李春曉

(西安外事學(xué)院，陜西 西安 710077)

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，工業(yè)生產(chǎn)領(lǐng)域?qū)τ谟?jì)算機(jī)技術(shù)的應(yīng)用水平越來越高，將計(jì)算機(jī)技術(shù)與數(shù)學(xué)模型理論結(jié)合起來是未來一段時(shí)間內(nèi)工業(yè)爐窯控制的主要發(fā)展趨勢[1]。因此，加強(qiáng)針對(duì)燃燒控制算法的研究就成為了提高水泥生產(chǎn)效率的關(guān)鍵。

1 模糊神經(jīng)網(wǎng)絡(luò)概述

模糊神經(jīng)網(wǎng)絡(luò)最早出現(xiàn)于20世紀(jì)90年代，本質(zhì)上是一種將神經(jīng)元數(shù)模化的數(shù)學(xué)模型理論。在后來的研究中，有學(xué)者將模糊控制系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，進(jìn)而形成了神經(jīng)網(wǎng)絡(luò)模糊控制器，這種混合系統(tǒng)的應(yīng)用優(yōu)勢在于能夠同時(shí)發(fā)揮模糊控制與神經(jīng)網(wǎng)絡(luò)兩種算法的長處[2]。

神經(jīng)元數(shù)學(xué)模型是一種將神經(jīng)元數(shù)?；臄?shù)學(xué)工具，該模型由三個(gè)基本要素所組成，即一組連接、一個(gè)求和單元和一個(gè)非純屬激活函數(shù)，具體形式可以通過以下方程進(jìn)行表示：

式中：x1，x2，…xk為輸入信號(hào)記；wk1，wk2，…wkp為神經(jīng)元k的權(quán)值；yk為神經(jīng)元k的輸出；φ(vk)為激活函數(shù)；θk為閾值；將線性組合結(jié)果記為μk。

將模糊控制系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合起來使用，能夠使數(shù)據(jù)樣本集具有一定的學(xué)習(xí)能力，根據(jù)所積累的經(jīng)驗(yàn)建立模糊控制規(guī)則，無須重復(fù)進(jìn)行同樣的推理與搜索，同時(shí)也不需要進(jìn)行大量的計(jì)算，僅借助高速并行分布式計(jì)算就能夠獲取相應(yīng)的結(jié)果[3]。

每個(gè)輸出單元在網(wǎng)絡(luò)系統(tǒng)各均有一個(gè)與之對(duì)應(yīng)的輸出變化量的某個(gè)確定值。因此，輸出單元的模糊子集可以通過多維空間的隸屬度函數(shù)加以表示。在此基礎(chǔ)上，所有模糊控制語法規(guī)則均能夠通過相應(yīng)的輸入、輸出量加以表示。通過BP算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)輸出值與輸入值之間的一一對(duì)應(yīng)[4]。整個(gè)網(wǎng)絡(luò)系統(tǒng)在經(jīng)過學(xué)習(xí)訓(xùn)練之后即可成為一個(gè)用于存儲(chǔ)的模糊規(guī)則關(guān)聯(lián)容器，將網(wǎng)絡(luò)系統(tǒng)輸入經(jīng)過模糊化處理的數(shù)值信號(hào)，網(wǎng)絡(luò)輸出層將自動(dòng)生成一個(gè)與之相對(duì)應(yīng)的模糊子集，對(duì)該子集進(jìn)行去模糊處理后就能夠獲取真實(shí)的輸出值[5]。

2 模糊神經(jīng)網(wǎng)絡(luò)控制燃燒

2.1 針對(duì)最佳空燃比的調(diào)控

表1 出口溫度模糊網(wǎng)絡(luò)樣本表

2.2 量化等級(jí)與論域的確定

依照表1中所列出的σ值與c值可知，論域內(nèi)模糊子集的數(shù)目為3，也就是輸出/輸出量的量化等級(jí)為3，將所有層次子集的名稱設(shè)定為P、ZE、N，所對(duì)應(yīng)的符號(hào)為“+”“0”“-”，相應(yīng)模糊子集的隸屬度函數(shù)參數(shù)值如表2所示。X1的取值范圍為[-150，150]，該區(qū)間也是分解爐拱頂溫度值的誤差的合理區(qū)間；出口溫度誤差的隸屬度函數(shù)曲線如圖1所示；X2的取值范圍為[-50，50]，該區(qū)間也是分解爐出口溫度誤差變化率的合理區(qū)間，圖2為出口溫度誤差變化率隸屬度函數(shù)曲線；Y的取值范圍為[-0.5，0.5]，該區(qū)間也是最佳空燃比區(qū)間，圖3為出口溫度空燃比隸屬度函數(shù)曲線。

表2 出口溫度隸屬度函數(shù)參數(shù)表

圖1 出口溫度誤差輸入隸屬函數(shù)

圖2 出口溫度誤差變化率輸入隸屬函數(shù)

圖3 出口溫度調(diào)控空燃比隸屬函數(shù)

3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練及MATLAB仿真

MATLAB通常應(yīng)用于圖像處理和數(shù)值計(jì)算，可以對(duì)少量的數(shù)據(jù)進(jìn)行處理，并且有著較高的運(yùn)行速度[7]。在此基礎(chǔ)上，Math Works公司還加入了實(shí)時(shí)控制、可視化建模、文字處理以及符號(hào)計(jì)算等功能[8]。現(xiàn)階段，MATLAB已經(jīng)成為了一款支持建模仿真、算法開發(fā)、概念設(shè)計(jì)等功能的集成化IDE。因此，本次研究通過MATLAB軟件來對(duì)基于模糊神經(jīng)網(wǎng)絡(luò)控制算法進(jìn)行仿真處理。

在訓(xùn)練過程中，首先將各模式所對(duì)應(yīng)的模糊子集的隸屬度輸入至BP網(wǎng)絡(luò)，將各模式的控制量模糊子集的隸屬度設(shè)定為輸出數(shù)據(jù)。模糊控制規(guī)則集的神經(jīng)網(wǎng)絡(luò)在經(jīng)過訓(xùn)練后將會(huì)具備神經(jīng)元的閾值與連接權(quán)值[9]。經(jīng)過多次訓(xùn)練后，網(wǎng)絡(luò)目標(biāo)誤差維持在滿意范圍內(nèi)。經(jīng)過仿真實(shí)驗(yàn)發(fā)現(xiàn)，經(jīng)過訓(xùn)練的模糊控制網(wǎng)絡(luò)能夠達(dá)到預(yù)期的6e-001。空燃比十分接近既定的目標(biāo)值，訓(xùn)練效果十分理想。在測試神經(jīng)網(wǎng)絡(luò)時(shí)，向網(wǎng)絡(luò)輸入爐窯生產(chǎn)過程中所生成的數(shù)據(jù)，得到如下所示的輸出結(jié)果：

P_test=[0.8000 00.7000；0000.60 0.70000]′；

Y=sim(net，P_text)

Y= 0.0000 0.0000；0.0000 0.0000；0.0009 0.0024；0.0014 0.0047；0.9947 0.0001

即在X1、X2分別為NB、NS的情況下，Y的輸出為NS；在X1、X2分別為PS、NB的情況下，Y的輸出為NS。與控制規(guī)則描述一致，代表該網(wǎng)絡(luò)符號(hào)控制要求。

4 結(jié) 語

新形勢下的工業(yè)生產(chǎn)應(yīng)當(dāng)進(jìn)一步加強(qiáng)對(duì)于計(jì)算機(jī)技術(shù)應(yīng)用的重視力度，將計(jì)算機(jī)技術(shù)與數(shù)學(xué)模型控制算法有機(jī)結(jié)合起來，最大程度上提高各工業(yè)參數(shù)的準(zhǔn)確性，在提高生產(chǎn)效率的同時(shí)也有助于提高原材料的使用效率，可有效避免原料浪費(fèi)。在未來的研究中，還需要引入其他不同類型的控制算法，比如卷積神經(jīng)網(wǎng)絡(luò)控制算法、支持向量機(jī)算法等，進(jìn)一步擴(kuò)大參數(shù)控制范圍，為工業(yè)爐窯控制的自動(dòng)化、數(shù)字化奠定更加堅(jiān)實(shí)的基礎(chǔ)。