姜 濱， 孫麗萍， 曹 軍， 季仲致

(東北林業(yè)大學 機電工程學院，黑龍江 哈爾濱 150040)

?

GA優(yōu)化T-S模糊神經(jīng)網(wǎng)絡的干燥窯溫濕度控制器設計

姜 濱， 孫麗萍， 曹 軍， 季仲致

(東北林業(yè)大學 機電工程學院，黑龍江 哈爾濱 150040)

為了準確控制木材干燥過程的溫度和濕度，提高木材干燥質量，結合模糊控制、神經(jīng)網(wǎng)絡和遺傳算法的優(yōu)點，設計了一種遺傳算法(GA)優(yōu)化的T-S模糊神經(jīng)網(wǎng)絡溫濕度控制器。該控制器利用模糊算法解除木材干燥窯內溫度和濕度間的強耦合關系，采用神經(jīng)網(wǎng)絡的自學習和自適應能力實現(xiàn)整個非線性過程的模糊邏輯推理，并通過遺傳算法對神經(jīng)網(wǎng)絡的參數(shù)進行優(yōu)化與訓練，提高系統(tǒng)的自學習和自適應能力。仿真實驗結果表明，在木材干燥過程的溫濕度控制上，GA優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡控制器具有良好的控制效果，控制器響應速度快、超調小并且具有一定的魯棒性。

干燥過程； 遺傳算法； T-S模型； 模糊神經(jīng)網(wǎng)絡控制器； 干燥窯

0 引 言

木材干燥過程是木材加工生產(chǎn)中的重要環(huán)節(jié)，而且木材干燥質量的好壞對木材利用率和木材產(chǎn)品質量有直接影響[1]。木材干燥系統(tǒng)是強耦合、大滯后、時變的非線性系統(tǒng)，很難建立準確的數(shù)學模型來描述該系統(tǒng)[2]。目前，我國的木材干燥窯還都是以傳統(tǒng)半自動的方式行控制，控制干燥窯溫濕度的加熱閥、噴蒸閥和排濕閥的參數(shù)都是憑借個人經(jīng)驗進行調節(jié)[3]。這種傳統(tǒng)的憑借經(jīng)驗調節(jié)參數(shù)的控制方式具有溫濕度控制精度低、干燥效果不理想，難以適應木材干燥的擴大化生產(chǎn)。

模糊控制不需要建立系統(tǒng)精確數(shù)學模型，可以方便地應用專家知識、操作員經(jīng)驗等語言模糊信息，但模糊規(guī)則依靠人的經(jīng)驗制定，系統(tǒng)本身不具有自學習和自適應調整能力[4]。人工神經(jīng)網(wǎng)絡具有非線性、自學習和自適應能力等特點，但不能表達人腦的推理功能[5]。T-S模糊神經(jīng)網(wǎng)絡系統(tǒng)將模糊邏輯與神經(jīng)網(wǎng)絡結合，同時具有模糊邏輯易于表達人類知識、神經(jīng)網(wǎng)絡分布式信息存儲以及學習能力的優(yōu)點，是復雜系統(tǒng)建模和控制的有效工具[6-8]。GA是一種生物進化過程的隨機搜索全局優(yōu)化方法，不僅可以優(yōu)化模糊神經(jīng)推理系統(tǒng)的參數(shù)和結構，還可以修正冗余的隸屬度函數(shù)和網(wǎng)絡的節(jié)點數(shù)，以優(yōu)化模糊推理規(guī)則[9-11]。

木材干燥模糊控制系統(tǒng)可以直接使用專家經(jīng)驗知識，實現(xiàn)木材干燥過程的溫度和濕度控制，降低兩者間的耦合關系，輸出相對準確的溫度和濕度數(shù)據(jù)。但由于木材干燥窯內環(huán)境復雜多變，木材干燥過程受非線性、時變性以及隨機干擾等因素影響，使得專家主觀提出的模糊控制規(guī)則不能完全適應當前的木材干燥系統(tǒng)，影響木材干燥過程的溫度和濕度控制效果。在木材干燥過程中，GA優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡溫濕度控制器是在模糊控制基礎上，利用神經(jīng)網(wǎng)絡的自學習和自適應能力，采用后件網(wǎng)絡自動調整模糊運算規(guī)則，提高整個控制器的魯棒性和適應性，并利用GA優(yōu)化T-S模糊神經(jīng)推理系統(tǒng)的參數(shù)和模糊推理規(guī)則。在木材干燥窯內復雜多變環(huán)境下，控制器能夠自適應樣本數(shù)據(jù)，保證溫度和濕度的控制精度，實現(xiàn)木材干燥過程的智能控制。

1 GA優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡控制器

1.1 T-S型模糊神經(jīng)網(wǎng)絡結構

T-S型模糊神經(jīng)網(wǎng)絡由前件網(wǎng)絡和后件網(wǎng)絡組成[12-13]，其結構如圖1所示。

1.1.1 前件網(wǎng)絡

前件網(wǎng)絡由4層組成。第1層為輸入層。它的每個節(jié)點直接與輸入向量的各分量xi連接，將輸入值x=[x1,x2,…,xn]T傳送到下一層。該層節(jié)點數(shù)N1=n。

(1)

式中，i=1,2,…,n，j=1,2,…,mi。n是輸入量的維數(shù)，mi是xi的模糊分割數(shù)。

圖1 T-S型模糊神經(jīng)網(wǎng)絡結構

第3層每個節(jié)點代表一條模糊規(guī)則，用來匹配模糊規(guī)則的前件，計算每條規(guī)則的適應度。該層節(jié)點數(shù)N3=m。

(2)

第4層進行歸一化計算。該層節(jié)點數(shù)N3=N4=m。

(3)

1.1.2 后件網(wǎng)絡

后件網(wǎng)絡由r個結構相同的子網(wǎng)絡所組成，每個子網(wǎng)絡產(chǎn)生一個輸出量。第1層子網(wǎng)絡是輸入層，它將輸入變量傳送到第2層。

第2層子網(wǎng)絡計算每一條規(guī)則的后件。該層有m個節(jié)點，每個節(jié)點代表一條規(guī)則，即：

(4)

第3層子網(wǎng)絡計算系統(tǒng)的輸出，yi是各規(guī)則后件的加權和。

(5)

1.2 T-S模糊神經(jīng)網(wǎng)絡自學習過程

(6)

(7)

式中，j=1,2,…,m;i=1,2,…,n;l=1,2,…,r。

(8)

令最后一層的連接權yij=wij。輸出層的權值由后件網(wǎng)絡對應節(jié)點的輸出值來代替，不用學習。誤差直接反向傳遞到歸一化層。

(9)

(10)

(11)

i=1,2,…,n;j=1,2,…,mi

(12)

最后，給出的參數(shù)學習算法如下：

(13)

式中，β>0為學習速率，i=1,2,…,n;j=1,2,…,mi。

1.3 GA優(yōu)化T-S模糊神經(jīng)網(wǎng)絡的實現(xiàn)

模糊系統(tǒng)的輸入變量為x1,x2,…,xn，用矢量x=[x1,x2,…,xn]T表示，x的論域是實空間上的緊密集，即x∈U?Rn；模糊系統(tǒng)的輸出變量為y，y的論域是實數(shù)域上的緊密集，即y∈V?R。模糊推理規(guī)則的一般形式為：

(14)

輸出變量的隸屬函數(shù)為模糊單點，即：

(15)

采用sum-product的推理方法和加權平均的解模糊方法，模糊系統(tǒng)的輸出為：

(16)

pj(x)為模糊基函數(shù)，如下式所示，

(17)

則式(16)可以表示為：

(18)

模糊系統(tǒng)優(yōu)化問題就是使系統(tǒng)的實際輸出與期望輸出之間的誤差盡可能小，優(yōu)化式(18)中的模型參數(shù)。遺傳算法實現(xiàn)方法[14-15]如下：

(1)將各個參數(shù)級聯(lián)在一起進行編碼；

(3)根據(jù)系統(tǒng)的實際輸出與期望輸出構造遺傳算法的適應值函數(shù)；

(4)利用遺傳算法操作對隸屬函數(shù)中的各個參數(shù)進行優(yōu)化。

在若干代遺傳后，就可以獲得優(yōu)化后的隸屬函數(shù)參數(shù)，相應的模糊推理規(guī)則也得到優(yōu)化。

2 優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡控制系統(tǒng)結構

木材干燥窯溫濕度控制模型是一個典型的3輸入2輸出的非線性控制系統(tǒng)，系統(tǒng)結構可以用下式表示：

(19)

式中：Ct(k)和Ch(k)分別表示當前時刻控制模型的溫度輸出量和濕度輸出量；Ct(k-1)和Ch(k-1)分別表示前一時刻控制模型的溫度輸出量和濕度輸出量；S1(k)、S2(k)和S3(k)分別表示木材干燥窯當前時刻加熱閥門(JR)的開度、噴蒸閥門(PZ)的開度以及排濕閥門(PS)的開度；G(k)表示木材干燥窯溫濕度控制模型的噪聲干擾。

木材干燥窯溫濕度控制模型的目標函數(shù)W可以用下式表示：

(20)

式中：Ct為溫度實際值；Rt為溫度設定值；Ch為濕度實際值；Rh為濕度設定值。

木材干燥過程溫濕度控制系統(tǒng)結構如圖2所示。

NM360襯板具有如下特點：① 強度高，具有高的屈服強度和抗拉強度，對脆性破壞的抗力也極大。② 韌性高，具有優(yōu)良的低溫韌性，因此可在大型焊接結構件和低溫環(huán)境中使用。③ 優(yōu)秀的焊接性能，成分設計時極力減低碳含量、碳當量和熱敏感系數(shù)，以提高焊接性能，因而具有優(yōu)秀的焊接接頭性能。④ 優(yōu)秀的加工性能，鋼板可進行冷加工、彎曲加工和切斷加工。氣體切斷時，即使不預熱也不會出現(xiàn)裂縫。進行預熱加工時，調質鋼需在回火溫度以下加工。⑤ 高超的耐磨損、耐腐蝕性，由于含有鉬、鉻等合金元素，與一般鋼材比較，耐腐蝕性良好，硬度也比較高，耐磨損性也良好。

圖2 木材干燥過程溫濕度控制系統(tǒng)結構

3 木材干燥窯GA優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡控制器設計

本文利用遺傳算法尋找模糊神經(jīng)網(wǎng)絡控制器的最佳網(wǎng)絡結構和參數(shù)，也就是模糊規(guī)則和隸屬度函數(shù)，進而使T-S型模糊神經(jīng)網(wǎng)絡的性能指標達到最優(yōu)。本文采用ITAE積分性能指標，如下式所示：

(21)

則優(yōu)化問題可描述如下：

J*=minJ(ITAE)

(22)

(23)

(24)

式中，fnnc(·)是模糊神經(jīng)網(wǎng)絡控制器的輸入輸出函數(shù)。通過適當選擇fnnc(·)，即模糊神經(jīng)網(wǎng)絡控制的結構和參數(shù)，性能指標將達到最優(yōu)值J*。

在模糊神經(jīng)網(wǎng)絡控制器的設計中，輸入量的模糊分割數(shù)決定了神經(jīng)網(wǎng)絡各層節(jié)點數(shù)，這直接關系到模糊神經(jīng)網(wǎng)絡控制器的運行速度和控制精度[16-17]。在模糊神經(jīng)網(wǎng)絡控制器設計時，例如：系統(tǒng)是2 輸入 1 輸出，每個變量的模糊分割數(shù)都為7，則前件網(wǎng)絡第2層節(jié)點數(shù)就為7×2=14個，第3層節(jié)點數(shù)就為72=49個。如果網(wǎng)絡的輸入增加，以上數(shù)字將會增長的更快，例如：一個 4 輸入1輸出的系統(tǒng)，每個變量的模糊分割數(shù)都為7，則前件網(wǎng)絡第2層節(jié)點數(shù)為7×4=28個，第3層節(jié)點數(shù)為74=2 401個。在這樣的網(wǎng)絡中，不論是前向計算還是反傳修正的運算量都是很大，嚴重影響網(wǎng)絡的運算速度。另外，對于這種網(wǎng)絡，由于結構復雜，需要優(yōu)化調整的參數(shù)太多，很難進行網(wǎng)絡的初始化和結構設計工作，而網(wǎng)絡初始化不合理直接影響到網(wǎng)絡的學習速度和收斂性，而且設計性能不佳的網(wǎng)絡很難在應用中達到理想的控制效果。因此，對于具有4個輸入和3個輸出的木材干燥模糊神經(jīng)網(wǎng)絡控制器，本文為了提高模糊神經(jīng)網(wǎng)絡控制器的運算速度，并且保證控制器精度的前提下，將輸入輸出量論域選擇及模糊賦值設置如下：

遺傳算法的種群參數(shù)根據(jù)經(jīng)驗選取為100，按照Fi=1/1+J計算每個個體的適應度值Fi。按照模糊編碼的方式進行遺傳算法的編碼，依據(jù)遺傳算法的基本原理，執(zhí)行選擇、交叉、變異操作。重復進行循環(huán)計算，當適應度值Fi<10-4，則停止操作。

圖3 GA優(yōu)化模糊神經(jīng)網(wǎng)絡控制器Et的隸屬函數(shù)

圖4 GA優(yōu)化模糊神經(jīng)網(wǎng)絡控制器的隸屬函數(shù)

4 仿真實驗與結果分析

木材干燥過程溫濕度控制器的仿真實驗是在Simulink環(huán)境下進行的，木材干燥窯的初始溫度為25 ℃，終了溫度為60 ℃；初始濕度為15%，終了濕度為35%。在初始條件相同的情況下，本文利用GA優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡控制器、T-S型模糊神經(jīng)網(wǎng)絡控制器、經(jīng)典模糊控制器分別進行木材干燥過程的溫濕度控制，并將兩者的實驗結果進行對比分析。

模糊控制溫度仿真曲線如圖5(a)所示，T-S模糊神經(jīng)網(wǎng)絡控制溫度仿真曲線如圖5(b)所示，GA優(yōu)化的T-S模糊神經(jīng)網(wǎng)絡控制溫度仿真曲線如圖5(c)所示；模糊控制濕度仿真曲線如圖6(a)所示，T-S模糊神經(jīng)網(wǎng)絡控制濕度仿真曲線如圖6(b)所示，GA優(yōu)化的T-S模糊神經(jīng)網(wǎng)絡控制濕度仿真曲線如圖6(c)所示。

由圖5(a)可知，木材干燥窯模糊控制器溫度輸出曲線的最大偏差量為10 ℃，超調量為16.7%，調節(jié)時間將近150 s。由圖5(b)可知，木材干燥窯T-S模糊神經(jīng)網(wǎng)絡控制器溫度輸出曲線的最大偏差量為5 ℃，超調量為8.3%，調節(jié)時間約為100 s。由圖5(c)可知，木材干燥窯GA優(yōu)化的模糊神經(jīng)網(wǎng)絡控制器溫度輸出曲線的最大偏差量為3 ℃，超調量為5%，調節(jié)時間約為100 s。

由圖6(a)可知，木材干燥窯模糊控制器濕度輸出曲線的最大偏差量為8%，超調量為22.9%，調節(jié)時間約為100 s。由圖6(b)可知，木材干燥窯模糊神經(jīng)網(wǎng)絡控制器濕度輸出曲線的最大偏差量為6%，超調量為17.1%，調節(jié)時間約為50 s。由圖6(c)可知，濕度輸出曲線的最大偏差量為4%，超調量為11.4%，調節(jié)時間約為30 s。

(a) 模糊控制溫度仿真曲線

(b) 模糊神經(jīng)網(wǎng)絡控制溫度仿真曲線

(c) GA優(yōu)化模糊神經(jīng)網(wǎng)絡控制溫度仿真曲線

(a) 模糊控制濕度仿真曲線

(b) 模糊神經(jīng)網(wǎng)絡控制濕度仿真曲線

(c) GA優(yōu)化模糊神經(jīng)網(wǎng)絡控制濕度仿真曲線

通過比較模糊控制器、模糊神經(jīng)網(wǎng)絡控制器和GA優(yōu)化的模糊神經(jīng)網(wǎng)絡控制器的控制效果可知，與模糊控制器和T-S型模糊神經(jīng)網(wǎng)絡控制器相比，GA優(yōu)化的模糊神經(jīng)網(wǎng)絡控制器不論是溫度還是濕度輸出曲線都具有較小的超調量和調節(jié)時間，GA優(yōu)化的模糊神經(jīng)網(wǎng)絡控制器具有更好的控制效果。

5 結 語

在強耦合和大滯后的非線性木材干燥過程中，針對木材干燥窯內的溫度和濕度難以精準控制的問題，設計了一種木材干燥過程溫濕度的GA優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡控制器。該控制器把模糊邏輯、神經(jīng)網(wǎng)絡以及遺傳算法有機地組合在一起，充分發(fā)揮各自優(yōu)點，使得控制器對非線性系統(tǒng)逼近能力更強、訓練收斂速度更快、算法更穩(wěn)定。仿真研究結果表明，GA優(yōu)化的T-S型模糊神經(jīng)網(wǎng)絡控制器比模糊控制器、T-S型模糊神經(jīng)網(wǎng)絡控制器更適合木材干燥過程的溫濕度控制，溫濕度的最大偏差小、超調量小、調節(jié)時間快、穩(wěn)定性好，能夠滿足木材干燥系統(tǒng)對溫濕度的控制要求，對逐步實現(xiàn)木材干燥過程的全自動控制，提高木材干燥產(chǎn)品質量具有重要研究意義。

[1] 王克奇, 杜尚豐, 白雪冰. 智能控制及其在林業(yè)上的應用 [M]. 北京：中國林業(yè)出版社, 2009(1):66.

[2] 孫麗萍, 曹 軍, 李志輝. 木材干燥微波-真空木材干燥過程ARMA模型建立及其控制器仿真 [J]. 電機與控制學報, 2011, 15(9): 86-91.

[3] 孫麗萍, 曹文華, 李志輝. 優(yōu)化微波木材干燥模糊控制器的仿真研究 [J]. 自動化儀表, 2009, 30(12): 65-67.

[4] 陳延偉, 史富斌. 鉆機恒鉆壓自動送鉆系統(tǒng)模糊控制器的設計 [J]. 電氣傳動自動化, 2011, 33(5): 33-36.

[5] Lee C H. Identification and control of dynamic systems using recurrent fuzzy neural networks [J]. IEEE Transaction Fuzzy Systems, 2000, 8(4): 349-366.

[6] Wang W Y, Chien Y H, Li I H. An on-line robust and adaptive T-S fuzzy-neural controller for more general unknown systems [J]. International Journal of Fuzzy Systems, 2008, 10(1): 33-43.

[7] 靖永志, 肖 建. 基于T-S模糊神經(jīng)網(wǎng)絡的齒槽效應補償方法研究 [J]. 傳感技術學報, 2013, 26(8): 1121-1125.

[8] 王 蘭, 郭迎清. 基于T-S模糊神經(jīng)網(wǎng)絡的渦流發(fā)動機加速控制 [J]. 計算機仿真, 2010, 27(2): 26-29.

[9] 馬曉丹, 劉 剛, 周 薇, 等. 基于量子遺傳模糊神經(jīng)網(wǎng)絡的蘋果果實識別 [J].農(nóng)業(yè)機械學報, 2013, 44 (12): 227-232.

[10] 宋春寧, 劉少東. 基于SDNA-GA優(yōu)化的模糊神經(jīng)網(wǎng)絡控制 [J]. 控制與決策, 2014, 29(4): 731-734.

[11] 關海鷗, 許少華, 譚 峰. 基于遺傳模糊神經(jīng)網(wǎng)絡的植物病斑區(qū)域圖像分割模型 [J]. 農(nóng)業(yè)機械學報, 2010, 41(11): 163-167.

[12] Chen J Y, Tsai P S, Wong C C. Adaptive design of a fuzzy cerebella model arithmetic controller neural network [J]. Control Theory and Applications, 2005(2): 133-137.

[13] Liang X, Li Y, Xu Y. Fuzzy neural network control of underwater vehicles based on desired state programming [J]. Journal of Marine Science and Application, 2006, 5(3): 1-4.

[14] 王 青, 張穎昕. 基于遺傳算法的倒立擺實驗系統(tǒng)最優(yōu)控制器 [J]. 實驗室研究與探索, 2010, 29(5): 22-25.

[15] 崔明月, 劉旭焱, 劉紅釗, 等. 基于神經(jīng)網(wǎng)絡—遺傳算法的雙層隔振系統(tǒng)復合振動控制 [J]. 實驗室研究與探索, 2014, 33(7): 115-119.

[16] 孫麗萍, 霍 然. 北方蔬菜溫室系統(tǒng)模糊神經(jīng)網(wǎng)絡控制器的設計 [J]. 東北農(nóng)業(yè)大學學報, 2014, 45(4): 113-117.

[17] 王 暑, 楊曉京. 基于模糊神經(jīng)網(wǎng)絡的煙葉烘烤溫濕度監(jiān)控系統(tǒng)研究 [J]. 計算機測量與控制, 2009, 17(2): 342-344.

Design of T-S Fuzzy Neural Network Controller by Optimized GA for Temperature and Humidity in Drying Kiln

JIANGBin，SUNLi-ping，CAOJun，JIZhong-zhi

(College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin 150040, China)

Wood drying process normally maintains the non-linear characteristics of strong coupling and large lagging, therefore, it is hardly to build the mathematical model of controlled object. In order to control the temperature and humidity of the wood drying process more precisely, and to improve the drying quality, a T-S fuzzy neural network (FNN) controller was designed to control the inner temperature and humidity of wood drying kiln. The design combined the merits of fuzzy control, neural control and optimized genetic algorithm (GA). This controller used fuzzy algorithm to remove the coupling relationship between inner temperature and humidity of wood drying kiln. Self-learning and adaptive ability of neural network were used to accomplish the fuzzy logic of the whole non-linear process; and the parameters of neural network was optimized and trained by GA to improve the self-learning and adaptive ability of the system. The simulation results revealed that the T-S FNN controller could have better control effect, faster responding speed, lower overshoot and stronger robustness.

drying process; genetic algorithm; Takagi-Sugeno model; fuzzy neural network controller; drying kiln

2015-02-27

國家林業(yè)公益性行業(yè)科研專項(201304502)

姜 濱(1985-)，男，黑龍江哈爾濱人，博士生，主要研究方向為復雜系統(tǒng)建模與控制。

Tel.：13836147906；E-mail：jiangbin633@163.com

孫麗萍(1958-)，女，黑龍江哈爾濱人，博士，教授，博士生導師，主要研究方向為模式識別與智能控制、復雜系統(tǒng)建模與控制。

Tel.：0451-82191811；E-mail：hithdjb@126.com

TP 273.4

A

1006-7167(2015)11-0054-06