空調(diào)系統(tǒng)神經(jīng)模糊控制器結構和算法

1、空調(diào)系統(tǒng)神經(jīng)模糊控制器結構和算法譚良才* 陳沛霖*University of Nevada Las Vegas，Las Vegas, 89154, *同濟大學，200092摘 要本文提出了一種適用于空調(diào)系統(tǒng)控制的新型神經(jīng)模糊控制器。這種神經(jīng)模糊控制器將神經(jīng)網(wǎng)絡和模糊控制緊密結合，是一種以神經(jīng)網(wǎng)絡表示模糊控制規(guī)則的模糊控制系統(tǒng)，控制推理基于模糊推理的精確值法，神經(jīng)網(wǎng)絡采用后向傳播（BP）學習算法。本文論述這種神經(jīng)模糊控制器的結構和算法，其仿真和優(yōu)化將另文論述。關鍵詞：神經(jīng)網(wǎng)絡，模糊控制，精確值法，空調(diào)系統(tǒng)，神經(jīng)模糊控制器1 引言本文作者在研究高大空間恒溫空調(diào)系統(tǒng)的溫度控制時，設計總結了一種新型的

2、神經(jīng)模糊控制器1。仿真和優(yōu)化的結果表明，這種控制器較常規(guī)的模糊控制器和PID控制器有更好的控制精度、穩(wěn)定性和魯棒性。這種控制器特別適用于系統(tǒng)不確定、模型不精確的純滯后大慣性的暖通空調(diào)系統(tǒng)的精確控制。在近幾年的研究中，作者也經(jīng)常評論和閱讀神經(jīng)網(wǎng)絡和模糊控制應用于暖通空調(diào)領域的文章，這些文章大多在介紹了神經(jīng)網(wǎng)絡和模糊控制的基本原理后，只是簡短地介紹了自己如何應用這些方法于暖通空調(diào)系統(tǒng)，而沒有對某種具體的空調(diào)系統(tǒng)控制器作詳細的專門的介紹。應制冷空調(diào)與電力機械雜志之約，作者將上述新型的神經(jīng)模糊控制器的結構和算法，以及仿真和優(yōu)化部分分別整理成文，供同行參考，也歡迎有興趣的讀者與作者討論神經(jīng)模糊控制器在空

3、調(diào)系統(tǒng)控制中的實現(xiàn)。本文力求簡潔，略去了神經(jīng)網(wǎng)絡和模糊控制的基本原理部分，只介紹與空調(diào)系統(tǒng)控制相關的部分。關于神經(jīng)網(wǎng)絡和模糊控制的基本原理部分，讀者可以參考文獻2，3。本文的介紹將以空調(diào)系統(tǒng)溫度控制為例，但是神經(jīng)模糊控制算法本身是通用的，它可以用于其它物理量，如濕度、壓力和流量等的控制。2 神經(jīng)模糊控制器結構神經(jīng)模糊控制器（Neural Fuzzy Controller）的結構見圖1，其中，R為室內(nèi)要求溫度，e和c為實際溫差（室內(nèi)要求溫度與控制點溫度之差）和溫差變化率，E和C為經(jīng)過變換的溫差和溫差變化率，和為溫差和溫差變化率的模糊量，為控制量（如電加熱器功率）的模糊量，U為恒溫模糊控制器輸出的

4、控制量，u為實際控制量。神經(jīng)模糊控制器是以精確值法模糊推理和模糊控制規(guī)則神經(jīng)網(wǎng)絡為基礎組成的，包括以下三個部分：1) 精確量的模糊化，即把標準論域-1,1上的精確值變化成語言變量值論域上的模糊子集，具體過程見第3.1節(jié)。2) 模糊控制規(guī)則BP神經(jīng)網(wǎng)絡，即用BP神經(jīng)網(wǎng)絡實現(xiàn)控制規(guī)則的記憶和控制推理，詳見第3.2節(jié)。3) 模糊量的反模糊化，即把語言變量值論域上的模糊子集變化成標準論域-1,1上的精確值，具體過程見第3.3節(jié)。神經(jīng)模糊控制器實際上是一種用神經(jīng)網(wǎng)絡存儲模糊控制規(guī)則并執(zhí)行控制推理的模糊控制器。神經(jīng)模糊控制器具有如下特點：1) 它結合了模糊控制和神經(jīng)網(wǎng)絡的優(yōu)點，具有兩者的智能，是一種高度智

5、能的控制器。2) 神經(jīng)網(wǎng)絡具有學習能力，通過在系統(tǒng)運行時不斷地增加和完善模糊控制規(guī)則，可以不斷提高系統(tǒng)控制的精度。也就是說，神經(jīng)模糊控制器在運行過程中具有較強的自適應能力。3) 對于不同的控制系統(tǒng)，在不改變總體結構的情況下，通過采用不同的模糊控制規(guī)則和神經(jīng)網(wǎng)絡的輸入輸出量定義就可以直接采用神經(jīng)模糊控制器進行控制。因此，神經(jīng)模糊控制器對不同的系統(tǒng)具有自適應能力，它有很強的通用性。4) 由于上述特點，它特別適用于不確定性的、模糊的、非線性的和時變的復雜系統(tǒng)的控制。 計算c 模糊化模糊化模糊控制規(guī)則神經(jīng)網(wǎng)絡反模糊化 EC UecR +恒溫室圖1 神經(jīng)模糊控制器結構-u學習模塊調(diào)整神經(jīng)網(wǎng)絡權系數(shù)神經(jīng)模

6、糊控制器3 神經(jīng)模糊控制器算法3.1 精確量的模糊化1.溫差e的模糊化n時刻的實際溫差e（）為：e=R(n)-T(n) （1）其中，n采樣時刻，s；e n時刻的實際溫差e, ;R(n) n時刻室內(nèi)要求溫度，;T(n) n時刻室內(nèi)控制點溫度，。根據(jù)系統(tǒng)工作情況、實際檢測條件和要求的控制精度，設定溫差e的論域為-1,1。當采用精確值法推理時，E的標準論域為-1,1，比例因子為：模糊量分為8個等級：PB（正大）、PM（正中）、PS（正?。?、PO（正零）、NO（負零）、NS（負小）、NM（負中）、NB（負大）。這些模糊量的隸屬函數(shù)均采用高斯函數(shù)，它們在標準論域-1,1中的定義如下：NB：（2）NM：（

7、3）NS：（4）NO：（5）PO：（6）PS：（7）PM：（8）PB：（9）其中，x標準論域-1,1中的自變量；， ，模糊量的8個等級：NB、NM、NS、NO、PO、PS、PM、PB的隸屬函數(shù)。上述隸屬函數(shù)圖形見圖2。2.溫差變化率c的模糊化n時刻的實際溫差變化率c（/s）為：（10）其中，c n時刻的實際溫差變化率c，/s；R(n-1) n-1時刻室內(nèi)要求溫度，;T(n-1) n-1時刻室內(nèi)控制點溫度，；Ts采樣周期，s。對于恒溫空調(diào)系統(tǒng)，R(n)=R(n-1) （11）從而有，（12）設溫差變化率c的論域為-0.01,0.01。當采用精確值法推理時，C的標準論域為-1,1，比例因子為：模糊

8、量也分為8個等級：PB、PM、PS、PO、NO、NS、NM、NB。這些模糊量的隸屬函數(shù)均采用高斯函數(shù)，它們在標準論域-1,1中的定義見式（2）式（9），相應的隸屬函數(shù)形狀見圖2。3.控制量（電加熱器功率）u的模糊化文獻1中的神經(jīng)模糊控制器用來控制某高大空間的恒溫空調(diào)系統(tǒng)，空調(diào)末端采用電加熱器調(diào)節(jié)溫度，這里引用文獻1的例子，以電加熱器功率為輸出控制量。文獻1中的空調(diào)控制分區(qū)的負荷為0,2，其中=5000W。電加熱器的功率范圍應為0,，設其中的電加熱器效率，電加熱器的加熱功率初始值為：電加熱器加熱功率u（W）的論域為-5556,5556，實際電加熱器的功率（W）應為：的變化范圍為0,11112。當

9、采用精確值法推理時，U的標準論域為-1,1，比例因子為：模糊量也分為8個等級：PB、PM、PS、PO、NO、NS、NM、NB。這些模糊量的隸屬函數(shù)均采用高斯函數(shù)，它們在標準論域-1,1中的定義見式（2）式（9），相應的隸屬函數(shù)形狀見圖2。3.2模糊控制規(guī)則BP神經(jīng)網(wǎng)絡3.2.1 模糊控制規(guī)則設計根據(jù)熟練操作人員的經(jīng)驗和專家的知識，參考有關文獻2,4，在分析恒溫室溫度變化曲線的基礎上得到恒溫模糊控制系統(tǒng)的多條模糊控制規(guī)則，組成模糊控制規(guī)則表，見表1。表1 模糊控制量的模糊控制規(guī)則表溫差變化率的模糊量溫差的模糊量NBNMNSNOPOPSPMPBNBNBNBNBNMNMNMNSPONMNBNBNMN

10、MNMNSPOPSNSNBNMNMNSNSPOPSPMNONMNMNSNOPOPSPMPMPONMNMNSNOPOPSPMPMPSNMNSNOPSPSPMPMPBPMNSNOPSPMPMPMPBPBPBNOPSPMPMPMPBPBPB3.2.2 模糊控制規(guī)則神經(jīng)網(wǎng)絡設計在人們的思維中，抽象的概念對應著一個模糊量，抽象的經(jīng)驗知識是聯(lián)系它們的一種映射，如表1中的模糊控制規(guī)則；從生理的觀點，人們的知識是大腦神經(jīng)網(wǎng)絡所實現(xiàn)的某些記憶，它是由神經(jīng)元不同強度的聯(lián)系來實現(xiàn)概念之間的聯(lián)系，而概念則是具體的觀測量或控制量所引起的一些神經(jīng)元不同程度的興奮。根據(jù)這個觀點，如果采用神經(jīng)網(wǎng)絡來表達和使用人們的經(jīng)驗知識則

11、是一種更加自然的方式，即通過一組神經(jīng)元不同程度的興奮表達一個抽象的概念值，由此將抽象的控制規(guī)則轉化成神經(jīng)網(wǎng)絡的輸入輸出樣本，簡單地說，就是用神經(jīng)網(wǎng)絡記憶控制規(guī)則并執(zhí)行推理。本文采用BP神經(jīng)網(wǎng)絡作為模糊控制規(guī)則神經(jīng)網(wǎng)絡，并采用精確值法進行推理確定神經(jīng)網(wǎng)絡的結構和輸入輸出單元，精確值法推理的具體過程如圖3所示，據(jù)此設計出本文的模糊控制規(guī)則神經(jīng)網(wǎng)絡見圖4，它是一個含輸入層、隱層和輸出層的三層BP神經(jīng)網(wǎng)絡。在精確值法模糊推理中，模糊量、被表示成語言變量值論域 NB，NM，NS，NO，PO，PS，PM，PB 的模糊子集，執(zhí)行模糊推理時，需要輸入精確值對各語言變量值的隸屬度。設精確值為x，則相應的隸屬度值

12、集合為， ，。模糊控制規(guī)則神經(jīng)網(wǎng)絡就是將和對應的， ，作為輸入神經(jīng)元，將對應的， ，作為輸出神經(jīng)元，并加入隱層而構成的。其中的輸入單元數(shù)等于16，輸出單元數(shù)等于8，隱單元數(shù)需要根據(jù)樣本數(shù)量確定。在本文的恒溫模糊控制器設計中，共確定了64條模糊控制規(guī)則，見表1，因此，共有64個樣本。根據(jù)BP神經(jīng)網(wǎng)絡對樣本記憶能力的研究結論：采用漸近函數(shù)作為隱層激發(fā)函數(shù)的三層BP神經(jīng)網(wǎng)絡，n-1個隱單元數(shù)能夠準確記憶n個樣本，隱單元數(shù)應該為63個，但考慮到將來可能要增加模糊控制規(guī)則，本文將隱單元數(shù)定為70個，這樣做有兩個原因：1) 在一定的范圍內(nèi)，較多的隱單元數(shù)可以較準確地記憶所有樣本，即70個隱單元記憶64個樣

13、本是完全可行的。2) 以后增加模糊控制規(guī)則（數(shù)量少于7條）時，可以不用更改BP神經(jīng)網(wǎng)絡的結構。本文的模糊控制規(guī)則BP神經(jīng)網(wǎng)絡隱層神經(jīng)元采用雙曲正切型激發(fā)函數(shù)；考慮到網(wǎng)絡的輸出值范圍為0,1，輸出神經(jīng)元采用Sigmoid型激發(fā)函數(shù)；在輸入層，神經(jīng)元的輸出值與輸入值相等。圖3 精確值法模糊推理過程NBNMNSNOPO精 NBPS確模NMPM值糊NSPB法控NONB模制PONM糊規(guī)PSNS推則PMNO理PBPOPSPMPB圖4 模糊控制規(guī)則BP神經(jīng)網(wǎng)絡OOONB OONM OONS OONO OOPO OO ONBPS OO ONMPM OO ONSPB OO ONONB OO OPONM OO O

14、PSNS OO OPMNO OO OPBPO OOPS OPM OPB OOOOO輸入層隱層輸出層用上述64個樣本對BP神經(jīng)網(wǎng)絡進行學習訓練，就可以確定神經(jīng)網(wǎng)絡中的各個權系數(shù)的值。其中，由于每條模糊控制規(guī)則樣本所對應的輸入輸出值不是精確值，而是一個語言變量值，因此需要對它進行處理。下面以一條模糊控制規(guī)則為例，說明其處理過程。設有模糊控制規(guī)則：if =PB and =NS then =PM，將它作為BP神經(jīng)網(wǎng)絡的樣本時，輸入向量為0,0,0,0,0,0,0,1,0,0,1,0,0,0,0,0T，輸出向量為0,0,0,0,0,0,1,0T。亦即，取模糊控制規(guī)則中的語言變量值對應的語言變量值論域中相

15、應的語言變量值的隸屬度為1，其它均為0。采用BP算法對上述神經(jīng)網(wǎng)絡進行學習1，經(jīng)過3790次迭代后，學習過程的收斂誤差為0.1；經(jīng)過24804次迭代后，收斂誤差為0.01。學習3790次的收斂曲線見圖5。圖5 神經(jīng)網(wǎng)絡學習收斂曲線以上說明了BP神經(jīng)網(wǎng)絡的學習過程，它的主要功能是對模糊控制規(guī)則進行記憶。當模糊控制規(guī)則被記憶在BP神經(jīng)網(wǎng)絡中以后，就相當于人通過大腦記憶了知識，從而可以利用它們進行控制推理。以下將說明BP神經(jīng)網(wǎng)絡的運算過程，即執(zhí)行模糊推理的功能。用BP神經(jīng)網(wǎng)絡進行推理的過程很簡單，不需要進行復雜的推理運算。設有精確輸入值E0和C0，它們對應的模糊量分別為和：則執(zhí)行推理的輸入向量為：經(jīng)

16、過BP神經(jīng)網(wǎng)絡的運算（這個運算過程的速度是非?？斓模┖螅玫捷敵鱿蛄繛椋杭摧敵瞿：繛椋?.2.3 小結本文采用精確值法模糊推理的基本思想，建立了模糊控制規(guī)則BP神經(jīng)網(wǎng)絡，并實現(xiàn)了模糊推理中的兩個基本功能：1.記憶和存儲模糊控制規(guī)則，這是通過神經(jīng)網(wǎng)絡的學習過程實現(xiàn)的；2.執(zhí)行控制推理，這是通過神經(jīng)網(wǎng)絡的執(zhí)行過程實現(xiàn)的。在精確值法模糊推理的基礎上，本文的模糊控制規(guī)則神經(jīng)網(wǎng)絡發(fā)展并改進了精確值法模糊推理，具體表現(xiàn)在以下幾點：1.模糊控制規(guī)則的前件可以用語言變量值的模糊子集表示。表1中的模糊控制規(guī)則的前件均為具體的語言變量值，精確值法模糊推理中的關系矩陣也限制模糊控制規(guī)則的前件只能是具體的語言變量值

17、2，而神經(jīng)網(wǎng)絡則對模糊控制規(guī)則的前件表達形式?jīng)]有任何限制，因此，完全可以采用語言變量值的模糊子集表示。這樣，下面的模糊控制規(guī)則是合法的（它只是一條新增的控制規(guī)則的例子，它與表1是不對應的互補關系），并且可以非常方便地作為神經(jīng)網(wǎng)絡的樣本被神經(jīng)網(wǎng)存儲和記憶：if =0/NB+0/NM+0/NS+0/NO+0/PO+0/PS+0.1/PM+0.9/PB and =0/NB+0.1/NM+0.8/NS+0.1/NO+0/PO+0/PS+0/PM+0/PB then =0/NB+0/NM+0/NS+0/NO+0/PO+0/PS+0.9/PM+0.1/PB這樣，模糊控制規(guī)則的表達更加自然和精確。2.既能接

18、受結構化的語言信息，又能接受數(shù)據(jù)信息。在模糊控制規(guī)則神經(jīng)網(wǎng)絡中，由于模糊控制規(guī)則的前件和后件均能用語言變量值的模糊子集表示，而任何一個精確值（數(shù)據(jù)樣本）也都可以用語言變量值的模糊子集表示，這就意味著控制規(guī)則可以是數(shù)據(jù)樣本信息，通過變換后成為用語言變量值的模糊子集表示的模糊控制規(guī)則。所以，模糊控制規(guī)則神經(jīng)網(wǎng)絡既能處理結構化的語言規(guī)則信息，即條件語句，也能處理數(shù)據(jù)樣本信息，從而擴展了精確值法的數(shù)據(jù)處理能力。這一點是常規(guī)模糊控制器和一般的神經(jīng)網(wǎng)絡所不具備的，因為常規(guī)模糊控制器只能接受結構化的語言規(guī)則信息，而一般的神經(jīng)網(wǎng)絡只能接受數(shù)據(jù)樣本信息。如果將以條件語句為基礎的模糊控制規(guī)則稱為語言規(guī)則，而將以數(shù)

19、據(jù)樣本信息為基礎推導的模糊控制規(guī)則稱為數(shù)據(jù)規(guī)則，則在模糊控制規(guī)則神經(jīng)網(wǎng)絡中，模糊控制規(guī)則包括語言規(guī)則和數(shù)據(jù)規(guī)則，并且對語言規(guī)則和數(shù)據(jù)規(guī)則的處理方式完全相同。3.可以非常自由地增加模糊控制規(guī)則，逼近任何關系曲線。由于前面的原因，在無須增加前件語言變量值的情況下，就可以根據(jù)實際需要增加模糊控制規(guī)則，并且被神經(jīng)網(wǎng)絡存儲和記憶。更重要的是，此時，神經(jīng)網(wǎng)絡的結構沒有必要作任何改變（當隱單元數(shù)足夠多時），只需要通過重新學習調(diào)整網(wǎng)絡權系數(shù)即可。采用模糊控制規(guī)則神經(jīng)網(wǎng)絡，還有以下的優(yōu)點：1.當控制系統(tǒng)的維數(shù)（輸入輸出變量總數(shù)）較多時，模糊控制的推理過程很復雜，也不便形成直觀的控制表，而神經(jīng)網(wǎng)絡的執(zhí)行過程與系統(tǒng)

20、的維數(shù)無關，推理速度非?？?，具有良好的實時性。2.采用神經(jīng)網(wǎng)絡進行學習，具有良好的容錯功能。由于神經(jīng)網(wǎng)絡以分布式方式存儲信息，即使網(wǎng)絡中某一通路受到破壞，通過聯(lián)想記憶仍然能恢復出原有的信息。而且，神經(jīng)網(wǎng)絡的容錯性還可以自動排除相互矛盾和有錯誤的模糊控制規(guī)則，可以保證并提高模糊控制規(guī)則的完備性和一致性，減少模糊控制規(guī)則之間的交互影響。3.修改模糊控制規(guī)則很方便，通過網(wǎng)絡學習改變網(wǎng)絡權系數(shù)即可。4.當神經(jīng)網(wǎng)絡應用于更多條件和作用的多輸入多輸出系統(tǒng)時，只需規(guī)定神經(jīng)網(wǎng)絡的輸入輸出節(jié)點代表的含意，無需改變神經(jīng)網(wǎng)絡的算法和總體結構，因此它具有廣泛的通用性。總之，模糊控制規(guī)則神經(jīng)網(wǎng)絡是一種更加成熟的控制推理

21、方法。3.3模糊量的反模糊化對于輸入的溫差E和溫差變化率C，經(jīng)過模糊化后，根據(jù)表1所示的模糊控制規(guī)則進行模糊推理，得到電加熱器功率的模糊控制量，并采用重心法執(zhí)行反模糊化，得到電加熱器功率的精確控制量U，最終的電加熱器功率值u為：當采用精確值法推理時，為電加熱器功率語言變量值論域 NB，NM，NS，NO，PO，PS，PM，PB 的模糊子集，各語言變量值隸屬函數(shù)的中心值或最大值可以根據(jù)式（2）式（9）及圖2計算得出。各語言變量值在標準論域上的，見表2。采用重心法計算電加熱器功率的精確控制量U的公式為：表2 電加熱器功率語言變量值對應的標準論域上的中心值或最大值NBNMNSNOPOPSPMPB-1-

22、0.67-0.33000.330.6714 神經(jīng)模糊控制器的結構優(yōu)化為了進一步提高神經(jīng)模糊控制器的控制效果，可以在神經(jīng)模糊控制器中設計最優(yōu)的控制比例因子。即在系統(tǒng)實際運行前，由神經(jīng)模糊控制器根據(jù)仿真運行所得指標函數(shù)對比例因子、和進行優(yōu)化，分別得到最優(yōu)的控制比例因子為、和。關于仿真優(yōu)化的具體方法，將另文介紹。對比例因子進行尋優(yōu)的神經(jīng)模糊控制器見圖6。圖6 優(yōu)化比例因子神經(jīng)模糊控制器結構恒溫室調(diào)整比例因子指標函數(shù)神經(jīng)模糊控制器計算c 模糊化模糊化模糊控制規(guī)則神經(jīng)網(wǎng)絡反模糊化 EC UecR +-u在系統(tǒng)運行過程中，也可以對控制比例因子、和執(zhí)行動態(tài)自調(diào)整，形成變比例因子模糊控制器，這是一種自組織神經(jīng)

23、模糊控制器。自組織模糊控制器具有對系統(tǒng)和環(huán)境更好的自適應性。這部分的詳細內(nèi)容請參考文獻1。5 結論本文提出了一種模糊控制和神經(jīng)網(wǎng)絡相結合的全新的神經(jīng)模糊控制器，這種神經(jīng)模糊控制器是精確值法模糊推理和模糊控制規(guī)則神經(jīng)網(wǎng)絡的完美結合，它是一種用神經(jīng)網(wǎng)絡存儲模糊控制規(guī)則并執(zhí)行控制推理的模糊控制器，它發(fā)展并改進了模糊推理的精確值法，具有模糊控制和神經(jīng)網(wǎng)絡兩者的雙重智能，特別適用于不確定性的、模糊的、非線性的和時變的復雜系統(tǒng)的實時控制。在無需改變總體結構的情況下，本文的神經(jīng)模糊控制器能夠適用于不同的系統(tǒng)和運行工況，它具有很強的自適應能力和通用性。參考文獻1譚良才基于神經(jīng)模糊控制的高大空間恒溫空調(diào)系統(tǒng)數(shù)字

24、仿真及實驗研究同濟大學博士學位論文，1999.92余永權，曾碧單片機模糊邏輯控制北京：北京航空航天大學出版社，1995.73焦李成神經(jīng)網(wǎng)絡系統(tǒng)理論西安：西安電子科技大學出版社，1990.124黃布毅模糊控制技術在家用電器中的應用北京：中國輕工業(yè)出版社，1998.1Neural Fuzzy Controller of Air Conditioning System Structure and AlgorithmLiangcai Tan* and Penlin Chen* Department of Mechanical Engineering, University of Nevada Las Vegas, Las Vegas, 89154, *Department of Thermal Engineering, Tongji University, Shang