劉向東 郭明慧 楊春梅 張佳薇

(東北林業(yè)大學(xué)，哈爾濱，150040)

周玉成

(山東建筑大學(xué))

模糊神經(jīng)網(wǎng)絡(luò)的真空木材碳化設(shè)備控制系統(tǒng)設(shè)計(jì)與仿真1)

劉向東 郭明慧 楊春梅 張佳薇

(東北林業(yè)大學(xué)，哈爾濱，150040)

周玉成

(山東建筑大學(xué))

針對(duì)目前真空木材碳化設(shè)備的控制系統(tǒng)具有大滯后、強(qiáng)耦合、時(shí)變性以及難以建立精確數(shù)學(xué)模型等特點(diǎn)，提出了一種模糊神經(jīng)網(wǎng)絡(luò)算法的真空木材碳化設(shè)備控制系統(tǒng)。通過對(duì)輸入輸出變量、論域及隸屬函數(shù)的選擇，設(shè)計(jì)出真空木材碳化設(shè)備控制器；再將神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)相結(jié)合，得到模糊神經(jīng)控制網(wǎng)絡(luò)。對(duì)模糊神經(jīng)網(wǎng)絡(luò)控制器的算法進(jìn)行了分析；在Matlab環(huán)境下編寫控制器的程序，用Simulink進(jìn)行仿真實(shí)驗(yàn)。結(jié)果表明：模糊神經(jīng)網(wǎng)絡(luò)控制器的真空木材碳化設(shè)備輸出的溫度曲線，穩(wěn)態(tài)誤差為0、最大偏移量為1 ℃、調(diào)節(jié)時(shí)間約為8 s、超調(diào)量為2%；濕度曲線在6 s時(shí)即可達(dá)到穩(wěn)定，穩(wěn)態(tài)誤差為0、最大偏差為1%、超調(diào)量為4%；加入擾動(dòng)后，誤差能被快速消除，溫濕度的波動(dòng)幅度相對(duì)減小，系統(tǒng)的穩(wěn)定性更強(qiáng)。模糊神經(jīng)網(wǎng)絡(luò)控制器，可減小調(diào)節(jié)時(shí)間、消除誤差、提高控制精度，具有很好的魯棒性。將二者結(jié)合設(shè)計(jì)出的模糊神經(jīng)網(wǎng)絡(luò)控制器，具有自適應(yīng)、學(xué)習(xí)、識(shí)別和模糊信息處理等功能，在處理大規(guī)模復(fù)雜的模糊應(yīng)用問題方面具有更好的控制效果。

木材碳化；模糊神經(jīng)網(wǎng)絡(luò)；控制器

真空木材碳化設(shè)備控制系統(tǒng)屬于復(fù)雜過程控制系統(tǒng)，由于其復(fù)雜的控制流程，具有大滯后、非線性、強(qiáng)耦合等特點(diǎn)，因此，在控制算法的選擇上，傳統(tǒng)的控制方法如PID控制并不適用于此控制系統(tǒng)。盡管傳統(tǒng)的PID控制在控制領(lǐng)域應(yīng)用最為普遍，但該算法主要還是依賴于工作人員的工作經(jīng)驗(yàn)調(diào)節(jié)各運(yùn)行參數(shù)[1]。PID算法的木材碳化設(shè)備控制系統(tǒng)，并不能滿足本設(shè)計(jì)對(duì)于控制系統(tǒng)的要求，因此，本研究提出了一種模糊神經(jīng)網(wǎng)絡(luò)控制算法對(duì)此系統(tǒng)加以控制。

與傳統(tǒng)的PID控制相比，模糊控制隸屬于非線性控制的范疇。鑒于普通控制只能表達(dá)“非此即彼”概念的情形，模糊控制不僅占用的空間少，還可以對(duì)不精確的輸入信息進(jìn)行處理，可以有效降低系統(tǒng)對(duì)于精確度和靈敏度的要求，保證了信息處理的高效性、準(zhǔn)確性和實(shí)時(shí)性[2-3]。另外，模糊系統(tǒng)也常常被人們歸為智能計(jì)算的范圍內(nèi)。針對(duì)模糊控制的上述基本性能，運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)控制器對(duì)真空木材碳化的溫濕度進(jìn)行控制，可有效提高木材碳化過程的控制精度，減小溫度和濕度的耦合關(guān)系，從而使得產(chǎn)品質(zhì)量得到了保證。

1 真空木材碳化設(shè)備模糊控制器的設(shè)計(jì)

真空木材碳化設(shè)備控制系統(tǒng)，是根據(jù)調(diào)節(jié)溫度和濕度2個(gè)輸入值調(diào)節(jié)加熱、排濕、噴蒸3個(gè)電磁閥，控制罐內(nèi)實(shí)際的溫度和濕度。是1個(gè)兩輸入、三輸出變量的復(fù)雜控制系統(tǒng)，并具有非線性、大滯后、強(qiáng)耦合等特點(diǎn)，可用式(1)表示[4]。

(1)

式中：x1、x2、x3分別為加熱閥、噴蒸閥、排濕閥的開啟時(shí)長；y1、y2分別為濕度、溫度的輸出量；k為各輸入量或輸出量的當(dāng)前狀態(tài)。

輸入輸出變量的選擇：本設(shè)計(jì)中，為了對(duì)碳化室的溫度及濕度進(jìn)行控制，取碳化室的溫度、濕度以及溫濕度的變化率作為輸入變量，選取加熱、噴蒸、排濕3個(gè)閥門的開啟時(shí)長作為系統(tǒng)的輸出變量?？纱_保真空木材碳化設(shè)備控制系統(tǒng)的控制精度、降低系統(tǒng)的復(fù)雜性。

輸入輸出量論域的選擇：誤差(E)的模糊子集為{NB，NM，NS，ZE，PS，PM，PB}，模糊子集論域范圍為{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。誤差變化率(CE)及溫濕度控制量(Pt、Ph)的模糊子集為{NB，NM，NS，NZ，PZ，PS，PM，PB}，模糊子集論域范圍為{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。輸出量的模糊子集為{ZE，PS，PM，PB}，模糊子集論域范圍為{0，1，2，3}。

模糊子集的隸屬函數(shù)：本文以溫度及其變化率為例，溫度及其變化率的隸屬函數(shù)曲線見圖1。本設(shè)計(jì)中的隸屬函數(shù)選用高斯函數(shù)[5-6]。

圖1 模糊控制器隸數(shù)函數(shù)曲線

模糊規(guī)則表：模糊規(guī)則表由模糊規(guī)則生成，本次試驗(yàn)采用ifAandBthenC的形式設(shè)計(jì)模糊規(guī)則(見表1、表2)。如：當(dāng)濕度為正大、濕度的變化率為正大時(shí)，濕度的控制量，即排濕閥的開啟為負(fù)大。

表1 溫濕度模糊控制規(guī)則表

注：CE為誤差變化率。

2 模糊神經(jīng)網(wǎng)絡(luò)控制器

將神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)相結(jié)合，可得到模糊神經(jīng)控制網(wǎng)絡(luò)。由于模糊規(guī)則的制定具有主觀性，因而將神經(jīng)網(wǎng)絡(luò)與模糊控制器相融合，取兩者優(yōu)點(diǎn)，使其具有自適應(yīng)、學(xué)習(xí)、識(shí)別和模糊信息處理等功能。將二者結(jié)合設(shè)計(jì)出的模糊神經(jīng)網(wǎng)絡(luò)控制器，在處理大規(guī)模復(fù)雜的模糊應(yīng)用問題方面具有更好的控制效果[7-10]。

表2 閥門控制模糊規(guī)則表

注：Ph為濕度控制量；Pt為溫度控制量。OJR為加熱閥開度；OPS為排濕閥開度；OPZ為噴蒸閥開度。x0表示加熱閥的開度為0，x1表示加熱閥的開度為1，x2表示加熱閥的開度為2，x3表示加熱閥的開度為3；y0表示排濕閥的開度為0，y1表示排濕閥的開度為1，y2表示排濕閥的開度為2，y3表示排濕閥的開度為3；z0表示噴蒸閥的開度為0，z1表示噴蒸閥的開度為1，z2表示噴蒸閥的開度為2，z3表示噴蒸閥的開度為3。

2.1 模糊神經(jīng)網(wǎng)絡(luò)控制器的結(jié)構(gòu)組成

典型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上相似于神經(jīng)網(wǎng)絡(luò)，功能上是模糊系統(tǒng)，其結(jié)構(gòu)通常是五層前向網(wǎng)絡(luò)結(jié)構(gòu)(見圖2)。

第一層：精確值輸入層。輸入幾個(gè)變量即包含幾個(gè)節(jié)點(diǎn)，輸入值都為可直接控制的精確值。該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使用誤差及變化率作為輸入層的節(jié)點(diǎn)，該層節(jié)點(diǎn)個(gè)數(shù)N1=n。

圖2 模糊神經(jīng)網(wǎng)絡(luò)控制器的網(wǎng)絡(luò)控制結(jié)構(gòu)

2.2 真空木材碳化設(shè)備模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

由于真空木材碳化設(shè)備中，碳化室的溫度、濕度以及溫濕度的變化率為模糊神經(jīng)網(wǎng)絡(luò)控制器的輸入變量，故在輸入層，即第一層共設(shè)置了4個(gè)節(jié)點(diǎn)。網(wǎng)絡(luò)的第二層是模糊語言變量值，為了使控制器不會(huì)因?yàn)槟：?guī)則數(shù)過于復(fù)雜而難以保證系統(tǒng)的運(yùn)算和查詢速度，系統(tǒng)溫度和濕度分別對(duì)應(yīng)各自的負(fù)(N)、零(ZE)、正(P)3個(gè)節(jié)點(diǎn)，而溫濕度的變化率則對(duì)應(yīng)負(fù)(N)、-1(NZ)、1(PZ)、正(P)4個(gè)節(jié)點(diǎn)，故第二層的節(jié)點(diǎn)數(shù)為14個(gè)。共計(jì)有144條模糊規(guī)則，所以網(wǎng)絡(luò)的第三、四層共各有144個(gè)節(jié)點(diǎn)。將加熱、噴蒸、排濕3個(gè)電磁閥的閥門開啟時(shí)長定為系統(tǒng)的輸出量，故輸出層，即第五層共有3個(gè)節(jié)點(diǎn)。真空木材碳化設(shè)備模糊神經(jīng)網(wǎng)絡(luò)控制器的網(wǎng)絡(luò)結(jié)構(gòu)為4-14-144-144-3結(jié)構(gòu)(見圖3)。溫度和濕度誤差的模糊子集為{N，ZE，P}，模糊子集的論域范圍是{-1，0，1}。溫度和濕度誤差變化率的模糊子集為{N，NZ，PZ，P}，模糊子集的論域范圍是{-1，0，1}。閥門輸出量的模糊子集為{ZE，PS，PM，PB}，模糊子集的論域范圍是{0，1，2，3}。隸屬函數(shù)選擇高斯函數(shù)。模糊規(guī)則由控制器自動(dòng)生成，共計(jì)144條。

3 仿真實(shí)驗(yàn)

在Matlab環(huán)境下編寫模糊神經(jīng)網(wǎng)絡(luò)控制器的程序，用Simulink進(jìn)行仿真實(shí)驗(yàn)。將碳化室的空氣濕度設(shè)定為25%，對(duì)碳化室內(nèi)空氣初始濕度設(shè)定為20%；碳化室內(nèi)的溫度設(shè)定為50 ℃，對(duì)碳化室內(nèi)初始溫度設(shè)定為40 ℃；仿真時(shí)間為0～100s；選擇RondomNumber模塊為擾動(dòng)信號(hào)，均值為0，方差為1。仿真算法選擇最大步長0.5s的Dormand-Prince的變步長算法。真空木材碳化設(shè)備控制系統(tǒng)的擾動(dòng)信號(hào)如圖4所示。

3.1 真空木材碳化設(shè)備模糊控制器的仿真實(shí)驗(yàn)

在Simulink環(huán)境下的真空木材碳化設(shè)備模糊控制系統(tǒng)仿真圖見圖5；比例因子Ku為0.33，KeH、KecH為1.2，KeT、KecT為0.67。真空木材碳化設(shè)備模糊控制溫度和濕度的仿真結(jié)果見圖6～圖9，圖8和9是加擾動(dòng)后的系統(tǒng)溫濕度結(jié)果。由圖6可見，真空木材碳化設(shè)備控制系統(tǒng)模糊控制器，輸出的溫度曲線的調(diào)節(jié)時(shí)間約為18s，最大偏移量為3 ℃，穩(wěn)態(tài)誤差為0，超調(diào)量為6%。由圖7可見，空氣濕度的最大偏差達(dá)2.2%，濕度曲線在22s左右達(dá)到穩(wěn)定，濕度的超調(diào)量為8.9%。由圖8、圖9可見，在擾動(dòng)信號(hào)加入系統(tǒng)后，空氣濕度曲線的最大變化量為0.3%，碳化室內(nèi)溫度曲線的最大變化量為0.5 ℃。

圖3 真空木材碳化設(shè)備的模糊神經(jīng)網(wǎng)絡(luò)控制器網(wǎng)絡(luò)結(jié)構(gòu)

圖4 真空木材碳化設(shè)備控制系統(tǒng)的擾動(dòng)信號(hào)

du/dt中的u為變化值、t為時(shí)間；k1為加熱閥的開度、k2為排濕閥的開度、k3為噴蒸閥的開度；p{1}為溫度控制的輸出量、y{1}為濕度控制的輸出量。

圖6 模糊控制器溫度仿真曲線

圖7 模糊控制器濕度仿真曲線

圖8 加擾動(dòng)后模糊控制器溫度仿真曲線

3.2 模糊神經(jīng)網(wǎng)絡(luò)控制器的真空木材碳化設(shè)備仿真實(shí)驗(yàn)

在Simulink環(huán)境下，模糊神經(jīng)網(wǎng)絡(luò)控制的真空木材碳化設(shè)備控制系統(tǒng)仿真圖如圖10所示，真空木材碳化設(shè)備溫濕度的仿真結(jié)果見圖11～圖14。由圖11可見，模糊神經(jīng)網(wǎng)絡(luò)控制器的真空木材碳化設(shè)備，輸出的溫度曲線的穩(wěn)態(tài)誤差為0，最大偏移量為1 ℃，調(diào)節(jié)時(shí)間約為8s，超調(diào)量為2%。由圖12可見，濕度曲線在6s時(shí)即可達(dá)到穩(wěn)定，穩(wěn)態(tài)誤差為0，最大偏差為1%，超調(diào)量為4%。由圖13、圖14可見，在加入擾動(dòng)后，誤差能夠被快速消除，溫濕度的波動(dòng)幅度相對(duì)減小，系統(tǒng)的穩(wěn)定性更強(qiáng)。

圖9 加擾動(dòng)后模糊控制器濕度仿真曲線

由仿真實(shí)驗(yàn)結(jié)果可知，模糊神經(jīng)網(wǎng)絡(luò)控制器可以減小調(diào)節(jié)時(shí)間，消除誤差，提高控制精度，并且具有很好的魯棒性。所以，模糊神經(jīng)網(wǎng)絡(luò)控制器的性能優(yōu)于經(jīng)典模糊控制器。

4 結(jié)論

由于真空木材碳化設(shè)備的控制系統(tǒng)具有大滯后、強(qiáng)耦合、時(shí)變性以及難以建立精確數(shù)學(xué)模型等特點(diǎn)，故設(shè)計(jì)了一種BP網(wǎng)絡(luò)算法的Mandani型模糊神經(jīng)網(wǎng)絡(luò)控制器，以控制真空木材碳化室的溫度和空氣濕度。模糊神經(jīng)網(wǎng)絡(luò)控制器具有很強(qiáng)的學(xué)習(xí)能力和可操作性，可以隨時(shí)針對(duì)現(xiàn)場情況的變化修改模糊規(guī)則，控制效果更好、控制精度更強(qiáng)。在Simulink環(huán)境下對(duì)溫濕度進(jìn)行仿真實(shí)驗(yàn)，結(jié)果顯示：與經(jīng)典的模糊控制器相比，將模糊神經(jīng)網(wǎng)絡(luò)控制器應(yīng)用于真空木材碳化設(shè)備的控制系統(tǒng)中，可提高系統(tǒng)的控制精度、減小系統(tǒng)的超調(diào)量、縮短系統(tǒng)的調(diào)節(jié)時(shí)間。模糊神經(jīng)網(wǎng)絡(luò)控制器，可很好的改善系統(tǒng)的性能，從而提高木材碳化過程控制系統(tǒng)的精度。

圖10 真空木材碳化設(shè)備模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)仿真圖

圖11 模糊神經(jīng)網(wǎng)絡(luò)控制器溫度仿真曲線

圖12 模糊神經(jīng)網(wǎng)絡(luò)控制器濕度仿真曲線

圖13 加擾動(dòng)后模糊神經(jīng)網(wǎng)絡(luò)控制器溫度仿真曲線

圖14 加擾動(dòng)后模糊神經(jīng)網(wǎng)絡(luò)控制器濕度仿真曲線

[1] WANG X L， WANG Y X. Research on the PID-based system of emulsion concentration automatic mixing[J]. Advanced Materials Research，2011，411：179-182.

[2] 田志平.基于模糊推理和神經(jīng)網(wǎng)絡(luò)的預(yù)想事故自動(dòng)選擇研究[D].重慶：重慶大學(xué)，2010.

[3] 張盼盼，趙鋼.溫濕度解耦的模糊PID-自適應(yīng)Smith控制[J].化工自動(dòng)化及儀表，2012，39(10)：1260-1264.

[4] 林美珍.模糊控制理論的應(yīng)用[J].寧德師專學(xué)報(bào)(自然科學(xué)版)，2010，22(4)：353-355，384.

[5] 董秀春.基于預(yù)測(cè)控制及模糊補(bǔ)償?shù)木W(wǎng)絡(luò)控制系統(tǒng)的研究[D].青島：青島科技大學(xué)，2012.

[6] SCHMITZ J E， SILVA F V， NEVES FILHO L C， et al. Multivariable fuzzy control strategy for an experimental chiller system[J]. Journal of Food Process Engineering，2014，37(2)：160-168.

[7] 黃衛(wèi)華，方康玲，章政.典型模糊控制器的隸屬函數(shù)設(shè)計(jì)及分析[J].模糊系統(tǒng)與數(shù)學(xué)，2010，24(5)：83-90.

[8] 畢武.基于神經(jīng)網(wǎng)絡(luò)的木材干燥控制系統(tǒng)研究與設(shè)計(jì)[D].長春：吉林大學(xué)，2011.

[9] 李慶春.新型PID模糊控制器的結(jié)構(gòu)分析及應(yīng)用研究[D].長沙：中南大學(xué)，2010.

[10] 張冬妍.木材干燥神經(jīng)網(wǎng)絡(luò)建模與智能控制研究[D].哈爾濱：東北林業(yè)大學(xué)，2005.

[11] TAVOOSI J， BADAMCHIZADEH M A. A class of type-2 fuzzy neural networks for nonlinear dynamical system identification[J]. Neural Computing and Applications，2013，23(3)：707-717.

[12] 李國勇，楊麗娟.神經(jīng)模糊預(yù)測(cè)控制及其Matlab實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2013.

[13] HUANG Y L， YUAN J T. High speed constant force milling based on fuzzy controller and BP neural network[J]. International Journal of Control and Automation，2014，7(5)：143-152.

Design and Simulation of Fuzzy Neural Network Controller with BP Network//

Liu Xiangdong, Guo Minghui, Yang Chunmei, Zhang Jiawei

(Northeast Forestry University, Harbin 150040, P. R. China);

Zhou Yucheng

(Shandong Jianzhu University)

//Journal of Northeast Forestry University，2017,45(8)：87-92.

In view of the fact that the control system of vacuum wood carbonization equipment has the characteristics of large lag, strong coupling, time variability and difficult to establish accurate mathematical model, a control system of vacuum wood carbonization equipment based on fuzzy neural network algorithm was proposed. By selecting input and output variables, the choice of domain and membership function, the vacuum solid wood carbonization equipment controller was designed. Then, the neural network and the fuzzy control system were combined to obtain the fuzzy neural control network. The algorithm of fuzzy neural network controller was analyzed. The program of controller was written in Matlab, and Simulink was used to simulate the experiment. The results show that the temperature curve of the vacuum wood carbonization equipment of the fuzzy neural network controller is 0, the maximum offset is 1 ℃, the adjustment time is 8 s, the overshoot is 2%, and the humidity curve is 6 s. The steady-state error is 0, the maximum deviation is 1%, and the overshoot is 4%. After adding the disturbance, the error can be eliminated quickly, the fluctuation range of temperature and humidity is relatively reduced, and the stability of the system is stronger. Fuzzy neural network controller can reduce the adjustment time, eliminate the error, and improve the control accuracy with good robustness. The fuzzy neural network controller, which combines above two, has the functions of adaptive, learning, recognition and fuzzy information processing, and has better control effect in dealing with large and complex fuzzy application problems.

Wood carbonization; Fuzzy neural network; Control system

劉向東，男，1961年1月生，東北林業(yè)大學(xué)理學(xué)院，副教授。E-mail：liuxiangdong06@163.com。

楊春梅，東北林業(yè)大學(xué)機(jī)電工程學(xué)院，教授。E-mail：ycmnefu@126.com。

2017年2月25日。

S781.7；TP273+.4；TP183

1)泰山學(xué)者優(yōu)勢(shì)特色學(xué)科項(xiàng)目，中央高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目(2572016EBT1)。

責(zé)任編輯：張 玉。