雷勇濤 楊兆建

(太原理工大學(xué)機(jī)械工程學(xué)院,山西太原 030024)

提升機(jī)作為礦井的“咽喉”,是礦業(yè)生產(chǎn)中的大型關(guān)鍵設(shè)備.到目前為止,我國(guó)的礦業(yè)生產(chǎn)由于提升機(jī)故障而發(fā)生的重大事故很多,已造成了巨大的經(jīng)濟(jì)損失和人員傷亡.據(jù)統(tǒng)計(jì)分析,因制動(dòng)系統(tǒng)故障造成的事故占整個(gè)提升事故的 60%以上[1].

提升機(jī)的故障可分為兩大類:一類是硬故障,這是指由一些特定的參數(shù)超限表現(xiàn)出來(lái)的故障,該類故障主要由后備保護(hù)裝置來(lái)解決,這是簡(jiǎn)易的診斷;另一類是軟故障,該類故障需由表征故障癥兆的多參數(shù)的測(cè)量值經(jīng)過(guò)歸一化處理才能用神經(jīng)網(wǎng)絡(luò)或模糊神經(jīng)網(wǎng)絡(luò)等推理機(jī)進(jìn)行診斷.由于涉及故障癥兆的變量多,因此診斷比較棘手.軟故障往往是硬故障的先兆,因此對(duì)軟故障的及時(shí)預(yù)報(bào)和診斷是復(fù)雜系統(tǒng)的重點(diǎn)和難點(diǎn).

制動(dòng)系統(tǒng)是一個(gè)由多層次機(jī)電液零部件組成的復(fù)雜且安全性要求很高的系統(tǒng).從診斷的角度看,尋求可靠性、魯棒性、智能性強(qiáng)和簡(jiǎn)便易行的診斷理論與方法,以解決診斷復(fù)雜系統(tǒng)的高維數(shù)、非線性、強(qiáng)干擾、不確定、難建模、時(shí)滯未知等問(wèn)題,一直是診斷學(xué)尋求的目標(biāo).神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)無(wú)疑為人們提供了診斷的新思路和新選擇.神經(jīng)網(wǎng)絡(luò)結(jié)合專家系統(tǒng)的故障樹(shù)對(duì)提升機(jī)制動(dòng)系統(tǒng)故障進(jìn)行分層次(降維)有效的智能診斷,可預(yù)測(cè)故障,從而減少或避免惡性事故,提高提升效率.

神經(jīng)網(wǎng)絡(luò)用于故障診斷也存在著一些問(wèn)題,如忽視領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)、訓(xùn)練樣本獲取困難等[2].用神經(jīng)網(wǎng)絡(luò)對(duì)制動(dòng)系統(tǒng)的故障診斷也面臨著如何結(jié)合領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)、怎樣收集設(shè)計(jì)故障樣本、怎樣設(shè)計(jì)網(wǎng)絡(luò)等問(wèn)題.文中采用自組織特征映射(SOM)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)對(duì)這些問(wèn)題的解決進(jìn)行了研究,從而為故障診斷提供理論依據(jù).

1 基于SOM網(wǎng)絡(luò)的制動(dòng)系統(tǒng)故障模式分類

1.1 制動(dòng)系統(tǒng)故障試驗(yàn)樣本的收集方法及故障樹(shù)

試驗(yàn)?zāi)M2JTP-1.2提升機(jī)在13種不同速度、4種不同負(fù)荷工況下的制動(dòng)系統(tǒng)故障,即提升機(jī) 52 (13×4)種運(yùn)行狀態(tài)下的制動(dòng)系統(tǒng)故障.檢測(cè)的運(yùn)行狀態(tài)參數(shù)構(gòu)成 52組故障特征向量或樣本.這樣的特征向量具有代表性和典型性,能表征系統(tǒng)的故障狀態(tài).另外,對(duì)這些參數(shù)的數(shù)值進(jìn)行歸一化,從而提高了網(wǎng)絡(luò)的推理能力和泛化能力.根據(jù)提升機(jī)液壓制動(dòng)器的工作原理和常出現(xiàn)的故障統(tǒng)計(jì)分類得到的制動(dòng)系統(tǒng)故障樹(shù)[3]見(jiàn)圖 1.根據(jù)故障樹(shù),可以分析其故障機(jī)理,采取監(jiān)測(cè)診斷措施.2JTP-1.2提升機(jī)試驗(yàn)故障樣本參數(shù)監(jiān)測(cè)檢測(cè)硬件框圖如圖 2所示,試驗(yàn)提升機(jī)如圖 3所示,負(fù)荷變化由 CJ-200加載器完成.

圖1 提升機(jī)制動(dòng)系統(tǒng)故障樹(shù)Fig.1 Fau lt tree of hoistbrake system

圖2 提升機(jī)故障樣本參數(shù)監(jiān)測(cè)檢測(cè)硬件框圖Fig.2 Hardware b lock diagram of hoist fault samp le parameters monitored and detected

圖3 2JTP-1.2試驗(yàn)提升機(jī)Fig.3 2JTP-1.2 type tested hoist

圖1中的每種故障模式(正常狀態(tài)亦作為一種模式)收集 3組樣本,共 156(3×52)組樣本,156組樣本中隨機(jī)抽取一組樣本,見(jiàn)表1.表 1中的pt、M、pc、ps、pz、pg、pm、Δ、δ分別為貼閘油壓、制動(dòng)力矩、液壓系統(tǒng)殘壓、松閘油壓、液壓站油壓、閘瓦貼合開(kāi)關(guān)量、磨損超限判定油壓、閘瓦平均間隙、制動(dòng)盤偏等9種故障癥兆表征參數(shù)的歸一化數(shù)值.

表1 2JTP-1.2型提升機(jī)模擬故障樣本特征模式Table 1 Characteristic patterns of analog fault samples of 2JTP-1.2 type hoist

表1中的閘瓦平均間隙和制動(dòng)力矩采用專用測(cè)力傳感器(見(jiàn)圖4)間接監(jiān)測(cè),其它的 7種參數(shù)可直接監(jiān)測(cè).測(cè)力傳感器安裝在制動(dòng)器內(nèi)部拾取各制動(dòng)閘彈簧力Fki(i=1,2,…,8),再用式(1)～(3)計(jì)算閘瓦平均間隙和制動(dòng)力矩.

圖4 專用測(cè)力傳感器Fig.4 Special force sensor

單個(gè)閘瓦間隙的計(jì)算公式為

式中:Fki,max為全抱閘時(shí)的彈簧力;Fki,min為全松閘時(shí)的彈簧力;組碟形彈簧片數(shù)N=8;碟形彈簧剛度K= 31600N/mm.

閘瓦平均間隙的計(jì)算公式為

式中:j為閘瓦的副數(shù).

制動(dòng)力矩的計(jì)算公式為

式中:Ri為制動(dòng)盤摩擦半徑;μ為閘瓦對(duì)制動(dòng)盤的摩擦系數(shù);ΔFki,max為各閘制動(dòng)時(shí),彈簧力的最大變化值.

1.2 SOM網(wǎng)絡(luò)設(shè)計(jì)及故障模式分類的實(shí)現(xiàn)

表1中的9個(gè)運(yùn)行參數(shù)作為SOM網(wǎng)絡(luò)的輸入,無(wú)需在訓(xùn)練中預(yù)先告知輸入向量的所屬類別,網(wǎng)絡(luò)自動(dòng)對(duì)輸入故障模式進(jìn)行分類[4-5].輸入神經(jīng)元數(shù)為9,其值歸一化后都在[0,1]之間.為提高網(wǎng)絡(luò)的映射精度,將競(jìng)爭(zhēng)層設(shè)計(jì)為 8×8的二維平面[5].

net=newsom(minmax(P),[8,8]),其中P為輸入向量.經(jīng)過(guò)100次的訓(xùn)練結(jié)果為

此結(jié)果可用圖 5表示.由圖 5中可知,故障診斷的實(shí)現(xiàn)是由訓(xùn)練后的 SOM網(wǎng)絡(luò)將 7種故障模式自動(dòng)地進(jìn)行分類.

圖5 訓(xùn)練后的SOM網(wǎng)絡(luò)輸出Fig.5 Outputs of SOM network after training

若將競(jìng)爭(zhēng)層設(shè)計(jì)為 3×3的二維平面,其它都不變.經(jīng)過(guò)100次訓(xùn)練后,輸出結(jié)果為

可知A與B故障歸為一類(A與B較容易混淆),網(wǎng)絡(luò)的分類性能不理想,只能是初級(jí)的分類.設(shè)網(wǎng)絡(luò)訓(xùn)練次數(shù)為 2000,其訓(xùn)練結(jié)果仍然為

可知A與B故障仍然為一類.這說(shuō)明如果輸入神經(jīng)元數(shù)比較少,無(wú)論怎么排列和增加訓(xùn)練次數(shù),也無(wú)法改變網(wǎng)絡(luò)的性質(zhì),只能調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)的競(jìng)爭(zhēng)層.

2 基于BP和Elman網(wǎng)絡(luò)的液壓站故障診斷

2.1 液壓站故障的認(rèn)定方法及故障樹(shù)

由圖 1中可知,液壓站是制動(dòng)系統(tǒng)的子系統(tǒng)和重要組成部分,液壓站的試驗(yàn)樣本收集方法同制動(dòng)系統(tǒng).

液壓站故障的認(rèn)定方法包括:(1)磁鋼輕度退磁,其判斷方法是用手垂直壓頂桿,油的壓力只有工作壓力的85%～90%,則為輕度退磁;(2)頂桿與噴嘴接觸不嚴(yán),只能在某一特定方向壓頂桿,油的壓力才上升到正常,判斷頂桿與噴嘴之間的平面接觸不嚴(yán)則是嚴(yán)重故障.油的壓力有70%～80%概率升到正常為故障;(3)節(jié)流閥故障大多是由油路堵塞引起,用堵塞位置油的壓力值表征故障,壓力值為正常值的105%～115%為故障,壓力值再高,則認(rèn)定為嚴(yán)重故障;(4)溢流閥工作性能不良,堵住噴油嘴,油的壓力只有工作壓力的70%～80%為故障,只有10%～20%為失壓(嚴(yán)重故障)[6];(5)系統(tǒng)泄漏,泄漏量為正常值的 103%～110%為故障,泄漏量再多,則為嚴(yán)重故障;(6)油泵效率和油泵電機(jī)效率,它們的效率只有正常值的80%～90%為故障,效率再低,則為嚴(yán)重故障.這幾種參數(shù)的歸一化數(shù)值作為神經(jīng)網(wǎng)絡(luò)的輸入.

如果液壓站無(wú)工作壓力及壓力不足,則會(huì)直接影響提升機(jī)的安全運(yùn)行,甚至?xí)斐芍卮笫鹿?根據(jù)參考文獻(xiàn)[6],基于液壓站故障的認(rèn)定方法,結(jié)合液壓領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)總結(jié)的液壓站故障樹(shù)如圖 6所示.

圖6 液壓站的故障樹(shù)Fig.6 Fault tree of hydrau lic station

2.2 BP網(wǎng)絡(luò)設(shè)計(jì)及故障診斷

根據(jù)液壓站故障樹(shù),模擬液壓站正常、故障、嚴(yán)重故障(失壓)3種故障模式(每一種模式測(cè)出 5組樣本).模擬工況有 52種運(yùn)行狀態(tài),這樣共有 780 (52×3×5)組樣本,隨機(jī)抽取其中 9組狀態(tài)數(shù)據(jù)作為BP網(wǎng)絡(luò)的訓(xùn)練樣本,如表2所示.隨機(jī)抽取其中3組作為測(cè)試樣本,如表 3所示(測(cè)試樣本不能與訓(xùn)練樣本相同).

表2 液壓站的狀態(tài)訓(xùn)練樣本Table 2 Training sam ples of hydraulic station

表3 液壓站的狀態(tài)測(cè)試樣本Table 3 Test samp les of hyd raulic station

BP網(wǎng)絡(luò)的輸出模式為:正常(1,0,0)、故障(0, 1,0)和失壓(0,0,1).

BP網(wǎng)絡(luò)設(shè)計(jì)遵循以下原則:(1)一般的模式識(shí)別采用3層網(wǎng)絡(luò);(2)符合Kolmogorov定理,即

式中:n1為輸入神經(jīng)元數(shù);n2為隱含層神經(jīng)元數(shù).

采用不同的訓(xùn)練函數(shù)對(duì)網(wǎng)絡(luò)性能也有影響.訓(xùn)練函數(shù)traingdx(梯度下降動(dòng)量學(xué)習(xí)算法)、traingd (普通梯度下降學(xué)習(xí)算法)和trainlm(Levenberg-Marquardt反傳學(xué)習(xí)算法)由于學(xué)習(xí)算法不同,所以網(wǎng)絡(luò)的收斂速度和訓(xùn)練誤差也不同.trainlm使網(wǎng)絡(luò)的收斂速度快和訓(xùn)練誤差小,網(wǎng)絡(luò)性能較好[4,7],故文中采用訓(xùn)練函數(shù)trainlm.

根據(jù)Kolmogorov定理和設(shè)計(jì)經(jīng)驗(yàn),n2應(yīng)為11～17.n2的選擇是十分復(fù)雜且重要的問(wèn)題,在理論上,至今還不能證明它可用精確的解析式來(lái)表示[8].它與輸入、輸出節(jié)點(diǎn)數(shù)都有直接的關(guān)系,隱含層節(jié)點(diǎn)數(shù)太多,則可能訓(xùn)練不出網(wǎng)絡(luò)或不能識(shí)別以前沒(méi)有的樣本,容錯(cuò)性差;節(jié)點(diǎn)太少,則又使學(xué)習(xí)時(shí)間長(zhǎng),誤差也不一定最佳.用表2中的樣本確定最佳的 n2,實(shí)驗(yàn)結(jié)果見(jiàn)表4.其中網(wǎng)絡(luò)參數(shù)的訓(xùn)練函數(shù)為trainlm、學(xué)習(xí)函數(shù)為learngdm、性能函數(shù)為mse、訓(xùn)練次數(shù)為2000、訓(xùn)練目標(biāo)為 0.001、學(xué)習(xí)速率為 0.01.從表 4中可知,n2=15為最佳.

表4 BP網(wǎng)絡(luò)的訓(xùn)練誤差與收斂次數(shù)Tab le 4 Training error and times of convergence of BP network

表4中的訓(xùn)練目標(biāo)太高,學(xué)習(xí)速率太慢.將訓(xùn)練目標(biāo)改為0.01、學(xué)習(xí)速率改為 0.1,其它參數(shù)不變,則BP網(wǎng)絡(luò)的測(cè)試結(jié)果為

BP網(wǎng)絡(luò)狀態(tài)分類器的輸出模式為:正常(1, 1)、故障(0,1)和失壓(1,0).它的輸出模式簡(jiǎn)化了網(wǎng)絡(luò)輸出[9],得到的測(cè)試結(jié)果為

2.3 Elman網(wǎng)絡(luò)設(shè)計(jì)與故障診斷

Elman網(wǎng)絡(luò)是前饋網(wǎng)絡(luò),一般分為4層,比BP網(wǎng)絡(luò)多一層,因此Elman網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)n2相應(yīng)地較少[4,10].n2一般影響網(wǎng)絡(luò)的性能,根據(jù)設(shè)計(jì)經(jīng)驗(yàn),n2為 8～14.實(shí)驗(yàn)的網(wǎng)絡(luò)參數(shù)和訓(xùn)練參數(shù)同BP網(wǎng)絡(luò),確定最佳n2的實(shí)驗(yàn)結(jié)果見(jiàn)表5.

表5 Elman網(wǎng)絡(luò)的訓(xùn)練誤差與收斂次數(shù)Table 5 Training error and timesof convergence of Elman network

從表5中可知,n2=13為最佳.Elman網(wǎng)絡(luò)的測(cè)試結(jié)果如下:

2.4 BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)的診斷性能比較

BP網(wǎng)絡(luò)、BP網(wǎng)絡(luò)狀態(tài)分類器和Elman網(wǎng)絡(luò)的訓(xùn)練誤差曲線如圖 7所示.由圖7和上述測(cè)試結(jié)果可以看出,在網(wǎng)絡(luò)的訓(xùn)練目標(biāo)和學(xué)習(xí)速率都不是很高的條件下,BP網(wǎng)絡(luò)、BP網(wǎng)絡(luò)狀態(tài)分類器、Elman網(wǎng)絡(luò)都能對(duì)故障測(cè)試樣本做出正確的診斷與預(yù)測(cè),且精度較高.由圖 7中還可以看出,3種網(wǎng)絡(luò)中訓(xùn)練誤差由小到大依次是BP網(wǎng)絡(luò)、BP網(wǎng)絡(luò)狀態(tài)分類器、Elman網(wǎng)絡(luò);測(cè)試精度由高到低依次是BP網(wǎng)絡(luò)狀態(tài)分類器、BP網(wǎng)絡(luò)、Elman網(wǎng)絡(luò)(這也驗(yàn)證了Elman網(wǎng)絡(luò)相對(duì)BP網(wǎng)絡(luò),其預(yù)測(cè)故障的誤差要大些);BP網(wǎng)絡(luò)狀態(tài)分類器收斂速度最快,6次就停止了訓(xùn)練(可能是輸出最簡(jiǎn)單扼要及采用了訓(xùn)練函數(shù)trainlm),其次是BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò),其收斂速度也較快.

圖7 BP網(wǎng)絡(luò)、BP網(wǎng)絡(luò)狀態(tài)分類器和Elman網(wǎng)絡(luò)的訓(xùn)練誤差曲線Fig.7 Training error curves of BP network,BP network state classifier and Elman network

由表5中可知,Elman網(wǎng)絡(luò)性能最穩(wěn)定,訓(xùn)練誤差和收斂次數(shù)基本不變,n2對(duì)網(wǎng)絡(luò)的影響也較小.因此,圖7(c)所示的Elman網(wǎng)絡(luò)的訓(xùn)練誤差曲線較光滑.文中進(jìn)一步驗(yàn)證了BP網(wǎng)絡(luò)只注重學(xué)習(xí)方面的研究(為了避免在訓(xùn)練過(guò)程中陷入 “局部極小”[11-12])而較少關(guān)心穩(wěn)定性問(wèn)題.BP網(wǎng)絡(luò)的訓(xùn)練誤差和收斂次數(shù)的分析顯示,正是由于 BP網(wǎng)絡(luò)性能不穩(wěn)定,n2的最佳值由反復(fù)實(shí)驗(yàn)得出才顯得尤為重要.

BP網(wǎng)絡(luò)、BP狀態(tài)分類器和Elman網(wǎng)絡(luò)經(jīng)過(guò)45組訓(xùn)練樣本的訓(xùn)練后,對(duì) 15組測(cè)試樣本的測(cè)試時(shí)間(一般來(lái)說(shuō),從總樣本中隨機(jī)抽取的訓(xùn)練樣本數(shù)是測(cè)試樣本的2倍[13])分別為37.4、9.5和 54.3s,其診斷正確率分別為90.1%、88.9%、84.7%.這表明3種網(wǎng)絡(luò)的診斷時(shí)間與精度都符合要求.

3 結(jié)語(yǔ)

SOM網(wǎng)絡(luò)用小樣本在無(wú)需知道故障統(tǒng)計(jì)特征的情況下,通過(guò)合適網(wǎng)絡(luò)結(jié)構(gòu)的競(jìng)爭(zhēng)層可對(duì)制動(dòng)系統(tǒng)故障模式進(jìn)行智能分類.它所形成的聚類中心能映射到一個(gè)平面或曲面上,且保持拓?fù)浣Y(jié)構(gòu)不變.因而文中采用SOM網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)制動(dòng)系統(tǒng)第一層次的診斷.

BP網(wǎng)絡(luò)、BP網(wǎng)絡(luò)狀態(tài)分類器和Elman網(wǎng)絡(luò)結(jié)構(gòu)的隱含層神經(jīng)元數(shù)一般可先用Kolmogorov定理和經(jīng)驗(yàn)確定其大概范圍,再由小樣本的診斷性能實(shí)驗(yàn)確定最佳值.其網(wǎng)絡(luò)參數(shù)設(shè)計(jì)的學(xué)習(xí)函數(shù)一般采用learngdm、性能函數(shù)采用mse.文中通過(guò)BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)對(duì)液壓站故障進(jìn)行了第二層次診斷,結(jié)果表明3種網(wǎng)絡(luò)的診斷時(shí)間和精度均符合要求.但訓(xùn)練函數(shù)用trainlm是否合適還需要用不同的故障樣本、網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練參數(shù)的診斷性能實(shí)驗(yàn)加以驗(yàn)證,這也是下一步的研究工作.

[1] 李劍峰.提升機(jī)液壓制動(dòng)系統(tǒng)狀態(tài)規(guī)定保安全 [J].黃金,2003(6):34. Li Jian-feng.State regulations and safe of hoist hydraulic brake system[J].Gold,2003(6):34.

[2] 馮志鵬.計(jì)算智能在機(jī)械設(shè)備故障診斷中的應(yīng)用研究[D].大連:大連理工大學(xué)能源與動(dòng)力學(xué)院,2003:5-7.

[3] 劉可偉,楊兆建.基于人工神經(jīng)網(wǎng)絡(luò)的提升設(shè)備故障診斷研究[J].太原理工大學(xué)學(xué)報(bào),2002,33(4):441-443.

Liu Ke-wei,Yang Zhao-jian.Research on diagnosis for hoist system based on artificial neural network[J].Journal of Taiyuan University of Technology,2002,33(4): 441-443.

[4] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB 7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2005:104-108.

[5] 王楠,谷立臣.基于SOM網(wǎng)絡(luò)可視化技術(shù)的液壓系統(tǒng)故障分類研究[J].液體傳動(dòng)與控制,2009(5):5-9. Wang Nan,Gu Li-chen.Research on fault classfication for hydraulic power system based on visual analysis of SOM network[J].Fluid Power Transmission and Contral,2009 (5):5-9.

[6] 王家寶,王少奇.主提升機(jī)液壓站無(wú)工作壓力及壓力不足的快速判斷及應(yīng)急處理方法 [J].中國(guó)科技信息, 2008(2):72-73.

Wang Jia-bao,Wang Shao-qi.Rapid diagnosis and emergency treatmenton no working pressure and less pressure ofmain hoist of the hydrau lic station[J].China Science and Technology Information,2008(2):72-73.

[7] Samanta B,Al-BalushiK R,Al-Araim i S A.Artificial neural networks and genetic algorithm for nearing faultdetection[J].Soft Computing,2006,10(3):264-271.

[8] Schetinin V,Schu lt J.Learning polynomial networks for classify-cation of clinical electroencephalograms[J].Soft Computing,2006,10(4):397-403.

[9] Saxena A,Saad A.Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems[J].Applied Soft Computing,2007,7(1):441-454.

[10] 胡雙啟,李勇.基于灰色Elman神經(jīng)網(wǎng)絡(luò)的煤礦事故預(yù)測(cè)中國(guó)[J].安全生產(chǎn)科學(xué)技術(shù),2009,5(4):106-109.

Hu Shuang-qi,Li Yong.Prediction of coalmine accidents based on grayelman neural networks[J].Journal of Safety Science and Technology,2009,5(4):106-109.

[11] Su H,Chong K T.Induction machine condition monitoring using neural network modeling[J].IEEE Transactions on Industrial Electronics,2007,54(1):241-249.

[12] 賀志勇,鄭偉.基于 BP神經(jīng)網(wǎng)絡(luò)的深基坑變形預(yù)測(cè)[J].華南理工大學(xué)學(xué)報(bào):自然科學(xué)版,2008,36(10): 92-96.

He Zhi-yong,Zheng Wei.Deformation prediction of deep foundation pitbased on BP neural network[J].Journal of South China University of Technology:Natural Science Edition,2008,36(10):92-96.

[13] 李國(guó)勇.智能控制及其MATLAB與實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2006:72-73.