自适应模糊逻辑控制器（共9篇）
自适应模糊逻辑控制器 篇1
1 概述
快速发展的无线网络和通信技术创造了各种各样的移动通信系统,当前我们身边存在着诸如:3G、4G、IEEE802.11无线局域网等多种无线接入网络[1]。在下一代无线网络融合设计中,移动终端的智能化处理可以同时接入多个同构或异构无线网络,并能更好的支持业务多样性,多个不同类型的应用可以同时运行在同一移动终端上,并且每个应用分别具有不同的Qo S需求。因此,怎样对终端上运行的每个业务Qo S需求进行综合考虑,最终选择一个最合适的接入网络,是当前研究的重点[2]。在现有的网络选择切换研究中,多属性决策[3]是一种普遍被采用的方法。另一方面,传统基于代价函数的决策算法,重点考虑网络系统的某一个影响因子,虽然实现简单,但是灵活性和可靠性不高。
目前,针对网络选择切换问题,有必要引入一种通用的网络选择切换策略,以满足动态网络场景下采用不同接入方案的切换请求[4]。由于网络的选择与切换都是个动态过程,包括动态感知当前终端所处的网络环境、终端特性、接入网络的Qo S参数、网络资费、用户偏好等。对此,本文提出了一种基于上下文感知的切换策略,相比传统切换策略[5,6,7]有更好的效率和易用性。本文所提出的切换模型主要分为:上下文感知、切换触发和网络选择。
2 基于模糊逻辑的自适应网络选择切换策略
本文所提出的切换策略如图1所示,该策略联合了上下文感知,模糊逻辑控制以及提供了一种自适应的评分方法,有效地处理切换触发和网络选择。
首先,切换前移动节点(MN,Mobile Node)从本地网络定期获得网络上下文信息。必要时,MN也可以通过从附近的路由广播向交互服务器(ICS,InterworkingCoopera- tion Server)获得邻居网络上下文信息,这些信息可包括:链路质量、信号强度、带宽、网络负载等,此上下文感知方案在前面已经提及。然后,将获得的网络上下文信息送入一个切换判决方案,该方案采用模糊逻辑控制来判决MN执行何种切换:强制切换或自愿切换或停留在当前的网络接入点(即不切换)。当MN启动强制切换时,首先搜寻本地网络是否存在第二个网络接入点(AP,Access Point)满足其业务Qo S需求,若存在则执行切换到一个新的AP,若没有则启动邻居网络发现阶段。
邻居网络发现也开始于当MN触发自愿切换时,由之前提出的自适应方案来发现邻居网络,通过MN向为它服务的ICS发送邻居网络请求消息来获得当前可接入邻居网络的上下文信息。这个阶段的主要目的是为MN找出满足其业务Qo S需求的候选可接入网络,最后根据网络选择机制来决定切换到哪个候选网络。
2.1 上下文感知
上下文感知架构,是一种针对如何采集和分析网络的动态参数而提出来的网络架构,该架构通过分析移动终端和网络上下文信息,最终为网络的智能选择与切换提供一个动态的判决因子。具体上下文感知架构如图2。
该架构描述了两个不同网络(Net1、Net2)通过两个上下文感知服务器(CAS,Context-aware Server)连接到同一个IP骨干网中,每个CAS管理着本地网络接入点信息,并周期性通过路由广播向交互服务器跟新自己所属网络接入点信息,交互服务器能够保证不同技术网络间的信息交互,并为移动节点MN提供所需要的邻居网络接入点信息。上述MN、CAS和ICS之间的逻辑关系如图3。
2.2 切换触发
本文采用基于规则的切换发起机制,将终端的状态变化和邻居网络的Qo S状态变化相结合,作为触发网络选择切换的初始条件,以减少不必要的切换次数。我们定义网络选择切换的触发规则如下:
(1)终端从进入到离开当前网络覆盖范围;
(2)终端检测到新的可用邻居接入网络;
(3)终端当前所接入的网络不能满足其所承载业务的Qo S的需求;
规则(1)和规则(2)可用通过所设计的异构无线网络上下文情景感知架构来实现。规则(3)中对网络Qo S状态的评价,是根据不同的业务需求决定的。如果移动节点当前状态和网络状态同时满足规则(1)和(3),或同时满足(2)和(3),则需要触发切换,这样有助于减少不必要的乒乓效应。
2.3 网络选择
这个过程是在有多个候选接入网络的情况下,为MN选择最合适的其业务Qo S需求的接入网络。这个网络选择过程主要包括:邻居网络发现、网络上下文参数确定和得分函数计算,具体过程如图4。
在本文中,我们提出了一个新的网络得分偏好函数,该函数根据切换触发类型(强制或自愿),选择不同的网络参数来对候选网络进行综合排名。下面详细描述我们所提的偏好函数及其相应的计算过程。
(1)偏好函数定义
首先定义C F和CV 分别表示用于强制切换和自愿切换下的网络参数集,在本文的其余部分,移动用户和移动节点(MN)将交替使用。
对于一个给定的移动用户u ,定义一个最佳网络:
其中,Pun表示一个偏好网络n为用户u提供网络服务, N表示当前所有可用邻居网络。
Pun被定义为以下三种:
Rnc,f和Rnc ,v分别表示强制和自愿切换相关的因子,这是用来消除不符合用户需求的网络,定义如下:
最后 , 在公式 ( 3 ) 中 , 由于 可以分解 为 : 即如果 大于或者等于 ,计算出的函数的得分将高于之前网络的得分,表明当前网络整体状况优于之前网络,此时将该网络加入自愿切换候选网络列表。若 那么当前网络得分将减小,表明当前网络整体状况低于之前网络,此时将该网络从自愿切换候选网络列表中删除。
(2)用于计算偏好函数得分的相关参数定义
,指在网络以RSS为评判标准条件下网络n满足用户u当前业务iS用户偏好;
(3)偏好函数计算
上述提出的偏好函数能够通过移动终端侧或交互服务器(ICS)侧来计算。如果假设移动设备越来越智能化和网络接入灵敏,我们可以采用终端控制和网络辅助的切换策略。这意味着邻居网络提供上下文参数信息和MN计算其相关偏好函数来决定切换到哪个网络。相反,如果移动终端的设备功能有限,我们将采用网络控制和移动终端辅助的切换策略。这样对移动终端而言,只需要提供满足其当前业务需求的上下文Qo S参数和阈值(满足业务需求的最小值),由ICS根据上下文Qo S参数,计算邻居网络的偏好函数得分。本文采用第二种切换策略,这种方法将使MN节约计算时间和能耗资源。此外,邻居网络的上下文信息的隐私将受到保护, MN仅仅收到每个邻居网络的偏好函数得分排名,而不是处理它们的上下文信息。
3 仿真与分析
本文通过模拟仿真实验,证明提出的切换判决策略(HDS,Handoff Decision Strategy)的有效性。我们采用基于信号强度(RSS)的切换判决策略来对比验证本文所提出的切换判决策略的可靠性和优势。仿真场景设计如图7,基站BSi表示使用相同接入技术的网络i。同时假设BS1被赋予ICS的功能,其余基站BSi(i = 2...n)被赋予CAS的功能。在每次实验开始,MN被分配到网络1(即BS1),图中(S)为起始位置,MN以恒定的速度沿直线移动至网络覆盖重叠区域,图中(E)所示位置为MN移动的终点位置。
在我们仿真实验中考虑的上下文参数及其相应的权重,分别如表1和2。
本文通过模拟不同的异构无线网络切换策略,来比较本文所提出的网络选择切换策略相对于基于RSS切换策略的性能优势。同时,我们分析切换触发类型(强制切换与自愿切换)对选择目标网络质量的影响。其中NBS表示MN的邻居网络个数,NV表示自愿切换策略所采用的网络上下文参数个数,通过大量模拟实验统计,计算不同策略和不同网络基站个数条件下的网络偏好函数得分分布、切换成功率以及切换稳定性分别如图6、7和8:
实验表明,首先,自愿切换和强制所选网络相比基于RSS选择的网络普遍具有较高的偏好函数得分。同时也可以发现,当BS的数量较少时,基于RSS的切换也能有较高的偏好得分。其次,在网络数量和网络上下文参数较多的环境下,强制切换和基于RSS切换策略的得分逐渐降低,但强制切换策略相比基于RSS的切换策略在切换成功率上具有较明显的优势。最后,我们提出的切换判决策略能够提高基于用户需求和网络功能的目标网络选择的质量和稳定性。
4 总结
本文提出了一种利用上下文感知和模糊逻辑相结合的自适应网络选择切换策略。不同于传统的切换决策,其考虑了大量的网络上下文参数信息,这些参数信息通过一个上下文情境感知机制来管理。此外,定义网络偏好得分函数来平衡MN需求和网络能力之间的关系,该函数定义了两种类型的切换:强制和自愿切换,通过引入模糊逻辑控制来判决启动哪一种切换(强制或者自愿切换)。最后,通过仿真分析表明,自愿切换和强迫切换相比基于RSS切换均能够确保移动节点选择一个更好的接入网络,也证明了该切换策略具有更好的有效性。
自适应模糊逻辑控制器 篇2
FIMU温度的模糊自适应PID.Smith控制
进行温度控制是提高基于光纤陀螺的惯性测量单元(FIMU)测量精度的重要手段.温控对象具有大惯性和大延迟等特性,难以取得满意的控制效果.在分析了常用温度控制方法的基础上,本文将模糊自适应整定PID控制与Smith预估控制方法相结合,在FIMU中采用模糊自适应整定PID-Smith的温度控制策略.该方法加快了系统的响应速度,很好的解决了控制系统的`滞后问题.对高精度FIMU温度控制系统的仿真研究表明:该方法的控制品质良好,具有较强的鲁棒性,能适应环境参数的变化.本文研究也可用于其它大滞后高精度控制系统设计.
作 者：李晓峰 房建成 张延顺 Li Xiaofeng Fang Jiancheng Zhang Yanshun 作者单位：北京航空航天大学仪器科学与光电工程学院,北京,100083 刊 名：电子测量与仪器学报 ISTIC英文刊名：JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT 年，卷(期)：2008 22(z2) 分类号：V24 关键词：FIMU 温度控制 Smith预估控制 模糊自适应整定PID控制自适应模糊逻辑控制器 篇3
关键词：热风炉；模糊自适应控制；快速跟随性；仿真；模型
中图分类号：TP273.3 文献标识码：A 文章编号：1674-1161（2014）04-0045-03
热风炉是高炉鼓风的加热设备，是高炉炼铁生产过程中的重要设备之一，它承担着将燃烧煤气所产生的热量传递到高炉鼓风的关键作用。根据热风炉的实际情况，详细描述基于模糊自适应的热风炉燃烧控制系统的设计，在Sinulink仿真时运用S函数实现模糊自适应控制器和系统快速跟随特性，并在此基础上对控制算法进行仿真研究。
1 热风炉模糊自适应控制系统设计
1.1 模糊自适应控制系统的设计
在快速加热期，使拱顶温度尽快达到给定值。当拱顶温度接近拱顶控制温度时，平稳过渡；当废气温度上升到上限（废气管理温度）时，停止加热。选取加热期拱顶温度的偏差e及其偏差变化率ec作为模糊控制器输入量，输出控制量为u，即煤气流量。当拱顶温度偏大，且有继续增大的趋势时，减少煤气流量；当拱顶温度较大，但速率的变化为负时，保持流量不变；当拱顶温度偏低，且有继续减小的趋势时，适当增加煤气流量。系统应随生产条件的变化自动调整相关参数。热风炉拱顶温度控制系统结构如图1所示。
1.2 模糊自适应控制模型的设计
1.2.1 模糊控制器参数的选择
1） 输入、输出隶属函数的选择。模糊控制器均采用“标准”二维模糊控制器形式，即二输入、一输出。变量模糊集论域均为[-6，6]，采用常用的三角形隶属函数。
2） 输入、输出变量论域及各增益系数的选择。偏差增益系数Ke的大小对系统的动态性能影响很大。Ke较大时，系统上升较快，超调量也较大，过渡过程较长。模糊控制器采用增量输出的方式，因为模糊集论域为[-6，6]，最大增量值为6Ku（Ku为模糊控制器输出增益系数）。控制量u1（t）的实际论域为[0，11]，其最大值为11，最大增量Δu1（kT）一般是u1（kT）最大值的百分位，如选Δu1（kT）为11×2%=0.22，那么Ku的初选值为Ku=0.037。
1.2.2 模糊逆模型参数的选择 实际上，模糊逆模型的形式与直接模糊控制器（指系统闭环内所采用的模糊控制器）完全一样。模糊逆模型中的模糊控制器采用“标准”形式，即二输入、一输出。变量模糊集论域均为[-6，6]，采用常用的三角形隶属函数。选择参数时，首先初步确定出模糊逆模型的yke，ykc及yku的值，然后集中在增益系数yku的调整上（yku称为自适应系数），调整方法类似于传统自适应控制器。本文选择yku=1。
2 仿真与分析
2.1 与直接模糊控制方法的比较
3 结论
本试验根据热风炉的工艺特点和燃烧特性，设计一种适用于热风炉燃烧控制的模糊自适应控制策略，建立了热风炉模糊自适应控制模型，分析模糊自适应控制模型的选择和逆模型的建立方法。仿真结果表明：模糊自适应控制策略能够取得良好的控制效果，并实现系统的快速跟随性。
参考文献
[1] 马竹梧.高炉热风炉全自动控制专家系统[J].控制工程，2002，9（4）：52-57.
[2] 黄兆军，楼生强，李钢，等.涟钢5#高炉热风炉燃烧的智能控制[J].冶金自动化，2002（4）：38-40.
[3] 汪光阳，胡伟莉.专家模糊控制系统在热风炉燃烧过程的应用[J].工业仪表与自动化，2005（1）：17-19.
Abstract： The study and application of a kind of fuzzy adaptive controller is discussed based on the technical characteristic of hot blast stove in the blast furnace system. The model of fuzzy adaptive control used in hot blast stove is established. Simulation experiments were conducted on the control system using Simulink of MATLAB. The simulation results prove that the strategy of fuzzy adaptive control can achieve the better control effect.
工业镀铬过程的模糊自适应控制 篇4
由于在镀铬过程中, 铬的沉积机理甚为复杂, 所以整个电镀过程对电流、电压、镀液温度、镀液成分及浓度、电镀时间等要求都相当严格[2]。而国内现在镀铬过程大多通过一些模拟仪表、数字仪表对控制参数进行显示, 而后由操作人员根据经验调节各种变量以促使镀铬参数与工艺参数进行拟合。而由于操作人员经验不同以及现场情况复杂多变, 从而致使产品质量性能不稳定及成品率较为低下。 (1)
1 镀铬过程分析
工业镀铬过程中相互联系的参数较多, 其联系网状图如图1所示。
由以上参数网状图可以看出, 镀铬过程各参数相互影响。镀铬工件成品对外观、硬度、耐磨性、镀层厚度均有要求。而镀层的外观、硬度、耐磨性又有相互依存的关系。对于镀硬铬来说, 硬度为HV 700-800时耐磨性能最好, 所以成品镀层只要测试镀层硬度便可知耐磨性能是否达标。而硬度与外观均可通过调节镀液温度与电流密度来获得改善。镀层厚度与电流效率和电镀时间有关, 电镀时间与镀件尺寸有关, 可根据其进行选择, 而电流效率又与镀液温度和电流密度密切相关。电压与镀液温度和镀液成分有关, 当镀液温度稳定时, 电压可作为镀液成分是否合理的依据。
由以上分析可以看出, 镀液温度和电流密度是两个关键的参数, 对其调节关系到镀层外观、镀层硬度、耐磨程度及电流效率等参数。根据镀层硬度及外观要求可以大致确定镀液温度及电流密度的范围, 而电流密度和镀液温度的波动会直接影响到电流效率这个关键的因素。电流效率是铬金属沉积的数量与所耗电流的比值, 其大小又直接影响到电能的利用率。并且在电镀过程中如果电流效率变动过大, 会使得镀层不均匀, 从而使镀层的应力增大, 产生工件变形、镀层脱落以及结合力不强等诸多不良后果, 所以电流效率也应该严格控制。在目前的工业镀铬过程中大多是通过对镀液温度和电流密度进行控制的, 且多采用人工对两个变量分别进行控制。而对变量调节的机理便是依靠此二者的协调来控制电流效率达到要求的高值。而由于进行查表※调节※控制之后, 工业现场的状况已经改变, 因此实际的电流效率根本无法达到稳定, 而若根据实际温度与所要求电流效率根据查表来协调控制电流密度则完全可以解决如上的问题。为此, 考虑用模糊自适应机构来进行多变量协调控制。
2 模糊自适应控制器的设计
2.1 控制方案
在镀槽中温度的控制分成两部分:第1部分为电镀之前镀液的加热, 此时用电热管进行加热即可, 操作简单;第2部分为电镀过程中镀液的温度控制, 这部分控制是温控的重点, 因为在电镀反应过程中会产生大量的热, 所以需要用水来进行冷却, 即通过控制阀门的大小及开关状态来控制冷却水的流量从而控制镀液温度。在槽中为了使各处温度相同还要配有搅拌系统, 为了使所测温度反映实际情况还要在槽中、槽面和槽底配有3个测温传感器。由于冷却水的流量控制无法使温度立即达到要求, 因此温度控制为纯滞后环节, 温度波动在所难免[3]。而电流密度的控制较容易做到快速准确, 故用电流密度的快速反应来协调补偿温度的滞后迟缓。
图2为模糊自适应的控制方案, 从控制方案中可以看出, 总的控制结构大体可分为两部分:温度模糊控制部分和电流密度模糊自适应控制部分。输入变量为x1 (理想温度值) , 输出变量为y1 (实际温度值) 和y2 (实际电流密度值) 。而理想的电流密度值x2由系统根据x1查表得到。
2.2 温度模糊控制部分设计
2.2.1 模糊化
设此处E1、·E1和U1的论域定义为 (-7, 7) 之间, 它们的语言变量均定义为7级:PB (正大) 、PM (正中) 、PS (正小) 、ZO (零) 、NS (负小) 、NM (负中) 、NB (负大) 。其赋值表见表1。
注:E·1和U·1的模糊变量赋值表和E1的相同
2.2.2 建立模糊控制规则
由于此控制部分有3个变量定义了模糊子集:E1、·E1、U1{NB, NM, NS, ZO, PS, PM, PB}, 将其量化为{-3, -2, -1, 0, 1, 2, 3}, 则可将控制表制定为带修正因子的控制规则[4,5]。算式如下:
当x=0, ±1, ±2, ±3时, α分别取0.45, 0.55, 0.65, 0.75。目的是当偏差E1的绝对值较大时, 增大α以改善系统的动态特性, 当E1的绝对值较小时, 增大E·1的权重, 抑制系统超调, 使系统尽快达到稳定。其控制规则见表2。
2.2.3 模糊推理及精确化
表2所列的内容可由若干条IFE1i (k) AND·E1i (k) THEN U1i (k) 的模糊条件语句来表示, 根据这些语句可推出模糊关系R, R=∪ (E1i (k) ×·E1i (k) ×U1i (k) ) , 然后按合成推理算法求得控制器输出的模糊集:U1= (E1×·E1) R, 最后将U1精确化即可用于阀门的调节。也可离线编制控制表, 直接由E1、·E1的值查表得到U1的值。
2.3 电流密度模糊自适应控制部分设计
2.3.1 参数调整机构的设计
传统的镀铬过程, 依靠工艺参数对温度和电流密度分别进行调节, 实际上是人为地削弱了两参数之间的依赖关系[6]。若能找到这两个参数及电流效率间的关系, 然后由实际的温度测量值来控制电流密度的理想值, 则可使控制得到令人满意的效果。因为即使在实际温度未及时跟踪理想温度的条件下, 对电流密度进行了快速调整, 而保证电流效率保持在正常的设定值, 从而使镀层致密均匀。而传统的镀铬过程是无法使电流效率保持在设定值附近的。传统的镀铬工艺认为, 电流效率与电流密度的关系为:
式中:ηk———阴极电流效率;Dk———电流密度;a, b———与镀液成分和温度相关的变量。当镀液成分确定后, a, b便只与温度相关了。由此可知当温度确定时, 电流效率和电流密度存在对数关系。大部分生产厂家通过多年的生产经验已将不同温度下的电流密度和电流效率的关系绘制成表, 从而指导电镀工人寻求最优的电流效率来进行生产。而此过程对大多数电镀工人来说无疑是一个工作量大而效果不佳的过程。因此将此表存入电脑中, 由参数自调整机构通过查表自动调整x2的值。
参数调整机构除了解决如上问题外还负责对K1、K2、K3的调整。因为由电流密度和电流效率的关系式可以看出, 当温度改变时, a的值随之改变, 而a值的大小直接影响到密度-效率曲线的陡峭程度。当曲线变陡时会引起E2、E·2过大, 而曲线舒缓时E2、E·2过小。如果选用不变的K1、K2值, 则在满足陡峭情况下, 舒缓时控制作用便会削弱;满足舒缓的情况下陡峭时模糊值便会超出模糊论域。K3的选择依靠K1、K2的作用进行, 确定其主要作用是减小超调还是加快响应时间而进行改变。而K1、K2、K3均可依靠温度绘制成表, 当温度确定时, 据表选择其值。
2.3.2 电流密度模糊控制部分设计
除以上两点之外, 电流密度模糊控制部分与温度模糊控制部分设计思路一样, 也由模糊化、建立控制规则、推理及精确化3部分组成。在此不再赘述。
3 结束语
针对传统镀铬工艺中参数独立调节的缺点, 笔者提出了多变量相互协调的观点, 使事物恢复其本来面目, 从而降低了工人劳动强度、减少了人为失误的可能, 使得工艺过程稳定可靠, 最终保证了产品质量稳定与成品率的提高。
参考文献
[1]冯辉, 张勇, 张林森.电镀理论与工艺[M].北京:化学工业出版社, 2008.
[2]王计波, 冯栓良.活塞环镀铬过程的计算机监控初探[J].内燃机配件, 2002, (4) :18-20.
[3]俞金寿.复杂工业过程中的先进控制系统[J].炼油自动化, 1994, (2) :46-52.
[4]谢仕宏, 姜丽波, 刘国栋.模糊自适应PID控制算法在纸机烘缸蒸汽系统中的应用[J].化工自动化及仪表, 2007, 34 (1) :33-36.
[5]白珍龙, 耿继宏.分数阶模型参考自适应控制在重碱烧煅中的应用[J].化工自动化及仪表, 2007, 34 (1) :33-36.
自适应模糊逻辑控制器 篇5
1.1 锅炉供水系统工作原理
锅炉供水系统是由锅炉主体、液位传感器、给水阀和各种管道构成。控制系统是通过液位传感器返回的测量数据,去控制阀门开度的大小和开闭的时间来维持锅炉内的水位,来保证锅炉的水位在一个安全的范围值之内[1]。锅炉控制系统如图1所示。
1.2 在给水流量作用下汽包水位的动态特性
锅炉的输入量就是给水量,在给水量发生变化时,汽包水位对象的微分方程式可以表示为:
其中:T1T2——时间常数
Tw——给水量时间常数
Kd——给水量放大系数
Vw——水位变化量和最大蒸汽负荷量之比
经过拉斯变换后得到
从而得出汽包水位在给水流量作用下的传递函数
在锅炉供水系统中的值一般比较小,Tw可以忽略不记,所以汽包水位在给水流量作用下的传递函数可以近似看成
2 汽包水位模糊控制自适应系统设计
自适应模糊PID控制系统,使用了性能优越的模糊控制器取代了参数无法改变的常规PID控制器,使用PID和偏差e和偏差变化率ec相结合,通过使用模糊推理对PID进行在线整定,可以得出被控对象有良好的静、动态特性[2]。则模糊PID控制器结构如图2所示。
2.1 输入、输出量的模糊化
对于锅炉汽包水位控制系统,将汽包水位偏差值的变化量ec和偏差值e设为输入变量,PID参数的校正值为输出变量,即Kp、Ki和Kd。在模糊自整定PID控制器中,采用的是二维模糊控制器,如图3所示[3]。
汽包水位模糊自适应PID控制器设定模糊输入量误差E和误差变化率EC及三个模糊输出量△Kp、△Ki和△Kd的模糊子集均选用{NB,NM,NS,ZE,PS,PM,PB},分别对应{负大、负中、负小、零、正小、正中、正大}[3]。子集中的各语言值为输入、输出量的论域为:E={-3,-2,-1,0,1,2,3},EC={-3,-2,-1,0,1,2,3},Kp={-3,-2,-1,0,1,2,3},Kd={-3,-2,-1,0,1,2,3},Ki={-0.3,-0.2,-0.1,0,0.1,0.2,0.3}。其中E、EC、△Kp、△Ki和△Kd模糊变量隶属度函数均选用三角形函数,并进入隶属度函数编辑器(Membership Function Editor)修改输入语言变量的论域为(-3,3),输出语言变量的论域(0,1)。如图4所示的是E、EC、△Kp、△Kd的隶属度函数,图5所示的是△Ki的隶属度函数。
2.2 调节PID控制器的三个参数的模糊规则的建立
通过多次操作数据处理或多次数据经验总结,并结合理论分析可以总结出偏差e、偏差变化率ec跟PID调节器的三个参数Kp、Ki、Kd间存在如下的关系[4],下面以Kd的为例。
当e较小时,为使系统具有较好的稳定性能,Kp与Ki要取大一些,同时为了避免系统在设定值发生振荡,并考虑系统抗干扰性能,当ec较大时Kd可取得较小一些;ec较小时Kd可取的较大一些。根据这些经验调节修正PID调节器中Kd的参数的模糊规则,如表1所示。
表1中,|e|和|ec|分别表示偏差e和偏差变化率ec的绝对值;△Kd分别表示为对系统PID控制器原来设计参数Kd的修正值,系统实时的参数确实分别为Kd+△Kd,这些模糊子集的论域及其隶属函数,需要根据系统大量数据的分析得出,F子集的隶属度函数取三角形函数。建立了输入输出模糊变量子集后,在SIMULINK模糊控制器Rule Editor中添加模糊控制规则[5],共49条规则。
3 锅炉汽包水位的自适应模糊控制系统MATLAB仿真
3.1 锅炉汽包水位模糊控制系统仿真结构图的搭建
模糊规则制定完成后,在SIMULINK环境下中建立智能控制系统模糊控制仿真结构图,并对系统进行仿真实验,在Simulink中的模糊自适应PID控制系统如下所图7所示[6]。
锅炉水位仿真结果的自适应模糊PID控制如图8所示。
3.2 锅炉汽包水位模糊控制系统的MATLAB仿真
在Simulink环境下,PID控制系统仿真框图如图9所示,仿真曲线如图10所示。
在锅炉汽包水位控制系统,通过SUMLINK建立的两种不同形式的PID曲线,可以看出丛这两个仿真曲线图有些不同,采用模糊自适应控制系统的PID曲线具有更好的控制效果,比经典的PID控制器具有更快的动态响应特征,丛模糊自适应控制系统结果曲线可以很好的看出系统能很快的趋向平衡点,这就表明系统响应速度很快,超调量比较小,完成系统稳定控制的时间短,控制精度也很高,并且控制结果非常稳定。
4 结论
此项研究从锅炉系统控制的特点出发,将锅炉水位控制系统进行模型化分析,得出锅炉水位控制系统在工业过程中表现出的非线性,大滞后,强耦合,不容易控制等特点的结论。此研究根据以上模型得出的结论,将PID控制和模糊控制理论相结合,弥补了传统PID控制器难以达到理想控制效果的不足,既延续了PID控制中稳态精度高的优点,又将模糊控制融入其中,此两种控制理论的结合,使锅炉控制系统保持在最优的实时参数上,达到了令人满意的控制效果。
摘要：在锅炉运行中,对水位的控制要求特别高,因为它关系到锅炉系统的安全与稳定,水位控制是一种非线性,强耦合的多变量系统。模糊控制具有不依赖控制对象建立精确数学模型、具有超调较小、防止振荡等优点。本文针对这个现象设计了模糊自适应系统,并对其进行了MATLAB仿真实验。结果表明模糊自适应系统对锅炉水位有很好的控制作用。
关键词：汽包水位,自适应模糊,PID控制,仿真
参考文献
[1]娄伟,刘向东.模糊控制在锅炉汽包水位控制系统中的应用[J].山东农业大学,2010(1).
[2]李成浩.锅炉水位PID控制与模糊控制的比较研究[J].商,2012(21):135-135.
[3]高俊.锅炉汽包水位模糊控制的应用研究[J].上海应用技术学院,
[4]张鑫.模糊PID技术在控制锅炉汽包水位的初探[J].机械制造与自动化,2013,42(2):170-174.
[5]王爱军.锅炉汽包水位的模糊自适应控制[J].华北水利水电学院,2012(12).
热风炉燃烧的模糊自适应控制 篇6
热风炉是高炉鼓风的加热设备,承担着将燃烧煤气所产生的热量传递到高炉鼓风的关键作用。热风炉是一个复杂的慢时变、强耦合的非线性系统,其控制对象处于经常变化之中,要求所设计的模糊控制器具有自调整性能,能够适应不同现场环境的变化,获得满意的控制效果,对改善热风炉的送风效果具有非常现实的意义。
本文针对热风炉的工艺特点,结合国内外热风炉的运行经验和热风炉的运行实际情况,提出了一种具有自适应性的热风炉燃烧控制策略。用伪码实现控制算法能方便的实现在线推理,无需研究编程语言的语法和特征函数去模拟仿真模糊控制器,具有编程简单、可移植性强等特点。
2 热风炉模糊自适应控制系统设计
2.1 热风炉燃烧
热风炉的燃烧可以分为两个周期(1)快速加热期(2)拱顶温度管理期。
热风炉拱顶温度是热风炉生产中的重要参数,拱顶温度较低时,在送风期将不能保证规定的热风温度,拱顶温度过高将会对拱顶造成损伤。在燃烧控制过程中要求拱顶控制温度略低于拱顶目标温度,拱顶上限温度略高于拱顶目标温度,拱顶上限温度是热风炉拱顶的安全界限温度[1]。
操作规程规定的最高拱顶温度即拱顶目标温度为1350℃,拱顶的上限温度为1400℃,拱顶控制温度1300℃;允许的废气温度范围350~400℃,提高废气温度可以增加热风温度,废气温度的上限值为390℃[2]。
2.2 系统设计
在初始时刻,输入信号阶跃变化到给定值,为了尽快使炉温上升到给定值,控制输入为最大值,以最大的升温速率升温,为了不超调,在炉温没有达到给定值时提前减小控制输入,即温度与给定值相差数值M(即800℃)时,将输入减小,减缓上升速率。由于被控对象的惯性的作用,炉温继续上升。模糊自适应控制器的输出就是执行机构的控制输入,保证在拱顶温度平稳、迅速的上升到其上限目标后,进入拱顶温度管理期。
进入管理期后,必须保持拱顶温度。在模糊自适应控制下,使得废气温度按恒定速率上升,蓄热室能够充分蓄热且煤气利用率最高。当废气温度达到上限时,停止加热[3]。
拱顶温度控制需设定以下参数:煤气流量、拱顶目标温度和废气管理温度。将拱顶温度作为控制目标,以废气管理温度作为限制条件,控制参量为煤气流量,并根据最佳空燃比来调节空气流量,见图1所示。
图1中都为离散信号,T为采样周期。上部分为自适应控制环,它是通过调整模糊控制器的参数使得对象的输出y(k T)跟踪参考模型的输出ym(k T);下部分为模糊控制环,模糊控制器调整控制量,使得对象的输出y(k T)跟踪给定值r(k T)。
从图1中可以看出控制系统主要由四个部分组成:模糊控制器(1)、模糊控制器(2)、知识库修正器以及执行机构。
模糊控制器(1)中的规则库有下列形式的规则If e is Ej and c is Cl Then u is Um。其中,Ej、Cl及Um分别相应语言变量e、c和u的语言值。
模糊控制器(2)以到达减小偏差ye(k T)为目的,其规则库中的规则形式为:
If ye is YEj and yc is YCl Then yu is YUm。其中YEj及YCl为输入变量语言值,YUm输出变量第m个模糊集合。
知识库修正器接收信号yu(k T),改变模糊控制器规则库中的规则,就用p(k T)修正模糊控制器前一拍的控制作用,使得ye趋于零。这里模糊控制器的输出隶属函数为对称型三角形隶属函数。
首先,确定出模糊控制器规则前件确信度大于零的所有规则(即输入状态所激活的所有规则),即
其次,令b m(k T)为k T拍时第m个输出隶属函数的中心,对激活规则集合中的所有规则用b m(k T)=bm(k T-T)+p(k T)修正输出隶属函数的中心,不在激活规则集合内的规则不被修正[4]。
3 程序设计
利用上述控制思想和相关定义,编写模糊自适应控制程序,程序流程图如图2所示。
4 控制系统仿真
4.1 系统模型建立
(1)被控对象
将热风炉的数学模型近似用带延迟的一阶系统来表示。煤气最大流量的取值范围为0~40000m3 h,即最大流量约为11 m3 s。若以最大流量送煤气,由于拱顶最高温度不能超过1350°C,所以K=1350/11≈122,惯性时间常数T=150s,滞后时间τ=10,传递函数可以表示为:s,假定热风炉的初始温度400℃。用状态空间方程来表示被控对象,即初始值400。
(2)参考模型
用一阶惯性环节表示系统的参考模型。根据经验确定得到过程的稳态增益Ky=1,惯性时间常数Ty=10s,因而传递函数可以表示为:
4.2 系统仿真结构
通过S函数,编写程序来满足要求模型及接口。本次仿真,将模糊自适应控制程序按照Simulink中S函数的格式书写,命名为fac。
由于主要是修正前一拍的控制作用,所以前一拍对被控对象的控制作用占80%,当前拍对被控对象的控制作用占20%。仿真结构图如图3所示。当给定与实际的偏差在800以下,以最大流量送煤气。
4.3 仿真结果
1、模糊自适应控制仿真结果如图4所示。
2、初始给定值r=1000,当仿真进行到3000s时,突加一幅值为500的阶跃给定信号,即给定值为r=1300,得到的仿真曲线如图5所示。
3、系统达到稳定状态后,在3000s到3100s之间突然加一个负脉冲扰动信号,系统仿真曲线如图6所示。
5 结束语
本文将模糊自适应控制用于热风炉控制系统。针对热风炉工艺特点和热风炉的燃烧控制问题对热风炉燃烧控制系统进行了研究和设计[5]。控制算法由简单、通用的伪代码程序实现,以数字语言值为特征,能够很方便地实现在线推理,且移植性很强。采用Simulink中的S函数对控制系统进行仿真。仿真结果表明该控制策略在稳定性、响应速度、抗干扰性等方面均有较强的优越性。
摘要：本文针对目前热风炉供给高炉的送风温度较低且燃烧状态时好时坏,不能够节省能源和更好地满足高炉生产需要,提出了热风炉燃烧模糊自适应控制策略。详细论述了用伪代码实现控制算法的设计思想及设计步骤。采用S函数实现仿真,仿真结果表明该策略能够取得良好的控制效果。
关键词：热风炉,模糊自适应控制,伪代码,S函数
参考文献
[1]YUNOSUKE MAKI,AKIHIRO INAYAMA,KATSUMI INO.The Latest Technologies for Process Con-trol and Automation in Blast Furnace[J].KAWASAKI Steel Technical Report,2000,(43):61-67.
[2]孙进生.高炉热风炉燃烧CBR智能控制技术[M].北京:冶金工业出版社,2006.
[3]KENNETH R.MUSKE,JAMES W.HOWSE,GLENA.HANSEN,et al.Advanced Control of Operations in theBlast Furnace Project[j].LANL Technical Report,1999,LA-UR-99-5051.
[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.
自适应模糊逻辑控制器 篇7
主动电磁轴承利用可控的电磁力将转子悬浮起来,具有无磨损、无需润滑、能在很宽的转速范围内工作、使用寿命长等一系列传统轴承无法比拟的优点。主动电磁轴承与其他轴承最大的不同之处在于轴承的支承特性不仅取决于电磁轴承的结构,更取决于控制系统的设计[1]。主动电磁轴承通常采用PID控制器[2]。但是传统PID控制器,其控制参数的确定需要一定的经验,一旦外部出现较大的扰动或输入量突变的情况,设定的控制参数就很难达到期望的控制目标[3]。为了解决电磁轴承转子系统具有的非线性、时变和不确定性等问题,模糊控制器也得到了广泛研究。由于传统的模糊控制器类似于一个PD控制器,没有积分项,无法消除稳态误差,实际应用中通常在模糊控制器上并联一个PI控制器以形成并联结构的传统复合型模糊控制器。在传统复合型模糊控制器中,其动、静态特性之间存在一定的矛盾[4]。如果只追求响应的快速性,将导致过大的超调甚至系统不稳定;如果追求更好的稳态性能,将影响系统响应的快速性。
本研究提出智能积分型自适应模糊控制器,并以一个单自由度主动电磁轴承模型为例,研究智能积分型自适应模糊控制器的控制性能。
1 主动电磁轴承转子系统数学模型
一个完整的主动电磁轴承支撑的转子系统,包含5个自由度。如果忽略各自由度间的耦合,采用分散控制的策略,可将其简化成5个相互独立的子系统分别加以控制,就构成了如图1所示的单自由度径向电磁轴承系统模型。
如图1所示,采用差动控制方式,为了方便地建立主动电磁轴承系统的数学模型,将转子简化为一个集中质点,忽略铁心材料的磁阻、损耗等的影响,可得到电磁铁的电磁力为:
式中 k=μ0NA cos α/4;N—线圈的匝数;A—磁极横截面积;α—线圈与磁极中心线的夹角;x0—轴承在平衡点处时气隙间隙,平衡时对应的上、下线圈中通相等的电流i0;x—转子变化位置;ix—控制电流。
从式(1)中可以发现,磁轴承的电磁力是气隙与线圈电流的二次函数,将式(1)在x=0,Ix=i0附近作泰勒展开,并略去高阶无穷小量,可得关系式为:
F=F0+kxX+kiI (2)
式中 F0—在静平衡位置时由静态偏置电流i0产生的初始电磁力;kx—电磁轴承的位移刚度系数,kx=-μ0N2Ai20 cos α/x30;ki—电磁轴承的电流刚度系数,ki=μ0N2Ai0 cos α/x
利用牛顿定律可以得到转子在垂直方向上的运动微分方程为:
式中 p(t)—x方向的外界干扰力。
在不考虑外部干扰的情况下,对式(3)进行拉普拉氏变换,得到电磁轴承在一个自由度方向上“以位移x为输出,电流i为输入”的传递函数模型,即:
2 智能积分型自适应模糊控制器
本研究提出的应用到电磁轴承系统的智能积分型自适应模糊控制器的控制框图如图2所示,主要由自适应控制器、电磁轴承模糊控制器、智能积分器等3部分组成。自适应控制器通过监测主动电磁轴承转子系统运行情况对控制效果作出评估,并根据评估来对电磁轴承模糊控制器的控制参数进行修改以达到自适应控制的目的。智能积分器根据响应曲线的特性进行有选择性的积分,克服了传统积分中积分饱和和因积分参数选择不当而导致系统振荡等缺点,从而提高了系统的稳态性能。
2.1 电磁轴承模糊控制器
电磁轴承模糊控制器主要功能是对主动电磁轴承转子系统实行模糊控制,考虑到系统控制的精度和实时性要求,将位置偏差e和偏差变化率Δe作为输入语言变量。因为一般A/D变换器的输入为±5 V,选择偏差e的变化范围为[-6,6] V,所以偏差e的模糊论域为[-6,6]。在不影响控制效果的前提下减少计算量,偏差变化率Δe采用非线性变换,取模糊论域为[-6,6],大于6的Δe取6,小于-6的Δe取-6。输出语言变量为U1,当功率放大器的增益为1时,控制电流ix的范围为±6 A,所以U1的模糊论域取[-6,6]。对输入输出语言变量都选取7个语言变量值,它们为:NB、NM、NS、ZO、PS、PM、PB。隶属函数的形状对模糊控制的性能影响很大[5,6],当隶属函数比较窄瘦时,控制比较灵敏;反之,控制比较粗略。模糊语言值都采用三角形隶属函数,具体输入输出语言变量的隶属函数图分别如图3和图4所示。
根据图2原理,笔者制作了电磁轴承模糊控制器的控制规则表,如表1所示。这里采用单点模糊集合的模糊运算方法将输入空间的观测量映射到模糊论域上,然后采用Mamdani推理和重心法反模糊化得到电磁轴承模糊控制器的输出。
2.2 自适应控制器
在电磁轴承模糊控制器的设计过程中,模糊论域的范围、尺度变换比例因子的选择、隶属函数的选取以及模糊规则的制定,主要通过试验、总结或者询问专家得到,然后经过反复调试来确定。这样设计的模糊控制器应用到电磁轴承转子系统上,难以达到理想的效果,所以在电磁轴承模糊控制器的基础上引入了自适应控制器。
应用到主动电磁轴承转子系统的自适应控制器应该具有快速的适应功能,所以本研究采用性能测试模糊控制器来实现自适应控制器。性能测试模糊控制器根据e和Δe对控制性能进行评估,根据评估对电磁轴承模糊控制器尺度变换比例因子ku进行在线修改以达到自适应控制的目的。性能测试模糊控制器不但具有模糊控制对模型要求不高、实现方便等特点,而且在实际实现过程中可制成控制表,以达到快速的适应功能。
本研究采用离线调节ka和kb,在线调节ku的自适应控制。以控制系统的典型单位阶跃响应曲线为例,如图5所示,ku的整定方法如下:
(1) 在OA段。e>0,Δe<0,该段表示系统在控制信号控制下由静态向稳态过渡的过程,为了提高系统的响应速度,应该将ku的值设置得大一些;当曲线到达A点附近时为了防止响应超调过大,应将ku的值设置得小一些。
(2) 在AB段。e<0,Δe<0,系统输出超过了设定值,为了减少超调,应该加强控制作用,ku的值应该尽量设置得大一些。
(3) 在BC段。e<0,Δe>0,系统的误差已经开始减小,随着误差减小,为了防止再次超调,应该减小控制作用,到C点附近时应该设置最小PS,防止出现过大的负超调。
CD段的分析和AB段类似,而DE段和BC段类似。
将e和Δe作为性能测试模糊控制器的输入语言变量,根据控制效果采用上面的整定方法整定ku,输入语言变量的设定同电磁轴承模糊控制器的设置一样。输出语言变量为ku,根据试验,ku不能太大,过大将导致振荡,过小自适应效果不明显,所以其模糊论域取[0,3]。输出语言变量选取3个语言变量值,即PS、PM、PB,采用三角形隶属函数。输出语言变量ku的隶属函数图如图6所示。
根据ku整定方法和试验,可制作性能测试模糊控制器具体规则库,性能测试模糊控制器的控制规则表如表2所示。采用单点模糊集合的模糊运算方法将输入空间的观测量映射到模糊论域上,然后采用Mamdani推理和重心法反模糊化得到性能测试模糊控制器的输出。
2.3 智能积分器
因为一般模糊控制器缺少积分项,系统的稳态误差比较大。为了减少系统的稳态误差,人们设计了很多的复合控制器。而复合控制器在引入了常规PID控制器积分项的同时也引入了这种积分的缺点,因为它记录了偏差和偏差变化的所有信息,当偏差存在时,将会一直积分下去,容易导致“积分饱和”而使系统的快速性下降,同时积分参数选择不恰当,将导致系统振荡。本研究以图5所示控制系统的典型单位阶跃响应曲线为例,说明了智能积分和传统积分器之间的区别。对于传统积分器来说,在AB段的正确操作应该是给定一负的控制量以尽快降低偏差,但由于OA段积分的作用很难被抵消,导致系统超调过大,然而在BC段积分作用继续增加控制,将导致系统的再次超调,其他段的情况类似。
为了克服这些缺点,这里设计的智能积分器将根据响应曲线有选择地进行积分,对于图5的响应曲线,智能积分器只在AB、CD、EF段积分,其他段将不进行积分,即当e×Δe>0或Δe=0且e≠0时,需要对偏差进行积分,其他情况不进行积分。
3智能积分型自适应模糊控制性能仿真及分析
本研究以某AMB试验系统作为仿真对象,其各参数分别为:x0=0.4 mm,A=0.3×10-4m2,m=3.5 kg,N=100,i0=6 A,α=22.5°,功率放大器的增益为1,传感器的增益为12 500 V/m,滞后时间为2×10-4s。
利用Matlab中的Simulink平台,笔者对传统PID、传统复合模糊控制器和智能积分型自适应模糊控制器在AMB中进行仿真控制,并按照图2的结构框图给出了系统的仿真模型,如图7所示。
因为e和Δe的模糊论域都为[-6,6],所以在控制器的输入端引入sat1和sat2两限幅器。因为主动电磁轴承电流范围为±6 A,所以在控制器后引入限幅器sat3。由于功率放大器的增益为1,仿真中省略功率放大器模块。
本研究用于对比的传统复合型模糊控制器通过并联电磁轴承模糊控制器和常规PI控制器来实现。因为PID的参数选取不能在快速性和稳定性上同时达到最优,所以仿真中选取响应速度较快的一组PID参数。智能积分型自适应模糊控制、传统PID和传统复合型模糊控制器对电磁轴承系统单位阶跃响应曲线的影响如图8所示。不同控制器条件下系统单位阶跃响应性能指标参数的测量结果如表3所示。
对表3和图8结果进行对比分析,不难发现传统复合型模糊控制器几乎没有超调,但当测量值接近设定值时单位阶跃响应速率变缓,从而导致上升时间过大,PID控制器单位阶跃响应的超调大,并且调节时间长。智能积分型自适应模糊控制单位阶跃响应虽然有微弱的超调,但控制快速性好、稳定性高,能够较好地解决PID控制和模糊控制静、动特性间的矛盾。
将智能积分型自适应模糊控制器中的智能积分用传统的积分器替代,得到常规积分型自适应模糊控制器,增加ka,让单位阶跃响应产生适当的超调,对比智能型积分和传统型积分在控制中的作用如图9所示。
智能积分型自适应模糊控制器在出现超调情况下响应曲线振荡了2次,调节时间为0.01 s。常规积分型自适应模糊控制器振荡5次,调节时间为0.021 s。因此当系统出现超调时,智能积分器能让系统更快地趋于稳态且振荡次数少。
4 结束语
对于非线性系统或受外界干扰较大的系统,传统PID控制器和传统复合型模糊控制器控制效果不能达到最优,传统PID参数整定困难,传统复合型模糊控制在接近设定值时,响应速率变缓,导致调节时间拉长。
本研究设计的智能积分型自适应模糊控制器最大的优点在于对电磁轴承系统响应曲线实时评估,然后调节模糊控制器尺度变换的比例因子ku,以达到自适应控制的目的,整个控制过程具有控制快速和稳定性好等特点。在自适应模糊控制器基础上引入智能积分器,克服了传统积分器易饱和和积分参数难整定等缺点。仿真结果证明了智能积分型自适应模糊控制的优越性。
参考文献
[1]胡业发,周祖德,江征风.磁力轴承的基础理论与应用[M].北京:机械工业出版社,2006.
[2]张茂青,林红.磁悬浮轴承连续式模糊控制系统[J].仪器与仪表,2002(12):13-22.
[3]苏义鑫,王娟,胡业发.磁悬浮轴承的变参数PD控制[J].武汉理工大学学报,2004,26(2):35-37.
[4]韩启纲,吴锡祺.计算机模糊控制技术与仪表装置[M].北京:中国计量出版社,1999.
[5]孙增圻.智能控制理论与技术[M].北京:清华大学出版社.2003.
自适应模糊逻辑控制器 篇8
随着模糊控制越来越广泛的应用,一些学者开始通过采用多种算法( 如神经网络等) 与模糊控制相结合[1],来得到适用性更强的新控制算法。 张秀玲等提出了一种优化自适应模糊神经网络算法,并应用在污水处理系统中,提高了系统的稳定性,使模糊神经网络具有更高的鲁棒性[2]。赵继印等提出一种基于误差自动调节修正因子的自适应学习速率法,从而提高网络的收敛速度[3]。徐春梅等提出的权矩阵学习速率自适应调整算法, 可以取得更好的控制跟踪效果[4]。房振勇等通过调节动量因子实现学习速率的自调节,提高了学习的平稳性[5]。王玲芝和王忠民将BP网络的节点实际输出与期望输出的平均绝对值误差及其误差变化率作为自变量,并寻求学习速率与两个自变量的函数关系,对学习速率进行了动态调整,使系统具有更快的收敛速度[6]。徐雅斌和杜鹏将模糊推理方法引入到BP算法中,实现了自适应调节学习速率[7]。
在此,笔者将带有动量因子的自适应学习速率的新型BP算法应用到模糊神经网络控制器中,给出了一种基于自适应学习速率的模糊神经网络控制器,利用新型BP算法来训练模糊控制中的隶属度函数和模糊规则,采用模糊推理的方法来自适应调节学习速率,使系统具有良好的控制效果。
1问题描述
考虑如图1所示的模糊神经网络[8],该网络为五层结构,其输入为误差e和误差变化ec,输出为u。
设系统的理想输出为yd,实际输出为y,则性能指标J的计算式为[9]:
通常,模糊神经网络控制器中学习速率是常数,在学习过程中很难确定一个最佳学习速率,同时在修正权值、中心值和宽度值时,仅按当前时刻的负梯度方向修正,而不考虑以前时刻的梯度方向,会导致在学习过程中出现振荡和收敛速度慢的问题。
2基于自适应学习速率的模糊神经网络控制器
2.1参数初始化
通常,初始权值、隶属度函数的中心值和宽度值会取常数或赋一个较小的随机数,但这种初始化方法会导致网络收敛速度较慢,甚至只能收敛到局部极值上。因此,笔者采用均匀分布随机数产生权值、中心值和宽度值,使初始权值随机产生并均匀分布。
2.2带动量因子的BP改进算法
在标准的BP算法中,设 η 是学习速率,模糊神经网络控制器中的可调参数权值 ωij、中心值mij和宽度值 σij的计算式分别为:
在此,引入动量因子 β( 0≤β < 1) ,采用上一次在学习过程中的校正量来影响本次的校正量, 以加快收敛速度,即:
通过选择合适的 β 值,可避免每一步修正值过大出现的振荡现象或因BP陷入局部最小值和修正值过小的问题。
2.3自适应学习速率
由可调参数知,学习速率通常是设定的常数, 但在整个过程中,无法找到一个最合适的学习速率来满足该算法对学习速度的要求。为此,通常采用自适应调节学习速率的方法[10],即根据实际情况和网络误差来自适应调节:
其中,Et为t时刻的误差,Et + 1为( t + 1) 时刻的误差。可见,若误差变化修正方向正确,即总误差减小,则学习速率增大; 反之,则学习速率减小。 α 通常取0. 01 ~ 0. 03,虽然采用这种方法对于缩短学习时间、提高收敛速度有一定的效果,但 α 仍然是一个常数,学习速率依然是一个不变量。因此,对于学习速率的问题仍然需要研究,笔者采用模糊神经网络自调整学习速率的方法,以提高系统的收敛性。
将误差E总和误差变化 ΔE看作模糊程度,从而引入模糊推理的概念,按照E总→0和 ΔE→0的程度来更新学习速率。具体步骤如下:
a. 模糊化。求出y、E总和 ΔE,并对E总和 ΔE进行模糊化处理。
b. 模糊分割。将误差和误差变化分别分割为5个语言变量,分别为NB、NS、ZE、PS和PB; 将学习速率分割为5个语言变量,分别为ZE、PS、S、 B和PB。
c. 选取隶属度函数。笔者采用三角形作为隶属度函数,即。
d. 模糊推理。采用的语句为“IF e'是Aiand ec'是Bi,Then η'是Ci”,其中Ai、Bi和Ci为模糊语言。学习速率的模糊控制规则见表1。采用模糊的运算方法Ri= ( Aiand Bi) →Ci,其中,Ri为模糊蕴含关系,则所有规则的总模糊关系,输出模糊量 η' = ( e' and ec') R。
e. 清晰化。采用加权平均法,使清晰化后的 η 用于BP算法中的误差反传。
因此,采用模糊推理的方法来自调整学习速率,使学习速率在学习过程中适时地改变,从而提高控制系统的收敛速度。
考虑如下线性系统:
定义误差e与误差向量e珒分别为:
控制器的输出ui为:
式中kjik———实数值;
ω ———权值;
φ ———第三层的输出。
因此可以得到:
取 Ni= 2,Nr= 7。
对于给定的回归向量 ф,定义最优为:
理想控制器的输出u*为:
将式( 5) 代入式( 1) 得:
将式( 1) 和式( 6) 作差,并将式( 2) 、( 3) 代入其中,得到系统的误差方程为:
将式( 4) 、( 5) 代入式( 7) 可得:
定理对于式( 1) 的线性系统,应用基于自适应学习速率的模糊神经网络控制方法,满足的条件下,系统式( 1) 在Lyapunov意义下是稳定的。
证明P是对称正 定矩阵,它满足ATP + PA = - Q,其中Q是可选的对称正定矩阵。
选取Lyapunov函数,其中。
又:
式中O( t) ———模糊神经网络的实际输出;
W ———m、σ、ω 的统称。
定义:
根据导数定义可知,,Δt必大于0,为了保证收敛,则必须满足即,通过计算满足。
因此,在时,满足,跟踪误差e收敛,故系统式( 1) 在Lyapunov意义下是稳定的。
综上,跟踪误差e收敛,表明系统式( 1) 在控制律( 4) 的作用和条件下收敛。
3仿真实验与分析
考虑如下二阶控制系统:
采样时间T = 1ms,产生49条规则,阶跃输入信号r = 1. 0、β = 0. 75,经过500次迭代,初始权值取[0,1]上的均匀随机数,初始中心值是[1. 0, 1. 6]上的均匀随机数,初始宽度值是[2. 0,2. 6] 上的均匀随机数。
对于同一受控对象,运用Matlab进行仿真, 对比并分析本方法、模糊控制和常规模糊神经网络控制方法的仿真实验结果( 图2、3) 。采用本文方法得到的学习速率变化曲线如图4所示。
实验对比结果见表2。
常规模糊神经网络的 η 取0. 30,而本文方法取 ηm= ησ= ηω,由表3可知学习速率满足系统收敛性的最大值,由图4可知学习速率可自动调节,且最高值为0. 70,满足的条件,故系统收敛。
综上所述,本文方法调整时间短、响应速度快、精确度高,能达到较好的控制水平和控制效果。
4结束语
自适应模糊逻辑控制器 篇9
随着计算机技术的发展,人们利用人工智能的方法将操作人员的调整经验作为知识存入计算机中,根据现场实际情况,计算机能自动调节PID参数,这就是智能PID控制器。模糊控制系统是智能控制的一个十分活跃的应用领域,它不要求掌握被控对象精确的数学模型,且控制方法灵活、适应性强。本文针对铁矿石冶金性能测定过程中还原气体流量控制的工艺特点,引入模糊控制,将模糊控制和常规PID控制相结合构成模糊自适应PID流量控制器,充分利用模糊控制和PID控制两者的优点。结果表明,模糊控制的引入,很好地实现了PID参数的自适应,能够满足铁矿石冶金性能测定过程对还原气体流量的高精度和高稳定性的要求,系统具有良好的动态和静态特性。
1 还原气体工艺与流量控制原理
1.1 还原气体工艺
铁矿石冶金性能测控系统是模拟铁矿石在高炉中反应的不同过程并在此条件下获取相关参数,还原气体流量及成分的控制是铁矿石冶金性能测控系统的重点和难点[1]。配制还原气体的工艺流程如图1所示。在冶金性能实验中,空气压缩机将空气送入加热炉中与焦炭反应产生还原气体,然后由调节阀1控制气体流量;调节阀2控制N2的流量,两路气体在气体处理系统中混合净化,最后为冶金性能的各种测定过程提供高效稳定的还原气体。
还原气体流量控制系统的控制原理是:首先由气体分析仪检测混合气体中N2和CO的比例,热式质量流量计检测调节阀出口的气体流量,检测信号送入控制器中与设定值进行比较,经过相关的控制运算后输出控制信号给调节阀1和调节阀2,通过调节阀门的开度来控制两路气体的流量,从而达到对还原气体成分和流量进行控制的目的。
1.2 流量控制原理
通常,对管道内的流体进行流量控制有两种方法:改变管道通流面积的大小,或者直接改变管道内的压差。系统中我们采用的是第一种方法,在管道中加装调节阀,通过控制调节阀的开度来控制气体流量。
输出流量的大小与调节阀的开度成正比,调节阀的开度与微控制器施加在调节阀上的电压或电流相对应,因此可以得到电压或电流与流量之间的关系。控制流量首先需要计算出施加在调节阀上的对应的电压或电流值,从微控制器输出的电信号经过D/A转换作用在调节阀上,控制电动调节阀的开启度,从而达到控制流量的目的。控制系统结构框图如图2所示。
在还原气体配制过程中,空气压缩机在一定的气压范围内间歇式工作,这就造成了气体管路中压力、温度等参数变化比较大。常规的PID控制是以一组固定不变的PID参数去适应系统参数变化、干扰等众多影响因素,难以获得令人满意的控制效果,所以控制器引入模糊控制算法构成模糊自适应PID控制器,采用模糊推理来在线调整PID参数,让PID参数随工况变化而实时自动调整。
2 模糊自适应PID控制器的设计
模糊自适应PID控制系统主要由参数可调整PID和模糊推理系统两部分组成。自适应PID控制器就是在常规PID算法的基础上,以误差e和误差变化ec作为输入,利用模糊规则进行模糊推理,查询模糊矩阵表进行参数调整,来满足不同时刻的e和ec对PID参数自整定的要求。利用模糊控制规则在线对PID参数进行修改,便构成了自适应模糊PID控制器。其结构如图3所示。
这种技术的设计思想是先找出Kp,KI,KD3个参数与误差e和误差变化ec之间的模糊关系[2],在运行中通过不断检测e和ec,根据模糊控制规则对3个参数进行在线修正,以满足在不同e和ec时对控制参数的不同要求,从而使被控对象具有良好的动、静态性能。在本气体流量控制
系统中,结合实际情况,采用这种控制方案。
2.1 输入输出变量模糊化及隶属度函数的确立
模糊推理是针对模糊量进行的,而模糊控制器的输入量e和ec都是精确量,因此,首先要对输入输出量进行模糊化处理。在本文所设计的模糊自适应PID控制器中,输入和输出变量的语言值均分为7个状态:负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PB),为提高系统的控制灵敏度,隶属度函数采用三角函数。形式如图4所示。
在铁矿石冶金性能测控系统中,还原气体流量的控制范围是0～20L/min,流量偏差的基本论域取为[-6, 6],流量偏差变化率的基本论域取为[-3, 3],ΔKp的基本论域为[-0.6,0.6],ΔKI的基本论域为[-0.03,0.03],ΔKD的基本论域为[-0.6,0.6],以上各变量的模糊集论域均定义为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},输入输出变量相应的模糊子集均为{NB,NM,NS,ZO,PS,PM,PB}。
2.2 模糊控制规则表的确定及模糊推理
模糊控制设计的核心是总结工程设计人员的技术知识和实际操作经验,建立合适的模糊规则表[3]。它是按人的直觉推理的一种语言表示形式,第i条模糊规则Ri可表示为
Rij:if e is Ai and ec is Bi then P is Cij(i=1,2,…,7;j=1,2,…,7)
其中,Ai,Bi和Cij是定义在误差、误差变化和控制量论域上的模糊集。
R的隶属函数可以表示为
式中:x,y和z分别为误差、误差变化和控制量论域上的变量;μ为隶属度。
比例系数KP的作用是加快系统的响应速度,提高系统的调节精度,偏差一旦产生,控制器立即产生控制作用,以减少偏差。KP越大,系统的响应速度越快,系统的调节精度越高,但易产生超调,甚至会导致系统不稳定。KP取值过小,则会降低调节精度,使响应速度缓慢,从而延长调节时间,使系统静态、动态性能变坏。因此,当偏差︱e︱较大时,为提高响应速度,KP取大值;当偏差︱e︱处于中等大小时,防止超调过大产生振荡,KP应取得小些;在调节后期偏差很小时,为使系统具有较好的稳定性能,应适当增大KP的取值。同时考虑ec的因素,︱ec︱的大小反映偏差变化的速率,随着ec增大,则KP的取值减小。KP的模糊控制规则如表1所示。
积分作用系数KI的作用是消除系统的稳态误差,提高系统的控制精度。KI越大,系统的静态误差消除越快,但KI过大,在响应过程的初期会产生积分饱和现象,从而造成响应过程的较大超调。若KI过小,将使系统静态误差难以消除,影响系统的调节精度。在常规PID控制中,为防止出现积分饱和,常将积分环节分离出来,当偏差减小至一定范围时,才加入积分环节。因此,当偏差︱e︱较大时,为避免系统响应出现较大的超调,通常取KI=0,去掉积分作用;当︱e︱较小接近设定值时,为使系统具有较好的稳定性,KP和KI均应取得大些,以消除系统的稳态误差,提高控制精度。同时考虑ec的因素,︱ec︱的大小反映偏差变化的速率,随着ec增大,KI取值增大。KI的模糊控制规则如表2所示。
微分作用系数KD的作用是改善系统的动态性能,在响应过程中抑制偏差向任何方向变化,对偏差变化进行提前预报。但KD过大,会使响应过程提前制动,从而延长调节时间,而且会降低系统的抗干扰性能。因此,在控制过程初期,为避免由于开始时偏差︱e︱的瞬时变大可能出现的微分过饱和而使控制作用超出许可的范围,KD应取较小值;在偏差︱e︱较小时,KD的取值对系统响应的影响较大,取值要大小适中,以保证系统响应速度。同时为避免系统在设定值附近出现振荡,影响系统的抗干扰性能,KD的取值要考虑︱ec︱的因素。一般是当︱ec︱值较小时,KD取值大一些;当︱ec︱值较大时,KD取值小一些,通常KD为中等大小。KD的模糊控制规则如表3所示。
被控对象输入偏差e和偏差变化ec的精确量,在模糊化取得相应的语言值后,查询PID参数模糊自适应规则表,完成模糊推理,分别得出3个修正参数ΔKP,ΔKI,ΔKD的模糊量。
2.3 模糊判决
模糊系统的最终输出必须是一个清晰的值以便直接对实际系统进行控制,因此需要一个解模糊的最后步骤,解模糊过程也是一个影响系统控制性能的重要环节。本系统采用工业控制中广泛使用的模糊判决方法——加权平均法。该法针对论域中的每个元素Ci(i=1,2,…,7),以它作为判决输出模糊集合的隶属度μc(i)的加权系数,即取其乘积Ciμc(i),再计算该乘积和对于隶属度和的平均值K0,即
平均值K0便是应用加权平均法求得的判决结果。然后将所得结果代入下式进行计算,便是自整定后PID参数(KP,KI,KD)的精确调整值。
KP=KP0+{ei,eci}P (4)
KI=KI0+{ei,eci}I (5)
KD=KD0+{ei,eci}D (6)
式中:KP0,KI0,KD0为PID参数的初始值。
系统的控制由PID控制器完成,PID控制器的输出为
3 还原气体流量控制系统仿真研究
由文献[4]可知,调节阀的动态特性为
G(s)=Kv/(Tvs+1) (8)
式中:Kv为调节阀的静态特性常数又称流量特性常数;Tv为调节阀的时间常数。
根据还原气体流量控制系统特性Kv取14.83,Tv取4s。由于机械惯性,电压信号经智能控制器控制阀门开度有一定的时间滞后,经测试后,滞后时间系数τ取2 s,得到流量的数学模型为
G(s)=14.83e-2s/(4s+1) (9)
在设计模糊自适应控制PID控制器时,先用参数调整方法如Ziegler-Nichols方法,在线设计常规PID控制器,这样能确保PID闭环控制系统稳定。然后根据模糊控制规则在线调整模糊自适应PID控制器的参数。常规PID控制器的KP=1.6,KI=0.018,KD=0.5;模糊自适应PID中,初始的PID参数为KP=1.6,KI=0.018,KD=0.5。
在本气体流量控制系统中,为了在进行实际测试之前对所设计的模糊自适应PID控制算法进行检验,先进行仿真以观察其效果。根据前面所设定的条件和仿真模型,运用Matlab的Fuzzy工具箱和Simulink模块对本文采用的控制方案进行仿真研究[5],分别对模糊自适应PID控制与常规PID控制方法的仿真曲线加以比较,并在系统稳定后,对系统施加阶跃干扰信号,仿真结果曲线如图5所示。
观察仿真结果,可以看出,模糊自适应PID控制是在传统的PID控制基础上增加了对KP,KI,KD参数的在线修正,具有良好的自适应能力和非线性逼进能力。与采用常规的PID控制相比,采用模糊自适应PID控制后,系统超调明显变小,响应速度快。加入扰动后,模糊自适应PID控制能有效地抑制随机干扰,能及时地对PID参数进行在线调整。与常规PID相比,有更快的响应速度和更小的稳态误差,仿真结果证明了模糊自适应PID控制方案的可行性和有效性。
4 系统实际运行结果与结论
目前,基于模糊自适应PID实现的高精度还原气体流量控制系统已经在铁矿石冶金性能测控系统中成功应用。图6为上位机采用本文中设计的模糊控制算法得到的测焦炉流量曲线,设定值是15 L/min,经过6 s左右达到稳定,基本无超调。
采用模糊自适应PID控制,调节时间缩短,响应速度加快,其抗干扰能力明显优于常规的PID控制。模糊自适应PID控制器在线参数自整定能力强,对于控制非线性时变对象获得了良好的动态性能,并具有较好的鲁棒性和自适应性,为工业时滞系统的控制提供了一种有效手段。
参考文献
[1]徐南平.钢铁冶金实验技术及研究方法[M].北京:冶金工业出版社,1995.
[2]刘金坤.先进PID控制Matlab仿真[M].北京:电子工业出版社,2004.
[3]King P J,Mamdani E M.The Application of Fuzzy ControlSystems to Industrial Processes[J].Automatica,1977,13(3):235-242.
[4]杨源泉.阀门设计手册[M].北京:机械工业出版社,2000.
【自适应模糊逻辑控制器】推荐阅读：
间接模糊自适应控制10-18
自适应模糊控制器设计08-09
自适应模糊PI控制07-12
模糊自适应PID算法06-06
自调整模糊控制08-13
自寻优模糊控制论文07-10
参数自调整模糊控制器07-15
自适应延时控制05-30
干扰自适应控制07-23
自适应预测控制09-15