基于matlab模糊邏輯工具箱的剖析

1、第29卷第3期2008年7月計(jì)量學(xué)報(bào)ACTAMETROLOGICASINICAVol.29,M3July,2008基于模糊神經(jīng)網(wǎng)絡(luò)的固體粉末自動(dòng)配料控制系統(tǒng)(1.中國(guó)科學(xué)院自動(dòng)化研究所高技術(shù)創(chuàng)新中心，北京100080;2.渤海船舶重工業(yè)有限責(zé)任公司機(jī)動(dòng)處，遼寧葫產(chǎn)島125004摘要：在簡(jiǎn)單介紹固體染料自動(dòng)配料設(shè)備組成的基礎(chǔ)上，針對(duì)染料自身特性和外部環(huán)境變化等不確定因素，設(shè)計(jì)了基于模糊神經(jīng)網(wǎng)絡(luò)便于在線(xiàn)計(jì)算的學(xué)習(xí)算法。將模糊邏輯和神經(jīng)網(wǎng)絡(luò)的長(zhǎng)處融合在一起，使模糊推理通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。系統(tǒng)采用VC+編寫(xiě)友好的用戶(hù)界面程序,用Matlab完成模糊神經(jīng)網(wǎng)絡(luò)控制算法的計(jì)算任務(wù)。實(shí)際運(yùn)行結(jié)果表明，該控制算

2、法具有很好的控制效果。關(guān)鍵詞：計(jì)量學(xué)；固體自動(dòng)配料；模糊神經(jīng)網(wǎng)絡(luò)；參考模型中圖分類(lèi)號(hào)：TB99文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):100021158(20080320284205,2kuan1CAOZhi2qiang2（Abstract:Afterbriefintroductionoftheequipmentsofautomaticbatchingofdyestuff,anon2linelearningalgorithmisdesignsed,whichisbasedonfuzzyneuralnetworkinordertodealwiththeuncertaintyofdyestuffcharacter

3、isticandexternaldisturbance1Bycombiningthemehtsoffuzzylogicandneuralnetworks,anewmethodisproposed,inwhichafuzzyinferenceofthemodelisrealizedbyneuralnetwork1Asforsystemapplication,friendlyuserinterfacebasedonVC+isadoptedandfuzzyneuralcontrolalgorithmisrealizedbyMatlabprogramming1Therunningresultshows

4、thatthecontrolalgorithmhasgoodefficiency1Keywords:Metrology;Automaticbatchingofdyestuff;Fuzzyneuralnetwork;Referencemodel收稿日期：2005212222;修回日期：2006205220收稿日期：國(guó)家863計(jì)劃項(xiàng)目（2003AA421110作者簡(jiǎn)介：龔利（1975-,男曲族，貴州銅仁人，中國(guó)科學(xué)院自動(dòng)化所博士研究生。主要研究方向?yàn)橹悄芸刂啤?引言長(zhǎng)期以來(lái)紡織服裝行業(yè)一直是中國(guó)出口創(chuàng)匯的支柱產(chǎn)業(yè)，占據(jù)世界紡織服裝貿(mào)易的12%左右，居世界首位。但我國(guó)出口的紡織品在色彩、印染質(zhì)量等方

5、面不具有競(jìng)爭(zhēng)優(yōu)勢(shì)，產(chǎn)品的檔次較低。通常，在面料質(zhì)地相同的情況下，其檔次的高低就主要表現(xiàn)在它們色調(diào)的一致性上，色調(diào)一致性越好，檔次相應(yīng)就越高。而染料配方中某種關(guān)鍵染料誤差大于011g往往就會(huì)導(dǎo)致色調(diào)出現(xiàn)明顯的不一致。隨著中國(guó)加入WTO進(jìn)程的深入和紡織印染行業(yè)的蓬勃發(fā)展，國(guó)內(nèi)有實(shí)力的紡織印染廠(chǎng)家已經(jīng)把使用高精度自動(dòng)配料生產(chǎn)系統(tǒng)作為提高產(chǎn)品質(zhì)量的關(guān)鍵，但目前國(guó)內(nèi)此類(lèi)高精度染整配料設(shè)備研制還不成熟，大多需要從歐美進(jìn)口。本文采用一種基于參考模型的模糊神經(jīng)網(wǎng)絡(luò)控制算法來(lái)控制染整配料系統(tǒng)的精密配料過(guò)程，實(shí)驗(yàn)結(jié)果表明該算法能夠取得滿(mǎn)意的效果。2系統(tǒng)特點(diǎn)及組成該自動(dòng)稱(chēng)料配料系統(tǒng)是一種能夠運(yùn)用在印染化工、醫(yī)藥等行

6、業(yè)進(jìn)行顆粒狀及粉末狀固體物料精確稱(chēng)重的智能化設(shè)備，它具有稱(chēng)重精度高（0011g稱(chēng)重范圍廣（532kg、智能化（在線(xiàn)學(xué)習(xí)等特點(diǎn)。該系統(tǒng)主要由上位機(jī)、下位機(jī)、儲(chǔ)料罐、螺旋給料機(jī)構(gòu)、電子秤、驅(qū)動(dòng)裝置、吸塵器和裝料小車(chē)組成。系統(tǒng)的組成框圖見(jiàn)圖1。系統(tǒng)的主要性能指標(biāo)是配料時(shí)的稱(chēng)重精度和稱(chēng)重速度，對(duì)大多數(shù)染料，如無(wú)特殊規(guī)定，要求精度能達(dá)到&±011酬重速度與稱(chēng)重精度和染料物理特性有關(guān)，稱(chēng)重精度越高則稱(chēng)重速度越慢，染料密度越大流動(dòng)性越好稱(chēng)重速度越快；一般要求稱(chēng)重速度能夠達(dá)到15kgnmin下位機(jī)DSP1下位機(jī)DSPtt1位機(jī)給料單A 一 ,DSP2下位機(jī)驅(qū)動(dòng)單給料單元2給料單兀杵00圖13

7、，數(shù)是基本已知的。但是在動(dòng)態(tài)配料過(guò)程中對(duì)象參數(shù)的變化，如染料的密度、黏度和流動(dòng)性的改變，或者是環(huán)境的改變，如溫度、濕度和儲(chǔ)料罐壓力的變化都將導(dǎo)致模型參數(shù)的不確定性，以及由于空中飛料的很難預(yù)先確定也大大增加了控制的難度。常規(guī)的PID控制方案很難取得滿(mǎn)意的控制效果，而基于人類(lèi)思維的智能控制方法卻非常適合于多種染料的動(dòng)態(tài)配重控制。模糊建模是利用模糊推理規(guī)則來(lái)描述系統(tǒng)特性的一種方法。該方法的一個(gè)顯著特點(diǎn)是可以用語(yǔ)言方式來(lái)表達(dá)復(fù)雜的非線(xiàn)性系統(tǒng)1,2然而，辨識(shí)該模糊規(guī)則以及調(diào)整模糊推理中的隸屬函數(shù)是一個(gè)重要的問(wèn)題3；由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)能力4,因此考慮用該方法辨識(shí)模糊模型從而組成模糊神經(jīng)網(wǎng)絡(luò)。模糊控制器

8、的控制算法通常是很直觀(guān)地表示的，本質(zhì)上說(shuō)，模糊控制器屬于一種誤差驅(qū)動(dòng)產(chǎn)生控制信號(hào)的機(jī)制，具有內(nèi)在的魯棒控制特性50盡管如此，由于對(duì)象參數(shù)變化很大，不同種染料密度可能相差幾倍，流動(dòng)性也千差萬(wàn)別，對(duì)于一定的控制作用，具響應(yīng)曲線(xiàn)也大不相同，如圖2所示，對(duì)于一定的控制量u,染料A的響應(yīng)曲線(xiàn)a為欠阻尼狀態(tài)，配料的速度很快，但是在最后部分即使迅速減小u也由于螺旋加料的不可，只能重新進(jìn)行1一g飛,這種情況將造成浪費(fèi)而絕對(duì)應(yīng)該避免。染料C在u作用下的響應(yīng)曲線(xiàn)c則為過(guò)阻尼狀態(tài)，雖然該情況下不會(huì)出現(xiàn)超調(diào)，但是速度太慢無(wú)法滿(mǎn)足實(shí)際生產(chǎn)的需要。染料B的響應(yīng)曲線(xiàn)b,則為接近臨界阻尼曲線(xiàn)。每種染料的臨界阻尼曲線(xiàn)可以通過(guò)多

9、次反復(fù)試驗(yàn)近似測(cè)得，為較理想情況，兼顧了速度和精度的統(tǒng)一。因此，可以采用參考模型來(lái)產(chǎn)生希望的響應(yīng)曲線(xiàn)。參考模型的輸出與控制對(duì)象的實(shí)際輸出之間的誤差用來(lái)驅(qū)動(dòng)控制器改變控制量u,所以我們可以選取模糊神經(jīng)網(wǎng)絡(luò)模型參考控制方案。圖2期望模型跟蹤的動(dòng)態(tài)響應(yīng)分析#第29卷第3期龔利等：基于模糊神經(jīng)網(wǎng)絡(luò)的固體粉末自動(dòng)配料控制系統(tǒng)4模型跟蹤動(dòng)態(tài)特性分析為了設(shè)計(jì)模糊參考自適應(yīng)控制器，下面分析模型跟蹤動(dòng)態(tài)特性。如圖2所示,在時(shí)間軸的原點(diǎn)給出一個(gè)控制命令，同時(shí)該圖也給出了參考模型的輸出和模糊自適應(yīng)控制器的期望輸出軌跡。誤差e和誤差的變化率A吃義如下：e(k=8'-r(k(k(1Ae(k-ee(kk-1(2其

10、中：8'r(k為第k次采樣的參考模型的響應(yīng)，9r(fe第k次采樣的控制對(duì)象的響應(yīng)，e(k為第k次采樣的誤差信號(hào)，Ae徽第k次采樣的誤差變化率。為了方便起見(jiàn)，圖2中也給出了每一個(gè)范圍的e和Ae勺極性，從圖2可以得到如下的特性關(guān)系：在區(qū)域A1、A5、A9中，e="+”Ae="+誤差是正的并且是增加的。在區(qū)域A2、A6、A10中，e=“及"Ae=i在區(qū)域A3、A7、A11中，e=-"”及Ae=誤差是負(fù)的并且是減少的4、A8、A12中，e=丁及Ae="+誤差是負(fù)的并且是增加的。以上分析是語(yǔ)言控制規(guī)則構(gòu)建的基礎(chǔ)，下面分別給出語(yǔ)言變量、隸屬函數(shù)和論

11、域：語(yǔ)言變量：正大（PB,正中（PM,正小（PS,零（ZE,負(fù)?。∟S,負(fù)中（NM,負(fù)大（NB。隸屬函數(shù)：選取高斯函數(shù)作為隸屬函數(shù)。語(yǔ)言變量的論域分別為：x1=-E,E,x2=-E?,E?,y4o=-U,U。模糊控制規(guī)則i：Ifx1（tisAandx2(tisBi,Theny4o(tisCi(i=1,2,。Ai、BiCni是相應(yīng)論域上的模糊子集。5輸入層：隸屬函數(shù)層J規(guī)則層*由輸入圖34層模糊神經(jīng)網(wǎng)絡(luò)層（第i層、隸屬度層（第j層、規(guī)則層（第k層和輸出層（第o層組成來(lái)完成FNN控制算法。輸入層的節(jié)點(diǎn)代表輸入的語(yǔ)言變量，隸屬度層的節(jié)點(diǎn)作為隸屬度函數(shù)，而規(guī)則層的所有節(jié)點(diǎn)形成了一個(gè)模糊規(guī)則庫(kù)。模糊神經(jīng)

12、網(wǎng)絡(luò)描述如下：第1層輸入層對(duì)于這一層的每一個(gè)節(jié)點(diǎn)，輸入輸出關(guān)系如下：net1i=x1i,y1i=f1i(net1i=net1i(5x1i代表第1層的第i個(gè)節(jié)點(diǎn)的輸入變量，該層共有兩個(gè)輸入節(jié)點(diǎn)分別代表e和Aeo第2層：隸屬度層在該層，每一個(gè)節(jié)點(diǎn)為一個(gè)隸屬度函數(shù)，用高斯函數(shù)來(lái)作為隸屬度函數(shù)，對(duì)于第j個(gè)節(jié)點(diǎn)：net2j=(22(2,y2j=exp(net2j(6aij和i訪(fǎng)別代表第i個(gè)輸入變量的第j個(gè)模糊集合的高斯型函數(shù)的平均值和標(biāo)準(zhǔn)差。它們都是FNN的可調(diào)參數(shù)，此層共有14個(gè)節(jié)點(diǎn)。第3層：規(guī)則層這一層的每個(gè)節(jié)點(diǎn)都用7來(lái)表示，將輸入信號(hào)連乘，對(duì)于第k個(gè)規(guī)則節(jié)點(diǎn)682計(jì)量學(xué)報(bào)2008年7月net3k=

13、7j3jkx3j,y3k=f3k(net3k=net3k(7Xj第3層第j個(gè)輸入,3jk為權(quán)系數(shù)是一致的。y3k為第k條規(guī)則的激活度，此層共有49個(gè)節(jié)點(diǎn)。第4層輸出層這一層每一個(gè)節(jié)點(diǎn)o都用6來(lái)表示，其輸出是所有輸入信號(hào)的和：net4o=6k4k4kx,y4o=f4o(net4o=net4o(84ko是輸出與第k個(gè)規(guī)則的可調(diào)權(quán)系數(shù)，x4k代表第4層節(jié)點(diǎn)的第k個(gè)輸入，y4o是FNN的輸出。此層只有1個(gè)節(jié)點(diǎn)。在該網(wǎng)絡(luò)中，可調(diào)參數(shù)有三類(lèi)，一類(lèi)是規(guī)則中的結(jié)論數(shù)值4,它們都是第3、4層間的權(quán)系數(shù)，代表規(guī)則參數(shù)。第二、三類(lèi)可調(diào)參數(shù)分別是高斯隸屬函數(shù)的均值aij和標(biāo)準(zhǔn)差o-，代表隸屬函數(shù)的參數(shù)。可用BP算法修

14、正模糊神經(jīng)網(wǎng)絡(luò)的可調(diào)參數(shù)。512在線(xiàn)學(xué)習(xí)算法,該梯度向量是以每個(gè)節(jié)點(diǎn)輸出流的相反方向來(lái)計(jì)算的，能量方程被定義為E=(1n26n(xm-xrn2(9xmn和xrn表示參考模型的輸出和控制對(duì)象的實(shí)際輸出，下面推導(dǎo)基于反向傳播的學(xué)習(xí)算法：第4層：傳播的誤差給出如下：64o=-5net4o=-5y4o4(12連接權(quán)重修正量計(jì)算如下Aco4ko=-4ko=-5y4o4o5net4o4o54ko=64ox4k(11輸出層的權(quán)重根據(jù)下式迭代4ko(N+1=4ko(N+qcoAco4為學(xué)習(xí)速度因子，N代表迭代次數(shù)。第3層：因?yàn)檫@一層權(quán)系數(shù)是一致的，所以該層只有誤差需要反向傳播和計(jì)算63k=-5net3k=-5

15、y4o45net445y3k3k5net 3k =26k64o4ko(132層:該層使用的是乘法，誤差可由下式計(jì)算出來(lái)62=-net2k=-y4o4onet4o4oy3k3k3k5y2j25net2=63k3k5x3j?y2j=6k63ky3k(14a的修正量計(jì)算如下Aa=-a=-y2net2jaij二62j2(x2i-aij(刊2(15(Tij的修正量計(jì)算如下A-252jij6222iij(16該隱層的平均值和標(biāo)準(zhǔn)差迭代算法如下：aij(N+1=aij(N+qaAaij(17(T(N+1=(T(N+Y(TA(T(18a和“是高斯方程的平均值和標(biāo)準(zhǔn)差的學(xué)習(xí)速度因子。該系統(tǒng)的雅可比方程5E115

16、y4o的計(jì)算由于系統(tǒng)的動(dòng)力學(xué)特性未知而不能確定，盡管模糊神經(jīng)控制器辨識(shí)器式(16可以用來(lái)計(jì)算系統(tǒng)的雅可比方程，然而需要占用系統(tǒng)較多的時(shí)間，為了解決該問(wèn)題和增強(qiáng)連接權(quán)重的在線(xiàn)學(xué)習(xí)效率，提出如下的改進(jìn)Delta規(guī)則：64o=A(ym-yp1+(ym2-yp2=Aem1+em2(19ym2和yp2分別表示參考模型輸出yml和控制對(duì)象輸出ypl的導(dǎo)數(shù)(見(jiàn)圖4c-fl.,eml和em2是參考模型和對(duì)象輸出的誤差及其導(dǎo)數(shù),A是一個(gè)正的常數(shù)。學(xué)習(xí)參數(shù)的選擇對(duì)網(wǎng)絡(luò)性能有著重大的影響。如給出的學(xué)習(xí)速度參數(shù)較小，則收斂的速度很低；另一方面，如果學(xué)習(xí)速度參數(shù)設(shè)置過(guò)高，則系統(tǒng)極有可能不穩(wěn)定。為了有效地訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)

17、，所有的學(xué)習(xí)速度因子都是在線(xiàn)訓(xùn)練。通過(guò)式(16所述的算法和基于提出的改進(jìn)Delta規(guī)則,所有的隸屬度函數(shù)的參數(shù)和連接權(quán)重都是隨機(jī)初始化的，通過(guò)實(shí)驗(yàn)結(jié)果即證明了提出的基于改進(jìn)規(guī)則的模糊神經(jīng)網(wǎng)絡(luò)的在線(xiàn)782第29卷第3期龔利等：基于模糊神經(jīng)網(wǎng)絡(luò)的固體粉末自動(dòng)配料控制系統(tǒng)訓(xùn)練的有效性。圖4FNN模型參考控制器結(jié)構(gòu)圖6 控制系統(tǒng)實(shí)現(xiàn)該系統(tǒng)上位機(jī)用戶(hù)程序用VisualC+開(kāi)發(fā)，但若用C+語(yǔ)言來(lái)實(shí)現(xiàn)復(fù)雜的控制算法，工作量將十分龐大且周期長(zhǎng)Matlab法、。利用Matlab可以方便地設(shè)計(jì)出功能強(qiáng)大、穩(wěn)定可靠的應(yīng)用程序來(lái)完成用戶(hù)所需的功能。若VC+能調(diào)用Matlab工具箱中的文件，會(huì)大大提高控制算法的實(shí)現(xiàn)，且

18、可靠性也很高。Matlab與C+語(yǔ)言的接口方法有幾種,其中最常用的一種是VC+下通過(guò)Matlab引擎使用Matlab功能的方法。該方法的具體應(yīng)用參見(jiàn)文獻(xiàn)6。在實(shí)際應(yīng)用中，VC+的用戶(hù)程序從高精度電子秤接收數(shù)據(jù)，然后向Matlab引擎?zhèn)魉兔詈蛿?shù)據(jù)信息，并從Matlab引擎接收經(jīng)過(guò)模糊神經(jīng)網(wǎng)絡(luò)控制算法計(jì)算后得到的數(shù)據(jù)信息，最后將數(shù)據(jù)下傳到下位機(jī)DSP來(lái)控制驅(qū)動(dòng)單元的精密運(yùn)動(dòng)。7 結(jié)論為了驗(yàn)證系統(tǒng)方案及算法的可行性及有效性，做了一系列的試驗(yàn)，試驗(yàn)條件為相同的溫度、濕度，采用不同的染料，配料1000g,分別按本文給出的模糊神經(jīng)網(wǎng)絡(luò)模型參考方案和常規(guī)控制方案進(jìn)行多組下料對(duì)比試驗(yàn)，結(jié)果見(jiàn)表1。表1相同條件下不同控制方案200組配料試驗(yàn)統(tǒng)計(jì)結(jié)果誤差范圍ng平均時(shí)間口州差組數(shù)模糊神經(jīng)網(wǎng)絡(luò)方案-0109+0106510常規(guī)PID控制-0109+81645613本文提出的模糊神經(jīng)網(wǎng)絡(luò)模型將具備模糊數(shù)據(jù)處理能力的模糊理論與擅長(zhǎng)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法有機(jī)地結(jié)合起來(lái)，對(duì)該模型采用了便于在線(xiàn)學(xué)習(xí)計(jì)算的有效算法，并與常規(guī)PID控制