CN106022482B - 应用改进型模糊神经网络解耦循环流化床床温-床压的方法 - Google Patents
应用改进型模糊神经网络解耦循环流化床床温-床压的方法 Download PDFInfo
- Publication number
- CN106022482B CN106022482B CN201610304114.4A CN201610304114A CN106022482B CN 106022482 B CN106022482 B CN 106022482B CN 201610304114 A CN201610304114 A CN 201610304114A CN 106022482 B CN106022482 B CN 106022482B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fuzzy
- fluidized bed
- network
- circulating fluidized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/04—Physical realisation
- G06N7/046—Implementation by means of a neural network
Abstract
本发明公开了一种应用改进型模糊神经网络解耦循环流化床床温‑床压的方法,包括依次执行的以下步骤:输入若干各训练数据;利用输入数据生成模糊语言变量并计算隶属函数度值;完成模糊规则适用度及归一化输出的合并;识别所述的模糊神经网络组织的参数及参数调整;将所建立的模糊神经网络运用于复杂非线性,大滞后系统的控制领域。本发明在以往四层经典结构中考虑到模糊规则数引起的网络结构的膨胀,以及正反向修正时的收敛速度,模型结构紧凑,精度高,有利于网络的初始化。
Description
技术领域
本发明涉及一种建模及非线性系统控制方法在火电站中的应用,具体涉及一种应用改进型模糊神经网络解耦循环流化床床温-床压的方法。
背景技术
模糊神经网络是一个混合系统,其融合弥补了神经网络在模糊数据处理方面的不足和纯模糊逻辑在学习方面的缺陷,近年来也越来越多的被应用到系统建模以及复杂系统的预测方面,显示出了强大的优化能力。目前常见的模糊神经网络机构通常为四层结构,即输入层、隶属度函数生成层、隶属度合成层以及输出层。实际过程中发现当第二层模糊规则数发生变化时,隶属度函数合成层在计算模糊规则的适用度时的节点数易出现指数形式增长,引起网络结构的膨胀以及后期参数的正反向修正速度。对于非线性、大滞后等复杂系统的控制领域,探索结构更加紧凑,收敛快的模糊神经网络结构已成为亟待解决的技术问题。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种应用改进型模糊神经网络解耦循环流化床床温-床压的方法。
技术方案:为解决上述技术问题,本发明提供的应用改进型模糊神经网络解耦循环流化床床温-床压的方法,包括以下步骤:
步骤1,输入训练数据;
步骤2,生成、裁剪模糊规则,计算相应隶属函数度值;
步骤3,利用改进型的模糊神经网络实现模糊规则适用度及归一化输出的合并,即完成隶属度函数的生成与合成;
步骤4,网络输出实现归一化计算;
步骤5,进行隶属度函数的中心之、宽度,网络连接权值的学习修正;
步骤6,将所建立的模糊神经网络应用于循环流化床床温-床压的解耦。也可以用于其他非线性、大滞后等复杂系统的控制。
作为优选,所述步骤2中的模糊规则采用高斯函数作为隶属度函数,每个结点代表一个语言变量,从而实现模糊规则的前件,表达式为其中i=1,2...n,j=1,2...ji为第i个输入的模糊分割数,Mji,δji分别为分别是隶属函数的中心值和宽度。
作为优选,所述步骤3中将原本网络四层结构的第二层和第三层合并,实现隶属度函数的生成与函数值的合并,隶属度函数的合成采用数学积进行计算,其输入输出分别为其中i=1,2...n,j=1,2...mi,mj为各输入变量的模糊分割数,同改进型模糊神经网络一样,Mji,δji分别为分别是隶属函数的中心值和宽度。
作为优选,所述步骤4中网络的归一化计算采用加权平均法即重心法进行计算,采取连接权值与上层输出数据,表达式为其中ys为第s个输出。
作为优选,所述步骤5中网络参数的调整为隶属度函数中心值、宽度以及连接权值的修正如下:
wjis(k)=wjis(k-1)+η1Δwjis
Mji(k)=Mji(k-1)+η2ΔMji
δji(k+1)=δji(k)+η3Δδji。
其中y为实际输出,y*为网络输出,根据梯度下降法,η为学习率。
有益效果:本发明在传统四层网络的基础结构上,创新的将隶属度函数的生成与合成进行合并,使网络结构改进成三层,有效的避免了节点指数型增长的风险,提升了前向运算速度和反向校正速度,有利于网络的初始化和结构调整。
除了上面所述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的优点外,本发明的应用改进型模糊神经网络解耦循环流化床床温-床压的方法所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的优点,将结合附图做出进一步详细的说明。
附图说明
图1是本发明实施例一中改进型模糊神经网络的流程示意图;
图2是本发明实施例一中改进型模糊神经网络的结构示意图;
图3是本发明实施例二中解耦前一次风阶跃扰动的仿真图;
图4是解耦前回料阀阶跃扰动的仿真图;
图5是解耦后一次风阶跃扰动的仿真图;
图6是解耦后回料阀阶跃扰动的仿真图。
具体实施方式
实施例1
本发明的解耦流程如图1所示:
首先输入若干个学习数据,将改进型模糊神经网络由四层结构改为三层结构,如图2所示,机构紧凑地完成了前件、后件的处理。
第一层:输入层,n为输入变量个数,Ii为第i层输入,Oi为第i层输出, (i=1,2,3...n)。
第二层实现隶属度函数生成以及合成,其中隶属度函数生成层(语言层),每个节点代表一个语言变量(作用是计算分量属于每个语言变量模糊集合的隶属度函数值),隶属度函数选择高斯函数,节点输出:其中i=1,2...n,ji=1,2...mi,其中ji为第i个输入的模糊分割数,分别为分别是隶属函数的中心值和宽度。隶属度合成层,每个节点代表一个模糊规则,用来计算每条规则的适用度;其输入其中1=1,2…m,两者的合并实现结构上和收敛速度上的优化,实际输入输出为如下:其中i=1,2…n,ji=1,2…mi,mi为各输入变量的模糊分割数,同改进型模糊神经网络一样, 分别为分别是隶属函数的中心值和宽度。
第三层,输出层,实现归一化计算,采用加权平均法。其中ys为第s个输出,ws1为第二层第1个节点和第三层第s个输出的连接权值;
过程中需学习的变量为M,δ,w,采用基于梯度下降的误差修正法训练这三个参数。定义目标函数为:E=∑(ys-ys *)2/2,其中y为实际输出,y*为网络输出,根据梯度下降法,η为学习率(初始值一般取0.001-0.1),学些算法如下:
(2)wjis(k)=wjis(k-1)+η1Δwjis
(4)Mji(k)=Mji(k-1)+η2ΔMji
(6)δji(k+1)=δji(k)+η3Δδji
在次基础上形成的改进型模糊神经网络具有收敛速度快,网络结构紧凑的特点,有效的避免了节点的指数型增长,提升了前向运算速度和反向校正速度。
实施例2
某电厂循环流化床床温床压的传递函数为:
将改进型模糊神经网络运用到循环流化床床温-床压的解耦中,未解耦的情况下,分别设定输入为阶跃信号,仿真结果如图3、图4:运用上述述方法进行控制器参数整定及解耦,取初始学习率η均为0.02,考虑到燃烧系统的复杂性和需求控制的精度,模糊规则取7,输入量的论域为[-6,+6],其偏差值的论域为[-1,+1],隶属函数的初始中心值为{-6,-4,-2,0,2,4,6},初始宽度取1,初始连接权值也为1,按照第二节内容设计控制器,并进行模糊神经网络解耦,解耦后的效果如图5,图6。
从图中可以看出,采用一次风调节床压,回料阀开度调节床温,当各自阶跃扰动时,系统对另一个变量的影响基本消除,使MIMO系统能够较好运行。实验表明,该设计运用到循环流化床中,有较好的抗干扰能力和静态特性。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制,应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围,因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种应用改进型模糊神经网络解耦循环流化床床温-床压的方法,其特征在于包括以下步骤:
步骤1,输入循环流化床床温-床压阶跃信号,作为训练数据;
步骤2,生成、裁剪模糊规则,计算相应隶属度函数值;
步骤3,利用改进型的模糊神经网络实现模糊规则适用度及归一化输出的合并,即将原本网络四层结构的第二层和第三层合并,实现隶属度函数的生成与函数值的合并,隶属度函数的合成采用数学积进行计算,其输入输出分别为 其中i=1,2…n,j=1,2…mi,mj为各输入变量的模糊分割数,同改进型模糊神经网络一样,Mji,δji分别为分别是隶属函数的中心值和宽度;
步骤4,网络输出实现归一化计算;
步骤5,进行隶属度函数的中心之、宽度,网络连接权值的学习修正;
步骤6,将所建立的模糊神经网络应用于循环流化床床温-床压的解耦。
2.根据权利要求1所述的应用改进型模糊神经网络解耦循环流化床床温-床压的方法,其特征在于:所述步骤2中的模糊规则采用高斯函数作为隶属度函数,每个结点代表一个语言变量,从而实现模糊规则的前件,表达式为
其中i=1,2…n,j=1,2…ji为第i个输入的模糊分割数,Mji,δji分别为隶属函数的中心值和宽度,Ii为第i层输入。
3.根据权利要求1所述的应用改进型模糊神经网络解耦循环流化床床温-床压的方法,其特征在于:所述步骤4中网络的归一化计算采用加权平均法即重心法进行计算,采取连接权值与上层输出数据,表达式为其中ys为第s个输出,ws1为第二层第1个节点和第三层第s个输出的连接权值。
4.根据权利要求1所述的应用改进型模糊神经网络解耦循环流化床床温-床压的方法,其特征在于:所述步骤5中网络参数的调整为隶属度函数中心值、宽度以及连接权值的修正如下:
wjis(k)=wjis(k-1)+η1Δwjis
Mji(k)=Mji(k-1)+η2ΔMji
δji(k+1)=δji(k)+η3Δδji
其中y为实际输出,y*为网络输出,根据梯度下降法,η为学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610304114.4A CN106022482B (zh) | 2016-05-10 | 2016-05-10 | 应用改进型模糊神经网络解耦循环流化床床温-床压的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610304114.4A CN106022482B (zh) | 2016-05-10 | 2016-05-10 | 应用改进型模糊神经网络解耦循环流化床床温-床压的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022482A CN106022482A (zh) | 2016-10-12 |
CN106022482B true CN106022482B (zh) | 2018-12-14 |
Family
ID=57099682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610304114.4A Active CN106022482B (zh) | 2016-05-10 | 2016-05-10 | 应用改进型模糊神经网络解耦循环流化床床温-床压的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022482B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108637329B (zh) * | 2018-04-17 | 2020-04-24 | 哈尔滨理工大学 | 拼接淬硬钢模具振动辅助铣削装置及模糊控制方法 |
CN113422088B (zh) * | 2021-06-28 | 2023-02-17 | 太原理工大学 | 一种氢燃料电池空气供给系统及其解耦控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594835A (en) * | 1993-03-24 | 1997-01-14 | National Semiconductor Corporation | Neural-fuzzy logic control system with adjustable fuzzy logic membership functions |
CN103486134A (zh) * | 2013-09-27 | 2014-01-01 | 江苏大学 | 一种交流混合磁轴承解耦控制器的构造方法 |
CN104049536A (zh) * | 2014-06-04 | 2014-09-17 | 江苏大学 | 底盘非线性系统模糊神经网络广义逆控制器的构造方法 |
-
2016
- 2016-05-10 CN CN201610304114.4A patent/CN106022482B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594835A (en) * | 1993-03-24 | 1997-01-14 | National Semiconductor Corporation | Neural-fuzzy logic control system with adjustable fuzzy logic membership functions |
CN103486134A (zh) * | 2013-09-27 | 2014-01-01 | 江苏大学 | 一种交流混合磁轴承解耦控制器的构造方法 |
CN104049536A (zh) * | 2014-06-04 | 2014-09-17 | 江苏大学 | 底盘非线性系统模糊神经网络广义逆控制器的构造方法 |
Non-Patent Citations (1)
Title |
---|
模糊神经网络在解耦控制中的研究;平玉环等;《控制工程》;20090731;第16卷(第4期);第2-3节,图1 * |
Also Published As
Publication number | Publication date |
---|---|
CN106022482A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112947477A (zh) | 一种无人艇航向自抗扰控制系统及控制方法 | |
Chen et al. | Distributed fuzzy adaptive consensus for high-order multi-agent systems with an imprecise communication topology structure | |
CN106054594A (zh) | 基于控制输入饱和的无模型自适应控制方法 | |
Mu et al. | Adaptive course control based on trajectory linearization control for unmanned surface vehicle with unmodeled dynamics and input saturation | |
CN112597700B (zh) | 基于神经网络的飞行器弹道仿真方法 | |
CN113671831B (zh) | 一种非线性互联系统的自适应跟踪控制方法 | |
CN105427241A (zh) | 一种大视场显示设备的畸变校正方法 | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN106022482B (zh) | 应用改进型模糊神经网络解耦循环流化床床温-床压的方法 | |
Long et al. | Game-based backstepping design for strict-feedback nonlinear multi-agent systems based on reinforcement learning | |
CN106896724A (zh) | 用于太阳跟踪器的跟踪系统及跟踪方法 | |
Zhu et al. | Structural safety monitoring of high arch dam using improved ABC-BP model | |
Yang et al. | Predictor‐based bipartite time‐varying formation control of nonlinear multi‐agents systems via disturbance observer | |
CN107272723B (zh) | 无人蝶形飞行器五档模糊高度控制方法 | |
Du et al. | Bipartite time-varying formation group containment control for multi-agent systems based on multi-layer network and semi-signed directed graph | |
Asaduzzaman et al. | Faster training using fusion of activation functions for feed forward neural networks | |
CN106444389A (zh) | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 | |
Sun et al. | Regularization of deep neural networks using a novel companion objective function | |
Xia et al. | Distributed adaptive cooperative control via command filters for multi-agent systems including input unmodeled dynamics and sensor faults | |
Cheng et al. | An improved neural network realization for reliability analysis | |
Wang et al. | Evaluation of inputs for Mach number prediction model based on ANFIS | |
Didandeh et al. | AVLR-EBP: a variable step size approach to speed-up the convergence of error back-propagation algorithm | |
Bastos-Filho et al. | Routing algorithm based on Swarm Intelligence and Hopfield Neural Network applied to communication networks | |
Meng et al. | Nonlinear system simulation based on the BP neural network | |
Mingguang et al. | Artificial neural network co-optimization algorithm based on differential evolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |