９ ４年 生 ，满 族 ，辽 宁 凤城 人 ，硕 士 ，江 苏 财 经 职 业技 术 学 院机 电系 讲 师 ；研 究 方 向 为机 电一 体 化 。 林 伟 ，男 ，汉 族 ，１８ ９ ３年 生 ，江 苏 淮 安 人 ，硕 士 ，江 苏 财 经 职 业 技 术 学 院机 电 系讲 师 ；研 究 方 向 为机 械 电 子 技 术 。
语 言 变 量 模 型 ．应 用 各 类 模 糊 推 理 方 法 ．得 到 适
合 控 制 要 求 的 控 制 量 ． 可 以 说 模 糊 控 制 是 一 种 控 制 算 法
１ 模 糊 ＰＩ 的控 制 原 理 Ｄ
一
《自动化技术与应用》2011年第1—12期总目录
徐澎波 ， 仁初 ， 立华 １ （５ 何 赵 Ｏ２ ）
磁悬 浮球系 统 的 自适应控 制器设 计… ……… ……… …… ……… …刘 宁 ｌ （Ｏ ０３ ） 物联 网技术 在现代 物流领 域中 的应用研 究… …赵寒涛 ， 冠宇 ， 运涛 １ （３ 王 焦 ０３ ） 基于 Ｐ校正 电液速度 伺服 系统 的 自适应 方法 ……… 高风 阳， Ｄ 曹智 ， 山ｌ （７ 丁 １ １） 模糊 控制 与ＰＤ Ｉ控制 的对 比及其 复合控 制… …… ………杨 世勇 ， 国林 ｉ （１ 徐 １２ ） 基于 Ｕ Ａ 的六足 机器 人控制 系统设 计 …… …・ 波， ＭＣ 尤 刘鹏 飞， 家忠 １ （６ 许 １２） 水稻 调亏灌 溉Ｆ ｚｙＰ Ｄ ｕ ｚ—Ｉ 智能监 控系 统研究 … …… ……・ 刘超 ， 丽萍 ｌ （） 孙 ２４
刨花 板热压 控制 系统 Ｂ 神 经网络 整定 Ｐ Ｄ 制 ・ 宇光， 军， 良宽 １ （） Ｐ Ｉ控 韩 曹 朱 ２８
徐 晓晖 ， 保 民， 群８ １ 靳 杨 （）
模糊神经 网络预 测控制在 配料 系统中 的应 用… … …………徐 学红， 冯冬青８ ６ （） 基于Ｑ Ｓ－Ｓ Ｖ 的醋酸 乙烯 聚合率 软测 量建模 研究 …… …夏梁 志， ＰＯ ＬＳＭ 李华８ １） （０ 大规模 高维数据 集环 境下 的路面使 用性 能评价方法 研究 … ……… ………… ・
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
常 保春 ， 宁青， 韩 梁伟平 ７９ （）
基 于Ｔ １６ 的混合 动力汽 车整 车控制 器的开 发… ……… ……… ……… ……… Ｃ ７６
模糊BP神经网络控制在水泥分解炉温度控制系统中的应用
模糊BP神经网络控制在水泥分解炉温度控制系统中的应用水泥烧成系统中分解炉温度的控制是一个典型的多变量、大迟滞、强耦合、非线性的复杂控制对象，很难建立起非常精确的数学控制模型，常规的控制算法几乎都无法取得满意的控制效果。
针对这一问题，文章先分析确定了影响分解炉温度的常量，采用神经网络算法构建预测模型，然后经模糊控制器得到喷煤量并调节这一常量来稳定分解炉内部温度。
经现场实际应用结果表明此温度控制系统响应速度快，实际控制温度与正常值误差较小，具有良好的鲁棒性、可靠性。
标签：分解炉；温度控制；神经网络；预测控制；模糊控制引言随着国内外房地产行业的蓬勃发展和建材行业的加速转型，水泥产业目前正处于产品结构和技术创新调整的重要时期。
，采用预分解技术的新型干法水泥生产工艺及优化控制策略已经成为我国水泥产业的发展趋势。
分解炉是预分解技术的核心模块，承担了预分解系统中煤粉燃烧、气固换热以及碳酸盐的分解等任务，保持炉温的稳定对于保持整个预分解系统的热力分布和热工制度的稳定至关重要。
但分解炉的控制具有非线性、大滞后性、强耦合性等特点，这决定了该系统的控制将会非常复杂。
针对以上问题，根据预测控制具有很强的鲁棒性，不依赖具体数学模型和在线滚动优化的特点，文章采用基于神经网络建模的预测控制并结合模糊控制方法，提出了一种可应用于新型水泥干法烧成系统分解炉温度控制的算法。
1 水泥分解炉工作原理和影响因素分解炉作为水泥烧成系统的第一个环节，其温度的控制对整个烧成系统起到了至关重要的作用，温度过高或过低，都会对系统产生很大的影响甚至停止运行，对生产公司的产销早成很大的影响。
二次风风温、三次风风温、煤粉的成分、预热后生料入炉前的温度、生料的成分以及分解炉自身散热等等都会影响分解炉温度。
在影响分解炉温度的众多因素中，通过对分解炉结构的分析和实际操作人员经验的总结，我们得出影响分解炉参数时变的主要因素有三个，煤粉流量、三次风量和生料流量。
自适应模糊控制在配料过程中的研究与应用
《 啊斟工业》２ ０ 年一 ２ 一一 １ 期 －０ 糊 控 制 在 配 料 过 程 中 的 研 究 与 应 用
匡字国 李小 英
摘
要
针对 工业配料过 程 中配料精 度和 速度相 矛盾 的难题 ， 中提 出 了一种 专 家系统 、 糊控 文 模
有非 线性和 时变性等 特点 。 用 常规 的控制算 法难 以 行处理 。 采
适应参 数变化及 干扰 因素 的影 响 ， 不仅 给调试 带来 困 １ 影响 称重 系统精 度的 因素
一
难， 控制 的效果也 不理想 。
随着科 学技术 和生产 的迅速 发展 ， 复杂和不 确 对 制理 论 的局 限性 日益 明显 。 了克服理论 和应用之 间 为
中图分类号 Ｔ ２ ３２ Ｐ７ ．
Ｒｅ ｅ ｒ ｈ ａ ｄ ａ ｐ ｉａ ｉｎ ｏ ｅａ ａ ｔｖ ｎ ｕ ｚ ｏ ｔ ｏ ｎ ｔ ｅｐ ｏ ｏ ｔ ｎ ｎ ｒ ｃ ｓ ｓａ ｃ ｎ ｐ ｌ ｔ ｆｔ ｄ ｐ ｉｅａ ｄ ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｈ ｒ ｐ ｒｉ ｉｇ ｐ ｏ ｅ ｓ ｃ ｏ ｈ ｏ ｏ
ｏ ｉｅｒｎ ｅａ ｄｒｐｄａｊｓｎ ｚ ｏｔ ｌ ｎ ｘｃ ｔｄ ｆ ｄ ｐｉ ｏｔ ｌ ｒ ｂ ｔ ａ ｐｉ ｐ ｆ ｄ ａｇ ｎ ａｉ ｄｕｔ ｇｉ ｆ ｚ ｃｎ ｏ ａ ｄｅａｔｕ ｅｏ ａ ｔ ｅｃｎｒ ｅ ｏｈ ｐ ｌ ｄ ａ－ ｗ ｉ ｎｕｙ ｒ ｉ ａ ｖ ｏａ ｅ
ｔ ｍ ｒ ｏｈ ｇ ｅ ｔ ｍｐ ｏ ｅ ． ｅ ａ ｅ ｂ ｔ ｒ ａ ｌ ｉ ｒ ｖ ｄ ｙ
Ｋｅ ｒ ｓ ｍｉ ｔｒ ； ｚｙ ｃ ｎｒ ｌ ａ ａ ｔ ｅ ｃ ｎ ｒｌ ｅ ｐ ｒ ｓ ｓｅ ｙ ｗｏ ｄ ｘｕ ｅ ｆ ｚ ｏ ｔｏ ； ｄ ｐ ｉ ｏ ｔ ； ｘ ｅ ｙ ｔ ｍ ｕ ｖ ｏ ｔ
模糊算法在智能智能食品安全中的应用
模糊算法在智能智能食品安全中的应用模糊算法在智能食品安全中的应用随着人们生活水平的提高和对食品安全的日益关注，采用智能化技术来确保食品质量和安全已成为研究和实践的焦点。
模糊算法作为一种人工智能算法，在智能食品安全方面得到了广泛的应用。
本文将探讨模糊算法在智能食品安全中的应用及其优势。
一、模糊算法的基本原理及特点模糊算法是一种处理不确定性信息的数学算法，可以将其应用于食品安全等领域中。
具体来说，将一个问题中的不确定信息通过数学模型来描述，然后将这些模糊的信息利用逻辑推理方法进行推理，最终得到一个模糊的结果。
模糊算法的一个优点是可以处理模糊的、不确定的人类语言，从而更好地适应人类的思维方式。
因此，模糊算法具有更高的可解释性和可控制性。
二、模糊算法在食品安全中的应用1、食品安全监测食品安全监测是确保食品质量和安全的重要环节。
依靠传统的数学和统计学方法，需要对样本的数量和性质进行严格的控制，才可以得到较为准确的监测结果。
而在实际应用中，食品的性质、成分等存在很大差异，因此传统方法无法满足实际需要。
采用模糊算法进行食品安全监测可以对多个指标进行定量处理和分析，得到更全面的食品安全状态结果，从而进行更准确的预测和处理。
2、食品质量评价食品质量评价是对食品各方面特性的综合评价，包括食品的营养、安全、功能等方面。
传统的食品质量评价方法较为单一，只能检测出某些特定的污染或营养成分，而无法全面评估食品的整体特性。
模糊算法可以适应食品鲜明的复杂性和多样性，全面考虑多种因素，包括感官、内在成分、化学性质等，将所有指标综合起来，得到食品的总体评价结果。
3、食品安全预警食品安全预警是保障食品安全的关键技术之一。
传统的预警方法常采用数值化的方法，但是因为食品安全问题往往是复杂的、涉及多方面的因素，这些因素之间的交互作用，很难用简单的计算数值来描述。
而利用模糊算法可以更好地处理食品安全预警问题，综合考虑多种因素，加强对食品安全预警的准确性和敏感度。
模糊自适应控制算法在配料系统中的应用
在 实 际配 料 系 统 中 ， 于 环 境 变 化 ， 备 老 由 设
化、 维修 和更 换 以及 物料 变更 ， 配料 系统 的 些参
数值 会 随之 发生 变 化 ， 上 多 种非 线性 因 素 的影 加 响， 人们 很难 建 立精 确 的 数 学模 型 对 生产 实 施 控 制ｌ 。传 统 的 Ｐ Ｄ控 制 在 配 料 系 统 的应 用 中存 ＿ ３ ］ Ｉ 在很 多缺 陷 。 固定 的 Ｐ Ｄ控 制 参 数 不 能 满 足 生 Ｉ 产控 制要 求 ， 改 Ｐ Ｄ 控 制 参 数 需 要 大 量 试 验 。 修 Ｉ 为 了完成 系 统控 制 指 标 ， 用模 糊 自适 应 控 制 算 采 法， 以质 量偏 差及 其 变化 率为 输 入 ， 动 给料器 振 振
在 橡胶 、 钞和 油墨 等行 业 的生 产 中 ， 固定 印 按
配 方 准 确 配 料 是 保 证 产 品 质 量 的 关 键 工 序 之
一
ｒ 时 滞 ， 纲 为 Ｓ Ｔ为 时 间 周 期 常 数 ； 为 复 为 量 ； Ｓ
变量。
＿］ １
。
在 配料 系统 中 ， 由于给料 器 非线 性 、 料特 物
幅为输 出 ， 总结 经验 的基础 上 ， 在 制定 模糊 控制 规
控制 过程 中各 种 信号 量 以及评 价 指标 不 易定
量表 示 ， 糊 理论 是解 决 这一 问题 的有 效途 径 ， 模 运
用模 糊 推理 可 实 现对 Ｐ Ｄ控 制 参 数 的最 佳 调 整 。 Ｉ 该 系统 的成功 应 用 提 高 了橡 胶 、 印钞 和 油 墨 等 生 产装 备 的水平 。本 文介 绍模 糊 自适 应控 制 算法 在
２ １ 控 制 结 构 ．
变结构模糊神经网络预测控制在变风量空调系统中的应用
Ⅲ』 ＝ Ｌ ＝
｜
ｆ ．
＼
｜ ｝
１
删
∑∈
其 中 ：ｉ ＝１ ， ２ ， …， ｒ ， 』 ＝１ ， ２ ， …， “
ｔ
采 样次数
第 四层 ： 实现模糊决策 。神经元 ｉ 的运行结果为 ：
｛ ｉ ： ３
其 中：ｗｆ ＝ｗ ｊ ０ ＋ｗ ｊ ｌ Ｘ ｘ ＋…＋ｗ ｊ ， ｘ ， 其 中 ：Ｊ＝ｌ ， ２ ， …， Ｍ 第 五层 ： 完成去模糊化 。 输 出变量的个数 与节点数对应 ， 最终运 行的结果 为 ：
１ 变 结构 模 糊 神 经 网 络 的 原理 变结构模糊神经网络 的结构如图 １ 。 全部 网络的学习速度和初始化任 务通过变结构 模糊神经 网络 来 实现 。图 １ 说明了变结 构的模糊神经网络的结构 。 五层前 向的神经网络构成变结构模糊神经网络 。 第一层 ： 输入层 。 输入变量的个数 由节点数决定 ， 他们之间是一
一
２
图 １ 变结构模糊神经网络原理 图
对应 的。
Байду номын сангаас
图 ２网络 中第二层神经 元的结构 图
第二层 ： 模糊条件层 。一方面 ， 完成 了变量隶属度 函数 的输入 ， 另一方面 ， 模糊控制规则又得 以匹配。 节点的输 出是模糊条件值。 每
个 高 斯 函 数 的 参 数 待 定 ， 高 斯 函 数 为 ： 叶 ｆ 、 ２ ］ ｊ
科 技论 坛
・ ４ ５・
本文将采用混合学 习算法对变结构模糊 神经网络 的前 、 后件参 数进行辨识 。高斯隶属度 函数 的中心值 和宽度值 属于非线性参数 ， ｙ － 。 采用共轭梯度算法进行辨识 。 用递推最小二乘算法来 辨识 连接权 函 数系数。 这样 ， 就能大幅提升 网络的学习速率 。 这种混合学 习算法分 为两 步。第一 步 ， 如果要得到线性参 数的估计 ， 就采用最小二 乘法 ， ～； ～ ～ 然而首先一定要 固定非线性参数 的值 的信号 向前传递 。第二 步 ， 调 ． ～ ： 然后 在偏差信号 的反传过程 中固 这 种变结 构模糊神 经 网络 的第二层特 点很优 秀 ， 如图 ２ ， 既 能 整非线性参数 的值用共轭梯度法。 够实现 了隶属度 函数 的输入 ， 特别强调的是还能够实现 了模糊隶属 定线性参数 的值 。最终获得所要 的非线性 函数关系 。 一； 一 ～ 度 的加成 。节点增加算法 ： ４ 仿 真 分 析 试 验条件 ： 室 内温度期望值 ２ ６ ℃， 送风 温度期望 值 ２ １ ℃， 采用 系 统的 误差 ｌ Ｅ （ ） ｌ ＝ ｌ 一 Ｙ ｌ 其 中： ｄ 为期 望输 出 ， Ｙ 为实际输 出。 变结构模糊神经网络预测优 化控制算法 ，通过 Ｍ ａ ｔ ｌ ａ ｂ对 Ｖ Ａ Ｖ系统 ｆ ， ， 、 １ 的送风温度和 回风温度进行 仿真研究 。 乞 ＝ ｅ ｘ ｐ ｌ － ∑ ｉ 三 ｎ ） 一 ｍ ａ ｘ （ ｔ ） ， 仿真结果如 图 ４所示 。 ～ ； ～ ． ｌ 。 １ １ ， ２， …， 采 样间隔为 ３分钟 ， 由仿真 图 ４可 以看 出 ， 空 调房 问初始 温度 增加节点算法具体如下 ： 为 ３ ０ ％， 在 ３ ０分钟左 右的时刻 ， 温度下 降到 ２ ６ ％附近 ， 在 ５ ０分 钟 左右 的时刻 ， 温度 以稳定在 ２ ６ ℃附近 。稳态误差小于 ０ ． ５ ％。 ①当 ｌ ￡ （ ｎ ） ｌ ＞ ， 且∈ （ ｎ ） ≥ ０ ． １ ３ ５ ４ 这两个条件同时成 立时， 第二 由仿真 图 ５可 以看出 ， 空调房 间初始送风温度 为 ２ ５ ℃， 在３ ０分 层神经元个数增加一个 。程序进入到参数 整合阶段。 钟左右 的时刻 ， 温度下降到 ２ １ ℃附近 ， 在 ７ ０分钟后稳定 在 ２ １ ℃附 ②当 ｌ Ｅ （ ｎ ） １ ＞５与 ｄ ｎ ） ＜ ｏ ． １ ３ ５ ４同时满足， 第一步， 增加宽度 ， 假
模糊神经网络在控制领域中的应用
模糊神经网络在控制领域中的应用人工智能技术的飞速发展，让我们生活的方方面面都被智能化、自动化所覆盖。
其中，模糊神经网络（Fuzzy Neural Network，FNN）是其中最为重要的一个分支，被广泛应用于各个领域中。
本文将详细介绍模糊神经网络在控制领域中的应用。
一、模糊神经网络概述首先，让我们来简单了解一下模糊神经网络。
模糊神经网络是一种神经网络的扩展，基于模糊逻辑和神经网络技术，用于解决具有模糊性和不确定性的问题。
它的特点是能够将输入、输出和系统的各种状态映射成为一组规则，并且使用反向传播（BP）算法进行学习和训练。
因此，模糊神经网络具有不变性、自适应性和鲁棒性等优点。
二、模糊神经网络在控制领域中的应用在控制领域中，模糊神经网络具有广泛的应用前景。
它可以有效地解决传统控制方法难以解决的非线性、模糊、不确定等问题。
1.电机控制电机控制是模糊神经网络在控制领域中的典型应用之一。
电机控制涉及到控制对象的动态特性、非线性和时变等问题，传统的PID控制方法难以解决。
模糊神经网络则可以通过学习控制系统的输入输出关系，获得控制策略。
在控制电机的转速、位置、力矩等方面具有广泛的应用。
2.气象预报气象预报也是模糊神经网络在控制领域中的一个应用领域。
气象系统是一个高度非线性和时变的系统，通过模糊神经网络可以将历史气象数据和实时气象数据映射成一组规则，从而实现气象预报。
3.机器人控制机器人控制是模糊神经网络在控制领域中的另一个典型应用领域。
传统的机器人控制方法中，通常是依靠根据环境进行修改的预设的操作方法完成操作。
但是，这种方法对负载变化和环境变化的抵抗性较差。
而模糊神经网络可以通过对机器人的模糊控制器进行学习，让机器人具备自适应性和森林，更加适应实际操作。
三、模糊神经网络的优势和局限性尽管模糊神经网络在控制领域中表现出极强的应用前景，但是其仍然存在着一定的局限性。
1.数据量少时，模型泛化差：模糊神经网络需要大量的数据来使其具有较高的泛化能力。
模糊神经网络控制器在炉温控制系统中的应用
模糊神经网络控制器在炉温控制系统中的应用[摘要]针对电加热炉大惯性、纯滞后、参数时变的非线性对象的控制的特点，以及模糊控制本身不具备自学习的能力。
[关键词]模糊控制神经网络电加热炉温度一、引言电加热炉在现代工业生产中得到广泛应用。
这类电加热炉控制对象具有非线性，时滞以及不确定性。
模糊控制是一种不依赖于被控过程数学模型的仿人思维的控制技术。
而神经网络对环境的变化却有极强的自学习能力。
本文将“模糊理论的知识表达容易”和“神经网络自学习能力强”这两种优势有机结合起来，取长补短，提高整个系统的学习能力和表达能力。
该方法能消除系统的稳态误差与颤振现象，显著改善模糊控制系统的稳态性能。
二、模糊神经控制器FNNC的结构模糊神经控制器FNNC是一个具有6层隐层结构的前向网络，如图1所示。
四、模糊神经网络控制在炉温控制系统中的应用（一）硬件设计实验中，采用实验用电加热炉。
热电偶检测到电加热炉温度，同时将温度信号转化成毫伏级电压信号；通过变送器将毫伏级电压信号转化成420mA的国际标准信号；通过串联500Ω的可调电阻，把电流信号转化成210V的电压信号；通过数据采集板，传输电缆，给数据采集卡，数据采集卡把模拟信号转化成数字信号，再给控制微机上控制算法程序，用编制好的程序对其进行计算，得到实际温度值，再与给定温度值相比较，得到的偏差值经过控制算法运算后，然后把计算过的数字信号传给数据采集卡，把数字信号转换成模拟信号，再通过传输电缆到采集板，再送给可控硅电压调整器，生成可控硅脉冲触发信号，该信号触发可控硅电路，最终的输出电压给电路供电。
通过调整可控硅触发信号（即调节供电电压每个周期的导通角），即可控制电路电压的通断及大小，进而达到控制炉温的目的。
（二）软件设计模糊神经网络控制框图如图2所示。
五、结束语电加热炉温度控制技术从模拟PID、数字PID到最优控制、自适应控制，再发展到智能控制，每一步都使控制的性能得到了改善。
在目前的电加热炉控制方案中，PID控制和模糊控制应用最多，但是他们都有自身难以克服的缺点。
模糊算法与神经网络的结合技术与应用
模糊算法与神经网络的结合技术与应用在现代人工智能技术中，模糊算法与神经网络被广泛应用并取得了很大的进展。
两者各自有着自己的优势和不足，但结合使用可以弥补彼此的缺陷，提高整体性能。
本文将介绍模糊算法与神经网络的结合技术，以及在实际应用中的一些案例。
一、模糊算法与神经网络的结合1.1 模糊神经网络模糊神经网络就是将模糊逻辑与神经网络相结合，由此产生的一种新型的神经网络。
它采用了模糊推理的方法，使得网络对于不确定的、模糊的信息也能进行有效的处理，提高了网络的健壮性和泛化能力。
1.2 模糊控制神经网络模糊控制神经网络是把模糊控制和神经网络相结合的一种方法。
它是一种基于经验的控制方法，能够自适应改善模糊系统的性能，实现控制目标。
它充分利用了模糊逻辑思想，能够处理输入具有模糊性质的问题，在非线性、不确定和时变等复杂情况下具有更好的控制效果。
1.3 模糊神经网络算法在模糊神经网络中，有许多不同的算法被提出和应用。
如ANFIS（自适应神经模糊推理系统）、WFNN（波形神经网络）和FILP（模糊逻辑程序设计）等。
这些算法各有特点，可以根据不同的实际需求和应用场景进行选择。
1.4 神经网络模糊化神经网络模糊化是指将神经网络中的输入和输出模糊化，从而实现对于不确定性信息的处理。
通过将模糊集合和模糊逻辑引入神经网络中，可以增强网络的适应性和鲁棒性，提高网络的泛化性能。
二、模糊算法与神经网络的应用案例2.1 工业控制在工业自动化控制中，模糊算法和神经网络通常被用来处理过程中的不确定性和非线性问题。
例如在温度控制、液位控制和车间调度等方面，它们能够提供更加精确和稳定的控制效果。
2.2 金融风险管理在金融风险管理方面，模糊算法和神经网络能够帮助银行和金融机构对金融市场和客户的信息进行分析和预测，建立风险模型和评估风险，以提高金融机构的风险管理能力。
2.3 图像和语音识别在图像和语音识别领域，模糊算法和神经网络能够处理复杂的、模糊的信息，提高识别精度。
模糊神经网络的研究及其应用
目录
01 一、模糊神经网络的 基本概念和特点
02
二、模糊神经网络的 应用领域
03
三、模糊神经网络的 理论研究
04
四、模糊神经网络的 实际应用
05 五、未来展望
06 参考内容
模糊神经网络是一种结合了模糊逻辑和神经网络的先进技术，它在许多领域 中都得到了广泛的应用。在本次演示中，我们将介绍模糊神经网络的基本概念、 特点、理论研究以及实际应用，最后对未来发展进行展望。
一、模糊神经网络的理论基础
1、模糊逻辑与神经网络
模糊逻辑是一种处理不确定性的逻辑，它允许我们使用“模糊”的概念来描 述现实世界中的复杂现象。与传统的二值逻辑不同，模糊逻辑可以处理事物的中 间状态，更好地适应了现实世界中的复杂性。神经网络是一种模拟人脑神经元网 络的计算模型，具有自学习和自适应的能力。将模糊逻辑与神经网络相结合，形 成了模糊神经网络这一新的计算模型。
一、模糊神经网络的基本概念和 特点
模糊神经网络是一种基于模糊逻辑理论的多层前馈网络，它通过模拟人脑神 经元的连接方式来实现分类和识别等功能。与传统的神经网络相比，模糊神经网 络具有以下特点：
1、模糊化输入：将输入数据转换为模糊量，使网络能够更好地处理不确定 性和非线性问题。
2、采用模糊规则：模糊神经网络采用模糊规则进行计算，这些规则可以很 好地描述现实世界中的模糊现象。
4、伦理和社会责任的考虑：随着人工智能技术的不断发展，伦理和社会责 任问题也日益受到。未来的研究需要考虑到这些方面的问题，确保技术的合理应 用和发展不会带来负面影响。
总之，模糊神经网络作为一种具有重要理论和应用价值的技术，未来将在更 多领域得到应用和发展。我们期待着模糊神经网络在未来的发展中能够取得更加 辉煌的成就。
基于预测控制的动态配料系统非线性误差研究
高． ｔ ｂ仿真表 明： 测控制是对操作 员经验 的模拟 ， Ｍａｌ ａ 预 在模 型 匹配 时性 能 良好 ， 现 出鲁棒性 强、 调量 小的特 表 超
点 ， 于 在 工 业控 制 领 域 推 广应 用． 便
关键 词 ： 态 配料 系统 ； 测控 制 ； 线 性 误 差 动 预 非 中 图分 类 号 ： ２３ ３ ＴＰ ７ ＋． 文献标志码 ： Ａ
２ ）预 测控 制 区 别 于其 他 控 制 方 法 的关 键在 于 采 用滚 动优 化 、 动实 施控 制作 用 滚 在 预测 控制 中 ， 常优 化不是 一 次离线 进行 、 通 而 是 反复 在线进 行 ， 这就是 滚动 优化 的含 义 ， 也是 预测
方法调节控制相当于直接对输 入能量进行控 制． 第
些 实践 工 程 中影 响因 素很 多 ， 以建 立 准确 难
的模型进行控制． 与之形成鲜明对比的是 ， 在某些实 际生产过程中， 有经验 的工作人员进行手动控制却
可 以产 生理想 的效果 ． 上述 背景下 ， 在 重新 考虑人 在 控制过程中的思维特点 ， 并让计算机来模拟人 的思
收 稿 日期 ：０ ９０ —０ ２ ０ —５３
运 动状态 ； 自动 在 线 测量 ； 时 间 内进行 快 速 测量 ， 短
维方式． 预测控制就是在实践 中发展和完善起来的 类新型计算机控制算法［］然而 ， １． 预测控制需要
一
比较精确的预测模型， 在模 型失配时预测控制 的性 能下降较快． 为了解决这个问题 ， 人们从预测控制算 法人 手 ， 出 了受 控 自回归积 分 滑动平 均模 型 、 义 提 广
设 闭环 预测输 出方程 为
Ｙ （ ＋ 是 ）一 （ ＋ ＋ Ｌ （ ） 尼 ） 走 ～ （ ） １ 志． ） ］（
基于网络预测的粮食颗粒输送模糊控制系统设计
基于网络预测的粮食颗粒输送模糊控制系统设计李阳;裴旭明;胡英杰【摘要】针对粮食颗粒管道气力输送系统中风速、压损、料气比等参数之间存在复杂非线性关系，难以建立准确的数学模型以实现闭环控制的问题，以CXLD50吸压混合输送移动式吸粮机为研究平台，设计了用BP神经网络的物料流量预测为反馈环节的模糊控制系统：使用神经网络工具建立物料流量预测模型，以快速方便地进行两相流流量在线测量；模型输出的预测流量与期望流量进行比较后，输入到模糊控制器进行判断推理并输出．仿真结果表明，系统响应迅速，可在50 s内达到理想输出；抗干扰能力强，其误差量稳定在±0．5 kg／s左右，有效改善了离线测量方法的信号反馈滞后现象，提高了输送系统的稳定性．%It is difficult to establishe accurate mathematical model to realize the closed-loop control,because of the complex nonlinear relationship among the wind speed,pressure loss,feed-gas ratio and other parame-ters in grain partieles pneumatic transport.To solve this problem,with CXLD50 suction pressure mixed conve-ying mobile grain sucking machine as the research platform,fuzzy control strategy was put forward with the material flow prediction of BP neural network as feedback loop.The system uses the material flow prediction model based on neural network tools which could quickly and conveniently online measured two-phase flow. After comparing the model output flow of prediction and expectation,it was input to the fuzzy controller for judgement and output.Simulation showed that the system has rapid response,achieving ideal output in 50 s and strong anti-interference ability,keeping deviation stable in ±0.5 kg/s sothat the fuzzy control system could improve the signal of off-line measurement feedback lag and raise the stability of transport system.【期刊名称】《郑州轻工业学院学报（自然科学版）》【年(卷),期】2015(000)001【总页数】5页(P90-94)【关键词】网络预测;气力输送;粮食颗粒输送;模糊控制系统【作者】李阳;裴旭明;胡英杰【作者单位】郑州轻工业学院机电工程学院，河南郑州 450002;郑州轻工业学院机电工程学院，河南郑州 450002;西安交通大学机电工程学院，陕西西安710049【正文语种】中文【中图分类】TH232粮食气力输送系统具有效率高、管道布置灵活、占地少、无粮食抛洒、节能环保等优点,已成为世界范围内广泛采用的散状物料输送方式.然而,输送系统中风速、压损和料气比各参数之间互相耦合，存在复杂的非线性关系，且输送对象多变，两相混合流流态不稳定，这些因素都导致系统的瞬时流量难以准确测量.目前,流量测量的主要手段是使用电子秤，然而这种测量方式反应迟钝，存在显著的滞后性，无法建立带有实时反馈环节的闭环控制系统.为解决流量测量滞后和物料输送不稳定的问题，文献[1]采用模糊控制方法，设计了颗粒物料的气力输送系统临界风速模糊控制器，实现了整个控制过程的快速稳定.文献[2]基于并行模块化神经网络建立了浓相气力输送系统的控制模型，利用模糊控制手段初步实现了浓相气力输送的自动控制，控制平稳，响应迅速.文献[3]研究了烟丝接种中流量控制的问题，使用模糊PID方法实现了烟丝流量和生物酶的比例控制.已有文献多使用模糊控制方法解决气力输送中的部分输送问题，但对稀相粮食气力输送中的输送不稳定问题还鲜有探究.本文以CXLD50型吸压混合输送移动式吸粮机为研究平台，在粒径为2 mm以上大颗粒物料的输送状态下，利用神经网络流量预测模型以任何精度逼近非线性关系的特点，应用模糊控制理论，以BP神经网络的物料流量预测为反馈信息，建立输送系统的模糊控制模型并进行仿真研究，以解决流量测量滞后问题，提高系统输送的稳定性.1.1 系统构成模糊控制是用模糊数学知识，模仿人脑的思维方式，对模糊现象进行识别和判断，并给出精确的控制量，对被控对象进行控制，其核心是语言规则和模糊推理，其基本组成见图1.由图1可知，模糊控制系统的主要组成部分是输入/输出、模糊控制器和控制对象，其中模糊控制器又包括模糊化、模糊推理、清晰化和知识库(数据库、规则库)4个模块.1.2 模糊控制器工作原理模糊控制器首先将来自实际输出量与参考输入量之间的偏差量和误差变化率放入各自的论域模糊函数域内，使精确量变成模糊量，完成输入的模糊化；然后经数据库各模糊集的隶属度函数转换后，再运用控制规则使模糊控制量转换成各自论域范围内的清晰实际的控制量，以此实现对控制对象的控制[4].这里,模糊推理规则是核心，它根据实际对象特性和控制性能给定调整误差、误差变化率和控制量的权重，在整个控制系统中起重要作用，决定控制系统的品质和特性.1.3 模糊控制系统的设计本控制系统建立在CXLD50型吸压混合输送移动式吸粮机的研究平台上，其基本结构如图2所示，主要技术参数为额定输送功率50 t/h，输送管直径170 mm，风机风压37 kPa，输送风量3 300 m3/s，电机功率55 kW，输送距离≥16 m，物料粒径范围2～8 mm. 该吸粮机以正负气压混合方式对粒径为2～8 mm 的粮食颗粒进行输送.主电机带动多级离心风机通过叶片旋转在进风管中产生负压,将粮食物料吸入管内，通过水平管道输入离心式分离器进行料气分离，空气经除尘后经分离器顶部的风管进入风机进风口;同时，粮食物料旋转下落,通过卸料器拨轮的旋转落入变径管，经变径管被正压气流吹出.由于粮食输送系统吸压混合、风速、压损及料气比等因素的影响，物料流量测量和数据显示存在明显滞后.另外,传统的物料输送控制方式是主要依赖人工观察和操作的开放式控制，难以对输送系统中复杂多变的情况进行自动调整，有可能导致系统输送效率波动.利用BP神经网络能以期望的精度逼近任何非线性函数，并具有自学习、自组织、自适应与并行处理等功能[5].本文提出的基于BP神经网络的预测模型,为反馈环节的模糊控制系统模型,如图3所示.由图3可知，以输送物料的参考流量和预测流量之间的误差及误差变化作为模糊控制器的输入，因为风速最易于调节[6]，所以将输送风速作为模糊控制器的输出.输出的风速通过风量调节器进行控制，风速和差压变送器得到的压损一起作为BP 神经网络预测模型的输入量进行流量预测，得到的物料流量反馈给系统输入端,与参考流量进行比较，模糊控制器不断做出相应的判断和输出，从而实现稳定流量的自动控制.选取系统误差e和误差变化的二维非线性PD控制器.前者为物料流量期望值和输送系统瞬时物料流量的预测值之差，即e=u0-u;后者是偏差的变化量，即=du/dt.当u0=u时，e和都为0，此时系统达到期望值.气力输送风速是管道压损和输送物料流量的直接影响因素[6]，且易于调节，故模糊控制器的输出选择输送风速的变化量Δv.2.1 模糊论域的划分论域划分的个数决定了模糊控制的精确程度.考虑到规则库的完备性和一致性，e的模糊子集设计为{NL，NM，NS，ZO，PS，PM，PB}；的模糊子集为{NL，NM，NS，Z，PS，PM，PL}；Δva对应的模糊子集为{NL，NM，NS，Z，PS，PM，PL}.其中,字母含义为正(P)、负(N)、大(L)、中(M)、小(S)、零(Z).它们对应的论域范围均为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}，输入输出变量的隶属度函数都取正态Gauss形，各自的论域划分情况如图4所示.图4a)中，e的隶属函数形状系数取1.5，各阈值函数的交叉覆盖率较高，可使偏差量更易于识别；图4b)和c)中，和Δva的隶属函数形状系数都取0.6，各阈值函数的交叉覆盖率较低，形状更尖锐,使偏差更便于跟踪与捕捉，同时使输出的控制量更加精确.2.2 模糊控制规则库的建立模糊控制规则库采用十字交叉方法建立.在模糊推理过程中，蕴含运算采用Mamdani方法，合成运算采用Min-Max方法，清晰化采用重心法.设输入空间e和的模糊分级数均为7，故最大可能的模糊规则数n=7×7=49.当e为PL，且为P*时，说明预测流量u远远小于期望值u0，并有进一步减少的趋势，此时应大幅增加输送风速，因此Δva应取PL，目的是快速消除偏差.模糊控制规则为：If (e is PL) and is P*) then (Δva is PL),其他控制规则依此类推.这里规则库中的模糊控制规则如表1所示.将表1所示模糊控制规则输入到Matlab的工具箱中，得到二维模糊控制曲面如图5所示.图5中的E和EC分别表示e和尺度变换后的论域范围，VA表示Δva尺度变换前的论域范围.曲面反映了输出控制量随e和的改变而做出改变的过程.e和在负向最大和正向最大之间变化时，控制量的动态输出平稳无突跳；当e正向较大且正向也较大时，预测的输送流量远低于设计流量且偏差有继续增大的趋势，此时应大幅增加输送风量从而提高系统输出量以修正偏差；当e负向较大且负向也较大时，预测的输送流量超出了设计流量且偏差有继续增大趋势，此时应减小输送风量从而降低系统输出量以修正偏差.模糊控制器正是通过这一过程来实现输送系统的自动调整，从而达到稳定输出目的的.针对粮食气力输送的模糊控制系统是建立在使用BP神经网络工具进行输出流量预测的基础上，控制对象使用传递函数定性描述水平管道压力损失跟随风速的变化趋势，以观察模糊控制器的控制效果.在BP神经网络流量预测模型中,将风速和压损作为输入量，物料流量为输出量进行网络训练和仿真.粮食物料的气力输送使用两相流体力学中的达西理论，可以得出风速与压损的近似关系，处于牛顿计算区水平管道稀相输送情况下的压损与风速关系的近似理论关系式为其中，λa为空气摩擦系数，L为测试管长，D为相应管径，ρa为输送气流密度，va为输送气流速度，λs为固相颗粒群空气摩擦系数，vs为固相颗粒群运动速度，固相颗粒群当量密度φ，g为重力加速度，ut为固相颗粒群悬浮速度，固气混合比(固相颗粒和气相流体的质量流量比)ma,ma=Avaρa，A为管道截面面积，固气速度比va.牛顿计算区φ值的近似计算方法为由于风速、压损和流量三者之间相互影响，无法用准确的数学模型来描述，本研究列出压损随风速的近似变化关系来替代实际生产中的风量调节器，这种近似数学关系的建立是为了验证模糊控制系统的可行性.仿真模型中控制对象的输出信号等效于在硬件实验中使用差压变送器实时测量的压损信号，输入到BP神经网络预测模型中进行预测反馈，再与期望值进行比较，完成控制系统的闭环处理.在表1参数和式①②的基础上，推导出水平输送管中压损随风速变化的近似数学模型如下: 3.1 模糊控制系统的建立在Matlab/Simulink软件环境下建立模糊控制系统仿真模型如图6所示. 图6中仿真系统的信号源为阶跃信号，在100 s后阶跃到期望流量值6 kg/s，信号源模拟吸粮机的设计流量，经过100 s的启动之后开始正常输送，期望流量为6kg/s.阶跃信号与反馈信号进行比较后形成的e与微分后的都需要进行尺度变换，均经过限幅后输入到模糊控制器进行判断推理.输出的控制量为风量变化量，经过传递函数模块后等效输出为压损，共同输入到神经网络子系统中进行流量预测，预测信号为反馈信号，示波器用来显示控制效果.这里取e的尺度变换因子ke=0.3，取的尺度变换因子ke′=10，Δva的尺度变换因子kva=0.25；模糊控制器输入变量的限幅函数上下限取[-6， 6]，以使输入量e和的语言值处于论域范围内，输出变量的限幅函数上下限取[0,30]，使Δva在0～30 m/s之间变化.3.2 结果与分析模型建立完成后进行调试，继而开始仿真运行，运行时间为450 s，示波器模块将阶跃信号与预测信号同时输出，控制响应如图7所示.由图7可知，阶跃信号代表期望输出即设计流量，0～100 s的时间内信号输出为0，表示系统处于启动过程，风机需要无负载启动，运行稳定后再进行输送工作；预测信号直接体现控制效果，0～100 s内的预测值为0；第100 s时期望值阶跃为6 kg/s，模糊控制器的输出控制信号在100～150 s内快速到达期望值，150 s 之后在期望值附近规则震荡，控制偏差最大为0.5 kg/s，最小为0.2 kg/s，平均偏差超过±0.5 kg/s，表明控制效果比较理想.本文以CXLD吸压混合输送移动式吸粮机为研究平台,提出了用BP神经网络的物料流量预测为反馈环节的模糊控制策略.设计出的模糊控制规则库符合专家控制经验和实际生产规律，生成的模糊控制曲面圆滑无突变,符合控制规律，依据两相流体力学理论建立的稀相混合流中压损随风量变化的近似数学模型，便于控制模型在软件环境仿真的进行.仿真结果显示，模糊控制系统能在50 s内达到理想输出，并稳定在±0.5 kg/s的误差范围内，控制系统响应迅速、稳定性强，控制效果较为理想，实现了模糊控制器与BP神经网络预测模型的仿真结合，为模糊控制系统的硬件实现提供了一个可供参考的范例.【相关文献】[1] 王泽南,张鹏.临界风速气力输送模糊控制仿真[J].农业机械学报,2003,34(5):116.[2] 张英建,朱正泽.基于Elman神经网络的浓相输送模糊控制系统[J].控制系统,2007,23(9):68.[3] 范蟠果,杨宵鹏.基于模糊控制的烟丝接种控制系统设计[J].机械与电子,2012(8):48.[4] 席爱民.模糊控制技术[M].西安：西安电子科技大学出版社,2008:86-124.[5] 李东玉,王睿.基于BP神经网络的阀控铅酸盐蓄电池劣化程度预测[J].郑州轻工业学院学报：自然科学版，2012，27(4)：12.[6] 赵昀,黄志尧.基于神经网络及机理分析的气力输送粉料质量流量软测量[J].仪器仪表学报,2000，8(21)：360.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
式 中 ，Ａ （ ） （ ） （ —ｉ ）为 ｋ—ｆ时 ｕｋ—ｉ＝ｕｇ—ｉ一ｕｋ 一１
刻作用 在 系统 上 的控 制增量 。
给 定 输入 控 制增 量为 ：
△Ｕ（ ） ［ ｕ ｋ ， ｕ ｋ－１，． （ Ｉ 一１ 七 ＝ Ａ （ ）Ａ （ Ｉ ）． － ．Ａｕ 足－Ｍ － ） ］
其 中 ， 为优 化控 制时域 长度 。 Ｍ 则 预 测模 型 的输 出值 为 ：
萝 ＋ｆ ＝Ｙ （ ＋ ‘ ｕ ｋ （ ） ０ ＋ ） ｉ Ａ （）
ｐ ｅ ｉ ｉ ｎ ｏ ｎ ｒ ｄｉ ｎ ｒ ｐｏ ｔｏ ａ ｖ ｄ ｎ ｌ ｍｐ ｏ ｅ ． ｒ ｃ ｓｏ ｆｉ ｇ ｅ ｅ ｔ ｏ ｒｉ ｎ ｈ ｓｅ ｉ ｅ ｔｙ ｉ ｒ ｖ ｄ ｐ Ｋｅ ｒ ： ｕ ｚ ｏ ｔｏ ； ｅ ｒ ｌｎ ｔ ｒ ； ｒ ｄ ｃ ｉ ｅ ｃ ｎ ｒ ｌ ｂ ｌ ｗｅ ｇ ｔ ｒ ｐ ｅ ｉｉ ｎ ｙ ｗｏ ｄｓ ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｎ ｕ ａ ｅ ｗｏ ｋ ｐ ｅ ｉ ｔｖ ｏ ｔｏ ； ｅ ｔ ｉ
本 文的生料配料系 统采用动态矩 阵控 制 ＤＭ Ｃ的形
ｃ ｎ ｒ ｌ ｄ， ｎ ｈ ｉ ｌ ｔｏ ｘ ｅ ｉ ｎ ａ ｕ ｖ ｓ ｓ ｏ ｔ ｔ ｈ ｏ ｔｏ ｆｅ ｔ ｆｔ ｅ ｍａ ｅ ｉ ｌｆｏ ｉ ｆｅ ｔｖ ， ｎ ｈ ｏ ｔｏ ｌ ｅ ａ ｄ ｔ ｅ ｓ ｍｕ ａ ｉ ｎ ｅ ｐ ｒｍｅ ｔ ｌ ｒ ｅ ｈ ｗ ｈａ ｅ ｃ ｎ ｒ ｌ ｆ ｃ ｔ ｒａ ｗ ｓｅ ｆ ｃ ｉ ｅ ａ ｄ ｔ ｅ ｃ ｔ ｅ ｏ ｈ ｌ
较 困难 ， 靠 经验往 往达 不到 期望 的效果 ， 神经 网络 依 而
具 有逼 近任意 非线性 函数 、 自组 织和 自学 习的 能力 ， 所
Ｊ ｌ ｆ＋１
Ａ （＋ 一 ） ｕｋ １
（ ２ ）
式 中 ，Ｙ （ 七＋ｆ 配料 皮 带秤 上物 料 流量 的初 始 ）是
值 ； ＝１ ．４ 。 ｉ ，， ０ ． ．
Ａ ｂ ｔ ａ ｔ Ｉ ｃ ｏ ｄａ ｃ ｔ ｈ ｅ ｈｎ ｑ ｅ ｆ ａ ｕ ｅ ｆｍ ａ ｅ ｉ ｌ ｒ ｐ ｒｉ ｎ ｎ ｅ ｔｓ ｓ ｅ ｉ ｈ ｅ ｅ ｔ ｒ ｄ ｃ ｉ ｎ ｅ ｇ ， ｎ ｒｉ ， ｓ ｒ ｃ ： ｎ ａ ｃ ｒ ｎ ｅ ｗｉｈ ｔ ｅ ｔ ｃ ｉ ｕ ｅ ｔ ｒ ｓｏ ｔ ｒａ ｏ ｏ ｔｏ ｉ ｇ ｂ ｌ ｙ ｔ ｍ ｎ ｔ ｅ ｃ ｍ ｎ ｏ ｕ ｔ ， ． ． ｉ ｅ ｔａ ｐ ｐ ｏ ｔｍｅ ｌ ｇ ｎ ｎ ｌｎ ａ ｉｙ ａ ｄ ｆ ｅ ｕ ｎ ｉｔ ｒ ｎ ｅｉ ｒ ｉ ｌ ， ｕ ｚ ｅ ｒ ｌ ｅ ｗｏ ｋ ｐ ｅ ｉ ｔ ｅｃ ｎ ｒ ｌ ｒ ａ ｅ ｎ ｎ ｕ ａ ｉ ａ ， ｏ —ｉ ｅ ｒｔ ｎ ｒ ｑ ｅ ｔ ｓ ｕ ｂａ ｃ ｗｏ ｋ ｆ ｄ ａ ｆ ｚ ｙ ｎ ｕ ａ ｔ ｒ ｒ ｄ ｃ ｉ ｏ ｔｏ ｌ ｓ ｄ ｏ ｅ ｒ ｌ ｄ ｎ ｅ ｎ ｖ ｅ ｂ ｎ ｔ ｒ ｒ ｄ ｃ ｉ ｎ ｍｏ ｅ ｓ ｄ ｓｇ ｅ ． ｏ ｅ ｗｏ ｋ ｐ ｅ ｉ ｔｏ ｄ ｌ ｅ ｉ ｎ ｄ Ｂｙ ｃ ｍｂ ｎ ｎ ｕ ｚ ｏ ｔｏ ， ｅ ｒ ｌ ｅ ｗｏ ｋ ａ ｄ ｐ ｅ ｉ ｔｖ ｏ ｔ ｏ ， ｔ ａ ｎ ａ ｃ ｉ ｉ ｉ ｇ ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｎ ｕ ａ ｔ ｒ ｎ ｒ ｄ ｃ ｉ ｅ ｃ ｎ ｒ ｌ ｉ ｃ ｎ ｅ ｈ ｎ ｅ ｎ
（． １ 河南商业高 等专科学校计 算机系 ， 河南 郑州 ４ ０ ４ ； ． ５ ０ ４ ２ 郑州大学信 息与控制研究 所 ， 河南 郑州 ４ ０ ０ ） ５０ １
摘 要： 针对水泥生产过程 中皮带配料 系统 的惯性 、滞后 、非线性及现场干扰频繁等特点 ， 设计一种模糊神经 网络预测控制算法 ， 将
ｓ ｌ－ ｔ ｄ ｉ ｇ， ｒ ｃ ｉ ｇ ａ ｄ ａ ｔ—ｎ ｅ ｆ ｒ ｎ ｅ ｃ ｐ ｂ ｌ ｉ ｓｏ ｈ ｌ ｏ ｉｈ ， ｎ ｈ ｅ ｒ ｌｎ ｔ ｒ ａ ｏ ｐ ｎ ａ ｅ ｗ ｉ ｅ ｆｓ ｕ ｙ ｎ ｔａ ｋ ｎ ｎ ｎ ｉｉ ｔ ｒｅ ｅ ｃ ａ ａ ｉｉ ｅ ｆｔ ｅ ａ ｇ ｒｔ ｍ ａ ｄ ｔ ｅ ｎ ｕ ａ ｅ ｗｏ ｋ ｃ ｎ ｃ ｍ ｅ ｓ ｔ ｔ ｔ ｈ
直 接影 响着水 泥 的生产质 量 。配料 系统 的特点 是惯性 、 滞 后 、时变和 非线性 等 ， 系统模 型难 以建立 。现有 水泥 厂生料 配料 系统一般 用 电子皮带秤 实现 ， 制方 式采用 控
算法 抗 干扰 能力 强 ， 获得 较高 的控制精 度 ， 制效果 能 控 优于 传统的 Ｐ Ｄ控制 。 Ｉ
干 扰 出现 的情 况 ， 以使 调节 品质更稳 定 。 可
统 结构如 图 １所示 。
２ ２ 模 糊神 经 网络 结构 ［［ ． ２３ ］］
对于 复杂控 制系统 ， 用传统 预测控 制 中的滚动 优化 法难 以满足 控制要 求 ， 本文 采用模 糊神经 网络进行 优化 计算 。 图 ２为模糊 神经 网络 的拓 扑结构 ， ５层 神经元 由 组成 ， 采用 Ｂ Ｐ算法 。
Ａｐ ｌ ａ ｉｎｏ ｕ ｐ ｔ ｆ ｉ ｏ ｃ Ｆ
ｉ ｔ ｒ ｌ ｏ ｏ ｔ ｎｎ ｓｅ ｎ Ｍａｅ ｉ ｐ ｒｏ ｉｇ Ｓｙ ｔ ｍ ａ Ｐｒ ｉ
ＸＵ Ｘｕｅ ｈ ｎ ＦＥＮＧ ｎｇ ｑ ｎｇ ・ ｏ ｇ． Ｄｏ ・ ｉ
（ ． ｍｐ ｔｒ ｐ ｒ ｎ， ｎ ｎＢｕ ｉｅｓ ｌ ｇ ， ｈ ｎ ｚ ｏ ５ ０ ４Ｃ ｉａ １ Ｃｏ ｕｅ ａｔ ｔＨｅ ａ ｓｎ ｓ ｌ ｅ Ｚ ｅ ｇ ｈ ｕ４ ０ ４ ｈｎ ； Ｄｅ ｍｅ Ｃｏ ｅ ２ Ｉ ｓ ｔｔ ｆ ｎｏ ｍａｉｎａ ｄＣｏ ｖ ｌＺ ｅ ｇ ｈ ｕ４ ０ ０ ｈｎ ．ｎ ｔ ｕｅ ｆｒ ｔ ｎ ｏ， ｈ ｎ ｚ ｏ ５ ０ １Ｃ ｉａ） ｉ ｏＩ ｏ ｎ
Ｃｏｎ ｒ ｌＴｈ ｏｒ ｄ Ａｐ ｉａｔ ｎｓ ｔｏ ｅ ｙ ａｎ ｐｌ ｃ ｉ ｏ
自 动化 技 术 与 应 用 》２ １ ０ １年第 ３ ０卷 第 ８期
用 的是过 程 当前和过去 的信息 ， 无法对 系统 的变 化趋 势 进行 预测 或估计 ， 而预测控 制可 以预测系 统未来 的变化
自 技 与 》 ０ １ 第３ 卷 期 动化 术 应用 ２１ 年 ０ 第８
控 制 理 论 与 应 用
Ｃｏ ｔｏｌ ｅｏ ｙ ａｎ ｎｒ Ｔｈ ｒ ｄ Ａｐｐ ｉ ｔ ｎｓ ｌ ｉ ｃａ ｏ
模 糊 神 经 网络 预 测 控 制 在 配 料 系 统 中 的 应 用
徐 学红 １ ，冯 冬 青
１ 引言
生 料配料 是水 泥生 产 中的一个 重要环 节 ， 其稳 定性
计 了一种模 糊神经 网络预 测控制算 法 ， 将模糊 控 制的逻
辑推理 能力 、神经 网络的强学 习能力 、预测控 制的超前 预测 能力相 结合 ， 增强 算法 的 自学 习、跟踪 与抗干 扰能
力 。将该 控制 算法 用于 配料 系统 中 ， 真结 果表 明 ， 仿 该
＋ ｆ
—
对复 杂 系统很 难 实现最 优 ， 算量 相 当大 ， 计 而模糊 控制 算法 通过模 仿人 的控制 思维方 式来选 择相应 的控 制量 ， 对预 测模型 精度要 求相对 降低 。在 构造模 糊控 制器 时 ， 隶属 函数 、控制规则 、量 化 因子 、 比例 因子等 的选 取 比
预 测的状态 反馈 到模糊神 经 网络 ， 以此来训练 模糊神 并 经 网 络 以达到 有 效 的控 制 。模 糊神 经 网络 预测 控 制系
（ 足＋Ｊ ＝ｅｋ＋Ｊ 一ｅｋ４Ｊ ） ） （ ） （ 一１ －
（ ５ ）
利用预测模型预测出未来 ．步的偏差和偏差变化 ７
率 ， 以实 现超前 调节 ， 可 对于 系统 具有 时滞 特性 或有 大
图１
模糊神 经 网络预 测控 制系统
２ １ 预 测 模 型 与 反 馈 校 正 ．
预 测模 型 的功 能 就 是根 据 当前 的控 制输 入 和 过程
的历 史输 出来 预测 系统的未 来的输 出 ， 预测模 型 只强调
模 型 的 功能 而 不强调 其 结 构形 式 。预 测模 型 在 出现偏
预测 模型 经 反馈 校正 后 的输 出为 ：
以将 神 经 网络和 模糊 控 制器 相结 合 以弥补模 糊 控 制器
（ ｋ＋ｉ ＝ （ Ｉ） ［ （） （） ） －ｆ＋ｈ ｙｋ 一 － 七】
（） ３
的不足 ， 使其 能够通 过 自学 习去 构造模糊 控制规 则 、优
式 中，ｙｋ 为 系统的实 际输 出值 ， （ 为模型 预 （） Ｙ ） 测输 出 ， ｈ为第 ｉ 步输 出的反 馈校 正系数 。设预 测偏差
传统的 ＰＤ控 制 ， Ｉ 但配料过程 中存在延迟 ， 控制信号延迟
一
段 时间 才能反 映到生料 流量上 ， 造成较 大的超调 和 较
长 的调节 时 间 ， 工作 现场干 扰 出现 非常 频繁 ， 且 控制 性 能很 难满 足要求 ， 重影 响了水泥 的生产 质量 。本 文设 严
２ 模糊 神 经 网络 预 测控 制 系统 的设 计
模糊控 制、 神经 网络 与预 测控 制相结合 ， 强算法 的 自学 习、 增 跟踪 与抗 干扰 能力 ， 神经 网络预测模型有效地补偿 了传统预 测控 制基于 线性模 型的局 限性 。 将该控 制算法 用于皮带配料控制系统 中， 仿真结 果表 明 ， 物料流量控制效果优于传统 的ＰＤ控制 ， Ｉ
配 料 精 度 有 了明 显 的 提 高 。
关 键 词 ： 糊 控 制 ； 经 网 络 ； 测控 制 ； 带 秤 ； 度 模 神 预 皮 精
中图分类号 ： Ｐ ７ ４ Ｔ ２ ３ ．