GA優化T-S模糊神經網絡的干燥窯溫濕度控制器設計

姜 濱， 孫麗萍， 曹 軍， 季仲致

(東北林業大學 機電工程學院，黑龍江 哈爾濱 150040)

?

GA優化T-S模糊神經網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、神經網絡和遺傳算法的優點，設計了一種遺傳算法(GA)優化的T-S模糊神經網絡溫濕度控制器。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，采用神經網絡的自學習和自適應能力實現整個非線性過程的模糊邏輯推理，并通過遺傳算法對神經網絡的參數進行優化與訓練，提高系統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優化的T-S型模糊神經網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； 模糊神經網絡控制器； 干燥窯

0 引 言

木材干燥過程是木材加工生產中的重要環節，而且木材干燥質量的好壞對木材利用率和木材產品質量有直接影響[1]。木材干燥系統是強耦合、大滯后、時變的非線性系統，很難建立準確的數學模型來描述該系統[2]。目前，我國的木材干燥窯還都是以傳統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都是憑借個人經驗進行調節[3]。這種傳統的憑借經驗調節參數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。

模糊控制不需要建立系統精確數學模型，可以方便地應用專家知識、操作員經驗等語言模糊信息，但模糊規則依靠人的經驗制定，系統本身不具有自學習和自適應調整能力[4]。人工神經網絡具有非線性、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模糊神經網絡系統將模糊邏輯與神經網絡結合，同時具有模糊邏輯易于表達人類知識、神經網絡分布式信息存儲以及學習能力的優點，是復雜系統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化方法，不僅可以優化模糊神經推理系統的參數和結構，還可以修正冗余的隸屬度函數和網絡的節點數，以優化模糊推理規則[9-11]。

木材干燥模糊控制系統可以直接使用專家經驗知識，實現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據。但由于木材干燥窯內環境復雜多變，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則不能完全適應當前的木材干燥系統，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優化的T-S型模糊神經網絡溫濕度控制器是在模糊控制基礎上，利用神經網絡的自學習和自適應能力，采用后件網絡自動調整模糊運算規則，提高整個控制器的魯棒性和適應性，并利用GA優化T-S模糊神經推理系統的參數和模糊推理規則。在木材干燥窯內復雜多變環境下，控制器能夠自適應樣本數據，保證溫度和濕度的控制精度，實現木材干燥過程的智能控制。

1 GA優化的T-S型模糊神經網絡控制器

1.1 T-S型模糊神經網絡結構

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

1.1.1 前件網絡

前件網絡由4層組成。第1層為輸入層。它的每個節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。該層節點數N1=n。

(1)

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

圖1 T-S型模糊神經網絡結構

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

(2)

第4層進行歸一化計算。該層節點數N3=N4=m。

(3)

1.1.2 后件網絡

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

第2層子網絡計算每一條規則的后件。該層有m個節點，每個節點代表一條規則，即：

(4)

第3層子網絡計算系統的輸出，yi是各規則后件的加權和。

(5)

1.2 T-S模糊神經網絡自學習過程

(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絡對應節點的輸出值來代替，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優化T-S模糊神經網絡的實現

模糊系統的輸入變量為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；模糊系統的輸出變量為y，y的論域是實數域上的緊密集，即y∈V?R。模糊推理規則的一般形式為：

(14)

輸出變量的隸屬函數為模糊單點，即：

(15)

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

(16)

pj(x)為模糊基函數，如下式所示，

(17)

則式(16)可以表示為：

(18)

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

(1)將各個參數級聯在一起進行編碼；

(3)根據系統的實際輸出與期望輸出構造遺傳算法的適應值函數；

(4)利用遺傳算法操作對隸屬函數中的各個參數進行優化。

在若干代遺傳后，就可以獲得優化后的隸屬函數參數，相應的模糊推理規則也得到優化。

2 優化的T-S型模糊神經網絡控制系統結構

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，系統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，具有優良的低溫韌性，因此可在大型焊接結構件和低溫環境中使用。③ 優秀的焊接性能，成分設計時極力減低碳含量、碳當量和熱敏感系數，以提高焊接性能，因而具有優秀的焊接接頭性能。④ 優秀的加工性能，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結構

3 木材干燥窯GA優化的T-S型模糊神經網絡控制器設計

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

(21)

則優化問題可描述如下：

J*=minJ(ITAE)

(22)

(23)

(24)

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

在模糊神經網絡控制器的設計中，輸入量的模糊分割數決定了神經網絡各層節點數，這直接關系到模糊神經網絡控制器的運行速度和控制精度[16-17]。在模糊神經網絡控制器設計時，例如：系統是2 輸入 1 輸出，每個變量的模糊分割數都為7，則前件網絡第2層節點數就為7×2=14個，第3層節點數就為72=49個。如果網絡的輸入增加，以上數字將會增長的更快，例如：一個 4 輸入1輸出的系統，每個變量的模糊分割數都為7，則前件網絡第2層節點數為7×4=28個，第3層節點數為74=2 401個。在這樣的網絡中，不論是前向計算還是反傳修正的運算量都是很大，嚴重影響網絡的運算速度。另外，對于這種網絡，由于結構復雜，需要優化調整的參數太多，很難進行網絡的初始化和結構設計工作，而網絡初始化不合理直接影響到網絡的學習速度和收斂性，而且設計性能不佳的網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網絡控制器，本文為了提高模糊神經網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根據經驗選取為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，依據遺傳算法的基本原理，執行選擇、交叉、變異操作。重復進行循環計算，當適應度值Fi<10-4，則停止操作。

圖3 GA優化模糊神經網絡控制器Et的隸屬函數

圖4 GA優化模糊神經網絡控制器的隸屬函數

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優化的T-S型模糊神經網絡控制器、T-S型模糊神經網絡控制器、經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模糊神經網絡控制溫度仿真曲線如圖5(b)所示，GA優化的T-S模糊神經網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模糊神經網絡控制濕度仿真曲線如圖6(b)所示，GA優化的T-S模糊神經網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%，調節時間將近150 s。由圖5(b)可知，木材干燥窯T-S模糊神經網絡控制器溫度輸出曲線的最大偏差量為5 ℃，超調量為8.3%，調節時間約為100 s。由圖5(c)可知，木材干燥窯GA優化的模糊神經網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%，調節時間約為100 s。由圖6(b)可知，木材干燥窯模糊神經網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%，調節時間約為30 s。

(a) 模糊控制溫度仿真曲線

(b) 模糊神經網絡控制溫度仿真曲線

(c) GA優化模糊神經網絡控制溫度仿真曲線

(a) 模糊控制濕度仿真曲線

(b) 模糊神經網絡控制濕度仿真曲線

(c) GA優化模糊神經網絡控制濕度仿真曲線

通過比較模糊控制器、模糊神經網絡控制器和GA優化的模糊神經網絡控制器的控制效果可知，與模糊控制器和T-S型模糊神經網絡控制器相比，GA優化的模糊神經網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時間，GA優化的模糊神經網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優化的T-S型模糊神經網絡控制器。該控制器把模糊邏輯、神經網絡以及遺傳算法有機地組合在一起，充分發揮各自優點，使得控制器對非線性系統逼近能力更強、訓練收斂速度更快、算法更穩定。仿真研究結果表明，GA優化的T-S型模糊神經網絡控制器比模糊控制器、T-S型模糊神經網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、調節時間快、穩定性好，能夠滿足木材干燥系統對溫濕度的控制要求，對逐步實現木材干燥過程的全自動控制，提高木材干燥產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上的應用 [M]. 北京：中國林業出版社, 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模糊神經網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模糊神經網絡的渦流發動機加速控制 [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網絡的蘋果果實識別 [J].農業機械學報, 2013, 44 (12): 227-232.

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

[11] 關海鷗, 許少華, 譚 峰. 基于遺傳模糊神經網絡的植物病斑區域圖像分割模型 [J]. 農業機械學報, 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最優控制器 [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. 基于神經網絡—遺傳算法的雙層隔振系統復合振動控制 [J]. 實驗室研究與探索, 2014, 33(7): 115-119.

[16] 孫麗萍, 霍 然. 北方蔬菜溫室系統模糊神經網絡控制器的設計 [J]. 東北農業大學學報, 2014, 45(4): 113-117.

[17] 王 暑, 楊曉京. 基于模糊神經網絡的煙葉烘烤溫濕度監控系統研究 [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

國家林業公益性行業科研專項(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、復雜系統建模與控制。

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

TP 273.4

A

1006-7167(2015)11-0054-06