智能模糊（精选9篇）
智能模糊 篇1
智能制造是信息技术和工业技术相结合,也将变成今后推动制造业发展的新技术体系;这是一场历史的变革,是一个不可逾越的发展阶段。智能制造将改变制造方式,改变服务方式,改变企业的组织架构,企业去中介化和去中心化将成为未来的一种新的业态。
辨析智能制造的发展本质
与近期特别热门的一些概念(例如“大数据”、 “智慧城市”、“云计算”、“互联网+”)不同, 智能制造有着比较深厚和丰富的技术、产业以及理论的积淀,因此我们分析智能制造的来龙去脉,有利于把握其本质。
自第一次工业革命以来,任何一次产业的进步, 其背后主要的动力都来源于技术。智能制造包括两个部分,一是制造,二是智能。变化核心是关于智能的技术,智能、制造合在一起推动着制造业发展模式的转变。智能技术主要有三方面的内涵:一是传感技术和物联网;二是内容技术、软件技术和系统技术;三是网络的技术。智能技术主要是指这三方面的内容,这三者推动着智能制造从原来的自动化上升到智能化。
智能制造产生的时代背景,还依托于产业、业态方面的成长与成熟。中国拥有着世界规模最大、门类最多的制造业,中国的制造业从非常原始的状态跨越到智能制造这个新领域。改革开放之初,“三来一补”代工是当时制造业经济的主要形态。但是,两三年前,在中国甚至世界纺织业的重要基地——东莞,产业升级不断推进。从最早半自动的纺织机,到后来自动化的纺织机,再到先进的自行管理和控制的纺织机,一个人管48台机器, 从原始的代工生产发展到今天最先进的业态。再看浙江,浙江以块状经济为特点。但是两年前, 浙江在全国第一个提出机器换人。杭州成为电子商务发展的基地,阿里已经远远领先于世界任何其他电子商务企业,就是义乌本身也已经从原来的块状经济、工贸一体的业态转向了与电子商务结合的新模式。把眼光转向中西部来看,宁夏是传统的老工业基地,他们的装备制造企业已经不再是单一生产一台数控机床、数控设备,而是生产一条完整的自动化生产系统,这就是智能的生产系统。在新疆,生产变压器的企业已经转变, 将研发、设计、制造、销售、售后服务连接在一起,全面地使用信息技术,使得远处新疆的企业能够直接和西门子这样的世界一流企业同台竞技。同样在郑州、重庆,沿海的一些代工企业在向这些地方转移,可以说整个制造业产业正在迈向这样的一条“智能制造”发展的路径。
从业态发展来看,企业的自动化发展已有数十年发展历程,为企业走向智能化打下了坚实的基础。实现信息自动化的企业,把生产、制造和财务连接在一起, 不仅是通过信息系统把企业的各个方面结合起来,而且要和信息技术、和企业的战略目标结合起来,和企业的核心竞争力以及可持续发展结合起来,信息技术的应用正在从局部走向全局,为智能制造画下了十分清晰的技术路径。
从理论自觉的角度来看,从维纳的控制论到钱学森的工程控制论,业已为智能化建立了扎实的工业理论基础。而从经济学社会学理论角度来看,过去几十年关于自动化有很多理论,但是关于智能化的理论产生相对比较晚,也不够成熟。 2008年金融危机之后,在努力寻找转型的方向和动力过程中,出现了一系列学术著作。2014年4月份英国《经济学人》的一篇文章认为:“第三次工业革命”讲的是制造的数据化和数据的制造化。半年以后,《第三次工业革命》出版,这本书讲的是能源和互联网的结合改变了整个工业和能源发展的格局。再后来,《新工业革命》出版,它通过总结三千年的产业发展的历程,分析这次信息技术推动之下产业新的变革。此外,德国的工业4.0是在CPS(信息物理空间)这样大的环境下建设智能工厂,解释如何实现智能制造, 德国如何把它原来的优势转变为新的制造和市场的优势。而美国提出的先进制造业是以智能功能工厂为核心,上面是供应链、数学和模型,下面是服务和用户,共五大部分,在这五个方面加强信息技术利用之后从而促进制造的变化。所以从产业的角度看,多种研究和分析已经比较清晰地勾画出了制造业发展的过程,但是这还不够,还要从经济学等社会科学理论的方面来看制造业有什么变化,研究这个变化的本质是什么。2013年麻省理工学院麦卡菲教授和他的同事合作出版了一本书——《第二个机器时代》,这本书是讲整个制造业如何从原来的第一个机器时代——机器替代人,到第二个机器时代——机器如何替代人、替代谁、怎么替代,影响是什么,如何推动生产方式产生革命性的变化。由此可见,智能制造确实在产业和理论方面积累了相当丰富的内容。
总结上文分析,有两点结论:一是信息技术和工业技术结合起来,变成今后推动制造业发展的新技术体系;同时在这个过程中,信息技术终于可以和能源材料一样成为制造业发展的重要资源;二是这场变革是历史的变革,是一个不可逾越的发展阶段。
把握智能制造的发展方向
正如前文所说,智能制造是制造加上智能, 制造首先是生产商品,其次是一个制造过程,第三是一个整体的链环,这不仅是产业链、供应链,还有更多的内容,共同形成一个发展的生态。所以如果从外延来看智能制造的发展,要把这样几个部分解剖开逐步地分析。
首先看产品。智能制造产品的变化就是产品的数据化、产品的智能化,但是这样分析还不够。 第一,什么产品、多少比重会加上IT、加上数据,能变成数据产品、智能产品?要分析产品的变和不变,因为企业生产不同的产品,提供不同的服务。第二,为什么产品里面需要有芯片、传感器,需要把数据加到产品运行过程中,是因为技术环境的变化使人们产生了新的需求,技术的进步使得这样的需求可以变成现实,所以是新的需求和技术背景能够满足这样的需求,才导致了智能产品在今天各领域都可以看到,从投资品到最终消费品,从企业里面的大宗产品一直到我们日常生活中的产品。未来,一是产品中的很大部分将变成数字化的产品,二是还有很多产品依然是和今天一样的产品,满足着今后的需求。第三是这样的产品和原来的产品已经不一样了,数字化的和拥有IT技术的产品,和原来的产品不一样, 原来的产品可以归纳为静态产品,产品生产出来以后,它的功能就是这样,不再变化,坏了就维修。但是带有芯片、传感器、数字内容和网络连接的产品,它的使用价值的实现过程和原来的产品产生了本质的不同。所以,对于带芯片、感知和内容连接网络的产品,我们不应该用对待传统产品的眼光看它的生产、销售。应该在大的循环、变化中,去看产品有哪些改变,为什么变。 在此基础上才能创新出市场能够接受的新产品。
其次是制造过程,正在从自动化走向智能化。在一些附加价值很高、劳动环境恶劣和强度大、精确度要求高领域的自动化,是第一阶段的机器换人。而现在正在走向更加广泛的自动化, 这一次机器替代人跟之前的完全不一样,是因为劳动力的成本高于机器的成本。除了其他约束之外,主要的决定变量是劳动力和机器人之间的成本平衡,是财务的考虑。我们说制造方式变了,产品变了,服务的方式变了,企业的组织架构——企业里从领导到员工的角色会不会变化? 回答是肯定的。从去年到今年,海尔集团董事局主席张瑞敏反复讲一句话——企业的去中介化和去中心化。去中介化就是每一个员工直接面对他的服务对象,去中心化就是在企业里面每一个员工角色是一样的。这是一种理论、一种愿景和一种思路。在不同的企业中,需要探索不同的实现发展的路径,包括在海尔集团。海尔集团的战略思路确实给我们带来了一个重要的思考方式,在这样的变化过程里,企业的组织架构和人员的角色定位一定要变。
第三,智能制造的基础是智能工厂和智能化的生产线,但是不仅限于此。在网络、技术、需求的支撑下,长期以来一直追求的是需求第一, 顾客是上帝,需求决定供应,这样的概念直到今天为止,绝大部分行业是做不到的。对产品挑剔的用户可以通过实体店体验产品,再到互联网用最低价采购产品。但是,最后用户买到的还是已经生产出来的产品,还是供给决定需求。但是这样的局面正在改变,改变为以用户为出发点,由用户提出需求,经过设计、制造、供应链、配送、售后服务回到用户,这样一个完整循环的新的制造模式已经产生。这个循环和制造业、服务业的边界已经完全被打破,实践对此已经充分予以证明,今后还将不断证明。
最后一个方面,从经济形态上看,制造业、 服务业,包括“一二三产”是我们多年来明晰的产业划界,但是在新的环境下,这种划界是否还合理?农业是否成为制造业下的一个行业?农业产品将是制造出来的,而不是种植出来的,它将是由“工厂”而不是由“大田”来种植。从这样的第一产业一直到第三产业,完全被打通的路径已经产生,所以业态、经济域的划分,都将产生动态的变化,而这个变化是一定会产生的,平衡点已经由技术交到市场,变成经济层面判断决策的问题。
把握智能制造的发展机遇
世界著名学者哈佛大学教授钱德勒,虽然没有拿到诺贝尔经济学奖,但却是世界公认的研究产业发展规律、企业史首屈一指的学者,他研究了很多行业和企业,总结出来两组词、八个字, 就是基础结构、认识路径。
这八个字有三个方面的意义。第一方面是技术基础,指一个产品的基础技术是什么;第二方面是组织基础,或者叫制度基础,尤指企业本身的制度架构,还有社会为这个企业、产业构建的其他制度。第三方面是认知路径。发展的规律是否清晰,是否朝着一条正确清晰的发展规律方向发展,这叫认知路径。理性应对的核心问题要把握住这两组词、八个字、三个方面。对此,政府、学界和企业都需要有清晰成熟的认识。
首先是技术基础。技术基础在工业技术、生物技术方面改变了食品工业、制药工业、化学工业;材料技术方面,特别是纳米材料,它在原子级别下重组材料,使得一些和原来完全不一样的材料产生出来。但是这些变化无论是数量还是速度,和信息技术相比是不能等量齐观的,所以智能制造的基础技术,对中国这样大而不强的制造业大国来说,一定要认真梳理,各个行业的基础技术是什么,是否掌握了这些基础技术,泛泛而谈解决不了任何实际问题。其次,政府、企业、学界要共同研究、共同探索有利于智能制造发展的制度基础是什么。也就是说智能制造需要的制度基础和今天存在的制度环境有什么不同,这个制度包括两个方面,一方面是企业本身,另一方面是社会如何为这种新的制度产生相关的各种各样的法律法规、标准规范。同样我们不能空谈创新,而是应该关注究竟什么应该变化,变化的方向是什么,由谁来实施,这样才能找到真正可操作的创新路径。再次,就认知路径而言,中国产业的技术形态、管理模式、需求、 消费者都是千差万别,这其中有买地沟油、买陈化粮的市场生产消费(只计成本不顾其他);也有因为长期的物质贫乏产生的一批精明人,比如精明的“中国大妈”,“中国大妈”代表了精明,能省一分钱就省一分钱;还有奢侈品消费在中国“瞠目结舌”的发展。这样复杂的结构,对我们而言,只讲方向是远远不够的,必须看到从今天不同的起点,到不同的生产模式,满足不同的需求,还要分解到具体的行业、具体的产品、具体的企业,这才叫路径。机遇和挑战从来都是联系在一起的,中国确实有引领这场重大变革的比较优势, 但是千万要注意,有比较优势,一定有比较劣势, 所以要更多地分析比较劣势在哪,才能找到正确的方向,沿着正确的路径前进。
总之,需要我们看清方向,把握机遇,一步一个脚印地往前走。相信中国制造业一定能在这次历史的变革、模式的转换中真正实现由大变强!
本文根据杨学山在2015复旦管理学国际论坛上演讲编辑整理。
一二三产是我们多少年来明确的边界,但是在新的环境下,这个边界还有多少?“ ”
智能模糊 篇2
摘要：随着社会工业化速度的不断加速，能源的竞争愈来愈激烈。生物质能源作为一种可再生的清洁能源被广泛认可，生物气化技术就是利用生物质能的一种有效手段，对经济的发展和环境的保护都起到积极作用。但是，生物气化技术是一种热化学处理技术，其工作过程十分复杂，包含着大量的不确定因素，这就需要运用生物质气化炉的智能控制系统来达到预期的控制效果。新形势下，积极运用模糊神经网络对生物质气化炉进行智能控制，是实现可靠控制效果的重要举措。
关键词：模糊神经网络 智能控制 生物质气化炉
生物质气化过程是一项复杂化学反应过程，具有非线性、不稳定性、负荷干扰等特性，只有实行智能控制才能受到良好的控制效果。模糊神经网络作为智能研究比较活跃的领域，有效融合了神经网络和模糊理论的优点，能够有效的解决生物质气化过程中的非线性、模糊性等问题，既保证控制的精确度，又能进行快速地升降温。本文通过对模糊神经网络的内涵特征进行全面分析，阐述了基于模糊神经网络的生物质气化炉的智能控制，并通过仿真实验进行反复验证。
一、模糊神经网络的内涵功能
简而言之模糊神经网络就是具有模糊权值和输入信号的神经网络。模糊神经网络是自动化控制领域内一门新兴技术，其本质上是将常规的神经网络输入模糊信号，因而模糊神经网络具备了模糊系统和神经网络的优势，集逻辑推理、语言计算等能力于一身，具有学习、联想、模糊信息处理等功能。模糊神经网络是智能控制和自动化不断发展的产物，在充分利用神经网络的并行处理能力的基础上，大大提高了模糊系统的推理能力。
模糊神经网络是科技发展的产物，有效吸收了神经网络系统和模糊系统的优点，在智能控制和自动化发展等方面有着重要的作用，能够有效地处理非线性、模糊性等诸多问题，在处理智能信息方面能够发挥巨大潜力。模糊神经网络形式多种多样，主要包括逻辑模糊神经网络、算术模糊神经网络、混合模糊神经网络等多种类型，被广泛的.运用于模糊回归、模糊控制器、模糊谱系分析、通用逼近器等方面的研究中，随着智能控制和自动化领域的不断发展，模糊神经网络广泛应用于智能控制领域。
二、基于模糊神经网络的生物质气化炉的智能控制系统
2.1 温度智能控制系统
生物质热值、给料理以及一次风量等因素变化能够影响到生物质气化炉的炉温，但是最重要的影响因素是在气化炉工作过程中物料物理和化学反应的放热和吸热。由于生物质气化工作过程中的生物质热值的变化范围较小，在实际运行中很难测量与控制，有时可以忽略不计，同时，该工作过程中存在非线性和大滞后等问题，采用传统的数学模型达不到预期测量效果，因此需要利用模糊神经网络设计气化炉炉温控制系统，不断的提高温度的控制效果。模糊神经网络首先根据当前温度以及设定温度设，主控制器对最优的生物质物料添加量进行预测，然后由副控制根据该添加量，全面跟踪控制送料速度，从而能够进行精确上料和控制炉温。模糊神经网络系统十分庞大复，其中包含了大量错综复杂的神经元，蕴含对非线性的可微分函数训练权值的基本理念。模糊神经网络具有正向传递和反向传播两个不同的功能，在信息的正向传递中，采用逐步运算的方式对输入的数据信息进行处理，信息依次进入输入层、隐含层最终到达输出层。假如在输出层获得的输出信息没达到预期效果时，就会在计算输出层的偏差变化值后通过网络将偏差信号按原路反向传回，与此同时各层神经元的权值也会随之进行改变，直到符合预期的控制效果。
2.2 含氧量智能控制系统
在生物质气化工作过程中，可燃气体的含氧量是衡量其生产质量的重要依据，能够严重影响气化产物的安全使用，因此，通过模糊神经网络实现生物质气化炉含氧量的智能控制十分重要。其含氧量智能控制系统的目的是为了合理控制可燃气体的含氧量，从而稳定气化炉的温度。但是，一次风进风量是影响可燃气体的含氧量的重要因素，所以可以把控制一次风量作为主要调节手段，有效地解决含氧量控制和炉温控制之间的矛盾，在控制炉温的前提条件下，最大程度地降低可燃气体含氧量，进而有效控制气化产物含氧量的。生物质气化炉含氧量的智能控制系统是严格运用模糊神经网络控制原理，主控制器采用温度模糊免疫 PID控制，根据炉内含氧量和温度的偏差进行推算，查找出鼓风机转速的最优状态，副控制则以此为根据，全面跟随与控制鼓风机的速度，确保鼓风机转速。生物质气化炉工作过程中的不同阶段和部件具有不同的控制要求，模糊神经网络就要充分发挥被控对象的优良性能，根据不同的控制要求，合理运用模糊神经网络控制原理对 PID参数模型中的数据信息进行在线修改，从而达到预期的控制效果。
三、基于模糊神经网络的生物质气化炉智能控制系统的仿真实验
为了验证运用模糊神经网络进行生物质气化炉的智能控制的真实效果，对生物质气化炉的温度智能控制系统进行仿真实验，并进行详细地分析。为了保证生物质气化炉能够在条件大体一致的状态下进行运行状况，仿真实验可以采用组合预测算法。首先要到某厂气化炉现场采集组干燥层温度数据，并且从中选取连续1500组作为仿真实验样本数据，然后对剩余500组实验样本数据进行研究，通过两组数据的分析建立预测模型。然后采用模糊神经网络对生物质气化炉的温度控制系统进行三次模拟化实验，三种不同情况下的仿真试验结果为：在无外界任何干扰的情况下，模糊神经网络控制无论在超调量还是其他方面，都比单纯的模糊控制效果好;在生物质给料量扰动的情况下，模糊神经网络控制要比单纯的模糊控制所受的影响要小很多;在发生一次风量搅动的情况下，模糊神经网络控制仍受到极小的影响。从三种不同情况下的仿真试验中可以看出基于模糊神经网络的生物质气化炉的炉温智能控制系统效果较好，具有极强的抗干扰性，能够有效地预测气化炉温度实时值，把平均误差控制在很小范围内，并且智能控制系统能实时跟踪实际温度的变化，根据实际温度的变化做出相应的变化，从而能够有效地控制气化炉温度和可燃气体含氧量。
四、结束语
总之，基于模糊神经网络的生物质气化炉的智能控制系统具有较好的控制效果，有效的解决了生物质气化过程中的一系列问题，能够十分精确地控制生物质气化炉的炉温及可燃气体的含氧量，对于保证社会经济的稳定发展以及生态环境的改善发挥了重要作用。
参考文献：
[1]王春华.基于模糊神经网络的生物质气化炉的智能控制[J].动力工程，(09)：828-830.
智能模糊 篇3
关键词：稀土萃取；PID；模糊自调整；给料流量智能控制
中图分类号： TP23 文献标识码： A 文章编号： 1673-1069（2016）31-173-2
0 引言
我国作为最大的稀土生产国，不仅稀土资源的储量十分巨大，并且稀土资源种类丰富，重、中、轻品类齐全，在世界稀土市场占有重要的地位。现阶段我国稀土在生产过程中仍旧存在产品质量较低、成本较高等问题。为了有效改善这一情况，技术人员着手进行稀土串级萃取理论的优化，对给料流量进行有效控制，改变过去稀土萃取过程中破碎化，实现了稀土萃取的可控性[1]。实现给料流量的科学高效控制，需要先关技术的支持，由于大部分的技术被一些国家或者企业所垄断，难以在短时间内获取并投入到生产之中，因此我们将模糊自调整控制体系与给料流量控制工作之中。以模糊自调整体系为基础，对PID给料流量工作进行优化与升级，在很大程度上增强了给料流量控制的智能性与高效性，保证了我国稀土萃取的质量与水平，促进了稀土资源的有效开发与合理利用。
1 PID给料流量系统与数学模式构建分析
对PID给料流量系统以及数学模式构建的分析，能够帮助我们理清稀土萃取过程中给料流量控制的重点要求与核心环节，实现模糊自调整PID给料流量系统的构建。
为了保证稀土萃取工作的质量与水平，通常情况下PID给料流量系统的控制精度应控制在29-31L/min的范围之内。PID给料流量系统与闭环控制系统相似，由控制器、执行装置、反馈设备等几部分组成，在运行的过程中，根据稀土萃取过程中对原料的使用需求，对控制器的运算速度进行调整，执行装置根据相关指令对传送设备以及电机驱动阀门进行调节，反馈设备则不断进行数据信息的采集与分析，实现给料流量的实时监控，其结构原理如图1所示[2]。
在稀土萃取的过程中，为了实现PID给料流量系统的科学高效构建，提升其智能性与自动化程度，我们不断进行对PID给料流量系统数学模型的构建。从构成来看PID给料流量系统数学模型主要由信号输入、步进电机直线运动、流量输出以及反馈等几个环节组成。在PID给料流量系统数学模型的信号输入环节，通常是以单片机作为核心，由其发出脉冲信号，经由步进电机之后，形成角位移数据，为了保证这一过程的顺利进行，会对这一过程进行比例要求，公式如下：θ0=Δθ·N其中θ0为进步电机的角位移数值大小，Δθ为电机步距角，N则表示单片机脉冲输出的数量。步进电机凭借自身的结构优势，能够将角位移转化为直线移动，PID给料流量系统中的流量阀在选取的过程中，为了保证调节的精度以及灵敏度，一般使用恒压调速阀。
2 模糊自调整PID给料流量智能控制系统控制器设计
PID控制装置最初在模拟控制系统出现，传统的PID控制装置是以电子元
器件、气动装置等来实现自身的控制功能，伴随着计算机技术以及信息技术的发展，PID控制装置被转移到计算机系统中，模拟控制系统下的电子元器件、气动装置被相应的软件系统取代，成为数字PID控制器，并且形成较为完善的数学算法，呈现出良好的灵活性与控制性能[3]。为了实现模糊自调整PID给料流量智能控制系统控制器的科学高效设计，就需要相关技术人员对PID控制算法进行确定，通常情况下PID控制算法包含了位置式以及增量式两大类，在实际的使用过程中要根据控制系统自身的设计要求与使用场景，进行全面的考量，以PID控制算法为切入点，实现模糊自调整PID给料流量智能控制系统控制的有效设计。同时在控制设计的过程中，要在一定的技术框架下，将系统语言的变量转化为模糊子集，实现精确量的模糊化，实现PID控制器的模糊化处理。在对PID控制算法进行选择的基础上，实现相关算法的模糊推理，通过模糊条件语句进行模糊自调节PID控制系统控制指令的构建。通过这种上述几种方式，提升模糊自调节PID给料流量智能控制系统控制器的有效设计，使其满足稀土萃取工作相关流程的使用要求，推动我国稀土产业的健康快速发展。
3 模糊自调整PID给料流量调节系统分析
模糊自调节PID给料流量调节系统作为PID控制系统的核心构成之一，在流量控制的过程中扮演着关键性的作用，为了切实有效的推荐PID给料流量智能控制系统的有效构建。我们将以MATLAB工具箱入手，促进SIMULINK以及模糊逻辑工具箱的应用。SIMULINK作为一个软件应用系统，以动态系统为框架，对相关控制环节进行建模、仿真与分析，由于其支持连续离散以及非线性系统，因此使得其具有良好的环境适应能力与实用性能，SIMULINK在运行的过程中，为了方便用户登录实用，提供图形结构，由于SIMULINK使用递进结构，用户可以按照自身的使用习惯，依次进行操作，帮助用户对相关数据信息以及控制工作进行一定的梳理与明晰[4]。从而使得自身更为直观，实用更为便捷，用户除了使用SIMULINK自带的功能模块之外，还可以根据自身的实际使用需求，自行设置功能模块。模糊逻辑工具箱以MATLAB为前提条件，实现了计算机环境下，函数的集成处理，相关用户在使用的过的过程中，可以利用模糊逻辑工具箱所提供的相关功能，进行模糊推理系统的构建，也可以同时使用Simulink工具箱，实现模糊系统的仿真处理。与SIMULINK相似，模糊逻辑工具箱以图形用户界面作为主要的交互方式，用户可以通过更为便捷的方式来进行工具的使用。
4 模糊自调整PID给料流量智能控制系统硬件
模糊自调节PID给料流量智能控制系统硬件系统是由多个方面组成的，以电路系统为了，为了保证其稳定高效运行，电路系统通常包含了掉电保护模块、按键模块以及LED现实模块等几部分组成。借助于这几大模块，模糊自调节PID给流量智能控制系统在运行的过程中，才能够获得稳定的电力供应，因此在进行控制系统硬件设计的过程中，要立足于模糊自调节PID给流量智能控制系统硬件使用的实际需要，在现有的技术条件下，不断进行硬件系统的优化与调整，从硬件构成入手，不断提升模糊自调节PID给料流量智能控制系统的质量，增强给料流量控制系统的控制效果[5]。
5 模糊自调整PID给料流量DCS控制系统的构建
模糊自调节PID给料流量智能控制系统DCS控制系统是分布式控制系统的一个重要分支，以计算机技术结合其他相关技术，形成一定的控制体系，实现了分散控制、集中操作、分级管理的控制模式。为了保证DCS控制系统在模糊自动调节PID给料流量的自动控制，需要我们对双总线、环形的网络拓扑结构进行科学合理设置，并根据实际要求对网络节点的数量进行科学设置，并通过引进专用计算机，满足模糊自调节PID给料调节的智能化控制。
参 考 文 献
[1] 关贵清，肖顺根，林建平.稀土萃取工程中给料流量智能控制系统的设计[J].2013，12（3）：292-298.
[2] 逢启寿，罗璇.稀土萃取模糊PID恒压给料流量控制[J].湿法冶金，2013，32（1）：114-116.
[3] 逢启寿，徐永谦.稀土萃取混合室进料口压力仿真[J].稀土，2014（2）：68-71.
[4] 罗璇，李建，杨文龙，吴富姬，欧阳健强.稀土萃取平直双叶桨混合效果模拟分析[J].稀土，2015（5）：146-150.
智能模糊 篇4
智能小车又称轮式移动机器人,集环境感知、规划决策、自动行驶等功能于一体,集中地运用了自动控制、模式识别、传感器技术、电气、计算机、机械等多方面学科的知识[1]。
如何使智能小车具有高控制精度和性能,控制系统起着重要的作用。利用传统的PID控制智能小车直流电机难以满足动态性能、高精度和高性能要求[2]。
本文利用模糊-PID对智能小车进行速度控制,首先利用Matlab进行了仿真研究,在此基础上,以单片机为核心,设计了智能小车模糊-PID调速系统,通过小车良好运行,验证了设计系统的准确性。
1 模糊-PID控制
在常规PID控制中,当PID控制器的结构和算法已经确定,控制品质的好坏主要取决于控制参数选择是否合理。通常,不同的偏差e和偏差变化率ec,对PID控制器参数Kp、Ki、Kd的整定要求不同[3]。
模糊-PID是在常规的PID基础上,以被控对象的反馈值与目标值的误差e和误差变化率ec作为输入,用模糊推理的方法对PID的参数Kp、Ki、Kd进行在线自整定,以满足不同e和ec对控制器参数的不同要求,从而使被控对象具有良好的动态性能和静态性能。图1为该控制器结构图。
模糊-PID控制器输入为e和ec的模糊集E,EC。输出为△Kp、△Ki、△Kd。设量化论域均为{-1,1}。为了方便计算,模糊语言子集E、EC和△Kp、△Ki、△Kd均为“正大(PB)”、“正中(PM)”、 “正小(PS)”、 “零(ZO)”、 “负小(NS)”、“负中(NM)”、“负大(NB)”7个模糊子集。采用均匀分布三角形作为模糊隶属函数。模糊推理采用最大-最小方法,而清晰化法采用重心法。
建立模糊规则表,如表1所示。
2 模糊-PID系统仿真
利用Matlab/Simulink,对直流电机调速系统采用传统PID控制与模糊-PID控制,对不同调速系统在阶跃信号下的动态响应进行了对比。
2.1 直流电动机数学模型[4]
根据电压定律,得到电枢贿赂的微分方程式:
undefined
其中,ed为电动机电枢反电势,Rd为电动机电枢回路电阻,Ld为电动机电枢回路电感,id为电动机电枢回路电流。
电机产生的反电动势为:
ed=Cen (2)
因此由式(1)和(2)得到电机的动方程式:
undefined
在无负载的理想机械运动方程的微分形式为:
undefined
M为电动机的转矩,GD2为电动机的飞轮惯量。
M=Cmid (5)
Cm为电动机的转矩常数。
将上述各式,消去中间变量M、id,整理并进行拉氏变换,得直流电机的传递函数:
undefined
电机参数:额定电压Ue=12V, 额定功率Pe=3.2W,转速ne=1200rpm,电枢电流Ie=100mA,电机时间常数Tm=11ms,通过计算直流电机相关参数,得到传递函数为:
undefined
2.2 Matlab/simulink仿真
在Matlab软件中,运行Fuzzy函数进入模糊逻辑器,建立模糊控制器。在Simulink中搭建直流电机PID-模糊控制模型。结果保存在workspace中。
图2为常规PID与模糊-PID控制比较图。仿真结果表明,模糊-PID控制系统动态性能、稳定性能比常规PID控制系统好,既能减小振荡,又能较好达到稳态。系统的鲁棒性、稳态精度高。
仿真为后面智能小车程序设计做好准备。
3 模糊-PID直流电机调速系统设计
3.1 智能小车硬件组成
智能小车由车体、直流电源模块、检测模块、控制模块、电机驱动模块和辅助调试模块构成。控制模块采用MC9S12DG128B单片机。系统结构如图3所示。
电源模块为系统各个模块提供可靠工作电压。本设计中采用6V直流电压。由于电路中不同电路模块所需要的工作电压和电流容量各不相同,因此需要电源进行稳压,转换为所需电压。
检测模块主要为速度检测与路径检测。路径检测采用红外发射头与接收管进行判断。
利用LG9110芯片进行电机的驱动。
3.2 调速系统结构
利用MC9S12DG128B单片机产生PWM,采用模糊-PID控制算法,对智能小车进行速度控制。速度检测采用反射式红外传感器加编码盘对速度进行测试。调速系统组成如图4所示。
3.3 程序设计
实现模糊-PID控制有两种方法,方法一是硬件法,另一是软件法。硬件法是通过专用硬件模糊控制器,直接在硬件模糊芯片上实现模糊 控制全过程。软件法是模糊控制的3个主要步骤在MCU上通过编程实现,目前大致分为查表法、公式法和推理法3种。本设计编程采用推理法。图5为模糊-PID程序流程。
根据上述仿真,利用推理法从模糊规则语句中直接推出结果,存入存储器中。
4 结束语
从最后智能小车的运行情况得到,采用本方案设计的小车,能很好地减少小车调整速度的时间,系统可靠性得到提高,运行稳定,定位准确,达到了设计的要求。
参考文献
[1]唐平江,周永华.基于自适应模糊PID智能车用直流电机控制器仿真研究[J].微型机与应用,2011,30(14):79-81.
[2]肖金凤,盛义发,等.模糊-PID混合控制直流电机调速系统设计[J].微电机,2011,44(5):56-59.
[3]常满波,胡鹏飞.基于MATLAB的模糊PID控制器设计和仿真研究[J].机车电传动,2002(5):34-36.
基于模糊神经网络的智能控制研究 篇5
关键词：神经网络,模糊控制,T-S模型
0 引言
模糊逻辑和人工神经网络是当前的研究热点,它们各具特点。模糊信息处理是以模糊逻辑为基础,抓住了人类思维中的模糊性特点,模仿人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理的难题。人工神经网络是以生物神经网络为模拟对象,试图在模拟推理及自学习等方面向前发展,使人工智能更接近人脑的自组织和并行处理等功能。模糊逻辑和人工神经网络各有优点,也都存在着一定的局限性。事实证明,仅仅利用其中的一种方法无法真正实现智能模拟,而将这两种技术有机地结合起来,其优势才能得到真正的体现。
1 神经网络
神经网络是指利用工程技术手段模拟人脑神经网络的结构和功能的一种技术,它是一种大规模并行的非线性动力学系统。神经网络模型用于模拟人脑神经元活动的过程,其中包括对信息的加工、处理、存贮和搜索的过程。
1.1 生物神经元模型
神经元是脑细胞的基本单元,人脑神经系统约由1011个神经元构成,每个神经元与约104个其他神经元相连接。一个神经元的构造主要包括细胞体、树突和轴突。树突是细胞的输入端,通过周围的细胞体连接的节点接受其他细胞输出的神经激励;轴突相当于输出端,其端部的众多神经末梢是输出端子,用于输出神经激励。
1.2 神经网络的基本结构
神经网络是由大量简单的神经元相互连接构成的复杂网络,一个简单的神经网络模型包括3个网络层:输入层L1、隐含层L2和输出层L3。其中{wij}和{wjk},i,j=1,2,3;k=1分别代表连接输入层与隐含层以及连接隐含层与输出层的权向量。对于每一个非输入层的神经元,也都存在着一个域值。根据神经元的运算法则,可逐步从神经网络输入通过权向量、域值向量和激活函数得到最后输出。
1.3 神经网络的分类
除单元特性外,网络的拓扑结构也是NN的一个重要特性。从连接方式看,NN主要有两种:
(1)前馈型网络。各神经元接受前一层的输入,并输出给下一层,没有反馈。结点分为两类,即输入单元和计算单元,每一个计算单元可有任意个输入,但只有一个输出(它可耦合到任意多个其他结点作为其输入)。通过前馈网络可分为不同的层,第i层的输入只与第i-1层输出相连,输入和输出结点与外界相连,而其他中间层则称为隐层。
(2)反馈型网络。所有结点都是计算单元,同时也可接受输入,并向外界输出,可画成一个无向图,其中每个连接弧都是双向的。若总单元数为n,则每一个结点有n-1个输入和一个输出。
从作用效果看,前馈网络主要是函数映射,可用于模式识别和函数逼近。反馈网络按对能量函数的极小点的利用分类有两种:第一类是能量函数的所有极小点都起作用,这一类主要作各种联想的存储器;第二类只利用全局极小点,它主要用于求解最优化问题。
1.4 神经网络的学习
处理神经网络主要分为两个阶段:第一阶段是学习期,此时各计算单元的状态不变,各连接线上的权值可通过学习来修改;第二阶段是工作期,此时各连接权值固定,计算单元变化,以达到某种稳定状态。因此神经网络的学习是研究的主要方面。按环境所供信息多少,学习方式主要有以下三种:
(1)督导学习。督导学习是最为常用的学习方式,这种学习方式需要外界存在一个“教师”,它可对一组给定的输入数据提供应有的输出结果。这组已知的输入、输出数据称为训练样本集。学习系统可根据已知的输出与实际输出的差值来调整系统参数。
(2)非督导学习。非督导学习不存在外部教师,学习系统完全按照环境所提供数据的某些统计规律来调节自身参数或结构,以表示外部输入的某种固有特性。自组织结构学习过程便是一种非督导学习。
(3)再励学习。这种学习介于上述两种学习情况之间,外部环境对系统输出结果只给出评价而不给出正确答案,学习系统通过强化那些受奖励的动作来改善自身性能。有时也将这种学习方式归于监督学习。
2 模糊控制机理
模糊控制是一种不依赖于被控过程的数学模型的仿人思维的控制技术,它利用领域专家的先验知识进行近似推理。基本结构包含五个部分:输入量模糊化结构、数据库、规则库、推理机、输出去模糊接口。实际上,在输入、输出进行模糊化之前,还有一个量的规范化问题,即将输入输出量限制在规定的范围内,以便于控制器的设计和实现。模糊化过程就是将输入值转化为模糊量,最后控制器将去模糊后且规范的输出值转换为实际的控制量。模糊控制器的设计主要分以下几个部分:
(1)输入量、输出量的模糊化和标定
模糊化运算是将输入空间的观测量映射为输入论域上的模糊集合。在进行模糊化运算之前,首先要对输入量进行尺度变化,使其变化到相应的论域范围。模糊控制器的输入必须通过模糊化才能用于模糊控制输出的求解,因此它实际上是模糊控制器的输入接口。它的主要作用是将检测输入变量值变换成相应的论域,将输入数据转换成合适的语言值,形成模糊集,然后建立起这些模糊集的隶属函数。隶属函数可选用三角形函数、高斯函数等。
(2)建立知识库
知识库包含应用领域的知识和控制目标,它由数据库和模糊语言控制规则库组成。数据库存放的是所有输入、输出变量的全部模糊子集的隶属度矢量值,若论域为连续域,则为隶属函数。规则库是用来存放全部模糊规则的,在推理时为推理机提供控制规则。设计模糊控制器的核心便是建立知识库,其表现形式是“如果…则…”。
(3)建立控制推理关系
推理是模糊控制器根据输入模糊量,由模糊控制规则完成模糊推理来求解模糊关系方程,并获得模糊控制量的功能部分。它是模糊控制器的核心,通常是在模糊控制器设计过程中设计的推理算法软件,随着现代微电子和集成技术的发展,具有该类功能的硬件芯片已经逐步被应用。目前模糊推理有十几种方法,大致分为直接法和间接法两大类。通常把隶属函数的隶属度值视为真值进行推理的方法是直接推理法,其中最常用的是Mamdani的max-min合成法。
(4)生成输入输出控制相应表
查找输入输出响应表是模糊控制器最终必须执行的一个重要步骤。模糊控制算法是模糊推理的具体应用,对于任意给定的输入,如:“误差为A,误差变化率为B*”,这时,需要求输出控制量C*,C*=(A*×B*)·R
如此得到的C*是控制动作论域上的一个模糊集,C*(u)给出的是采取各个动作的隶属度。要得到最后的实际控制量,还需要进行去模糊过程,这一过程通过去模糊接口实现。
3 基于T-S模型的变结构模糊神经网络
3.1 模糊系统的T-S模型
Takagi和Sugeno于1985年提出了一种T-S模型,有人称之为Sugeno模糊模型。其模糊规则的后件是输入变量的线性组合。不失一般性,多输入多输出MIMO系统可以看成多个多输入单输出MISO。
设输入向量X=[x1,x2,…,xn]T,每个分量xj均为模糊语言变量,其语言变量值为:T(xi)={Ai1,Ai2,…Aimj},j=1,2,…n,它是定义在论域Ux上的一个模糊集合。相应的隶属度函数为UAij(xi)(i=1,2,…n;j=1,2,…m)。T-S模型中第j条模糊规则的形式为:IF x1is A1j,x2is A2j,…,xnis Anj,THEN yj=p0j+p1jx1+…+pnjxn,其中
3.2 变结构模糊神经网络结构
网络的第二、三层(特别是第三层)节点数随输入变量个数的节点数增加而急剧膨胀,在这样的网络中,无论是前向计算量还是反传修正的运算量都很大,严重影响网络的运算速度。另外,这种网络由于结构复杂,很难做好网络的初始化工作。而网络初始化不合理直接影响到网络的学习速度和收敛性。
根据前面给出的T-S模型,引入高斯函数作为模糊隶属函数,下面提出的这种变结构模糊神经网络结构克服了以上缺点。考虑的模糊推理系统为多输入单输出,它由5层前向神经网络组成。
第一层:输入层。节点数对应控制器输入变量个数,节点输出为输入变量值。
第二层:模糊条件层。这层节点实现网络中的第二和第三层的功能。既实现输入变量的隶属度函数,又匹配了模糊控制的控制规则。节点数表示输入变量构成的所有可能的模糊条件数。节点输入为输入变量值,节点输出是隶属度值的乘积即为模糊条件值。高斯函数为gij=exp[-(xi-cij)2/2σ2ij],i=1,2,…r,j=1,2,…u。
其中:gij是第j个神经元的第i个高斯函数;
cij是第j个神经元中的第i个高斯函的中心;
σij是第j个神经元中的第i个高斯函的宽度;
r是输入向量的维数;
u是神经元的个数。
第j个神经元的输出是:
第三层:标准化层。本层第j个神经元的输出是:
第四层:模糊决策层。第j个神经元的输出是:fj=Wj*Ψj,其中Wj=wj0+wj1x1+…+wjrxr,j=1,2,…u。
第五层:去模糊层。节点数对应输出变量个数,输出为:
当有n对训练样本时,网络的输入输出表达式为:Y=WΨ,其中:
这种变结构模糊神经网络除了能很好地映射模糊控制外,还有利于网络的初始化和网络结构的优化。这主要是由于网络的第二层不但实现了隶属度函数,而且也实现了模糊隶属度的合成。使模糊控制的前件在同一个神经元中完成,根据系统的控制要求可在线调整第二层的节点数。当根据控制要求需要增加或减少模糊控制规则外,只需在第二层中增加或减少节点即可。
4 结束语
模糊神经网络将人工神经网络与模糊逻辑系统结合,具有强大的自学习功能,是智能控制理论研究领域一个十分活跃的分支。总结以往的研究现状,模糊神经网络的研究中还存在以下问题:
(1)模糊神经网络虽然能够智能化地处理模糊信息以及反映模糊规则,但其网络的拓扑结构往往过于复杂,包含的数据信息过于繁多,在网络学习过程中计算量十分庞大。
(2)模糊神经网络的选取与其所反映的模糊信息以及模糊规则联系紧密。但由于网络结构往往必须事先决定,使得网络结构的设计与实际数据信息内在规则存在着偏差。
参考文献
[1]袁曾任.人工神经网络及其应用[M].北京:清华大学出版社,1999.
[2]蔡自兴.智能控制-基础与应用[M].北京:国防工业出版社,1998.
[3]R.J.Machado,A.F.Rocha.Evolutive fuzzy neural net-works[C].In Proc.First IEEE.International Conference on Fuzzy Systems,San Diego,493-500,1992.
智能模糊 篇6
图像识别是人工智能的重要部分, 将识别图像的关键特征点作为比较对象, 通过使用计算机技术对图像识别信息的选取、比较、鉴别、判断, 最终识别出图像的类型及相关数据, 并获得某种我们预期得到的结论。
对图像进行智能识别时, 经常会用到图像智能识别以及增强技术, 通过抽取所需要的图像并综合运用各种方法提高图像质量, 从而增强识别的准确性。在数据记录设备长时间的数据记录后, 如何从中选取出有用的信息, 同时因图像获取端远离接收端, 需要将获得的图像传输到处理设备一侧, 并在这些传输之中进行各种符合格式要求的转换, 在多次传输类型的转换和长距离传输后, 通常会引起图像质量的降低。以上的降低是在假设输入端信号良好的情况下所获得的结论, 但是综合考虑高速运动物体拍摄时的客观条件影响 (如亮度因素、镜头因素、相对运动、高速跟踪等) , 都会使图像的质量下降, 同时在传输过程中, 尤其是模拟信号传输阶段, 必然会引入各种噪声并产生信号的衰减。因此未经处理的图像在信号可识别度及处理速度等方面都具有改进空间, 通过采取一定的技术手段提高数据的识别效能, 提高识别效率, 具有很强的现实性。为解决这一问题, 根据实际需求通过图像智能识别并进行增强处理, 将获得图像中的关键信息凸显出来, 与此同时可以将不需要信息的影响降至最低。
获得的图像通过合理和适合的增强处理后, 可以将原本不清晰甚至是不利于分辨的图像增强至清晰的, 同时包含大量可用信息的图像, 高效率地去除获得图像中的噪点、增强图像的可辨别度和辨别的准确度, 从而更方便对图像中所需要一种简便可行的图像识别处理过程可以增强、分类和匹配等。
1 图像的输入
想要对图像进行处理, 首要工作就是获得所需要的素材, 即使用计算机技术将图像采集下来。针对高速经纬仪拍摄的画面特点和类型, 选取适合的传输手段, 在满足传输速率的情况下尽可能的提高传输质量, 使用数字信号进行传输, 减少损耗, 减少模数、数模转换, 提高效率。
2 获取图像的预处理
对获取的图像进行计算, 是一项运算量很大的工作, 因为我们所需要的信息只是其中的一部分, 因此降低后续算法的复杂度并提高效率是我们不得不关心的一个内容, 因此对图像进行预处理就显得尤为重要了, 这是一项基础性的工作, 如果没有进行预处理, 那么后续的图像识别工作将很难开展下去, 预处理的结果将直接影响最终图像识别的效果和速度。
预处理所要达到的目的是将图像中的噪声尽量消除或减小, 对所需要的部分进行背景分离, 将有效信息区域从大量的信息中抽取出来, 最终提高图像关键点提取能力并增强匹配精度, 便于最终提取出正确的图像特征。一般情况下采取以下方法进行图像信息的预处理。
2.1 方向图计算
方向图广泛应用于图像增强、特征提取、自动分类、方向模版匹配等图像识别的重点处理环节。常规提取方向图的方法分为以下三步:一是进行图像分割, 将图像分割成足够小的子块;二是对获得的每一个子块进行数据分析, 对其中的每一个点进行独立的计算, 可以利用算子分别计算每一个子块中每一个点的x以及y方向梯度;三是根据梯度值, 对每个子块方向进行计算, 从而最终得到图像的方向。
2.2 图像分割
从一般角度讲, 图像分割主要有3大类方法: (1) 基于边缘; (2) 基于区域; (3) 基于纹理。根据高速运动目标的特性, 图像样本算法选择的时候就只能采用基于边缘的这一类算法。
每一幅待处理的图像, 根据所包含的信息可以分为四个区域: (1) 背景区; (2) 不可恢复区; (3) 清晰区; (4) 可恢复区。通过图像分割, 可以将背景区和不可恢复区剔除出去, 剩余的信息就是有用的清晰区和可恢复区了。这一方法可通过三步实现: (1) 首先分割出背景区域; (2) 再从前景中分割出模糊区域; (3) 最后从模糊区域分割出不可恢复部分。
总体上说, 用于图像分割的方法根据所要处理图像的特点各有利弊, 仅仅采用某种特定的图像分割方法不能达到所要获得的效果。因此可以结合多种方法的优点, 祛除不利的方面, 综合运用多种方法, 构造一种多级分割的立体体系结构。通过分割处理的图像不仅为后续工作节省了运算时间, 同时也提高了识别的准确性。
3 图像增强
通过对某型经纬仪设备拍摄高速运动目标图像分析, 可使用较为简单但有效的灰度变换进行图像增强处理。利用matlab图像工具箱提供的函数imhist () 观察Mr.bmp的直方图。
为了将图像中有用的信息抽取出来, 剔除无用信息的灰度区间, 通常使用分段线性变换的方法, 通过将整个灰度值的区间平均分成若干条线段, 并将每一个直线段同一个局部的线性变换关系一一对应。
采用这一方法的好处是可以根据实际目标特性需要, 调整目标的灰度细节, 可以将无关信息的灰度区间删除, 突出所需目标相关信息。
MATLAB软件中, imadjust函数可以实现图像的灰度变换, 通过直方图变换调整图像的对比度。由于原始图像的灰度较暗, 对比度不够强烈, 所以调用Matlab图像工具箱提供的函数imadjust () 对其进行修正。通过对使用需求的针对性分析, 可以充分利用图像中的亮度信息, 明显改善图像的清晰度和对比度。
4 图像分类匹配
特征提取能够将所需要处理目标的图像信息, 通过数值特征用唯一的形式表达出来, 尽最大可能地保留所需信息, 删除无用信息。在高速运动目标模糊图像智能识别增强方法研究中, 如何减少识别时间、降低计算复杂度, 提高最终识别能力, 这些都需要将获取的图像精确、快速的地归类进入到已存储在计算机中的不同目标属性的图像数据库中, 通过多次处理最终形成的数据信息要与数据库中存储的若干目标图像信息进行匹配和比对, 通过计算它们之间的相似程度和特征点, 识别出获取图像的属性信息。
5 结语
图像智能识别增强技术实现的方法有许多种, 只采用某一特定方法难以取得良好效果, 这里只是提供了一种可能的选择。采用更实用、简便的图像处理算法, 在减小计算量的同时提高识别率和识别速度, 最终通过图像识别和增强处理, 提高判读效率和准确性是下一步研究的重点和方向。
参考文献
[1]杨小冬, 宁新宝.自动图像识别系统图像分割算法的研究[J].南京大学学报, 2004, 40 (4) :424—431.
[2]基于自相关的匀速运动模糊尺度参数识别[N].国防科技大学学报, 2006.28 (5) :123-125.
智能模糊 篇7
现代社会经济发展加速, 人们的日常生活也随之发生了翻天覆地的变化, 特别是在“互联网+”时代, 各种与互联网技术相关的产品便利了人们的衣食住行, 从而导致人们在室内活动的时间增多, 人们对室内环境的舒适要求也随之增高[1]。环境条件中的各种因素可以影响人们的心情和工作热情, 适宜的环境有益于人们的生理和心理健康。家居环境中温度、湿度、二氧化碳浓度以及光照度信息在信息融合中所占比例的变化也会导致融合结果的相应变化, 因此采取合适的算法来解决环境因素与智能家居环境的差异化联系是很必要的。在信息融合技术中仅使用单一算法存在着局限性, 目前没有哪一种算法能完美解决该问题, 故根据具体的现实应用条件将两种或以上算法结合使用可较为理想的解决该问题。因此本文通过分析了模糊推理算法和神经网络算法的优缺点后, 拟采用结合了两者优点的模糊神经网络算法对智能家居系统中的数据进行处理分析, 以达到提高智能家居中环境舒适度的期望。
1 智能家居监测系统架构
智能家居监测系统有机结合了结构和系统、控制和管理、服务和维护, 为了达到兼具舒适性、环保性、节能性、便利性的智能家居室内生活环境, 有机结合了物联网技术、自动化、Zig-Bee无线通讯技术与家居电器设备。智能家居监测系统在传统家居环境的基础上, 增加了用户的主动性和控制性, 从被动模式转变为主动模式, 形成了一个流动反馈的智能家居信息交流, 实现了照明控制、空调远程遥控以及报警防盗等等功能。
常见的基础智能家居监测系统一般由数据采集层、网络层、应用层[2]组成, 数据采集层主要由温湿度传感器、光照传感器和二氧化碳传感器组成;网络层负责对数据采集层采集的环境数据进行实时的通信与交换[3], 应用层一般由家用电器和各种智能终端组成, 主要包括照明系统和空调系统等等, 系统的结构框图如图1 所示。
温湿度传感器负责实时采集家居环境中的温湿度数据, 主要采集客厅和卧室数据, 这两个区域是人活动时间最长的区域, 对环境要求也更为严格;二氧化碳传感器负责实时采集家居环境中二氧化碳的浓度, 浓度超过一定标准不仅会对人体健康产生负面影响, 也会反映一些大功率电器的安全隐患问题;光照传感器负责实时采集家居环境中的光照度, 过亮或过暗的光照都不利于人体的视网膜健康;网络层主要使用Zig Bee传感模块, 具有低功耗、维护方便的特点;应用层实现对整个智能家居监测系统的控制。
2 拟用于智能家居监测系统的算法
2.1 模糊推理系统
模糊推理不依赖于对象, 即使对象很复杂、模型很难建立甚至无法建立, 都可以通过利用经验知识设计的模糊控制器达到控制任务的目的;鲁棒性强;参数容易调整;算法执行速度快, 简单易实现;对于控制对象的变化不敏感。模糊逻辑算法适用于高层数据融合, 具有允许推理存在不确定性以及算法易实现的优点, 但对专家经验依赖性高。典型模糊推理系统结构[4]如图2 所示。
模糊推理系统的模型主要有Mamdani模型和TakagiSugeno模型, 其中T-S模型的每条规则的结论部分均是线性方程来表示系统局部的线性输入输出关系, 因此计算简单, 有利于进行数学分析, 能够和自适应方法结合, 故易于和神经网络算法结合, 得到具有自适应学习能力的模糊神经网络算法。
2.2 人工神经网络
人工神经网络算法是通过数学模型来具体构造和描述模拟生物神经的基本特性的方法, 如今它已成为非常有影响力的人工智能技术。人工神经网络是以研究模拟人脑思维方式为基础, 通过数学方法简化思维模式并抽象模拟反应人脑基本功能, 从而形成的一种并行处理连接网络。人工神经网络算法适用于低、高层数据融合, 具有并行结构和处理能力, 可以分布存储知识, 具有自适应自学习能力和良好的容错性以及高度非线性, 可以处理不确定信息, 但不适合表达规则知识, 算法实现困难。
人工神经网络算法目前有几十种不同的应用模型, 常用的有RBF神经网络算法、量子神经网络算法、BAM双向联想记忆网算法和BP神经网络算法以及各模型算法的相应改进算法, 具体使用哪个算法要根据具体应用进行研究, 本文采用BP神经网络算法, 它是一种多层前馈网络, 通过误差反向传播进行算法训练。BP神经网络算法流程[5]如图3所示。
2.3 模糊神经网络算法
模糊逻辑算法优点有算法容易实现, 推理过程适用于人类的思维模式并且易于表达模糊知识, 缺点是该算法几乎不具备自适应能力和学习能力, 所以需要依赖专家经验和知识, 要达到理想的输出结果就必须不能缺乏相应的经验, 而智能家居中环境信息是不定的, 经验获得很难。而神经网络虽然算法实现很复杂, 并且不善于表达规则知识, 在训练时会因为无法利用经验知识, 需要固定的初始权值, 增加训练时间, 而神经网络算法具有自适应学习能力、较强的容错能力、能分布式存储信息和并行运算。模糊神经网络集神经网络的自学习能力与模糊逻辑推理的机构性知识表达能力为一体, 利用神经网络结构来实现模糊逻辑推理, 将模糊逻辑中推理参数的物理含义赋予神经网络中没有明确物理含义的权值, 故本文采用结合模糊逻辑算法和神经网络算法各自优点的模糊神经网络算法对智能家居监测系统采集的环境信息进行分析处理。模糊神经网络算法结构如图4 所示。
图中模糊神经网络结构中第一层为输入层, 把数据采集层采集到的环境数据即输入量传递到第二层;第二层是模糊化层, 每个节点对应一个变量值, 计算各输入量的隶属度函数值;第三层是模糊推理层, 每个节点对应一条模糊控制规则;第四层是归一化处理层, 实现归一化计算;第五层是输出层, 输出控制量去模糊化, 执行机构控制, 作用于应用层。
3 结束语
本文分析对比描述了人工神经网络算法和模糊推理后, 将具有二者优点的模糊神经网络算法应用于智能家居监测系统, 经过实验测试, 通过模糊神经网络系统的实际输出值与期望控制值的对比, 验证了模糊神经网络算法在智能家居监测系统中的温湿度、二氧化碳浓度和光照度控制中的有效性, 同时有效的提高了智能家居环境的舒适性。
参考文献
[1]牛勇.浅谈建筑智能化与智能家居[J], 建材技术与应用, 2007, 9:43~44.
[2]Marie Chana.Smart homes—Current features and futureperspectives[D].University de Toulouse;UPS, INSA, INP, ISAE;LAAS;F-31077Toulouse, France, 2010
[3]康杰, 李霜.浅析物联网及其网络技术[C].第十二届全国有线电视技术研讨会论文集, 2010:178-180.
[4]李国勇.智能预测控制及其MATLAB实现[M].2版.北京:电子工业出版社, 2010:178-179
智能模糊 篇8
烟叶烤房属于典型大延迟系统,被控对象机理复杂,具有高度的非线形、参数时变性、纯滞后、模型不确定性等特点,且在噪声、负载扰动等因素的影响下,过程参数甚至模型结构均会随时间和工作环境的变化而变化。对于传统的PID控制,由于需要有精确的数学模型,其控制效果的好坏取决于辨识模型的精确度,这样对上述系统将显得无能为力。本文介绍了基于模糊PID的智能烟叶烤房控制系统,在该系统中采用一种新型的控制方案,即模糊PID控制,把模糊控制原理与传统PID结合,这样不仅PID参数的整定不依赖于对象数学模型,并且PID参数能够在线调整,以满足实时控制的要求,使控制精度大大提高。
1 控制算法原理及烤房控制系统结构
1.1 系统设计要求
主要设计要求:能够实时检测并显示烟叶烤房内的温度和湿度值,烤房内温度控制精度达到+0.5℃,湿度达到+0.2℃;系统具有专家工艺储存功能,控制可根据专家曲线自动运行,也可以人工设定运行;系统能够根据温湿度控制要求智能启停循环风机和风门;出现异常工程或烘烤完成具有报警功能;系统稳定,能够适应较大程度的电网电压波动;操作简便,易于使用。
1.2系统控制算法原理
由于烤房是典型的大延迟、非线性系统,一般的PID控制不能达到温湿度控制要求,本系统采用了模糊控制与PID相结合的模糊PID控制算法。该算法是一种在常规PID调节器及其继电整定的基础上,应用模糊集合理论,根据控制偏差e和偏差变化率ec,在线自动整定比例系数KP、积分系数KI和微分系数KD(PID)的复合控制器,其结构如图1所示。
该控制器一个基本PID控制器、继电环节和一个校正PID参数的模糊控制器3部分组成。PID控制器完成控制算法,计算出输出控制量;继电环节实现PID控制器的初始参数;模糊控制器则根据偏差e和偏差变化率ec在线实时调整PID的参数KP、KI和KD,使PID控制器具有自适应能力,从而使系统时刻处于最优的控制状态下,达到更高要求的控温效果。
设由继电整定得出的初始PID参数为KP1、KI1、KD1,由模糊控制器得出的相应的参数变化量为△KP 、△KI和△KD ,则经模糊调整后的PID参数为
KP = KP1+△KP
KI = KI1+△K1
KD = KD1+△KD
模糊控制器部分结构图如图2所示, 图2中e代表偏差,ec代表偏差变化率。
1.3 系统组成及工作原理
烤房控制系统主要有4部分组成:微处理器、温湿度检测电路、控制输出电路和人机接口电路。其结构框图,如图3所示。
由温湿度传感器检测烤房上下棚温湿度传送至微处理器,处理器根据实际温湿度与设定温湿度比较经过智能PID运算得到相应输出量,由步进电机A控制控火门的开度来控制温度(也可以使用鼓风机控制温度,该情况通过调解鼓风机转速实现温度控制);由步进电机B控制风门的开度来控制湿度,同时根据上下棚温差决定是否开启循环风机。LCD用来显示运行状态及实时温度等信息。
2 控制系统设计
2.1 主要器件选择及硬件电路设计
2.1.1 微控制器及温度传感器选择
控制系统的核心器件选用了STC89C516RD,该器件具有在线系统/应用编程(IAP、ISP)功能,可实现在线升级;双倍速功能,在同样的外部晶振频率下可使运行速度提高1倍;两块快速FLASH:64KB主存储区+8KB副存储区,8KB副存储区可作非易失数据存储器使用,在该系统中可用来存储专家工艺曲线或自设工艺曲线。
烤房温度和湿度检测均采用DS18B20,该传感器DALLAS推出的单线数字温度传感器,测量温度范围为 -55～125°C;在-10～85°C范围内, 可以程序设定9～12位的分辨率,精度为±0.5°C。现场温度直接以“一线总线”的数字方式传输,大大提高了系统的抗干扰性,适合于恶劣环境的现场温度测量。
2.1.2 温湿度控制电路
温湿度控制主要通过步进电机调节控火门和风门的开度实现,该系统选用了常州宝来公司的4相步进电机。其驱动电路(单相)如图4所示。
2.1.3 抗干扰处理
该系统对于干扰问题分别在硬件和软件两方面进行了考虑。硬件上主要进行了以下几个方面的处理:一是器件选择上,主要选用工业级集成电路;二是对信号滤波和光电隔离;三是采用了合理的接地技术。软件设计上处理干扰措施有:一是设置软件陷阱拦截程序乱飞;二是数字滤波对输入信号数据处理。
2.2 控制算法实现及系统软件设计
2.2.1 主程序设计
主程序设计总体采样循环结构,主要包含几个模块:系统初始化、中断模块、键盘模块、数据采样、模糊PID算法模块和控制量输出模块。
系统初始化主要完成微控制器初始化、LCD显示初始化和系统外设检测等;键盘模块主要完成键盘扫描、系统设置和工艺设置等;中断模块指定时器中断,中断程序设置主要输入输出量标志,如温湿度检测、步进电机控制、循环风机控制等,被设置的标志在主循环中调用子程序执行。主程序流程图如图5所示。
2.2.2 控制算法程序
控制算法程序主要完成两方面功能:一是获取系统初始PID参数;二是运用模糊控制理论调节PID参数;三是通过PID算式计算控制量输出。
具体实现方法为:采用了继电整定方法获取系统初始PID参数,通过试验和专家经验获得模糊控制表,同时采用了积分分离算法避免了积分饱和问题。
控制模糊PID算法程序的流程图,如图6所示。e(k)和e(k-1)分别为当前误差和上次的采样误差,e(k)=r(k)-y(k),ec(k)=e(k)-e(k-1)。其中,y(k)是当前温度采样值,r(k)为当前温度设定值, ec(k)为当前误差变化率,u(k)是本次PID运算结果,KP、KI和KD分别为修正后的PID控制的比例、积分和微分系数。
3 结论
基于模糊PID的智能烟叶烤房控制系统已经在河南多个地区进行实际烘烤试验,并在气流下降式和气流上升式两种结构烤房投入使用,温度控制精度达到+0.3℃,湿度控制精度达到+0.1℃。该系统根据烟叶烤房模型不确定性、非线性、大滞后性等特点,利用模糊控制理论与普通PID控制算法相结合方法,使系统具有了自适应智能控制能力,解决了普通控制算法在烤房温湿度控制中的缺陷,提高了烟叶烤房温湿度的控制精度。
摘要：根据烟叶烤房的特点及常规PID控制器的局限性,设计了基于模糊PID的烟叶烤房控制系统。采用模糊控制理论,根据系统运行过程中的偏差绝对值及偏差的积累绝对值,对PID参数进行实时校正。当系统参数或工况发生变化时,逐步调整PID参数值,使系统控制性能处于最优控制状态,实现对PID参数的在线智能校正。该系统解决了传统PID控制由于烟叶烤房模型不确定性、纯滞后等特点带来的不足。试验和实际运行表明,该系统提高了烤房的温湿度控制精度和烟叶烘烤质量。
关键词：模糊控制,PID,烟叶烤房,温度控制
参考文献
[1]杨燕平.复合PID控制技术在热风温度控制中的运用[J].烟草科技,2007(6):21-23.
[2]朱建公,张俊俊.变参数PID控制器设计[J].西北工业大学学报,2003(4):397-400.
[3]邵惠鹤.工业过程高级控制[M].上海:上海交通大学出版社,2003.
[4]陶永华.新型PID控制及其应用[M].北京:机械工业出版社,2003.
智能模糊 篇9
智能车辆作为智能交通系统的关键技术之一, 是许多高新技术综合集成的载体。它体现了车辆工程、人工智能、自动控制及计算机技术于一体的综合技术, 是未来汽车发展的趋势。本设计以MC9S12XS128为核心处理器, 通过光电传感器识别路面的黑色引导线, 根据道路前方黑色引线距车体中心线之间的偏差送出控制信号给转向舵机和电机驱动模块MC33886, 使小车沿着黑引线稳定地、流畅地前进。
2 系统整体方案设计
2.1 智能车功能设计
本次设计的智能车具有路径识别、状态检测、方向控制、速度控制等功能。系统的功能模块如图1所示。系统主要分为6个模块:MCU芯片, 采用飞思卡尔公司的16位单片机MC9S12DG128;路径识别模块 (光电传感器模块) ;速度检测模块;舵机控制模块;电机驱动模块;电源模块。单片机通过光电传感器采集道路信息, 根据算法分析得出此时的智能车与道路的偏离状况, 然后再据此采用一定的控制算法控制智能车的舵机转向和直流电机的速度, 从而实现智能车对路径的自动识别与循迹[1]。
2.2 MC9S12XS128单片机简介
飞思卡尔MC9S12XS128微控制器具有MCU核心系统, 支持串口调试下载, 具有扩展接口, 可进行2次开发, 支持μCOSⅡ。此开发板兼容性较高, 监控程序功能强大, 可提供各种基本的开发和调试功能, 如程序的下载和运行、断点设置、内存显示等。还可利用MC9S12XS128的Flash在线编程技术实现在线写入用户程序和随时修改Flash存储内容。同时在线实时仿真和监测自编程序。根据实际设计需要分配控制器内部单元[2]。
2.3 各功能模块的设计
智能车硬件系统主要包括电源、电机驱动、测速、舵机、路径识别与处理等部分。总电源采用一个7.2伏的镍铬电池供电, 其中微控制器、光电传感器的接收管以及测速传感器采用5伏的电源, 光电传感器的发射管采用2伏的电源, 舵机和直流电机则直接用7.2伏的电源。选择LM2940为5伏稳压芯片, LM2576为2伏的稳压芯片[3]。各芯片和电源的关系如图2所示。
电机驱动选用MC33886 H桥电机驱动芯片, MC33886的作用是将恒定的直流电源电压 (电池电压) 调制成频率一定、宽度可变的PWM脉冲电压序列, 从而改变输出平均电压的大小。MC9S12XS128单片机的PP3和PP5引脚输出的PWM脉冲经器件6N137光耦隔离后, 通过信号IN1和I N 2进入M C 3 3 8 8 6 H桥输入端, MC33886 H桥输出端OUT1和OUT2分别接电机电枢两端, 从而控制电机的四象限运行。
路径识别是体现智能车智能水平的一个重要标志, 而光电传感器是智能车进行路径识别的一个关键检测元件。路径识别结果与传感器的选择、传感器的数量有直接关系, 本文选择三只光电开关, 一只置于轨道中间, 两只置于轨道外侧, 当小车脱离轨道时, 即当置于中间的一只光电开关脱离轨道时, 等待外面任一只检测到黑线后, 做出相应的转向调整, 直到中间的光电开关重新检测到黑线 (即回到轨道) 再恢复正向行驶。为了使智能车在尽可能短的时间内跑完赛道, 小车必须达到两项标准: (1) 光电开关检测到黑线在正中心时, 判断当前赛道为直线, 此时小车应尽量升速, 在保证稳定的情况下使小车以最快的速度沿直线前行; (2) 光电开关检测到黑线在两旁时, 判断当前赛道为弯道, 此时转向舵机应作出相应的响应, 使小车转过一定的角度。这时车速应在短时间内迅速下降, 否则小车将冲出赛道。因此小车速度控制的响应时间和控制精度对小车性能的提高尤为重要。为此, 采用模糊控制对小车的速度进行控制, 由于模糊控制不需要建立精确的数学模型, 在未知环境下可仿效人的智能, 这样使小车快速、稳定、准确地沿着赛道行使。速度控制系统结构框图如图3所示。图中, E是小车相对于黑线的偏移角, U是两驱动轮的转速差。小车相对于黑线发生偏移时, 控制系统通过调整两驱动轮转速, 使小车纠正偏移回到正确的位置。因此, 选择小车相对于黑线的偏移角E作为模糊控制器的输入变量;选择两驱动轮的转速差U作为模糊控制器的输出变量。
在输入语言变量E的论域中, 取语言值:“NB” (严重左偏) 、“NS” (左偏) 、“Z” (没有偏移) 、“PS” (右偏) 、“PB” (严重右偏) ;同理, 在输出语言变量U的论域中, 取语言值:“NB” (左轮速度比右轮速度转速差较大) 、“NS” (左轮速度比右轮速度转速差较小) 、“Z” (左轮速度与右轮速度相等) 、“PS” (右轮速度比左轮速度转速差较小) 、“PB” (右轮速度比左轮速度转速差较大) ;设隶属函数分布为三角分布[5], 如图4所示。
控制规则是模糊控制器中模糊推理的依据, 控制规则的多少是根据输入及输出物理量数目及所需的控制精度而定, 根据智能车的运行特性及控制经验设计模糊控制器的隶属度函数的离散化表格和模糊规则如表1和表2所示。
采用CRI推理查表法, 即直接通过输入量偏转角与控制规则比较得出输出量转速差。然后采用重心法的方法进行清晰化。
3 结论
本文介绍了黑线循迹智能车的硬件系统实现方法, 小车的循线方案采用光电传感器, 速度控制采用模糊控制, 实验证明, 模糊控制不需要建立精确的数学模型, 在未知环境下可仿效人的智能, 实现对系统的控制, 从而使小车能自动纠正轨迹偏差, 能够以较快的速度平稳地行驶, 达到预期的效果。
摘要：以“飞思卡尔”杯智能车大赛为研究背景, 开发了一种以MC9S12DG128作为控制器的智能循迹小车。该小车采用光电传感器检测路径, 获得赛道信息, 求出小车与黑线间的偏差, 采用模糊控制对小车的速度进行控制, 使小车能够自动跟随直道和弯道。实践表明, 采用模糊控制的智能小车在路径识别的精准度, 稳定性, 及速度控制上具有明显优势。
关键词：智能车,MC9S12XS128单片机,模糊控制,自动循迹
参考文献
[1]段颖康.基于MC9S12XS128单片机的智能循迹小车的硬件设计[J].电子元器件应用.2010;12 (1) :33-35
[2]邵贝贝.单片机认识与实践[M].北京:北京航空航天出版社.2006
[3]梁业宗, 李波, 赵磊.基于路径识别算法的智能车控制系统的设计[J].自动化技术与应用.2009;28 (1) :121-124
[4]刘伟.基于MC9S12XS128微控制器的智能车硬件设计[J].电子设计工程.2010, 18 (1) :102-104