1、精選優(yōu)質(zhì)文檔-傾情為你奉上精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)專心-專注-專業(yè)精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)分 數(shù): _ 任課教師簽字：_ 智能控制結(jié)課作業(yè)學(xué) 年 學(xué) 期：20172018學(xué)年第二學(xué)期課 程 名 稱：智能控制作 業(yè) 名 稱：智能控制課程作業(yè)學(xué) 生 姓 名：學(xué) 號：提 交 時 間：2018年7月13日一 智能控制的研究及應(yīng)用現(xiàn)狀1 智能控制的產(chǎn)生背景隨著現(xiàn)代科技的發(fā)展，工業(yè)控制對象呈現(xiàn)出大遲延、大慣性、非線性、時變的特點，導(dǎo)致控制難度日益增大。在這種需求環(huán)境下，人工智能應(yīng)用而生。人工智能是計算機按人的行為方式處理問題的學(xué)科。它通過計算機模擬人類的行為，按照人類的

2、思維方式處理各種復(fù)雜問題。人工智能從計算機技術(shù)發(fā)展而來，但其范圍已遠(yuǎn)遠(yuǎn)超出了計算機科學(xué)的范疇，涉及所有的自然學(xué)科和社會學(xué)科。而智能控制是人工智能在現(xiàn)代工業(yè)中的應(yīng)用，是人工智能和控制理論交叉的產(chǎn)物。人工智能技術(shù)可以有效的針對復(fù)雜、非線性、不確定性的系統(tǒng)。當(dāng)下，智能控制是自動化領(lǐng)域中發(fā)展最迅猛的分支學(xué)科。2 智能控制的研究范疇2.1模糊控制（FC-Fuzzy Control）模糊控制的原理是把人類專家對特定的被控對象的控制策略總結(jié)成一系列“條件”和“結(jié)果”形式的控制規(guī)則，通過模糊推理得到控制作用集，作用于被控對象或過程。模糊控制器由模糊化、規(guī)則庫、模糊推理和清晰化四個功能模塊組成。模糊化模塊實現(xiàn)對

3、系統(tǒng)變量論域的模糊劃分和對清晰輸入值的模糊化處理。規(guī)則庫用于存儲系統(tǒng)的基于語言變量的控制規(guī)則和系統(tǒng)參數(shù)。模糊推理是一種從輸入空間到輸出空間的非線性映射關(guān)系。清晰化模塊將推出的模糊推理推出的控制輸出轉(zhuǎn)化為清晰的輸出值。模糊控制器的基本作用組成如下圖所示圖1 模糊控制器的基本組成2.2專家控制（EC-Expert Control）專家控制是一種基于知識的智能計算機程序的技術(shù)。專家控制的實質(zhì)是基于控制對象和控制規(guī)律的各種知識，并且要以智能的方式利用這些知識，以求得控制系統(tǒng)盡可能的優(yōu)化和實用化。專家系統(tǒng)一般由知識庫、推理機、解釋機制和知識獲取系統(tǒng)等組成。知識庫用于存儲某一領(lǐng)域?qū)＜业慕?jīng)驗性知識、原理性知

4、識、可行操作與規(guī)則等。知識獲取系統(tǒng)可以對原有知識進行修改和擴充。推理機根據(jù)系統(tǒng)信息并利用知識庫中知識按一定的推理策略來解決當(dāng)前的問題。解釋機制對找到的知識進行解釋，為用戶提供了一個人機界面。專家系統(tǒng)基本組成如下。圖2 專家控制的基本組成2.3神經(jīng)網(wǎng)絡(luò)控制（NNC-Neural Networks Control）神經(jīng)網(wǎng)絡(luò)控制是一種不依賴模型的控制方法。由此神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)具有較好的智能性和魯棒性，可處理高維、非線性、強耦合和不確定性的復(fù)雜的工業(yè)生產(chǎn)過程的控制問題，它的顯著特點是具有學(xué)習(xí)能力，能夠不斷修正神經(jīng)元之間的連接權(quán)值，并離散存儲在連接網(wǎng)絡(luò)中。簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。圖3 人工神經(jīng)網(wǎng)絡(luò)

5、模型2.4遺傳算法（GA-Genetic Algorithm）遺傳算法是一種模擬生物進化的智能算法，它利用類似基因進化的交叉、變異、繁殖等操作較大概率獲得待優(yōu)化函數(shù)最優(yōu)解，適用于大規(guī)模、高度非線性的不連續(xù)多峰函數(shù)優(yōu)化以及無解析式目標(biāo)函數(shù)的優(yōu)化。此外遺傳算法可以與其他智能算法結(jié)合，廣泛的應(yīng)用到現(xiàn)代工業(yè)控制中。遺傳算法流程如下圖所示。圖4 遺傳算法示意圖3 智能控制的研究現(xiàn)狀當(dāng)下，智能控制技術(shù)在電力系統(tǒng)中的應(yīng)用正處于熱門研究階段。電力系統(tǒng)中各種電器設(shè)備的設(shè)計與生產(chǎn)、運行以及控制是非常復(fù)雜的過程，而智能控制技術(shù)對于電氣設(shè)備的故障診斷、設(shè)備控制與優(yōu)化設(shè)計等發(fā)揮了重要的作用。電氣設(shè)備的優(yōu)化設(shè)計采用遺傳算

6、法,這樣可以縮短計算的時間,提高設(shè)計的質(zhì)量和效率。采用神經(jīng)網(wǎng)絡(luò)、模糊邏輯以及專家系統(tǒng)用于電氣設(shè)備的故障診斷。其中,電流控制脈沖寬度調(diào)制中采用智能控制技術(shù)最具代表性的應(yīng)用,也是被關(guān)注的研究熱點。機械制造領(lǐng)域中關(guān)于智能控制的研究應(yīng)用解決了傳統(tǒng)控制不能很好地適應(yīng)多變復(fù)雜對象的難題，大大提高了產(chǎn)品的作業(yè)質(zhì)量和生產(chǎn)效率。機械制造的過程中使用神經(jīng)網(wǎng)絡(luò)與模糊數(shù)學(xué)的方法進行動態(tài)環(huán)境的建模,采用傳感器的融合技術(shù)預(yù)處理和綜合各種信息通過模糊集合和模糊關(guān)系進行相應(yīng)的信息處理，并選擇器械的控制動作。鑒于火電機組控制對象的特點，智能控制在該領(lǐng)域的應(yīng)用研究主要為具有相對成熟理論基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)控制和模糊控制及粒子群優(yōu)化、遺

7、傳算法和蟻群優(yōu)化算法等智能優(yōu)化算法。當(dāng)下，神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于鍋爐燃燒、NOx排放、旋轉(zhuǎn)機械振動故障、機爐協(xié)調(diào)控制系統(tǒng)的模型辨識當(dāng)中；在傳統(tǒng)PID控制系統(tǒng)中采用模糊規(guī)則進行控制器參數(shù)的在線調(diào)整，可以有效的控制復(fù)雜的熱工對象；而遺傳算法與粒子群算法主要應(yīng)用于機組負(fù)荷優(yōu)化分配、控制器參數(shù)尋優(yōu)、控制策略優(yōu)化、模型參數(shù)辨識、神經(jīng)網(wǎng)絡(luò)模型連接權(quán)值和閾值尋優(yōu)等方面。隨著未來人工智能技術(shù)研究不斷取得新的進展，智能控制的實現(xiàn)形式也會越來越豐富，應(yīng)用范圍也會不斷擴大?？梢灶A(yù)見，智能控制技術(shù)必然會在現(xiàn)代工業(yè)當(dāng)中發(fā)揮越來越重要的作用。二 系統(tǒng)仿真1 問題重述某300MW熱電機組的主汽溫控制系統(tǒng)如圖所示，對此系統(tǒng)進行仿

8、真，輸出導(dǎo)前區(qū)汽溫及主汽溫的仿真結(jié)果。圖1 主汽溫控制系統(tǒng)本次作業(yè)使用了兩種仿真方法：1）應(yīng)用Simulink搭建該系統(tǒng)；2）應(yīng)用離散相似法的分環(huán)節(jié)離散實現(xiàn)該系統(tǒng)的仿真；2 Simulink仿真利用Simulink搭建的對象如下圖所示圖2 Simulink搭建的對象仿真時長2500，輸入階躍信號幅值為1，輸出曲線如下圖3 simulink仿真輸出曲線y1圖4 simulink仿真輸出曲線y23 數(shù)值仿真方法將圖1所示系統(tǒng)轉(zhuǎn)化為規(guī)范化方框圖的形式，并按下圖所示設(shè)計狀態(tài)變量，對每個環(huán)節(jié)使用零階保持器的離散化過程。圖5 仿真系統(tǒng)規(guī)范化方框圖1Tis型的積分環(huán)節(jié)，x對于一階慣性環(huán)節(jié)k1+Ts，x通過積

9、分圖可以得到系統(tǒng)各環(huán)節(jié)離散化后的差分方程及中間方程如下：設(shè)仿真步距為dt=nT5503,仿真時間ST=(520)nT3000,在零時刻輸入幅值為1的階躍信號，得到的系統(tǒng)輸出y1、圖6 系統(tǒng)輸出y1、y2仿真曲線對比Simulink仿真結(jié)果，發(fā)現(xiàn)二者差別不大，說明應(yīng)用數(shù)值仿真技術(shù)得到的仿真結(jié)果還是令人滿意的。4 附錄數(shù)值仿真使用的程序如下%模型參數(shù)R=1; T1=73.3;k1=0.93;T2=88.5;k2=1.94;n=10;kp1=0.44; ki1=0.0014; kp2=10; ki2=0.0128;%仿真參數(shù)dt=3; st=3000;%初始化fai1=exp(-1*dt/T1);

10、faim1=1-fai1;fai2=exp(-1*dt/T2); faim2=1-fai2;lp=fix(st/dt);x=zeros(n,1);y1=0;y2=0;t=0;%仿真for i=1:lp e1=R-x(10); uk1=kp1*e1; x(1)=x(1)+ki1*dt*e1; u1=uk1+x(1); e2=u1-x(4); uk2=kp2*e2; x(2)=x(2)+ki2*dt*e2; u2=uk2+x(2); x(3)=fai1*x(3)+k1*faim1*u2; x(4)=fai1*x(4)+faim1*x(3); x(5)=fai2*x(5)+k2*faim2*u2;

11、x(6:10)=fai2*x(6:10)+faim2*x(5:9); y1=y1 x(10); y2=y2 x(4); t=t dt*i;end%繪圖ts1,Mp1,fai21,tr1,tp1,ys1,text1= value(y1,dt);ts2,Mp2,fai22,tr2,tp2,ys2,text2= value(y2,dt);subplot(2,1,1)plot(t,y1);legend(text1)xlabel(時間t);ylabel(輸出y1)subplot(2,1,2)plot(t,y2);legend(text2)xlabel(時間t);ylabel(輸出y2)ylabel(輸出

12、y)三 智能辨識1 問題重述已知火電機組在100%負(fù)荷工況下得到的蒸汽量變化對應(yīng)汽包水位變化的傳遞函數(shù)為如下，試用智能優(yōu)化算法辨識該系統(tǒng)。G為了更好的體現(xiàn)建模過程，在系統(tǒng)輸出加入異常值和白噪聲。輸入幅值為1的階躍信號，得到的輸出曲線如下圖所示。圖1 被辨識數(shù)據(jù)曲線2 模型選擇模型結(jié)構(gòu)的選擇是建模過程中最重要的階段，是決定模型質(zhì)量最關(guān)鍵性的一步。系統(tǒng)的建模問題可以歸結(jié)為用一個數(shù)學(xué)模型來表示客觀未知系統(tǒng)本質(zhì)特性的過程，根據(jù)經(jīng)驗，可以從各種數(shù)學(xué)模型中選擇一種來近似描述實際物理系統(tǒng)。在工程當(dāng)中，存在一種逆向響應(yīng)系統(tǒng)，它的表象是，在結(jié)余信號擾動作用下，系統(tǒng)的輸出先朝著與最終趨向相反的方向變化，然后才朝著

13、最終趨向變化。七寶鍋爐的蒸汽量階躍擾動引起的汽包水位變化就是這種逆向響應(yīng)過程，被稱作“虛假水位”現(xiàn)象。因此根據(jù)對象熱工特征以及系統(tǒng)輸出曲線特性，本次建模過程選擇的經(jīng)驗?zāi)Ｐ褪悄嫦蝽憫?yīng)系統(tǒng)，其傳遞函數(shù)結(jié)構(gòu)如下G為了后續(xù)智能算法辨識，將傳遞函數(shù)轉(zhuǎn)化為差分方程的形式xxy3 數(shù)據(jù)預(yù)處理當(dāng)選擇了數(shù)據(jù)后，需要對其進行預(yù)處理，包括粗大值剔除、數(shù)據(jù)濾波、零初始值處理等過程。3.1 剔除粗大值因復(fù)雜的工業(yè)環(huán)境，往往出現(xiàn)采集到的數(shù)據(jù)幅值遠(yuǎn)超實際信號的范圍，這些數(shù)據(jù)稱為粗大值。粗大值會對辨識過程產(chǎn)生比較大的潛在影響，必須剔除。本文采用低階差分法對數(shù)據(jù)進行剔除粗大值處理。假設(shè)原始數(shù)據(jù)u(i)的前4點是正常數(shù)據(jù)，那么從

14、第5點開始，滿足下式的點可視為粗大值。其中，為粗大值因子。u在使用上式，如果第i點錢的某一點已經(jīng)是粗大值，那么就用比它更前的一點代替，直至找到四個正常4個正常數(shù)據(jù)點。如果第i點被剔除，則該點可用其前后正常兩點的插值粗略代替，即y3.2 數(shù)據(jù)濾波從現(xiàn)場采集到的數(shù)據(jù)往往含有干擾因素，為了提高辨識的準(zhǔn)確程度，需要對數(shù)據(jù)進行濾波處理。工業(yè)中常采用高通濾波和低通濾波兩種方式。高通濾波可以消除漂移以及一些低頻段的信息，而低通濾波可以抑制現(xiàn)場環(huán)境中的高頻干擾信號，根據(jù)圖1所示的曲線信息，本文采用低筒濾波方式。低通濾波器的傳遞函數(shù)為F其零階保持器下的差分方程為y式中，wc低筒u(k)需要濾波的數(shù)據(jù)；y1(k)

15、通過辨識之前要對系統(tǒng)進行先驗了解，按照仿真環(huán)節(jié)計算步距的方法來估計截止頻率wc?？梢愿鶕?jù)濾波結(jié)果調(diào)整截止頻率，3.3 零初始值處理從現(xiàn)場采集來的數(shù)據(jù)是在系統(tǒng)穩(wěn)定的情況，加入激勵信號得到的系統(tǒng)輸出入和輸出曲線。如果不對數(shù)據(jù)進行零初始值處理，就等于假設(shè)平衡點在系統(tǒng)實際的零值點，顯然不合理。因此使用采集到的數(shù)據(jù)，要減去這個初始零點。當(dāng)系統(tǒng)數(shù)據(jù)采集始于系統(tǒng)運動的某個平衡態(tài)，這個平衡態(tài)即可當(dāng)做系統(tǒng)輸入輸出的“零點”。此時零初始值后的數(shù)據(jù)為y整個數(shù)據(jù)處理過程，輸出y曲線如下圖2 數(shù)據(jù)預(yù)處理過程4 粒子群辨識標(biāo)準(zhǔn)粒子群算法是指慣性權(quán)重的PSO，是一種有效的參數(shù)優(yōu)化算法。其算法流程如下圖所示圖3 PSO算法流

16、程本次辨識需要對系數(shù)k1、k2、T進行參數(shù)優(yōu)化。分析曲線可以確定，k10且k1=1)&(jlamda*s F(i)=1; endend%剔除粗大值nd=0;%置不需要提出標(biāo)志。需要剔除為0，否為1for i=5:lp-3 if F(i)=1 if nd=0 if F(i+1)=0 y2(i)=(y2(i+1)+y2(i-1)/2; else if F(i+2)=0 y2(i)=(y2(i+2)+y2(i-1)/2; y2(i+1)=y2(i); else if F(i+3)=0 y2(i)=(y2(i+3)+y2(i-1)/2; y2(i+1)=y2(i); y2(i+2)=y2(i); el

17、se nd=1; end end end end else nd=0; endend% 2、平滑處理y3=zeros(1,lp); y3(1)=y2(1); fai=exp(-dt*wc); faim=1-fai;for i=1:lp-1 y3(i+1)=fai*y3(i)+faim*y2(i);end% 3去零值y_zero=sum(y3(1:N_zero)/N_zero;y4=y3-y_zero;output=y4;5.3 PSO辨識程序load Y_old;y=DataTrain(t_old,y_old,2.35,0.5,50); t=t_old; u=u_old;N=3;%優(yōu)化參數(shù)個數(shù)

18、，隨模型類型而變化 M=100; %粒子個數(shù) Tmax=80;%最大前進步數(shù)w=0.6;%遺忘因子 c=1.2 1.2;%認(rèn)知及社會因子V_LLimits = -1,-10,1; %尋優(yōu)參數(shù)下限 V_HLimits = -0.001,-0.01,100;%尋優(yōu)參數(shù)上限D(zhuǎn)Vmax = 0.01,0.1,1;%優(yōu)化變量速度限制V=rand(N,M); DV=zeros(N,M);for i=1:M for j=1:N V(j,i)=V_LLimits(j)+(V_HLimits(j)-V_LLimits(j)*V(j,i); end Q(i),=Id_Obj_III(t,u,y,V(:,i);%計

19、算目標(biāo)函數(shù)endQbi=Q; Vbi=V; Qbg=Q(1); Vbg=V(:,1);for i=2:M if QbgQ(i) Qbg=Q(i); Vbg=V(:,i); endendfor T=1:Tmax for i=1:M for j=1:N DV(j,i)=w*DV(j,i)+c(1)*rand(1)*(Vbi(j,i)-V(j,i); DV(j,i)=DV(j,i)+c(2)*rand(1)*(Vbg(j)-V(j,i);%更新速度 if DV(j,i)DVmax(j) DV(j,i)=DVmax(j); end %速度限制 if DV(j,i)-DVmax(j) DV(j,i)=-

20、DVmax(j); end end V(:,i)=V(:,i)+DV(:,i);%更新位置 for j=1:N if V(j,i)V_HLimits(j) V(j,i)=V_HLimits(j); end end Q(i),y1=Id_Obj_III(t,u,y,V(:,i); %計算目標(biāo)函數(shù) %確定粒子群i的最優(yōu)解 if Qbi(i)Q(i) Qbi(i)=Q(i); Vbi(:,i)=V(:,i); end %確定粒子群全局最優(yōu)解 if QbgQbi(i) Qbg=Qbi(i) Vbg=Vbi(:,i); end endendk1=Vbg(1); k2=Vbg(2); T=Vbg(3)Q,

21、ys=Id_Obj_III(t,u,y,Vbg);%繪圖N_zero=50; y_zero=y_old-sum(y_old(1:N_zero)/N_zero;4、目標(biāo)函數(shù)程序%仿真及目標(biāo)函數(shù)計算子程序Id_Obj_III.m function Q,ys=Id_Obj_III(t_old,u_old,y_old,V)%原始模型數(shù)據(jù)y=y_old;u=u_old;t=t_old;m=length(y);%辨識系數(shù)k1=V(1);k2=V(2);T=V(3);%仿真num=T*k1-k2 k1;den=T 1 0;sysc=tf(num,den);ys=lsim(sysc,u,t);y_error=

22、zeros(1,m);for i=1:m y_error(i)=ys(i)-y(i);endQ=y_error*y_error; 四 模糊控制1 設(shè)計任務(wù)已知某汽溫控制系統(tǒng)結(jié)構(gòu)如下圖所示，采用噴水減溫進行控制。設(shè)計單輸入模糊控制器，觀察定值擾動和內(nèi)部擾動的控制效果。圖1 汽溫模糊控制系統(tǒng)2 設(shè)計原理模糊控制就是利用模糊結(jié)合理論，把人類專家用自然語言描述的控制策略轉(zhuǎn)化為計算機能夠接受的算法語言，從而模擬人類的智能，實現(xiàn)生產(chǎn)過程的有效控制。模糊控制系統(tǒng)的組成如下圖所示圖2 模糊控制系統(tǒng)結(jié)構(gòu)圖模糊量化處理：模糊控制器接收的是給定值與由A/D轉(zhuǎn)換器傳送過來的被控對象輸出之間的偏差信號。因此，必須先將確

23、切的數(shù)字偏差量轉(zhuǎn)化為模糊量。模糊控制算法：當(dāng)該模塊接收到用模糊量表示的偏差和偏差變化率后，根據(jù)模糊控制規(guī)則庫（般是根據(jù)專家的控制經(jīng)驗，預(yù)先存儲起來的模擬人的模糊推理能力所需的專家知識），推理出模糊控制器的輸出。該輸出也是模糊量。非模糊化處理：第二步得到的輸出是一個模糊量，進行控制時必須為確切值，因此非模糊化處理的任務(wù)就是把，模糊運算得到的模糊輸出量轉(zhuǎn)化為實際系統(tǒng)能夠接受的確切數(shù)字量。模糊控制器（簡稱FC）的設(shè)計任務(wù)主要包括以下幾項內(nèi)容：（1）確定模糊控制器的輸入變量和輸出變量（即控制量）；（2）對所有的輸入變量和輸出變量進行模糊化處理；（3）設(shè)計模糊控制器的控制規(guī)則，形成模糊關(guān)系矩陣；（4）根

24、據(jù)模糊控制的輸入，計算模糊控制器的輸出；（5）對模糊控制器的輸出進行非模糊化處理。3 設(shè)計過程控制系統(tǒng)是單變量系統(tǒng)，鑒于被控對象是高階有自衡對象，因此選用廣泛應(yīng)用的二維模糊控制器。這種控制器以誤差就鞥誤差變化量作為而未輸入量，以控制量的變化作為輸出量。模糊控制系統(tǒng)原理方框圖控制結(jié)構(gòu)如下圖所示圖3 二維FC結(jié)構(gòu)（1）確定模糊變量及論域。通常將偏差及偏差的變化率作為模糊輸入變量，將控制量作為模糊輸出變量，將模糊論域取為以下七個值對應(yīng)的英文字母縮寫表示為NB,NM,NS,ZO,PS,PM,PB于是為了提高模糊控制的精度，對于誤差這個輸入變量，選擇描述其狀態(tài)詞匯時，常將“零”分為“正零”、“負(fù)零”，這

25、樣詞集變?yōu)閷?yīng)的英文字母縮寫表示為NB,NM,NS,NO,PO,PS,PM,PB（2）確定確切量論域?？刂破鹘邮盏氖瞧钚盘枺虼溯斎肓空撚蜿P(guān)于0點對稱，最大為-8,8。輸入量論域直接影響控制作用的靈敏程度，輸出量論域取決于現(xiàn)場閥門一次允許的最大開度。本次作業(yè)選輸入量e、輸入量變化率ec、控制量u的論域如下e=ec=u（3）確定等級量的論域。等級量要求關(guān)于0對稱，同時等級量論域的選擇一般要大于模糊量論域。本次作業(yè)選擇它們的等級量論域分別為E=EC=U=-7,-6,-5,-4,-3,-2,-1,0,+1,+2,+3,+4,+5,+6,+7量化因子Ke,ec=261.5-(-1.5)（4）定義模糊

26、子集，即建立各等級量與各模糊量之間的隸屬關(guān)系。實驗研究結(jié)果表明，用正態(tài)型隸屬函數(shù)來描述人進行控制活動時的模糊概念是適宜的，且正態(tài)函數(shù)=1時候效果最好。選取E的模糊變量詞集為NB,NM,NS,NO,PO,PS,PM,PB因此選取模糊變量E的賦值表如下所示表1 e的等級量與模糊量的關(guān)系-6-5-4-3-2-1-0+0+1+2+3+4+5+6PB00000000000.10.40.81.0PM0000000000.20.71.00.70.2PS00000000.30.81.00.50.100PO00000001.00.60.10000NO00000.10.61.00000000NS000.10.51

27、.00.80.30000000NM0.20.71.00.70.2000000000NB10.80.40.10000000000選取EC的模糊變量詞集為NB,NM,NS,ZO,PS,PM,PB因此選取模糊變量EC的賦值表如下所示表2 ec的等級量與模糊量的關(guān)系-6-5-4-3-2-10+1+2+3+4+5+6PB0000000000.10.40.81.0PM000000000.20.71.00.70.2PS00000000.91.00.70.200ZO000000.51.00.500000NS000.20.71.00.90000000NM0.20.71.00.70.200000000NB1.00

28、.80.40.1000000000選取U的模糊變量詞集為NB,NM,NS,ZO,PS,PM,PB因此選取模糊變量EC的賦值表如下所示表3 u的等級量與模糊量的關(guān)系-7-6-5-4-3-2-10+1+2+3+4+5+6+7PB000000000000.10.40.81.0PM0000000000.20.71.00.70.20PS00000000.41.00.80.40.1000ZO0000000.51.00.5000000NS0000.10.40.81.00.40000000NM00.20.71.00.70.2000000000NB1.00.80.40.100000000000（5）模糊控制規(guī)則

29、設(shè)計。模糊控制器本質(zhì)上是一種模仿手動控制的策略。利用模糊集合理論和語言變量，將手動控制上升到數(shù)值運算，即可利用計算機實現(xiàn)自動控制。本次作業(yè)制定的控制策略如下表4 控制規(guī)則表NBNMNSNOPOPSPMPBPBPBPBPMPMPMPSZOZOPMPBPBPMPMPMPSZOZOPSPBPBPMPSPSZONSNMZOPMPMPSZOZONSNMNBNSPMPMPSZONSNSNMNBNMPMPSZONSNMNMNBNBNBPSZONSNMNMNBNBNB按照上述控制規(guī)則，可以得到溫度偏差及變化率與噴水閥門開度之間的模糊關(guān)系R，即R=（6）模糊決策，即通過模糊關(guān)系R求取控制量u的過程，計算公式為u

30、=(eec)R其中e是E論域內(nèi)的某一模糊變量，ec是EC論域內(nèi)某一模糊變量，u是U論域的與之對應(yīng)的模糊變量。（7）非模糊化處理，即將模糊控制輸出的模糊子集轉(zhuǎn)化為執(zhí)行器所能接受的確切量，實用的轉(zhuǎn)化方法有兩種，最大隸屬度法和加權(quán)平均判決法。本次作業(yè)使用的是加權(quán)平均判決法，響應(yīng)的計算公式為。本次作業(yè)中KU=4 仿真結(jié)果模糊控制的最終系統(tǒng)輸出結(jié)果如下圖所示圖4 系統(tǒng)輸出結(jié)果控制量輸出結(jié)果如下圖5 模糊控制器輸出觀察兩條曲線可以的得到以下兩點發(fā)現(xiàn)（1）最終系統(tǒng)輸出靜態(tài)誤差較大。本次涉及的雙輸入的模糊控制器不含積分作用，因此最終輸出結(jié)果存在靜差。通過查閱資料，發(fā)現(xiàn)可以通過調(diào)整模糊決策、確切量的論域以及隸屬

31、函數(shù)來減小靜態(tài)誤差。（2）當(dāng)系統(tǒng)加入內(nèi)擾后發(fā)現(xiàn)系統(tǒng)狀態(tài)遭到破壞，沒有恢復(fù)到以前的平衡狀態(tài)。這說明本次設(shè)計的控制器抗內(nèi)擾能力比較差，需要調(diào)整模糊決策、確切量的論域。5 附錄模糊控制主函數(shù)于下%確切量論域e_Hlimit = 1.5; e_Llimit = -e_Hlimit;% e確切量論域ec_Hlimit = 1.5; ec_Llimit = -ec_Hlimit;% ec確切量論域u_Hlimit = 1.5; u_Llimit = -u_Hlimit;% u確切量論域%等級量論域NE = -6,-5,-4,-3,-2,-1,-0,+0,1,2,3,4,5,6;% ec等級量論域NEC =

32、 -6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6;% ec等級量論域NU = -7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7;% ec等級量論域%轉(zhuǎn)換參數(shù) NE_num = numel(NE);% e等級量劃分?jǐn)?shù)量NEC_num = numel(NEC);% ec等級量劃分?jǐn)?shù)量Ke = (NE(NE_num) - NE(1)/(e_Hlimit - e_Llimit);% e的量化因子Kec = (NEC(NEC_num) - NEC(1)/(ec_Hlimit - ec_Llimit);% ec的量化因子NU_num = numel(NU);% u等

33、級量劃分?jǐn)?shù)量Ku = (u_Hlimit - u_Llimit)/(NU(NU_num) - NU(1);% u的比例因子%模糊量論域NFE = 1 2 3 4 5 6 7 8; NFE_num = numel(NFE);NFEC = 1 2 3 4 5 6 7; NFEC_num = numel(NFEC);NFU = 1 2 3 4 5 6 7; NFU_num = numel(NFU);%隸屬度函數(shù)表Miu_e = Below_Degree(NFE_num,NE_num,1);Miu_ec = Below_Degree(NFEC_num,NEC_num,1);Miu_u = Below_

34、Degree(NFU_num,NU_num,1);%模糊控制規(guī)則表FE = fliplr(NFE); FEC = fliplr(NFEC);FU = 1 1 2 2 2 3 4 4; 1 1 2 2 2 3 4 4;1 1 2 3 3 4 5 6; 1 2 3 4 4 5 6 7;2 2 3 4 5 5 6 7; 2 3 4 5 6 6 7 7; 3 4 5 6 6 7 7 7;effect = -1;%模糊關(guān)系矩陣R = R_Matrix(Miu_e,Miu_ec,Miu_u,FE,FEC,FU);%仿真ST = 4000; DT = 5; dt = 0.5; K = -1.1; T = 3

35、5; n = 4; r = 1;x_m(1:n) = 0; u_mi = 0; ui = 0; e0 = 0; e10 = 0; y_m = 0;Y_m = ; U_m = ; U_mi = ; Y_m_Time = ; U_m_Time = ;a = exp(-dt/T); b = 1-a; LP = ST/DT;for k = 1:1:LP if k*DT 2000 r1 = 0.5; else r1 = 0; end e = effect*(r - y_m); E = round(Ke*e); if E NE(NE_num) E = NE(NE_num); elseif E NE(1)

36、E = NE(1); end if e = 0 j = E + NE(NE_num) + 1; else j = E + NE(NE_num) + 2; end Miu_max = Miu_e(1,j); ei = 1; for i = 2:1:NFE_num if E 0 if Miu_max = Miu_e(i,j) Miu_max = Miu_e(i,j); ei = i; end else if Miu_max NEC(NEC_num) EC = NEC(NEC_num); elseif EC NEC(1) EC = NEC(1); end j = EC + NEC(NEC_num)

37、+ 1; Miu_max = Miu_ec(1,j); ec_i = 1; for i = 2:1:NFEC_num if EC 0 if Miu_max = Miu_ec(i,j) Miu_max = Miu_ec(i,j); eci = i; end else if Miu_max 1 x_m(2:n) = a*x_m(2:n) + b*x_m(1:n-1); end y_m = x_m(n); Y_m = Y_m y_m; Y_m_Time = Y_m_Time (k - 1)*DT + l*dt; endend五 神經(jīng)網(wǎng)絡(luò)辨識1 問題重述已知某對象傳遞函數(shù)如下，針對其進行神經(jīng)網(wǎng)絡(luò)辨識。

38、2 辨識原理2.1 BP神經(jīng)網(wǎng)絡(luò)計算原理BP神經(jīng)網(wǎng)絡(luò)利用誤差方向傳播訓(xùn)練算法，整個算法包括前向計算和反向計算兩個過程。在前向傳播中，輸入信息從輸入層經(jīng)隱含層逐層處理最后傳向輸出層,之后通過反省傳播誤差信號的方向來對權(quán)值進行修正，使誤差信號達到最小。假設(shè)神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為M，隱層節(jié)點數(shù)為q，輸出節(jié)點為L。在學(xué)習(xí)階段有N個學(xué)習(xí)樣本，假定用其中一個樣本P的輸入/輸出模式對網(wǎng)絡(luò)進行訓(xùn)練。隱含層的第i個神經(jīng)元在樣本p作用下的輸入為net隱含層第i個神經(jīng)元的輸出經(jīng)激勵函數(shù)作用之后為o隱含層第i個神經(jīng)元的輸出通過隱層與輸出層神經(jīng)元之間的連接權(quán)值作用之后將信號傳遞到輸出層的第k個神經(jīng)元作為其輸入之一。輸

39、出層第k個神經(jīng)元的總輸入為netip=輸出層的第k個神經(jīng)元輸出經(jīng)激勵函數(shù)作用后為o系統(tǒng)的輸出需要通過誤差反傳過程來對各連接權(quán)值進行修正，差用的目標(biāo)函數(shù)是二次型的誤差函數(shù)，即J=根據(jù)梯度下降法,得到輸出層的權(quán)值修正公式為類似的可以得到輸入層至隱含層權(quán)值的修改公式2.2 神經(jīng)網(wǎng)絡(luò)辨識原理BP神經(jīng)網(wǎng)絡(luò)在理論上對任意非線性有無限逼近能力，因此理論上應(yīng)用BP神經(jīng)網(wǎng)絡(luò)辨識可以準(zhǔn)確建立所有非線性系統(tǒng)的仿真模型。在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建模時需要選定相應(yīng)參數(shù)。（1）網(wǎng)絡(luò)選用單隱層還是多隱層。大量的仿真試驗表明，采用多隱層的BP神經(jīng)網(wǎng)絡(luò)大大增加算法的計算復(fù)雜程度，且對非線性對象的逼近能力并未有多大提高。因此一般說來，單隱層的BP網(wǎng)絡(luò)即可。（2）輸入層、隱層、輸出層神經(jīng)元的個數(shù)。輸入層和輸出層的神經(jīng)元個數(shù)與建模對象有關(guān)，通常要求隱層的神經(jīng)元數(shù)目大于輸入層和輸出層的數(shù)目。（3）選擇隱層神經(jīng)元和輸出層神經(jīng)元的激勵函數(shù)。多數(shù)情況下可以將輸出層的激勵函數(shù)選定為線性函數(shù)，為了保證神經(jīng)網(wǎng)絡(luò)的非線性映射功能，僅在隱層采用S函數(shù)作為激勵函數(shù)。（4）確定初始的神經(jīng)網(wǎng)絡(luò)權(quán)值和學(xué)習(xí)步長。一般，神經(jīng)網(wǎng)絡(luò)的各神經(jīng)元采用統(tǒng)一的學(xué)習(xí)步長。學(xué)習(xí)選取過小，神經(jīng)網(wǎng)絡(luò)的收斂程度會比較慢，但學(xué)習(xí)步長選取過大，會加快學(xué)習(xí)速度，但易導(dǎo)致神將網(wǎng)