（控制理论与控制工程专业论文）基于遗传算法的神经网络——模糊融合控制的研究.pdf

摘要 摘要 随着钢铁工业的发展以及空分设备的技术改进，钢铁厂内对氧气的需求量不断 加大。然而氧压机输出的氧气压力和用户需要的压力之间又存在一定差距，因此这 就涉及到如何控制气体压力来达到用户需要的问题。 由于气体的特性导致了气压控制具有明显的非线性和不确定性，针对这些问题 本文主要在控制方法方面进行了大量的研究和实验，提出了一种新的气体压力控制 方案。我们以邢钢制氧厂氧气压力控制系统为研究对象，将模糊神经网络和遗传算 法这两种智能化方法结合，以控制氧压机的输出压力。 为了更好解决气压控制中存在的问题，提出了把智能控制应用于气压控制中， 并为此提出了具有自学习和自适应功能的基于改进自适应遗传算法的模糊神经网络 控制算法，设计了模糊神经网络控制器。最后将此控制器应用到气体压力调节控制 系统中，并将其与p i d 方法和模糊控制方法相比较。从仿真实验的结果上我们可以 知传统p i d 控制算法系统达到稳定状态的过渡时间相对较长，超调量较大抗干扰能 力很差。模糊控制算法在控制过程的初始阶段上升时间较长，控制的效果在很大程 度上仍然依赖于模糊规则的选取。基于g a 的孙限控制算法无论在最大超调量，还 是上升时间抑或是过渡时间方面，它都优于前两种方法。而且模糊规则在网络的训 练下会根据实际要求不断的更新，将作用不大的规则省去，这样就会提高工作时 问采用这种控制方法的系统。其抗干扰能力也很强，实现了氧气压力的控制，仿 真结果验证了此法在实际应用的可行性及有效性。 从控制结果来看，基于遗传算法的模糊神经网络控制方法在气体压力调节方面 的应用，具有良好的自适应能力和实时性，而且抗干扰能力也很强，有效地提高了 控制系统的稳定性，能够取得良好的控制效果。为解决气体压力调节问题提出了一 种新的方法，对于应用越来越广泛的气体压力控制领域具有重要的实际意义。 图2 5 表6 参6 6 关键词：遗传算法；模糊神经网络；气体压力控制i 智能控制；m a t l a b 分类号：t p 2 7 3 ；t q l l 6 河北理工大学硕士学位论文 a b s t r a c t w i t hd e v e l o p m e n to fi r o na n ds t e e li n d u s t r ya n dt e c h n i ci m p r o v i n go fa i rs e p a r a t i o n p l a n t ，t h er e q u i r e dq u a n t i t yo fo x y g e ni sc e a s e l e s si n c r e a s ei ni r o na n ds t e e lf a c t o r y t h e r e i sd i f f e r e n tb e t w e e nt h eo x y g e np r e s s u r eo fo x y g e nc o m p r e s s o ra n du s e r sr e q u i r e s ot h i s i sa q u e s t i o nh o w c o n t r o la i rp r e s s u r et oc o n t e n tu s e r sr e q u i r e b u ti ti sd i f f i c u l tt oa c h i e v eh i g hc o n t r o lp e r f o r m a n c es i n c et h es p e c i f i cp r o p e r t yo f a i r , w h i c hc a u s e st h en o n l i n e a r i t ya n du n c e r t a i n t yo fa i rp r e s s u r ec o n t r 0 1 i nv i e wo ft h i s q u e s t i o n , w eh a v ed o n es o m er e s e a r c hi nc o n t r o la l g o r i t h ma n dp r o p o s e da n e ws c h e m eo f a i rp r e s s u r ec o n t r 0 1 i nt h i sp a p e r , w i t ht h eb a c k g r o u n do fo x y g e np r e s s u r ec o n t r o ls y s t e m s d e v e l o p m e n ti nx i n gt a ii r o nf a c t o r y , w et r yt oc o m b i n et h ei n t e l l i g e n tm e t h o ds u c ha s f u z z y - n e u r a ln e t w o r kw i t hg e n e t i ca l g o r i t h mt oc o n t r o lt r a n s f e rp r e s s u r eo fo x y g e n c o m p r e s s o r f o rs e t t l i n gt h ep r o b l e m ，w er e s e a r c h e da n da n a l y s e dm a n ya i rp r e s s u r ec o n t r o l m e t h o d , r a i s e daf u z z y - n e u r a in e t w o r kc o n t r o la l g o r i t h mb a s e do ng e n e t i ca l g o r i t h mw i t h s e l f - s t u d yp e r f o r m a n c ea n dd e s i g n e d af u z z y - n e u r a ln e t w o r kc o n t r o l l e r f i n a l l y , t h e o p t i m i z a t i o nm e t h o d i su s e di na i r p r e s s u r ea d j u s t i n gc o n t r o ls y s t e mt of u l f i l lt h ec o n t r o lo f o x y g e np r e s s u r e ，a n dc o m p a r e dw i t hp 1 da l g o r i t h ma n df u z z yc o n t r o la l g o r i t h m t h e r e s u l t so fs i m u l a t i o n si n d i c a t ef n nc o n t r o lb e t t e rt h a nt h et o wa l g o r i t h mo nm a x i m u m o v e r r u n , r i s et i m ea n dt r a n s i t i o nt i m e t h er e s u l t so fs i m u l a t i o n sv a l i d a t et h ef e a s i b i l i t ya n d e f f i c i e n c yo ft h em e t h o di np r a c t i c e t h es i m u l a t i o nr e s u l t si n d i c a t et h a t ，f u z z y - n e u r a ln e t w o r kb a s e dg e n e t i ca l g o r i t h m c o n t r o lm e t h o dh a v eg o o ds e l f - a d a p t i v ea b i l i t ya n dr e a l - t i m ec h a r a c t e r i s t i c s t h e yi m p r o v e t h es t a b i l i t yo fc o n t r o ls y s t e me f f e c t i v e l y ，a n dg o o dc o n t r o lr e s u l tc a nb eg a i n e d f o rs o l v i n g a i rp r e s s u r ea d j u s t i n g , t h i si san e wm e t h o da n dh a si m p o r t a n tp r a c t i c es i g n i f i c a n c ei n a p p l i c a t i o nb r o a da i rp r e s s u r ec o n t r o lf i e l d f i g u r e2 5 ，t a b l e6 ，r e f e r e n c e6 6 k e yw o r d s ：g e n e t i ca l g o r i t h m ：f u z z y n e u r a ln e t w o r k ；g a sp r e s sc o n t r o l ；i n t e l l i g e n t c o n t r o l ；m a t l a b c h i n e s el i b r a r yc a t a l o g ：t p 2 7 3 ；t q l l 6 独创性说明 本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得 河北理工大学或其他教育机构的学位或证书所使用过的材料。与我一同 工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表 示了谢意。 签名：j 】牛l 日期：型平年垒月垒日 关于论文使用授权的说明 本人完全了解河北理工大学有关保留、使用学位论文的规定， 即；学校有权保留送交论文的复印件，允许论文被查阅和借阅；学 校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复 制手段保存论文。 ( 保密的论文在解密后应遵循此规定) 签名：堑肚导师签名：气圭! 翌日期：趁耳年皇月上日 引言 引言 气体压力控制具有明显的非线性和不确定性，其主要原因是气体的可压缩性和 粘性。另外，负载的不确定性也导致了整个系统模型的不确定，经典的控制方法以 及依赖于具体数学模型的现代控制理论难以实现系统的要求，在这种情况下，智能 控制方法可望获得较好的控制效果l 埘。 随着自动控制和人工智能的两个学科的融合发展，形成了智能控制新学科神 经网络和模糊控制是在控制系统中常用的智能控制技术。在此基础上发展起来的神 经网络模糊融合控制是在智能信息处理和控制领域中具有很大吸引力的一种新型控 制模式1 3 - 5 , 2 3 , 2 4 1 。从控制论观点看，神经网络模糊融合控制是一种非线性控制器，它 具有定性或定量信息的分布存储能力，并行处理和合成能力、鲁棒和容错能力，而 且可进行数字的、图像的、模糊的信息处理和控, 南j j z 2 j 。但是，在实际应用中，神 经网络和模糊控制也有各自不足的地方。利用神经网络进行信息融合的不足之处在 于，它的应用范围有限，样本特征提取难，系统行为不可理解，难以充分验证，收 敛和稳定问题等等1 1 3 - 1 8 。而利用模糊控制进行融合时也存在一些不足，例如获取知 识比较烦琐，自适应能力差，规则描述不是力能的1 蜘2 2 1 。 对这些不足，本课题将遗传算法与其他控制方法相结合，提出了一种基于改进 的自适应遗传算法的神经网络模糊融合控制策略，并把它应用到气体压力调节系统 中。由于遗传算法的产生和成熟相对较晚，因此，相对于其他算法来说，其研究成 果还较少i 拥虽然遗传算法发展到现在己比较成熟，但目前的实际应用领域还很有 限。所以将遗传算法应用于当今社会的各个领域己成为我们所面临的重要问题。特 别是在实际的控制系统中，遗传算法与其他控制方法，如模糊控制和神经网络相接 合的研究成果更少。另外。我们迫切需要检验上述控制算法的准确性和可行性，将 新的控制算法应用到气体压力调节控制系统中，并用m a t l a b 软件进行了计算机 仿真，得到了很好的控制效果，验证了该控制算法的可行性。 河北理工大学硕士学位论文 1 绪论 1 1 课题背景 我们都知道在钢铁工业中氧与钢是紧密的联系在起的。俗话说“有氧就有 钢”，虽然它不够全面和准确，但却从一个侧面形象地说明了钢与氧的紧密关系。氧 气在钢铁企业生产过程中主要是用来强化冶炼过程，氧气项( 底) 吹转炉炼钢以氧 化反应进行冶炼，电炉吹氧炼钢与高炉富氧炼铁利用氧气可以缩短熔炼时间，提高 产品质量及生产能力，并降低燃料消耗。在钢铁企业的生产中，其生产用气往往不 连续，而制氧系统的生产是连续的，为减少气体的放散，气体生产系统一般都设有 气体存贮装置。国内一般采用气体贮藏罐，国外一般采用大型的管道连网进行贮 藏，待用户用气高峰时再给予补充。一般气体球罐的设计压力和气体压缩机的排气 压力均为3 o m f k ，而供给炼钢的气体一般为1 5 肘f k 左右，供给炼铁的气体一般 为1 o 肛f k 左右，这就需要设置压力调节装置，将气体压力调节到用户所需的压力 【2 6 1 。 现代气体压力控制具有明显的非线性和不确定性，而且随着机械工作精度、响 应速度和自动化程度的提高，对气动控制技术的要求也越来越高。采取传统的p i d 控制，很难达到理想的控制效果，因此有必要研究新的智能控制策略。 模糊控制技术是一种不依赖于被控对象的仿人思维控制技术。它利用领域专家 的先验知识进行近似推理，无需建立被控对象的精确数学模型。模糊控制鲁棒性 强，而且算法简单可行，便于实时控制。但普通模糊控制器也有其缺点：首先，模 糊控制规则是根据专家的经验制定的，不可避免带有一定的主观性；其次，控制规 则一旦制定就不能够根据外界条件变化进行调整。这些缺点严重限制了模糊控制器 的应用。尤其是对那些具有参数时变、大滞后等特性的工业过程采用模糊控制时， 由于被控过程的复杂性造成了模糊控制规则或者粗糙，或者不够完善，都会不同程 度的影响控制效果。为了弥补这个不足，自然就考虑到模糊控制器应向着自适应、 自组织和自学习方向发展，使得模糊控制器参数或( 和) 规则在控制过程中自动的调 整，修改和完善，从而使系统的控制性能不断提高。 神经网络对环境的变化有极强的自学习能力。从建模角度看，神经网络是典型 的黑箱型学习模式。当学习完成之后神经网络所获得的输入、输出关系却无法用容 2 1 绪论 易被人接受的方式表示出来。如何将模糊理论知识表达容易和神经网络自学习能力 强这两种优势有机结合起来，取长补短，提高整个系统的学习能力和表达能力，是 控制工程界需要解决的问题。模糊神经网络是人工神经网络与模糊逻辑推理相结合 形成的种新型智能计算方法，作为人工智能领域一种新技术，正向着高层次的研 究和应用方面发展。 遗传算法体现了优胜劣汰的自然选择优化思想，具有较强的鲁棒性和自适应。 其强调重新组合和生物系统运算，因而具有可扩展性，尤其便于与模糊系统综合应 用。遗传算法不需要微分信息，更适应模糊推理中的“取大取小”运算方法，所以 利用遗传算法来学习和优化模糊系统具有更少的限制。采用遗传算法对神经网络的 结构和各层权系数进行学习，不仅可以克服b p 算法容易陷入局部最小的缺陷，而 且可使网络具有快速收敛性和较强的学习功能旧。 模糊控制，神经网络和遗传算法经过多年得发展，理论方面已经发展比较成 熟，有些方面还存在不足。三者各有优缺点，将三者有机得结合在一起并应用在实 际的系统中将是未来智能控制发展得必然趋势。 1 2 国内外文献综述及相关领域研究进展 1 2 1 气体压力控制的发展概况 经典控制理论在气动控制技术的应用国外早已开始研究，到6 0 年代初已构成基 本类型。在气动伺服控制系统中，经典的控制理论对非线性系统处理采用基于工作 点附近的增量线性化进行分析与综合。设计过程主要在频域进行，控制的形式主要 为滞后，超前网络和经典p i d 控制，对于参数变化和外干扰都不太大的气动伺服，采 用经典的方法进行设计己经能够基本满足工程需要。 随着机械工作精度，响应速度和自动化程度的提高，对气动控制技术的要求也 越来越高。气动控制技术也从传统的机械、操纵和助力装置等应用转向航空航天、 海底作业等。随着气动控制元件( 如气动伺服阀、高速开关阀) 等的高速发展和控制 过程的复杂化。控制方式和方法需要进一步的改进。2 0 世纪7 0 至8 0 年代，计算机 控制技术和集成传感器技术为电子技术与气动控制技术的结合奠定了理论基础，计 算机控制在气动控制技术中的应用大大提高了系统控制的精度和工作的可靠性，使 得难以用模拟控制实现的复杂控制策略成为可能。 3 河北理工大学硕士学位论文 气体压力控制具有明显的非线性和不确定性，其主要原因是气体的可压缩性和 粘性。另外，负载的不确定性也导致了整个系统模型的不确定，经典的控制方法以 及依赖于具体数学模型的现代控制理论大批难以实现系统的要求，而这种情况下， 智能控制方法可望获得较好的控制效剁1 1 。在制氧厂使用的气体压力调节方法主要 有以下三种： 1 传统仪表控制： 氧气厂通过设置在生产的各个环节中的各种压力、流量仪表对气体的压力进行 控制，这主要取决于操作工的现场实际经验，根据就地仪表和机旁仪表盘的显示， 通过设置在制氧机、球罐或管网、用户之间的气动阀门来对压力和流量进行调节。 主要缺点是缺乏科学的数掘，再加上手动操作的滞后性，会造成氧气的损失1 2 8 - 2 9 1 。 2 用p u ：的通讯功能与d c s 联网控制： 使用压缩机机组采用由机组自带的控制系统，采用通讯的方法( 一般为p l c ) 将 机组的主要参数传送到d c s ，在d c s 操作站上仪仅进行显示，达到监察的目的。 而压力控制则由p l c 控制的执行器对调节阀迸行调节来实现。这个做法的优点是控 制由厂商完成，一般比较成熟，设计联络工作量小，设计风险小。p l c 的扫描速度 快，对保护有利。缺点是p l c 的安全可靠性不如d c s ，人机界面较差，机组工作状 态对操作人员透明度低，用户难以深入了解和理解控制方案，现场修改困难，历史 趋势记录功能较差。 3 由d c s 直接控制： 压缩机只配备必要的现场仪表、探头和传感器，现场不设机旁仪表盘，由中控 室d c s 控制整个机组，以充分发挥d c s 系统的功能和优势。由于控制由操作方完 成，因此控制方案可以在设计组态和调试过程中不断修改，可以做的非常完善。在 中央控制室通过d c s 对压力调节系统直接进行控制，即通过d c s 自带的执行器对压 力调节阀进行自动调节，结果直接显示在主控计算机上。历史趋势记录功能强大， 便于分析启动过程和故障，实时修改控制参数或控制方案硼l 。这种方法的缺点是： 如果在生产中产生了新的工艺，对制氧机提出了新的控制参数，而新的参数没有明 确的数学模型，就无法对其进行精确的控制。 二十世纪七十年代以前，在过程控制中主要使用的是p i d 控制器。p i d 控制器的 概念简单、设计容易、调试方便，而且对模型的要求不高，鲁棒性强，工程技术人 员及现场操作人员均能熟练的掌握它的设计和应用。然而，随着生产的发展和技术 的进步，人们也越来越感觉到现有p i d 控制的不足，所以，工业部门积极、主动的寻 4 1 绪论 找和实施各种各样的基于数学模型的先进控制方法，但是实际的系统往往是很复杂 的，它们的阶次一般都比较高，难以得到精确数学模型，而且往往表现出一定程度 的非线性。为此，学术界及工业界人士一直在努力寻找一种对数学模型的依赖性不 是很强的控制方法1 3 1 1 。 1 2 2 模糊神经网络和遗传算法的发展概况 1 模糊神经网络的发展状况 随着模糊逻辑理论和人工神经网络理论研究的不断深入，将模糊逻辑理论和人 工神经网络技术进行有机结合，从而构造一种可“自动”处理模糊信息的模糊神经 网络，已经引起越来越多的科研工作者的研究兴趣和关注，成为当前一个重要的研 究热点。 1 9 9 3 年，j a n g 提出了基于网络结构的模糊推理的概念，并设计了网络结构模 型，这种网络结构便是模糊神经网络的雏形，自此以后，设计人员设计了各种各样 的模糊神经网络和学习算法。 模糊神经网络的学习算法大多来自神经网络学习算法，标准型模糊神经网络通 常采用b p 算法或梯度下降法1 3 2 3 3 1 ，但这些算法固有的局限性使得阶的学习过程 很容易限于局部极小点，并且如果解周围平坦的话，会使学习过程变得相当缓慢， 严重影响了f n n 控制器的在线应用 尽管各种模糊神经网络的结构和学习算法各具千秋，但是，它们都有一个共同 的特点，那就是都具有模糊逻辑系统和人工神经网络的优点。即能有效利用语言信 息又具有强大的自学习和自适应能力，并且网络参数具有较为明确的物理意义，有 助于对实际系统的理解和分析。 2 遗传算法的发展概况1 3 4 j 遗传算法简称g a ( g e n e t i ca l o g o r i t h m ) ，是一类借鉴生物界自然选择和自然遗传 机制的随机化搜索算法，它能在搜索过程中自动获取和积累有关搜索空间的知识， 并自适应地控制搜索过程以求得全局最优解。 遗传算法由美国m i c h i g a n 大学的j h o l l a n d 教授首先提出。早期的研究大都以对 自然遗传系统计算机模拟为主，侧重于对自动博弈、自然系统模拟，模式识别和函 数优化等一些复杂操作的研究，如1 9 6 7 年b a 西e y 讨论了遗传算法在自动博弈中的应 用阁，1 9 7 1 年，h o l l s t e i n 第一个把遗传算法用于函数优化。到1 9 7 5 年，遗传算法 取得了突破性的进展，h o l l a n d 在 a d a p t i o ni nn a t u r a la n da r t i f i c i a l 【3 6 j 中对 5 河北理工大学硕士学位论文 遗传算法进行了系统性的介绍，阐述了遗传算法的基本理论和方法，并提出了对遗 传算法理论的研究和发展极为重要的模式定理，d e j o n g 在( a na n a l y s i so ft h e b e h a v i o ro fac l a s so fg e n e t i ca d a p t i v es y s t e m ) ) l a 7 1 中，侧重于函数优化的应用研究， 把模式理论与计算实验结合起来，为遗传算法及其应用打下了坚实的基础。自2 0 世 纪8 0 年代中期丌始，世界上许多国家都掀起关于遗传优化及其工程应用的研究热 潮。目前，每年都召开许多以遗传优化为主题的国际会议。遗传算法的主要特点是 群体搜索策略和群体中个体之间的信息交换。搜索不依赖于梯度信息，尤其适用于 处理传统搜索算法难以解决的复杂非线性问题，可广泛应用于组合优化、机器学 习、自适应控制、规划设计和人工设计等领域。是2 1 世纪有关智能计算的关键技术 之一1 3 s , 3 9 j 。进入8 0 年代，遗传算法迎束了兴盛发展时期，无论是理论研究还是应用 研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的 应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，此外， 一些新的理论和方法在应用研究中办德到了迅速的发展。表1 列出了从6 0 年代到 8 0 年代遗传算法的主要研究成果。 表1 遗传算法理论的主要经典研究成果【拍j t a b l e1t h ep r i m ec l a s s i c a lr e s e a r c hf r u i t si nt h et h e o r yo fg a 在控制领域内，将遗传算法用来处理传统优化算法无法解决的复杂问题已经成 为研究的热点。在p i d 控制、线性和非线性控制、最优控制、模糊控制、神经网 络、参数估计与辨识等方面，遗传算法的应用己经得到了很大的成果。但是遗传算 6 1 绪论 法本身存在缺乏数学基础、计算效率低和过早收敛等问题。为此，人们从理论和应 用中提出了各种改进算法。但是。人们仍未找到一种遗传算法，其计算效率能满足 在线优化的要求，同时能在较短的时问内完全收敛到全局最优解。 影响遗传算法应用的主要问题是全局搜索性能和收敛速度。应用m a r k o v 链对 g a 建模和分析，证明了标准遗传算法不能收敛至全局最优值l 舯】。g r e f e n s t e t t e 提出 的保留最佳个体法能以概率1 0 最终收敛到全局最优解，但是收敛的速度很慢，影 响了遗传算法的应用。因此，如何改善遗传算法的全局搜索能力并提高算法的收敛 速度关系到遗传算法能否应用于实时问题。在进化过程中，为保证算法的全局收敛 性，就要维持群体中个体的多样性；另一方面，为加快收敛速度，就应改变算法控 制参数。自适应改变控制参数的方法是g a 研究的热点，如文献4 2 4 5 等，但这些改 进算法大多只局限于某一环节的改进，忽略了算法整体设计。从d e j o n g 的分析中可 以看出算法的搜索性能、收敛速度不仅与交叉概率、变异概率有关，而且与群体规 模、遗传操作算予的设计、群体生成策略等有关【4 ”。如果对这些操作做适当的设 计，可以实现兼顾全局搜索和提高收敛速度。因此在改进算法时，要从整体设计入 手，对适应度标定、遗传算子设计等方面都进行改进，而不能仅仅局限于对某一环 节的改进。 传统的搜索方法主要有解析法、随机搜索法和穷举法三种闱，具体分类如图1 所示： 搜索方法 解析法 鬈嚣蓦 随机搜索法f 进化策略 。进化算法 遗传算法 i 隐枚举法 l 进化规划 穷举法( 枚举法) 完全枚举法 【动态规翅i 串行遗传算法 并行遗传算法 混合遗传算法 遗传规划 圉1 常见的搜索方法的分类 f i s l ic l a s s i f i c a t i o no f t h ef a m i l i a rs e a r c h i n gm e t h o d s 遗传算法具有很强的鲁棒性，这是因为相对于普通的优化搜索方法，它采用了 许多独特的方法和技术，归纳起来，主要有以下几个方面： 7 河北理工大学硕士学位论文 1 遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体。此编 码操作，使得遗传算法可直接对结构对象进行操作。所谓结构对象泛指集合、序 列、矩阵、树、图、链和表等各种一维或二维甚至三维结构形式的对象。这一特 点，使得遗传算法具有广泛的应用领域。 2 许多传统搜索方法都是单点搜索算法，即通过一些变动规则，问题的解从搜 索空间中的当前解( 点) 移到另一解( 点) 。这种点对点的搜索方法对于多峰分布的搜索 空j 日j 常常会陷于同部的某个单峰的最优解。相反，遗传算法是采用同时处理群体中 多个个体的方法，即同时对搜索空问中的多个解进行评估。更形象地说，遗传算法 是并行地爬多个峰。这一特点使遗传算法具有较好的全局搜索性能，减少了陷于局 部最优解的风险。同时，这使遗传算法本身也十分易于并行化。 3 在标准的遗传算法中，基本上不用搜索空间的知识或其它辅助信息，面仅用 适应度函数值来评估个体，并在此基础上进行遗传操作。需要着重提出的是，遗传 算法的适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定，对适应 度函数的唯一要求是对于输入可计算出加以比较的正的输出。遗传算法的这一特点 使它的应用范围大大扩展。 1 3 模糊控制和神经网络的结合 虽然模糊控制，神经网络是两个截然不同的研究领域。但它们的研究目的不谋 而合，都是研究人们的智能。尽管模糊控制和神经网络所追求的目标如此相同，而 它们的实现方法却相距甚远【拍】： 1 神经网络着眼于人脑的微观结构，并通过有自学习、自组织、自适应的神经 网络上的非线性并行分散动力学，对无法语言化的模式信息进行处理。模糊逻辑的 兴趣则在于可用语言和概念表述人脑的宏观能力。它根据人为定义的隶属函数和一 系列并行的规则，用逻辑推理去处理各种模糊信息。 2 在人工神经网络中，知识存储于网络节点的权值中，因而是隐含的，所以对 它所组成的系统理解困难的，而且处理信息量大，结构较复杂，优点则是结构本身 “柔软”性好，通过节点权值的调整使系统具有自学习能力，有高度的并行性，由 于知识是分布存储的，使系统具有良好的鲁棒性。模糊逻辑系统中知识的存在是显 示的，一般具有系统简单、算法直接、数据处理少等优点，但系统灵活性差，无自 学习能力。模糊逻辑与神经网络的优缺点比较如表2 所示。 8 1 绪论 表2 模糊逻辑与神经网络的优缺点比较1 4 6 1 t a b l e2c o m p a r i s o no ff u z z yl o g i ca n dn e u t r a ln e t w o r ka d v a n t a g ea n dd i s a d v a n t a g e 可见，由于神经网络技术和模糊逻辑技术各自独到的特点，将神经网络和模糊技 术有机结合组成神经网络模糊控制系统，可实现模糊规则自动提取，模糊隶属函数的 自动生成及在线调节1 4 7 。两种技术日j 有很好的优势互补性，两者相结合可望产生很 好的效果i 删。近年来，随着工业科技的发展，神经网络与模糊逻辑二者的结合越来 越具有重要的意义。 1 3 1 模糊神经网络的优点 1 计算量与经验知识的多少无关，可有少量的错误经验和在学习中自动排除。 2 可通过神经网络在线学习，对控制规则进行细化和调整。 3 神经网络在拓扑结构、权值调整和线性激活函数的选择上有很大的灵活性。 1 3 2 模糊神经网络存在的问题 模糊神经网络研究的系统大多数是复杂系统，目前对于复杂系统并没有一个完 整的定义。本文提及的复杂系统主要有以下特征1 4 9 l ： 1 不确定性的模型 传统的控制是基于模型的控制，这里的模型包括控制对象和千扰模型。对于传 统控制通常认为模型己知或者经过辨识可以得到。而模糊神经网络处理的对象通常 存在严重的不确定性。这里所说的模型不确定性包含两层意思：一是模型未知或知 之甚少：二是模型的结构和参数可能在很大范围内变化。 2 高度的非线性 在传统的控制理论中，线性系统理论比较成熟。对于具有高度非线性的控制对 象，虽然也有一些非线性控制方法，但总的说来，非线性控制理论还很不成熟，而 且方法比较复杂。而采用模糊神经网络往往可以较好地解决非线性系统的控制和辨 识问题。 3 多个输入输出变量 9 河北理工大学硕士学位论文 多变量系统的输入输出之间存在耦合，改变某个输入量会引起部分或所有输出 量发生变化。传统的控制方法很难直接为系统设计一个满足性能的控制器，而传统 的解耦设计方法要求系统有精确的解析模型，这在实际中是很难得到的。 虽然模糊神经网络在复杂系统控制和建模等应用中已经取得了很大的成功，但 是作为一门新技术，它在理论和应用中仍然存在些问题： 1 有关网络中包含的模糊知识的获取方法。目i j 模糊规则接近人的语言规则， 但是从众多纷繁复杂的规则中选取若干能有效反映对象特征的模糊规则仍然没有一 个通用的方法。 2 与神经网络类似，模糊神经网络也存在模型复杂性与模型泛化能力之问的矛 盾，即模糊神经网络的结构优化问题还远没有解决。 3 传统的控制理论对于控制的稳定性分析已经比较完善，但是与此相比模糊神 经网络控制系统的稳定性分析还处于起步状态。 4 模糊神经网络模型结构的确定。网络中模糊化层和模糊推理层节点个数的选 取、模糊合成和模糊推理算法的选取以及反模糊化问题的计算方法等至今在理论界 还存在争议。 针对这些不足，本课题提出了采用优化算法中的遗传算法及其改进的遗传算法对 控制器的结构和权值进行优化设计，从而达到满意的控制效果。 1 4 研究内容 本文主要研究基于遗传算法优化设计模糊神经网络控制器的方法。主要内容介绍 如下： 1 分析气体压力控制、模糊神经网络控制和遗传算法的发展现状。 2 研究遗传算法基本原理，针对控制器参数优化问题，提出改进遗传算法性能 的措施，并研究如何利用遗传算法自动优化设计模糊神经网络控制器。 3 研究模糊控制与神经网络结合技术，分析模糊神经网络的基本原理及设计步 骤。 4 将模糊神经网络技术和遗传算法相互结合，给出一种基于自适应遗传算法的 模糊神经网络控制器。 5 编制算法程序，以邢钢制氧厂压力调节系统为被控对象，并进行仿真试验， 将其与p i d 控制，模糊控制相比较，研究本文设计的控制器性能及可行性。 1 0 2 模糊神经网络 2 模糊神经网络 2 1 模糊控制 模糊控制是智能控制较早的形式，它吸取了人的思维具有模糊性的特点。它是 以模糊集合理论、模糊语言变量及模糊逻辑推理为基础的一种计算机数字控制，属 于非线性控制范畴。它是模糊集合理论与控制理论相结合的成功典范，它不仅改善 了经典控制的性能，而且对难以精确控制的非线性、不确定性、时变性的复杂系统 也显示出独特的能力【。 2 1 1 模糊控制的基本原理 1 模糊化 模糊化运算是将输入空l 日j 的观测量映射为输入论域上的模糊集合。模糊化在处 理不确定系统方面具有重要的作用。在模糊控制中，观测到的数据常常是清晰量。 由于模糊控制器对数据进行处理是基于模糊集合的方法，因此对输入数据进行模糊 化是必不可少的一步。在进行模糊化运算之荫，首先需要对输入量进行尺度变换， 使其变换到相应的论域范围。在模糊控制中主要采用两种模糊化方法： 1 ) 单点模糊集合 若输入量数据是准确的，则通常将其模糊化为单点模糊集合。设该模糊集合 用a 表示，则有 小) 一忙豫；- ， 其隶属度图如图2 所示。这种模糊化方法只是形式上将清晰量变成了模糊量， 而实质上它表示的仍是准确量。在模糊控制中，当测量数据准确时，采用这样的模 糊化方法是十分自然和合理的。 2 ) 三角形模糊集合 若输入量数据存在随机测量噪声，则此时的模糊化运算相当于将随机量变换为 模糊量。对于这种情况，可以取模糊量的隶属度函数为等腰三角形，如图3 所示。 三角形的顶点对应于该随机数的均值，低边的长度等于2 0 。盯表示该随机数据的标 准差。隶属度函数取为三角形，主要是考虑其表示方便，计算简单。 河北理工大学硕士学位论文 心b ) 1 0一 毛 。 图2 单点模糊集合的隶属度函数 f i g 2m e m b e r s h i p f u n c t i o no f s i n g l ef u z z ys e t s 2 规则库 图3 三角形模糊集合的隶属度函数 f i g 3m e m b e r s h i pf u n c t i o no ft r i a n g l ef i | z 珂s e t s 模糊控制规则库由一系列“i f - t h e n ”型的模糊条件句构成。条件句的静件为 输入变量，后件为控制变量。输入量根掘要求来确定，一般是误差e 和它的导数a ， 有时还可以包含它的积分等。输出量为控制量，一般比较容易确定。输入和输出语 言变量的选择及其隶属度函数的确定主要依靠经验和工程知识。 模糊控制规则是模糊控制的核心，它的建立一般采用以下几种方法。它们之闯 并不是互斥的，相反若能结合这几种方法，则可以更好地帮助建立模糊规则库。 1 1 来自操作者的经验。针对某一具体过程，根据操作者长期操作经验总结归纳 成一组规则。操作者的控制策略一般都可以用条件语句加以描述。 来自现场实验。在条件许可的情况下。通过人工设定控制作用，对实验数据 进行综合和归纳，得到控制规则。 。 孙来自对过程的认识和推理。根据对过程特征如阶跃响应的共同特点及其与输 入量的关系，推断出一组控制规则。 铆通过神经网络或遗传算法等方法来获取规则。 对同一控制系统，不同的设计人员用不同的方法，可能得到不同的规则表，这 当然是允许的，但是就控制系统设计的一般要求来说，任何控制规则必须满足以下 要求： ( 1 ) 完整性。模糊控制规则的输入和输出必须覆盖整个输入输出的范围，即在相 邻的模糊输出之间不能有不属于任意模糊输出的值。这样才不至于产生跳跃，发生 失控的现象。 ( 2 ) 一致性。在相同或相近地输入条件下，不能有相互矛盾地结论出现即不能有 相互矛盾的规则，否则，将使控制失效。 2 模糊神经网络 ( 3 ) 准确性系统根据模糊控制规则做出模糊决策得到控制量，用该控制量实 施控制，应该能够满足一定的精度要求。 以上确定模糊控制规则的方法，对于m a m d a n i 模糊模型，一般是直接总结操作 者( 专家) 的经验来得到模糊控制规则，t - s 模糊模型则通过现场实验得到数据，然后 进行建模的较为常见。本文采用m a m d a n i 模糊模型，根据专家经验先设定好模糊规 则，然后通过遗传算法来优化规则，该方法可以在专家经验的基础上得到较好的规 则。 3 模糊推理 模糊逻辑推理是模糊控制器的核心，通常的推理方法有两种：一种是常规的合 成推理法则，就是对控制规则库中的所有规则进行综合处理，得到模糊关系r ，利 用这个模糊关系r 进行合成运算的近似推理方法。即对于一个有，条控制规则的系 统，由每条规则求出相应的模糊关系r ( f 一1 ，2 ，f ) ，并由此计算出总的模糊关系 r ru ru 羁，控制时根据实际输入( 经离散和模糊化) 的模糊集e 和：，运 用r 进行模糊推理运算，求出合成的输出模糊集u 一饵e ) o r 。其中如何根掘控 制规则库内的一组规则构造模糊关系r ，及如何根据o 、c 、，的值决定控制器的输出 变量“的值是模糊逻辑推理的主要任务。但是，对双输入单输出模糊控制器来说， 计算r 就已相当复杂，再由推理合成规则c r i 计算“就更加困难。而且随着，模糊 控制器输入输出变量的增多，这种计算就更加复杂化，甚至变得不可行。第二种直 接推理就是在模糊控制器中并不将多个模糊控制规则综合处理，而是将它们各自独 立存放起来，就是根据每条规则足求出相应的输出叫但x e ) o 蜀，然后计算合成 的输出模糊集( ，一研u 以u “。即不依赖模糊关系r 进行合成运算，直接求出在 每条规则中输入语言变量的论域元素对前件的强度a ，然后映射到后件，最后得到 输出量的模糊集合第二种方法有两个基本特点：a 它能使我们清楚地知道输出模 糊集中每条控制规则所起的作用有多少；b 它能使我们灵活方便地增加、删除或修 改规则。 根据上述两种方法的不同，从制氧机压力调节控制系统的实际要求出发，本文 选用第二种直接推理法。在模糊控制中，常用的直接推理法是m a m d a n i 法。 首先，求取每条规则的前件强度口。此前件强度口就是指在某时刻，过程的状 态值和一条规则的前提部分匹配的强度，它同时也表征了这条控制规则对最终控制 作用贡献的大小，一条规则的前件强度口可表示如下： 口- a v ( a t ) a a ，2 l 如i 山，暑m i n ( 如c a , ) ) ( f - 1 2 ，订) ( 2 ) 河北理工大学硕士学位论文 其次，第f 条规则所产生的控制决策为： ，0 ( 叫) 。q ，l ，i 珥) ”( 3 ) 式中：i x f ( u t ) - 第f 条规则结论中控制作用的模糊集的隶属函数，作州) 第f 条规则对 最后控制决策的贡献。 最后，控制决幕的输出控制作用的模糊集的隶属函数定义为： 脚u ) 一m 缸( 如( 坼j ) ( f - 1 , 2 , ，m ) ( 4 ) 式中：m 控制规则库中规则的个数。 经过模糊推理决策得到输出控制量的一个模糊集合。通常被控对象只能接受一 个精确的控制量，因此必须从决策值模糊集中判决出一个确切的清晰量，这就需要 通过清晰化运算来实现。 4 清晰化 通过模糊推理得到的是模糊量，而对于实际地控制则必须为清晰量，因此需要 将模糊量转换成清晰量。清晰化计算通常有以下几种方法： 1 ) 平均最大隶属度法( m o m ) 若输出量模糊集合c 的隶属度函数只有一个峰值，则取隶属度函数的最大值为 清晰值，即 l c 。( z o ) # z c ，o )z z ( 5 ) 式中：气一清晰值。若输出量的隶属度函数有多个极值，则取这些极值的平均 值为清晰值。 2 ) 最大隶属度取最小值方法f s 伽) 该方法取模糊集合中具有最大隶属度的所有点中的最小地一个作为去模糊化的 结果。 3 ) 最大隶属度取最大值方法( 1 0 m ) 该方法取模糊集合中具有最大隶属度的所有点中最大一个作为去模糊化的结 果。 4 ) 中位数( b i s e c t o r l 中位数法是取p 。0 ) 的中位数作为z 的清晰量，即z o d ，( z ) 一p c ( z ) 的中位 钿 数，它满足r 心( 2 ) 出一r 比，( z ) 出，也就是说，以气为分界，口为下界，b 为 二 乙 上界，心，( z ) 与z 轴之日j 面积两边相等。 5 ) 加权平均法( n t m i d ) 1 4 2 模糊神经网络 r z 比，( z ) 出 加权平均法取比( z ) 的加权平均值为z 的清晰值，即一咿( z ) 一等， r 。，( z ) d z 二 它类似于重心地计算，所以也称重心法。对于论域为离散的情况，则有 荆挈型( 6 ) 艺心r ( 磊) 以上各种清晰化方法中，加权平均法应用最为普遍【5 3 1 ，本文也采用这种方法。 2 1 2 模糊控制系统的组成 模糊控制系统是一种自动控制系统，它以模糊数学、模糊语言形式的知识表示 和模糊逻辑的近似推理为理论基础，采用计算机控制技术构成的