对仿人模糊网络控制系统研究的展望

-1-《自然辩证法概论》课程论文论文标题：对仿人模糊网络控制系统研究的展望学生姓名：苏达子学号：0901301012专业：机械制造及其自动化专业学院：机械工程学院导师姓名：蒲明辉学期：2011-2012/上诚信声明我郑重声明：本人提交的《自然辩证法概论》课程论文是由本人独立完成的，在正文中和在文末的参考文献中已全部标注并列出了文中所引用的他人的学术成果、观点、图表或论述，保证此文符合学术道德规范的要求。声明人签名：苏达子签名日期：2011年12月20日-2-对仿人模糊网络控制系统研究的展望苏达子机械工程学院机械制造及其自动化专业2009级；学号：0901301012摘要：随着现代工业的发展，工业过程的不断复杂化，实际生产过程中的非线性，不确定性和复杂性的增加，传统意义上的PID控制器已经不能满足我们的要求，因此我们力图将近些年发展起来的一些先进的智能控制方法，应用到PID控制领域中。本文针对模糊神经控制这一学科做了浅显的研究，从理论研究和计算机仿真两方面对模糊控制、神经控制、仿人智能以及专家控制算法进行了学习和初步研究，针对复杂的具有不确定性的非线性、大滞后系统，采用了模糊自适应PID控制、基于RBF神经网络PID整定、专家PID控制三种控制策略相融合的方法进行控制器的设计，并在MATLAB平台上进行了对实际非线性传递函数的程序设计以及仿真实验研究。通过将误差和误差变化作为输入来调节控制器的kp、ki、kd参数，提高系统的调节时间、收敛速度、上升时间等控制品质。本文的重点工作在于模糊控制和RBF神经网络控制策略的融合，而难点是RBF神经网络的理解上。通过RBF模糊神经网络控制器和仿人RBF模糊神经网络控制器的仿真效果对比可以看出仿人RBF模糊神经网络控制器中阶跃响应时间、误差响应都明显减小，而且PID参数的的超调量等控制性能都减小，由此说明仿人-模糊神经网络具有良好的控制效果。关键词：模糊控制；RBF神经网络；专家控制；仿人智能1.研究背景及意义近几年来，智能控制采用各种智能化技术实现复杂系统和其他相关系统的控制目标，是一种强大的自动控制技术。长期以来，自动控制科学已对整个科学技术的理论和实践做出了重要贡献，并给人类的生产、生活和工作带来了巨大的利益。然而，现代科学技术的迅速发展和重大进步，对控制和系统科学提出新的更高的要求。传统控制理论，包括近代控制、经典反馈控制和大系统理论等，在应用中遇到不少难题。多年来，自动控制一直在寻找新的出路，现在看来，出路之一就是实现控制系统的智能化和自动化，来解决面临的难题。PID控制是最早发展起来的控制策略之一，由于其算法简单，性能好、可靠性高，被广泛应用于过程控制和运动控制中，尤其适用于可建立精确模型的确定性系统。但随着实际生产过程中的非线性，不确定和复杂性的增加，常规的PID控制已经不能满足我们的控制要求，不能达到理想的控制效果。但是由于PID具有结构简单、造价低廉等特点，现在仍在工业生产的各种控制设备上广泛应用。PID控制器应用的关键就是参数整定及在线参数调整。过去的参数整定由经验取值预设，再依据试运行的响应波形做手动调整，这种方法往往经验多于科学，既费时又难以达到最佳的整定值。目前各种行之有效的整定方法，包括改进算法-3-的Ziegler-Niehols整定法、Coohen-Coon整定法、Astrom的整定法等等，在改善自动控制系统方面发挥了重大的作用[1]。但由于固定参数的PID控制器采用折衷的方法来解决静态与动态控制品质之间的矛盾，这就使得单一控制参数的系统不能获得最佳的控制效果。但环境变化以及控制对象存在着大惯性、非线性、大纯滞后、强干扰等等特性，用一组事先整定的PID参数实施控制难以达到很好的控制效果，尤其当对象参数变化超过一定的范围时，系统性能会明显变差，甚至超出许可范围。因此，为了促进PID控制的发展，我们力图将近些年发展起来的一些先进的智能控制方法，应用到PID控制领域中，而模糊神经网络（FNN）已经成为人们关注的热点之一，它被应用到复杂过程建模和逻辑推理中，用神经网络表示模糊系统，使构造网络结构有了依据，又可以根据模糊推理规则的形式，利用神经网络的学习能力进行复杂的模糊推理，具有并行运算速度快的优点。另外，网络权值的初始给定具有一定得先验知识，从而网络在训练中收敛速度较快[2]。但是模糊神经网络建模存在的关键问题之一就是当模糊神经网络的输入维数高时，模糊规则呈几何级数增加，致使网络结构庞大，网络计算量大，导致迭代时间长，收敛速度慢。仿人智能以及专家系统又可以从另一面优化模糊神经网络系统，减小调节时间，降低超调量等，近来国内外也出现了许多将仿人智能和模糊神经网络结合的课题，并且一部分成果都被运用到现实的生产和生活中，所以我们有必要也需要对仿人智能和模糊神经网络的结合做进一步的研究。2.研究现状PID控制器是在过程控制之中最常应用的一类控制器，一般的说来，具有鲁棒性较好、参数整定和实践使用经验积累丰富，结构简明，易于工程应用等优点。但对于非线性强或具有不确定性的系统，使用效果并不理想。而神经网络控制器(NN-PID)是对误差、误差积和误差微分进行加权运算，以其作为神经网络的输入层，构成不同结构的神经网络模型，利用神经网络的非线性映射及联想记忆等功能，来实现常规PID型控制器无法实现的控制效果。1985年BartKosko提出模糊认知映射网络这种网络中，各单元(节点)表示各个不同的模糊集，单元之间的连接权表示相应模糊概念之间的因果关系。此外还有由Jyh-SkinghR.Jang在1994年提出的自适应神经模糊推理系统，是一种基于Takagi-Sugeno模型(或简称Sugeno模型)，它可以替代控制系统的任意神经元网络并执行同样的功能，然而它和绝大多数神经模糊建模一样总是不可避免的存在着结构辨识的问题，也就是如何合适的划分输入输出空间，如何从观测数据中提取出较为简化的模糊规则库，避免规则库爆炸问题。1990年中国科学院自动化研究所应行仁、曾南提出采用BP神经网络记忆模糊规则的控制，并进行了倒立摆的仿真试验。近年来，模糊神经网络(FNN)已经成为复杂过程建模和逻辑推理的主要手段，用神经网络表示模糊系统使构造网络结构有了依据，可以根据模糊推理规则的形式，同时利用神经网络的学习能力进行复杂的模糊推理，具有并行运算速度快的优点。模糊神经网络(FNN)已经在各个领域中得到了广泛应用，尤其是在智能系统中的非线性建模及控制器的设计、模式分类与模式识别、联想记忆和优化计算等方面得到人们的极大关注。-4-但是模糊神经网络的融合也出现了一些弊端，一直以来都没有一个统一的标准，只是模型效果上是可以证明的并没有在理论上完全得证，而且在一些复杂而特殊的系统中也没有显现出很好的控制效果，所以人们又开始研究专家控制、仿人智能和神经网络的融合，努力之后出现了一些比较成功的实例，这对智能控制的研究起了推进性作用。综上所述，现今神经网络智能控制无论是在理论上还是在应用上均得到了长足的发展和进步。但如何将PID控制器同智能控制更好的结合在一起，使控制领域几十年来长用不衰的PID控制器能发扬光大，更好地应用于实践，仍然是控制领域中人们不断研究和探索的重要课题。在这一领域，许多研究者正将各种智能控制技术和常规PID控制方法有机的融合在一起，提出了多种形式的智能PID控制器。可以看到，智能PID技术具有广阔的研究和应用前景。本课题主要是基于仿人智能的多模态控制思想，结合模糊控制和神经网络精确的控制特点，提出一种仿人智能和模糊神经网络相融合的控制方法，结合三种控制方式的优点来设计控制系统，应用于非线性和大滞后的复杂控制系统中，提高控制效果。仿人智能控制是一种基于知识的智能控制，模拟了人的控制经验与技巧。它是一种具有多种控制模态的智能控制器，不仅可以用于线性系统还可以用于非线性系统器。仿人智能控制系统类型:仿人智能开关控制、仿人智能比例控制、仿人智能积分控制、仿人分层递阶智能控制。模糊控制主要是对输入量通过经验判断然后采取相应控制措施进行调整，将操作者的经验总结成若干规则即模糊控制规则，然后仿照人脑的模糊推理过程，确定推理算法。计算机可根据输入的模糊信息，依据控制规则和推理法则，作出模糊决策。最后当人们根据已决定的模糊决策区执行具体的动作，执行的结果又是已个精确量。模糊控制器的工作原理框图如下[3]：图1模糊控制工作原理图神经网络（NeuralNetwork）是人工神经网络的简称,是用大量简单的处理单元广泛连接组成的复杂网络，是在现代生物学研究人脑组织所取得的成果基础上提出的，用以模拟人类大脑神经网络结构和行为，实现某个方面的功能。它有3个特性：学习、概括、和抽取。它的主要应用有高速率的数据获得、多传感器信息融合以及飞行器的辨识等待。神经元结构图如下：-5-图2人体神经元模型注：i为阀值，wi(i=1,2,…,n)为连接权值，xj(j=1,2,…,n)为输入信号，F为作用函数。3.主要研究内容学习仿人智能、模糊控制和神经网络在控制中的应用，基于仿人智能的多模态控制思想，结合模糊控制和神经网络精确的控制特点，提出一种仿人智能和模糊神经网络相融合的控制方法，结合三种控制方式的优点来设计控制系统，用MATLAB编写程序并应用于非线性和大滞后的复杂控制系统中，提高控制效果。3.1模糊控制系统的组成和基本原理模糊控制是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制。其基本结构框图如图3所示：图3模糊控制基本结构框图从线性控制与非线性控制的角度分类，模糊控制是一种非线性控制。它的组成核心是模糊控制器，所以，从其控制器的智能性看，它属于智能控制的范畴，而且它已成为目前实现智能控制的一种重要而且又有效的形式。尤其是模糊控制和神经网络、遗传算法及混沌理论等新学科的相融合，正在显示出其巨大的应用潜力。模糊控制器由以下四部分组成[4]：1.模糊化这部分的作用是将输入的精确量转换成模糊化量。其中输入量包括外界的参考输入、系统的输出或状态等。模糊化的具体过程如下：-6-(1)首先对这些输入量进行处理以变成模糊控制器要求的输入量。例如常见的情况是计算e=r-y和ec=de/dt，其中r表示参考输入，y表示系统输出，e表示误差，ec表示误差的变化。有时为了减小噪声的影响，常常将ec进行滤波后再使用，例如可取ec==[s/(Ts+1)]e(2)将上述已经处理过的输入量进行尺度变换使其变换到各自的论域范围。(3)将已经变换到论域范围的输入量进行模糊处理，使原先精确的输入量变成模糊量，并用相应的模糊集合表示。2.知识库知识库中包含了具体应用领域中的知识和要求的控制目标。它通常由模糊控制规则库组成。主要包括各语言变量的隶属度函数，模糊因子、量化因子以及模糊空间的等级数。规则库包括了用模糊语言变量表示的一系列的控制规则。它们反映了控制专家的经验和知识。3.模糊推理模糊推理是模糊控制器的核心，它具有模拟人的基于模糊概念的推理能力，该推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的。4.清晰化清晰化的作用是将模糊推理得到的控制量(模糊量)变换成实际用于控制的清晰量。它包含以下两个部分：(1)将模糊量经清晰化变换变成论域范围的等级量。(2)将论域范围的等级量经比例变换为实际的控制量。模糊控制器，在理论上是由N维模糊关系R表示。R可视为受约于[0,1]区间的N个变量的函数。R是几个N维R的组合，每个R代表一条if-then规则。控制器的输入x被模糊化为X，模糊输出Y可应用推理合成规则进行计算。对于模糊输出Y进行模糊判决，可得精确的数值输出y。它的原理图如4所示：图4模糊控制原理图由此可见，模糊控制算法可以概括为以下四步：(1)根据本次采样得到的系统的输出值，然后将此量与给定值进行比较，得到系统的偏差信号E，一般选取E为模糊控制器的一个输入量。-7-(2)将输入变量的精确值变为模糊量，即把偏差信号E的精确量进行模糊化变成模糊量。其模糊量可以用相应的模糊语言表示，得到偏差E模糊语言集合的一个子集e(e是一个模糊矢量)。(3)根据输入