1、Abstract :Afterbriefintroductionoftheequipmentsofautomaticbatchingofdyestuff,anon2linelearningalgorithmisdesignsed,whichisbasedonfuzzyneuralnetworkinordertodealwiththeuncertaintyofdyestuffcharacteristicandexternal disturbance 1Bycombiningthemeritsoffuzzylogicandneuralnetworks,anewmethodisproposed,in
2、whichafuzzyinferenceof themodelisrealizedbyneuralnetwork 1Asforsystemapplication,friendlyuserinterfacebasedonVC+isadoptedandfuzzyneuralcontrolalgorithmisrealizedbyMatlabprogramming1Therunningresultshowsthatthecontrolalgorithmhasgoodefficiency 1Keywords :Metrology;Automaticbatchingofdyestuff;Fuzzyneu
3、ralnetwork;Referencemodel收稿日期 :2005212222; 修回日期 :2006205220国家 863计划项目 （2003AA421110作者简介 :龚 利 （1975- , 男 （苗族 , 贵州铜仁人 , 中国科学院自动化所博士研究生。 主要研究方向为智能控制。1 引 言长期以来纺织服装行业一直是中国出口创汇的支柱产业 , 占据世界纺织服装贸易的 12%左右 , 居 世界首位 。 但我国出口的纺织品在色彩 、 印染质量 等方面不具有竞争优势 , 产品的档次较低 。 通常 , 在 面料质地相同的情况下 , 其档次的高低就主要表现 在它们色调的一致性上 , 色调一致性
4、越好 , 档次相应 就越高 。 而染料配方中某种关键染料误差大于 011g 往往就会导致色调出现明显的不一致 。随着中国加入 WTO 进程的深入和纺织印染行业的蓬勃发展 ,国内有实力的纺织印染厂家已经把使用高精度自动 配料生产系统作为提高产品质量的关键 , 但目前国 内此类高精度染整配料设备研制还不成熟 , 大多需 要从欧美进口 。 本文采用一种基于参考模型的模糊 神经网络控制算法来控制染整配料系统的精密配料 过程 , 实验结果表明该算法能够取得满意的效果 。2 系统特点及组成该自动称料配料系统是一种能够运用在印染、 化工 、 医药等行业进行颗粒状及粉末状固体物料精 确称重的智能化设备 , 它
5、具有称重精度高 （ 011g 、 称重范围广 （532kg 、 智能化 （在线学习 等特 点 。 该系统主要由上位机 、 下位机 、 储料罐 、 螺旋给 料机构 、 电子秤 、 驱动装置 、 吸尘器和装料小车组成 。 系统的组成框图见图 1。系统的主要性能指标是配料时的称重精度和称重速度 , 对大多数染料 , 如无特殊规定 , 要求精度能 达到 011g; 称重速度与称重精度和染料物理特 性有关 , 称重精度越高则称重速度越慢 , 染料密度越 大流动性越好称重速度越快 ; 一般要求称重速度能 够达到 15kg min。图 1 3 , 数是基本已知的 。 但是在动态配料过程中对象参数 的变化 ,
6、 如染料的密度 、 黏度和流动性的改变 , 或者 是环境的改变 , 如温度 、 湿度和储料罐压力的变化都 将导致模型参数的不确定性 , 以及由于空中飞料的 很难预先确定也大大增加了控制的难度 。常规的 PID 控制方案很难取得满意的控制效果 , 而基于人类思维的智能控制方法却非常适合于多种染料的动 态配重控制 。 模糊建模是利用模糊推理规则来描述 系统特性的一种方法 。 该方法的一个显著特点是可 以用语言方式来表达复杂的非线性系统 1,2然而 ,辨识该模糊规则以及调整模糊推理中的隶属函数是一个重要的问题 3; 由于神经网络具有自学习能力4, 因此考虑用该方法辨识模糊模型从而组成模糊神经网络 。
7、模糊控制器的控制算法通常是很直观地表示 的 , 本质上说 , 模糊控制器属于一种误差驱动产生控 制信号的机制 , 具有内在的鲁棒控制特性5尽管如此 , 由于对象参数变化很大 , 不同种染料密度可能 相差几倍 , 流动性也千差万别 , 对于一定的控制作 用 , 其响应曲线也大不相同 , 如图 2所示 , 对于一定 的控制量 u , 染料 A 的响应曲线 a 为欠阻尼状态 , 配 料的速度很快 , 但是在最后部分即使迅速减小 u 也由于螺旋加料的不可 , 只能重新进行, 这种情 况将造成浪费而绝对应该避免 。染料 C 在 u 作用 下的响应曲线 c 则为过阻尼状态 , 虽然该情况下不 会出现超调,
8、 但是速度太慢无法满足实际生产的需 要 。 染料 B 的响应曲线 b, 则为接近临界阻尼曲线 。 每种染料的临界阻尼曲线可以通过多次反复试验近 似测得 , 为较理想情况 , 兼顾了速度和精度的统一 。 因此 , 可以采用参考模型来产生希望的响应曲线 。 参考模型的输出与控制对象的实际输出之间的误差 用来驱动控制器改变控制量 u , 所以我们可以选取 模糊神经网络模型参考控制方案 。图 2 期望模型跟踪的动态响应分析582第 29卷 第 3期 龚 利等 :4 模型跟踪动态特性分析为了设计模糊参考自适应控制器 , 下面分析模 型跟踪动态特性 。如图 2所示 , 在时间轴的原点给 出一个控制命令 ,
9、 同时该图也给出了参考模型的输 出和模糊自适应控制器的期望输出轨迹 。误差 e 和误差的变化率 e 定义如下 :e （k = r （k -r （k （1 e （k =e （k -e （k -1 （2 其中 :r（k 为第 k 次采样的参考模型的响应 , r （k 为第 k 次采样的控制对象的响应 , e （k 为第 k 次采样的误差信号 , e （k 为第 k 次采样的误差变 化率 。为了方便起见 , 图 2中也给出了每一个范围的 e 和 e 的极性 , 从图 2可以得到如下的特性关系 :在区域 A 1 、 A5、 A9中 , e =“ +” 及 e =“ +” , 误差是正的并且是增加的。
10、在区域 A2、 A 6、 A 10中 , e =“ +” 及 e =“ -” ,A 3、 A 7、 A 11中 , e =“ -” 及 e =“ -” , 误差是负的并 且是减少的 。4812中 , e =“ -” 及 e =“ +” , 误差是负的并且是增加的。以上分析是语言控制规则构建的基础 , 下面分 别给出语言变量、 隶属函数和论域 :语言变量 :正大 （PB , 正中 （PM , 正小 （PS , 零 （ZE , 负小 （NS , 负中 （NM , 负大 （NB 。隶属函数 :选取高斯函数作为隶属函数 。语言变量的论域分别为 : x=-E , E , x 2= -E , E , y
11、4o =-U , U 。模糊控制规则 i :If x（t is Aiand x 2（t is B i , Then y 4o （t is C i （i =1,2, , n 。 A i 、 B i 、 C i 是相应 论域上的模糊子集。5,由输入图 3 4层模糊神经网络层 （第 i 层 、 隶属度层 （第 j 层 、 规则层 （第 k 层 和输出层 （第 o 层 组成来完成 FNN 控制算法。输入层的节点代表输入的语言变量 , 隶属度层的节点作为隶属度函数 , 而规则层的所有节点形成了一个模糊规则库 。模糊神经网络描述如下 :第 1层 :输入层对于这一层的每一个节点 , 输入输出关系如下 :ne
12、t 1i =x 1i , y 1i =f 1i （net 1i =net 1i （5x 1i 代表第 1层的第 i 个节点的输入变量 , 该层共有两个输入节点分别代表 e 和 e 。第 2层 :隶属度层在该层 , 每一个节点为一个隶属度函数 , 用高斯 函数来作为隶属度函数 , 对于第 j 个节点 :net 2j =（2 2（ij, y 2j =exp （net 2j （6 a ij 和 ij 分别代表第 i 个输入变量的第 j 个模糊集合 的高斯型函数的平均值和标准差。它们都是 FNN 的可调参数 , 此层共有 14个节点 。第 3层 :规则层这一层的每个节点都用 7来表示 , 将输入信号
13、连乘 , 对于第 k 个规则节点682计 量 学 报 2008年 7月net 3k =7j 3jk x 3j , y 3k =f 3k （net 3k =net 3k （7 x 3j 代表第 3层第 j 个输入 , 3jk 为权系数是一致的。 y 3k 为第 k 条规则的激活度 , 此层共有 49个节点 。 第 4层 :输出层这一层每一个节点 o 都用 6来表示 , 其输出 是所有输入信号的和 :net 4o =6k 4k o x 4k , y 4o =f 4o （net 4o =net 4o （84k o是输出与第 k 个规则的可调权系数 , x 4k 代表第 4层节点的第 k 个输入 ,
14、y 4o是 FNN 的输出 。 此层只有 1个节点 。在该网络中 , 可调参数有三类 , 一类是规则中的结论数值 4, 它们都是第 3、 4层间的权系数 , 代表 规则参数 。 第二 、 三类可调参数分别是高斯隶属函数的均值 a ij 和标准差 , 代表隶属函数的参数。可用 BP 算法修正模糊神经网络的可调参数。512 在线学习算法, , 该梯度向 量是以每个节点输出流的相反方向来计算的 , 能量 方程被定义为E =（12 6n （x m n -x r n 2（9 x m n 和 x r n 表示参考模型的输出和控制对象的实际输 出 , 下面推导基于反向传播的学习算法 :第 4层 :传播的误差
15、给出如下 :4=-5net 4 o =-5y 45net 4（10连接权重修正量计算如下 :4=-4 k o =-5y 45net 4o54k o =4o x 4k （11输出层的权重根据下式迭代 :4 k o （N +1 =4（N +4（12为学习速度因子 , N 代表迭代次数 。因为这一层权系数是一致的 , 所以该层只有误 差需要反向传播和计算。3k=-5net 3 k =-5y 45net 45y 3k35net 3k = 6k 4o 4k o （13 第 2层 :该层使用的是乘法 , 误差可由下式计算出来 :2j=-net 2=-y 4net 4oy 3knet 3k5y 2j5net
16、 2=3k5x 3j y 2j=6k 3k y 3k （14 a ij 的修正量计算如下 :a=-a=-y 2net 2j a ij=2j2（x 2i -a ij （ij 2（15ij 的修正量计算如下 :-52j ij22i ij（16 该隐层的平均值和标准差迭代算法如下 : a ij （N +1 =a ij （N +a a ij （17（N +1 =（N +（18a和 是高斯方程的平均值和标准差的学习速度 因子 。该系统的雅可比方程 5E 5y 4o 的计算由于系统 的动力学特性未知而不能确定 , 尽管模糊神经控制 器辨识器式 （16 可以用来计算系统的雅可比方程 , 然而需要占用系统较多
17、的时间 , 为了解决该问题和 增强连接权重的在线学习效率 , 提出如下的改进 Delta 规则 :o A （y m1-y p1 +（y m2-y p2=Ae m1+e m2（19 y m2和 y p2分别表示参考模型输出 y m1和控制对象输出 yp1的导数 （见图 4, e m1和 e m2是参考模型和 对象输出的误差及其导数 , A 是一个正的常数。学 习参数的选择对网络性能有着重大的影响。 如给出 的学习速度参数较小 , 则收敛的速度很低 ; 另一方 面 , 如果学习速度参数设置过高 , 则系统极有可能不 稳定 。 为了有效地训练模糊神经网络 , 所有的学习 速度因子都是在线训练。 通过
18、式 （16 所述的算法和 基于提出的改进 Delta 规则 , 所有的隶属度函数的参 数和连接权重都是随机初始化的 , 通过实验结果即 证明了提出的基于改进规则的模糊神经网络的在线 782第 29卷 第 3期 龚 利等 :训练的有效性。图 4 FNN 模型参考控制器结构图6 控制系统实现该系统上位机用户程序用 VisualC+开发 , 但 若用 C+语言来实现复杂的控制算法 , 工作量将 十分庞大且周期长 。 Matlab法 、 。利用 Matlab 可以方便地设 计出功能强大 、 稳定可靠的应用程序来完成用户所 需的功能 。若 VC+能调用 Matlab 工具箱中的文 件 , 会大大提高控制
19、算法的实现 , 且可靠性也很高 。 Matlab 与 C+语言的接口方法有几种 , 其中最常 用的一种是 VC+下通过 Matlab 引擎使用 Matlab 功能的方法 。 该方法的具体应用参见文献 6。在 实际应用中 ,VC+的用户程序从高精度电子秤接 收数据 , 然后向 Matlab 引擎传送命令和数据信息 , 并 从 Matlab 引擎接收经过模糊神经网络控制算法计算 后得到的数据信息 , 最后将数据下传到下位机 DSP 来控制驱动单元的精密运动 。7 结 论为了验证系统方案及算法的可行性及有效性 , 做了一系列的试验 , 试验条件为 :相同的温度 、 湿度 , 采用不同的染料 , 配料
20、 1000g, 分别按本文给出的模 糊神经网络模型参考方案和常规控制方案进行多组 下料对比试验 , 结果见表 1。表 1相同条件下不同控制方案 200组配料试验统计结果 误差范围 g 平均时间s 超差组数 模糊神经网络方案 -0109+0106510常规 PID 控制 -0109+81645613 本文提出的模糊神经网络模型将具备模糊数据 处理能力的模糊理论与擅长学习的神经网络方法有 机地结合起来 , 对该模型采用了便于在线学习计算 的有效算法 , 并与常规 PID 控制方案进行了比较 , 结 果表明采用参考模型跟踪的模糊神经网络方案较常 规 PID 方案具有更好的稳定性 , 。献 1algo
21、rithms:IndustrialapplicationM.BocaRaton:CRC Press,1998.2 PassinoKM,YurkovichS.FuzzyControlM.Indianapolis: PrenticeHall PearsonPress,2002.3 ZhengPei,KeyunQin,YangXu.Dynamicadaptivefuzzy neural-networkidentificationanditsapplicationA.Systems,ManandCybernetics,IEEEInternationalConferenceC,WashingtonDC:2003.4 HwangCL,LinCH.Adiscrete-timemultivariableneural -adaptivecontrolfornonlinearunknowndynamicsystems A.Systems,ManandCybernetics,IEEEInternationalConferenceC,Tokyo,Japan:1999.5 王立新 . 自适应模糊系统与控制 设计与稳定性分 析 M.北京 :国防工业出版社 ,2000.6 苏金明 .MATLAB 与外部程序接口 M.北京 :电子工 业出版社 ,2004.882计 量 学 报 2008年 7月
