摘 要： 研究一類基于模糊神經(jīng)混合系統(tǒng)的自適應控制方法，利用模糊推理機產(chǎn)生的分目標學習誤差代替反饋控制器的輸出信號訓練神經(jīng)網(wǎng)絡，避免了控制器的輸出產(chǎn)生振蕩或進入飽和狀態(tài)，使得學習過程快速穩(wěn)定并將該方法用于非線性系統(tǒng)和火電廠汽包水位的控制系統(tǒng)中，仿真結(jié)果表明其有效性。
??? 關鍵詞： 模糊神經(jīng)混合系統(tǒng)；自適應控制；汽包水位
?
模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡的結(jié)合形式隨著研究角度和應用領域不同而有所不同，在這類系統(tǒng)中，系統(tǒng)本質(zhì)上還是模糊邏輯系統(tǒng)結(jié)構(gòu)，但是可以把模糊邏輯系統(tǒng)看作具有網(wǎng)絡化的結(jié)構(gòu)，直接利用神經(jīng)網(wǎng)絡的學習能力與映射能力來獲得模糊邏輯系統(tǒng)的參數(shù)或具體結(jié)構(gòu)，從而使模糊邏輯系統(tǒng)具有自學習和自適應能力，該過程并不改變模糊系統(tǒng)所具有的模糊化、解模糊化和模糊推理的功能，而是利用神經(jīng)網(wǎng)絡實現(xiàn)隸屬函數(shù)、模糊規(guī)則的數(shù)字化處理，實現(xiàn)“模糊化-模糊推理-解模糊化”整個過程的“網(wǎng)絡化”，也可以用神經(jīng)網(wǎng)絡學習或聚類的方法從輸入輸出數(shù)據(jù)中獲取規(guī)則，然后在性能指標指導下，對規(guī)則進行調(diào)整，從而使模糊系統(tǒng)具有規(guī)則的自組織能力[1]。
在另外一個范疇內(nèi)，可以將模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡根據(jù)不同的功能、用途集成在一個系統(tǒng)里，模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡技術在這類系統(tǒng)中各自發(fā)揮自己的功能，利用各自的優(yōu)勢為實現(xiàn)共同的目標而實現(xiàn)功能結(jié)合與互補，這類模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡結(jié)合的方法稱之為模糊神經(jīng)混合系統(tǒng)FNHS(Fuzzy-Neural Hybrid System)[2]。
1 基于模糊神經(jīng)混合系統(tǒng)的自適應控制結(jié)構(gòu)
從控制角度而言，神經(jīng)網(wǎng)絡自適應控制包括直接自適應控制和間接自適應控制。間接自適應控制通常由控制器和模型兩部分組成。在線辨識模型，并通過模型在線調(diào)整神經(jīng)網(wǎng)絡控制器間接自適應控制，具有良好的適應性[3]。但是，在線辨識被控對象的模型存在運算量大、控制精度低等問題，對不可重復過程與時變動力學系統(tǒng)訓練困難，在實際工程控制中實用性不大。直接自適應控制是根據(jù)過程的輸出信息來控制優(yōu)化參數(shù)，不需要預先知道系統(tǒng)動力學特征或在線辨識的模型，這也正是傳統(tǒng)的自適應控制所不能解決的問題。這種控制器是直接根據(jù)控制精度設計，不需要經(jīng)過事先訓練，也不依賴于對象的辨識模型，具有良好的動態(tài)響應性能和穩(wěn)態(tài)精度，網(wǎng)絡權(quán)值的調(diào)整是隨時間關系的自適應收斂過程，常用的基于神經(jīng)網(wǎng)絡的自適應控制方式為直接逆控制、模型網(wǎng)絡參考控制。但是，這2種控制方式都存在著較大的計算量和辨識的問題，而且對于直接逆控制，如果系統(tǒng)的逆不存在了，該方法就會失效。
??? 基于模糊神經(jīng)混合系統(tǒng)的自適應控制(FANNC)結(jié)合了神經(jīng)網(wǎng)絡直接自適應控制的特點，結(jié)構(gòu)如圖1所示。由1個反饋控制器(FC)、1個神經(jīng)網(wǎng)絡控制器(NNC)和模糊推理機(FIE)組成[4]。
?
2?基于模糊神經(jīng)混合系統(tǒng)的自適應控制器的設計
分目標學習誤差由模糊推理機的一組模糊規(guī)則給出，如表1所示。表中符號PB、PM、PS、0、NS、NM、NB分別表示正大、正中、正小、零、負小、負中、負大等概念[5]。表中模糊關系不再是傳統(tǒng)意義上的模糊控制策略，而是每一控制周期中用于NNC訓練的分目標學習誤差。NNC在學習過程中，逐步跟蹤系統(tǒng)的逆動力學，并產(chǎn)生一個自適應控制信號，使系統(tǒng)輸出跟蹤給定的參考信號消除的不再單純是系統(tǒng)的輸出誤差，而是誤差和誤差變化的綜合影響，從而避免了反饋誤差學習法可能造成的NNC的輸出產(chǎn)生振蕩或進入飽和狀態(tài)等問題。
?
??? 為實現(xiàn)上述模糊推理規(guī)則，必須對模糊推理機FIE的輸入變量進行模糊化處理，即將輸入變量從基本論域轉(zhuǎn)化到相應的模糊論域。為此，引入反饋控制器FC輸出變量μf及其變化變量μf的量化因子Kμf，Kμf。假定變量μf的基本論域為(-nfm，nfm)，模糊論域分別為(-nμf，-nμf+1，…0，…，nμf-1，nμf)，變量nf的基本論域為(-nfm，nfm)，模糊論域分別為(-nμf，-nμf+1，…0，…，nμf-1，nμf)，則量化因子Kμf，Kμf可由下式確定：
???
模糊變量Uf(k)、
f(k)的論域、模糊子集及其隸屬函數(shù)的定義如圖2所示。為改善模糊推理機的輸出特性，F(xiàn)IE輸出變量δ論域、模糊子集及其隸屬函數(shù)的定義如圖3所示[6]。當系統(tǒng)偏差較大時，模糊集隸屬函數(shù)分辨率較低，F(xiàn)IE輸出變化比較緩慢可以保證NNC的學習比較平穩(wěn)。
??? 在控制過程中，系統(tǒng)根據(jù)每一采樣時刻FC的輸出信號及其變化，由圖2確定各模糊集的隸屬度，然后利用模糊推理規(guī)則如表1所示，圖3確定輸出變量所有可能的模糊截集。并以重心發(fā)模糊判決，得到分目標學習誤差
，式中離散計算步長的取值大小可能影響模糊判決的精度。
3 仿真實驗
??? 電站鍋爐汽包水位間接的反應了鍋爐負荷與給水平衡的關系，是鍋爐運行的主要指標之一。水位過高，會破壞汽、水分離裝置的正常工作，嚴重時會導致蒸汽帶水增多，從而增加過熱器管壁上和汽輪機葉上的結(jié)垢；水位過低時，則會破壞水循環(huán)，引起水冷壁的破壞。近年來鍋爐參數(shù)的提高和容量的擴大，對給水系統(tǒng)提出了更高的要求。因此，迫切需要一種魯棒性很好，算法相對簡單的快捷控制方案。
?
??? 將圖4框內(nèi)的一個廣義對象當一個整體去考慮，可以消除水流量和蒸汽對汽包水位的傳遞函數(shù)不穩(wěn)定環(huán)節(jié)，克服自平衡特性。神經(jīng)網(wǎng)絡具有充分逼近任意復雜系統(tǒng)的能力，同時還能學習和適應不確定性的動態(tài)響應。為檢驗所提出的控制策略的有效性，對圖4中的被
???
??? 采用本文提出的基于模糊神經(jīng)混合系統(tǒng)的自適應控制方法，其對比試驗采用PID串聯(lián)控制系統(tǒng)，PID調(diào)節(jié)器參數(shù)是在折中考慮系統(tǒng)的跟蹤性、抗外擾能力和抗內(nèi)擾能力的基礎上，經(jīng)過整定得到的，其外回路KP=1.5，Ki=0.005，內(nèi)回路KP=0.95[7]。
??? 圖5所示為對象模型匹配情況下的輸出響應圖。圖6為給水量信號H=0 mm時，在起始時刻加入蒸汽流量30 %外擾時輸出響應曲線。
??? 圖7所示為對象時間為常數(shù)，增益常數(shù)和延遲時間均增大20%的輸出響應曲線。圖8在模型失配情況下，在給水流量信號H=0 mm時，加入蒸汽流量的30%外擾時輸出響應曲線。
??? 從圖中可以看出，較之串級PID控制，F(xiàn)ANNC控制具有良好的動態(tài)調(diào)節(jié)品質(zhì)和較強的魯棒性，實現(xiàn)了對系統(tǒng)的快速無超調(diào)控制。實驗中將蒸汽流量擾動信號引入到神經(jīng)網(wǎng)絡中，實現(xiàn)了對系統(tǒng)的前饋補償，以快速平穩(wěn)消除蒸汽流量的擾動。魯棒控制器FC的構(gòu)造使系統(tǒng)具有良好的穩(wěn)定性和魯棒性，與常規(guī)PID控制相比，幾乎沒有超調(diào)量。即使在模型失配(參數(shù)增加或減少)的情況下仍然能取得滿意的控制品質(zhì)。仿真結(jié)果表明了該方案的有效性和優(yōu)越性。
??? 本文提出的這種基于模糊神經(jīng)混合系統(tǒng)的自適應控制方法是針對工業(yè)系統(tǒng)中普遍存在的復雜非線性和時變不確定性特性提出的。該方法可以做到無須辨識被控對象的模型，即可進行NNC的在線設計；而且NNC的學習過程和系統(tǒng)的控制過程同時進行，不需要特定的教師信號，避免了離線訓練通常存在的訓練數(shù)據(jù)不足的問題。利用模糊推理機產(chǎn)生的分目標學習誤差對神經(jīng)網(wǎng)絡進行訓練，避免了采用直接反饋誤差進行訓練可能造成的飽和和過調(diào)整問題，并能有效抑制測量噪聲的影響，提高系統(tǒng)的控制品質(zhì)。仿真實驗證明，該方法能有效處理工業(yè)系統(tǒng)中普遍存在的復雜非線性和時變不確定性等特性，為未知不確定非線性系統(tǒng)的智能控制提供了一條有效而可行的新途徑。
參考文獻
[1] 蔣宗禮.人工神經(jīng)網(wǎng)絡導論[M].北京：高等教育出版社，2001：221-236.
[2] CAO W M. The app lication of direction basis function neural networks to the prediction of chaotic time series[J]. Chinese Journal of Electronics，2004，13(3)：395-398.
[3] YAO X， LIU Y. Fast Evolutionary programming in evolutionary programming[M]. Evolutionary Program， FOGEL L， ANGELINE P， B?魧CK T， Eds. Cambridge， MA： MIT Press， 1996：451-460.
[4] 孫街.復雜非線性系統(tǒng)的模糊控制及其優(yōu)化的研究[D]. 西安，西安交通大學，2000.
[5] 雷家勝，王建英，孫秩.參數(shù)自適應控制方法在刻繪中的應用[J].計算輔助工程，2008，17(3)：58-60.
[6] 鮑鴻，黃心漢，李錫雄.廣義模糊推理與廣義模糊RBF神經(jīng)網(wǎng)絡[J].控制與決策，2000，15(2)：205-208.
[7] 王振雷.模糊神經(jīng)網(wǎng)絡理論及其在復雜系統(tǒng)中的應用研究[D].沈陽：東北大學，2002.