CN111176115B - 基于模糊神经网络和仿人智能控制的阀位控制方法 - Google Patents
基于模糊神经网络和仿人智能控制的阀位控制方法 Download PDFInfo
- Publication number
- CN111176115B CN111176115B CN201911389070.XA CN201911389070A CN111176115B CN 111176115 B CN111176115 B CN 111176115B CN 201911389070 A CN201911389070 A CN 201911389070A CN 111176115 B CN111176115 B CN 111176115B
- Authority
- CN
- China
- Prior art keywords
- valve
- valve position
- control
- intelligent controller
- position deviation
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及到一种基于模糊神经网络和仿人智能控制的阀位控制方法,该方法通过对阀门的实际位置与给定值进行比较计算得到阀位偏差和阀位偏差变化率,仿人智能控制器根据二者之间的关系进入不同的控制模态,向气动执行结构发送相应的控制信号,同时模糊神经网络对仿人智能控制器的控制参数进行实时在线整定,气动执行结构接收到控制信号后带动阀杆位移,进而调整阀门的位置。本发明实例解决了传统PID控制难以控制非线性、时滞性大的实际生产过程以及仿人智能控制器控制参数难以实时整定的难题,能够对阀位控制过程进行动态实时控制,大幅提升了控制过程的准确性和鲁棒性,利于阀门稳定连续地工作。
Description
技术领域
本发明涉及工业自动控制领域,具体为一种基于模糊神经网络和仿人智能控制的阀位控制方法。
背景技术
在工业生产系统中与产品质量密切相关的诸如温度、压力、液位、浓度等环境因素的调整都需要通过调节阀的开度(阀位)控制进行调整,阀门位置是否满足生产要求直接关系到整个生产系统能否安全运行。
阀门定位器作为调节阀的辅助配件,通过实时跟随阀门位置给定值控制调节阀。现如今,绝大多数阀门定位器仍采用常规PID控制算法作为主控算法,而由于阀门工作的环境不同,受流经阀门的介质流量的粘稠度以及阀门内部摩擦力、不平衡力等的影响,阀位控制过程具有很强的非线性、大惯性以及时变性,无法建立精确的数学模型,致使常规PID控制算法的控制参数设置极为困难,常常引起调整时间过长、超调量较大、抗干扰能力差、容易出现振荡等问题,给工业生产带来安全问题和巨大的经济损失。
中国发明专利文献(CN 106763980A)于2017年5月31日公开的《一种喷嘴挡板式智能阀门定位器的控制方法》中采用一种多模态仿人智能控制策略作为智能阀门定位器的控制算法,该方法虽然能够做到不依赖数学模型实现有效控制,且有一定的鲁棒性,但控制器的控制参数完全是由专家经验所得,且控制模态较少,难以适应阀位控制过程中的环境变化带来的影响。
李焱琪在《基于模糊PID控制的智能电气阀门定位器的实现[J]》(电子技术与软件工程,2017(17):94-94)中,提出一种基于模糊PID控制的阀位控制方法,该方法采用模糊算法对PID控制器控制参数进行整定,利用模糊规则使PID控制器对被控对象的时变性、非线性具有一定的适应能力,但模糊算法本身消除系统误差的性能较差,难以达到较高的控制精度,并且系统中的模糊规则通常由领域专家的意见归纳整理出来的,而许多领域的知识是难以描述的。
综上所述,目前,阀位控制技术存在以下技术问题:
1、由于阀位控制过程具有很强的非线性、大惯性以及时变性,无法建立精确的数学模型,常规PID控制算法的控制参数设置极为困难,难以实现有效控制;
2、多模态仿人智能控制策略虽然能够实现对阀位的控制,但其控制参数完全依靠专家的经验,不具备对环境的适应能力,当阀位控制过程发生大幅变化时,难以做到实时有效的控制;
3、采用模糊算法对控制器的参数进行整定,使控制器对被控对象的时变性、非线性具有一定的适应能力,但由于模糊规则通常由领域专家的意见归纳整理出来的,而许多领域的知识是难以描述的,使控制难以达到较高的精度。
发明内容
针对现有技术的不足,本发明提供了一种基于模糊神经网络和仿人智能控制的阀位控制方法,其目的在于解决阀位控制过程复杂多变,无法建立精确数学模型,导致常规PID控制控制精度不足而仿人智能控制控制参数难以实时整定的问题。
本发明的目的是这样实现的。本发明提供了一种基于模糊神经网络和仿人智能控制的阀位控制方法,该阀位控制方法涉及的阀位控制系统包括智能阀门定位器、气动执行机构、阀门和位置传感器,其中智能阀门定位器包括比较器、模糊神经网络和仿人智能控制器;所述智能阀门定位器和气动执行结构单向气动连接,气动执行结构和阀门单向气动连接,阀门和位置传感器单向电连接,位置传感器和智能阀门定位器单向电连接;
所述阀位控制方法的步骤如下:
步骤1,设当前时刻为n,位置传感器在阀门处检测得到当前时刻阀门实际位置yn,并将当前时刻阀门实际位置yn传送到比较器中;
步骤2,比较器将当前时刻阀门实际位置yn与当前时刻阀位给定值进行比较计算,得到当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen,并将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen分别传送给模糊神经网络和仿人智能控制器;
当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的计算式如下:
Δen=en-en-1
其中,en-1表示前一时刻阀位偏差;
步骤3,模糊神经网络接收到比较器发送的当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的信号后,将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen作为网络输入,通过训练好的模糊神经网络模型进行实时在线调整,得到以下网络输出信号:比例放大增益KP、增益放大系数K1、抑制系数K2,模糊神经网络将上述网络输出信号传送给仿人智能控制器;
所述比例放大增益KP的范围为:KP>0;所述增益放大系数K1的范围为:K1>1;所述抑制系数K2的范围为:0<K2<1;
步骤4,仿人智能控制器接收到当前时刻阀位偏差en、当前时刻阀位偏差变化率Δen、比例放大增益KP、增益放大系数K1和抑制系数K2的信号后,根据当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen信号之间的关系进行判断,根据判断结果进入不同的控制模态,得到不同控制模态下的控制输出un,并将控制输出un发送到气动执行结构;
步骤4.1,设给定的阀位偏差可控极值为M1,M1>0,仿人智能控制器进行如下判断:
若|en|>M1,转到步骤4.2;
若|en|≤M1,则转到步骤4.3;
步骤4.2,当|en|>M1时,仿人智能控制器工作于Bang-Bang控制模态,
若en>0,un=umax;
若en<0,un=-umax;
其中,umax为仿人智能控制器允许的最大输出;
转到步骤5;
步骤4.3,当|en|≤M1时,仿人智能控制器进行第二次判断以确定工作模态,判断条件和结果如下:
若en×Δen>0或Δen=0,en≠0,转到步骤4.4;
若en×Δen<0或en=0,转到步骤4.5;
步骤4.4,当|en|≤M1,且en×Δen>0或Δen=0,en≠0,仿人智能控制器工作于比例控制模态,此时仿人智能控制器从模糊神经网络提取增益放大系数K1和比例放大增益KP,代入控制输出un中,
若|en|>M2,un=un-1+K1KPen;
若|en|≤M2,un=un-1+KPen;
其中,M2为给定的稳定状态下阀位偏差允许的最大值,M2>0,un-1为前一时刻仿人智能控制器控制输出;
转到步骤5;
步骤4.5,当|en|≤M1,且en×Δen<0或en=0,仿人智能控制器继续进行第三次判断,以确认工作模态,判断条件和结果如下:
若en×Δen<0,Δen×Δen-1>0或en×Δen<0,Δen-1=0或en=0,转到步骤4.6;
若en×Δen<0,Δen×Δen-1<0,转到步骤4.7;
其中,Δen-1为前一个时刻阀位偏差变化率,Δen-1=en-1-en-2,en-1为前一时刻阀位偏差、en-2为前二时刻阀位偏差;
步骤4.6,仿人智能控制器工作于保持控制模态1,仿人智能控制器的控制输出un为:un=un-1,转到步骤5;
步骤4.7,仿人智能控制器工作于保持控制模态2,此时仿人智能控制器提取增益放大系数K1、比例放大增益KP和抑制系数K2,代入控制输出un中,
若|en|>M2,un=un-1+K1K2KPen;
若|en|≤M2,un=un-1+K2KPen;
步骤5,气动执行结构根据接收到的控制信号un控制阀杆的位移,调节阀门的位置:
步骤6,在n+1时刻,将n+1赋值给n,返回步骤1进行下一时刻的阀位控制。
优选地,步骤4中所述模糊神经网络的网络模型为一个2输入3输出的5层网络结构模型,5层网络结构分别为:输入层、模糊化层、规则层、归一化层、输出层。
优选地,所述模糊神经网络的网络模型需要训练学习的参数为输出层与归一化层之间的连接权值ωkl、高斯隶属度函数的中心cij和宽度σij,其中,k=1,2,3,表示网络的输出个数;l=1,2,...,49,表示网络的模糊规则个数;i=1,2,表示网络的输入个数;j=1,2,...,7,表示模糊子集的语言变量个数;网络模型的学习算法采用BP算法,网络的训练样本为现场采集到的输入输出数据。
优选地,所述高斯隶属度函数为模糊化层将输入变量模糊化后得到的模糊子集的隶属度函数,其表述式为:
相对于现有的阀位控制技术,本发明的有益效果表现为:
1、本发明采用模糊神经网络和仿人智能控制器结合的阀位控制方法,能够模仿控制专家的控制行为,实现开闭环控制结合和定型决策与定量控制结合的多模态控制,控制表现为多种模态控制间的相互交替使用,不需要依赖被控对象的数学模型即可实现有效控制。
2、本发明采用仿人智能控制器的模态划分更加细致,能够更好的适应工业现场的情况,完美协调了阀位控制系统中诸多相互矛盾的控制品质要求,比如鲁棒性与精确性,快速性与平滑性等,满足实际生产过程的需求。
3、本发明采用模糊神经网络对仿人智能控制器的参数进行实时在线整定,将模糊控制的逻辑推理能力和神经网络的学习能力、非线性拟合能力以及记忆能力结合起来,使系统具有很强的自适应能力,解决了阀位控制过程中扰动大、系统振荡的问题,大幅提高了控制精度和鲁棒性。
附图说明
图1为本发明阀位控制方法涉及的阀位控制系统结构图。
图2为本发明阀位控制方法的工作流程图。
图3为本发明实施例提供的智能阀门定位器中的仿人智能控制器的工作流程图。
图4为本发明实施例提供的智能阀门定位器中的模糊神经网络结构示意图。
具体实施方式
下面结合附图对本发明实施例作进一步的描述。
图1为本发明阀位控制方法涉及的阀位控制系统结构图。由图可见,本发明阀位控制方法涉及的阀位控制系统包括智能阀门定位器、气动执行机构、阀门和位置传感器,其中智能阀门定位器包括比较器、模糊神经网络和仿人智能控制器。所述智能阀门定位器和气动执行结构单向气动连接,气动执行结构和阀门单向气动连接,阀门和位置传感器单向电连接,位置传感器和智能阀门定位器单向电连接。
图2为本发明基于模糊神经网络和仿人智能控制的阀位控制方法的工作流程图。由图2可见,本发明所述阀位控制方法的具体步骤如下:
步骤1,设当前时刻为n,位置传感器在阀门处检测得到当前时刻阀门实际位置yn,并将当前时刻阀门实际位置yn传送到比较器中。
步骤2,比较器将当前时刻阀门实际位置yn与当前时刻阀位给定值进行比较计算,得到当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen,并将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen分别传送给模糊神经网络和仿人智能控制器。
当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的计算式如下:
Δen=en-en-1
其中,en-1表示前一时刻阀位偏差。
步骤3,模糊神经网络接收到比较器发送的当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的信号后,将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen作为网络输入,通过训练好的模糊神经网络模型进行实时在线调整,得到以下网络输出信号:比例放大增益KP、增益放大系数K1、抑制系数K2,模糊神经网络将上述网络输出信号传送给仿人智能控制器。
所述比例放大增益KP的范围为:KP>0;所述增益放大系数K1的范围为:K1>1;所述抑制系数K2的范围为:0<K2<1。
步骤4,仿人智能控制器接收到当前时刻阀位偏差en、当前时刻阀位偏差变化率Δen、比例放大增益KP、增益放大系数K1和抑制系数K2的信号后,根据当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen信号之间的关系进行判断,根据判断结果进入不同的控制模态,得到不同控制模态下的控制输出un,并将控制输出un发送到气动执行结构。
图3为本发明实施例提供的智能阀门定位器中的仿人智能控制器的工作流程图,由图3可见,仿人智能控制器根据当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen信号之间的关系进行判断,根据判断结果产生不同的控制输出un,其具体步骤如下:
步骤4.1,设给定的阀位偏差可控极值为M1,M1>0,仿人智能控制器进行如下判断:
若|en|>M1,转到步骤4.2;
若|en|≤M1,则转到步骤4.3;
步骤4.2,当|en|>M1时,仿人智能控制器工作于磅-磅控制模态,
若en>0,un=umax;
若en<0,un=-umax;
其中,umax为仿人智能控制器允许的最大输出;
转到步骤5;
步骤4.3,当|en|≤M1时,仿人智能控制器进行第二次判断以确定工作模态,判断条件和结果如下:
若en×Δen>0或Δen=0,en≠0,转到步骤4.4;
若en×Δen<0或en=0,转到步骤4.5;
步骤4.4,当|en|≤M1,且en×Δen>0或Δen=0,en≠0,仿人智能控制器工作于比例控制模态,此时仿人智能控制器从模糊神经网络提取增益放大系数K1和比例放大增益KP,代入控制输出un中,
若|en|>M2,un=un-1+K1KPen;
若|en|≤M2,un=un-1+KPen;
其中,M2为给定的稳定状态下阀位偏差允许的最大值,M2>0,un-1为前一时刻仿人智能控制器控制输出;
转到步骤5;
步骤4.5,当|en|≤M1,且en×Δen<0或en=0,仿人智能控制器继续进行第三次判断,以确认工作模态,判断条件和结果如下:
若en×Δen<0,Δen×Δen-1>0或en×Δen<0,Δen-1=0或en=0,转到步骤4.6;
若en×Δen<0,Δen×Δen-1<0,转到步骤4.7;
其中,Δen-1为前一个时刻阀位偏差变化率,Δen-1=en-1-en-2,en-1为前一时刻阀位偏差、en-2为前二时刻阀位偏差;
步骤4.6,仿人智能控制器工作于保持控制模态1,仿人智能控制器的控制输出un为:un=un-1,转到步骤5;
步骤4.7,仿人智能控制器工作于保持控制模态2,此时仿人智能控制器提取增益放大系数K1、比例放大增益KP和抑制系数K2,代入控制输出un中,
若|en|>M2,un=un-1+K1K2KPen;
若|en|≤M2,un=un-1+K2KPen;
步骤5,气动执行结构根据接收到的控制信号un控制阀杆的位移,调节阀门的位置;
步骤6,在n+1时刻,将n+1赋值给n,返回步骤1进行下一时刻的阀位控制。
图4为本发明实施例提供的智能阀门定位器中的模糊神经网络结构示意图,由图4可见,步骤4中所述模糊神经网络的网络模型为一个2输入3输出的5层网络结构模型,5层网络结构分别为:输入层、模糊化层、规则层、归一化层、输出层。
所述模糊神经网络的网络模型需要训练学习的参数为输出层与归一化层之间的连接权值ωkl、高斯隶属度函数的中心cij和宽度σij,其中,k=1,2,3,表示网络的输出个数;l=1,2,...,49,表示网络的模糊规则个数;i=1,2,表示网络的输入个数;j=1,2,...,7,表示模糊子集的语言变量个数;网络模型的学习算法采用BP算法,网络的训练样本为现场采集到的输入输出数据。
所述高斯隶属度函数为模糊化层将输入变量模糊化后得到的模糊子集的隶属度函数,其表述式为:
具体的,模糊神经网络各层具体划分及作用如下:
第一层为输入层,共有2个节点,分别与输入变量x1和输入变量x2相连,其中x1=en,x2=Δen,将输入变量x1及输入变量x2传送至模糊化层。
第二层为模糊化层,模糊化层将输入变量x1及x2模糊化后得到其模糊子集,并将其模糊子集分别划为7个语言变量,得到输入变量x1和输入变量x2分别属于各语言变量值的模糊集合的隶属度函数,故模糊化层共有14个节点,所述模糊子集的隶属度函数均采用高斯函数。
第三层为规则层,通过与模糊化层连接来匹配模糊规则,得到输入与输出之间的逻辑关系,进行模糊推理,采用相乘运算计算出每条规则的适用度αl,其中l表示网络的模糊规则个数,l=1,2,...,49,共有49个节点,每个节点代表一条控制规则。
第四层为归一化层,用于实现对规则适用度的归一化计算,有利于加快模糊神经网络的收敛速度,其节点数与规则层一样为49个。
第五层,输出层,此层实现解模糊化运算,共3个节点,输出为增益放大系数K1,比例放大增益KP以及抑制系数K2的整定结果,K1,KP,K2的模糊语言变量也为7个,隶属度函数也为高斯型函数。
模糊神经网络的学习采用误差反向传播BP算法,训练样本为现场采集到的输入输出数据,需要学习的网络参数主要有高斯隶属度函数的中心cij和宽度σij以及归一化层和输出层的连接权值ωkl,其中k=1,2,3,表示网络输出个数。具体学习过程如下:
定义目标代价函数E为如下式:
所述归一化层和输出层的连接权值ωkl的学习算法如下式:
其中,η1为归一化层和输出层的连接权值ωkl的学习率,α为动量因子,(n+1)为下一时刻,(n-1)为前一时刻;
所述高斯隶属度函数的中心cij的学习算法如下式:
其中,η2为高斯隶属度函数的中心cij的学习率;
所述高斯隶属度函数的宽度σij的学习算法如下式:
其中,η3为高斯隶属度函数的宽度σij的学习率。
本发明涉及的一种基于模糊神经网络和仿人智能控制的阀位控制方法,结合了模糊神经网络和仿人智能控制器的优势,用于对阀门控制系统阀位进行动态实时控制,解决了传统PID控制难以控制无精确数学模型的阀位控制过程的问题,利于阀门稳定连续地工作,提高了生产过程的生产效率和可靠性。
Claims (4)
1.一种基于模糊神经网络和仿人智能控制的阀位控制方法,其特征在于,该阀位控制方法涉及的阀位控制系统包括智能阀门定位器、气动执行机构、阀门和位置传感器,其中智能阀门定位器包括比较器、模糊神经网络和仿人智能控制器;所述智能阀门定位器和气动执行结构单向气动连接,气动执行结构和阀门单向气动连接,阀门和位置传感器单向电连接,位置传感器和智能阀门定位器单向电连接;
所述阀位控制方法的步骤如下:
步骤1,设当前时刻为n,位置传感器在阀门处检测得到当前时刻阀门实际位置yn,并将当前时刻阀门实际位置yn传送到比较器中;
步骤2,比较器将当前时刻阀门实际位置yn与当前时刻阀位给定值进行比较计算,得到当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen,并将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen分别传送给模糊神经网络和仿人智能控制器;
当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的计算式如下:
Δen=en-en-1
其中,en-1表示前一时刻阀位偏差;
步骤3,模糊神经网络接收到比较器发送的当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的信号后,将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen作为网络输入,通过训练好的模糊神经网络模型进行实时在线调整,得到以下网络输出信号:比例放大增益KP、增益放大系数K1、抑制系数K2,模糊神经网络将上述网络输出信号传送给仿人智能控制器;
所述比例放大增益KP的范围为:KP>0;所述增益放大系数K1的范围为:K1>1;所述抑制系数K2的范围为:0<K2<1;
步骤4,仿人智能控制器接收到当前时刻阀位偏差en、当前时刻阀位偏差变化率Δen、比例放大增益KP、增益放大系数K1和抑制系数K2的信号后,根据当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen信号之间的关系进行判断,根据判断结果进入不同的控制模态,得到不同控制模态下的控制输出un,并将控制输出un发送到气动执行结构;
步骤4.1,设给定的阀位偏差可控极值为M1,M1>0,仿人智能控制器进行如下判断:
若|en|>M1,转到步骤4.2;
若|en|≤M1,则转到步骤4.3;
步骤4.2,当|en|>M1时,仿人智能控制器工作于Bang-Bang控制模态,
若en>0,un=umax;
若en<0,un=-umax;
其中,umax为仿人智能控制器允许的最大输出;
转到步骤5;
步骤4.3,当|en|≤M1时,仿人智能控制器进行第二次判断以确定工作模态,判断条件和结果如下:
若en×Δen>0或Δen=0,en≠0,转到步骤4.4;
若en×Δen<0或en=0,转到步骤4.5;
步骤4.4,当|en|≤M1,且en×Δen>0或Δen=0,en≠0,仿人智能控制器工作于比例控制模态,此时仿人智能控制器从模糊神经网络提取增益放大系数K1和比例放大增益KP,代入控制输出un中,
若|en|>M2,un=un-1+K1KPen;
若|en|≤M2,un=un-1+KPen;
其中,M2为给定的稳定状态下阀位偏差允许的最大值,M2>0,un-1为前一时刻仿人智能控制器控制输出;
转到步骤5;
步骤4.5,当|en|≤M1,且en×Δen<0或en=0,仿人智能控制器继续进行第三次判断,以确认工作模态,判断条件和结果如下:
若en×Δen<0,Δen×Δen-1>0或en×Δen<0,Δen-1=0或en=0,转到步骤4.6;
若en×Δen<0,Δen×Δen-1<0,转到步骤4.7;
其中,Δen-1为前一个时刻阀位偏差变化率,Δen-1=en-1-en-2,en-1为前一时刻阀位偏差、en-2为前二时刻阀位偏差;
步骤4.6,仿人智能控制器工作于保持控制模态1,仿人智能控制器的控制输出un为:un=un-1,转到步骤5;
步骤4.7,仿人智能控制器工作于保持控制模态2,此时仿人智能控制器提取增益放大系数K1、比例放大增益KP和抑制系数K2,代入控制输出un中,
若|en|>M2,un=un-1+K1K2KPen;
若|en|≤M2,un=un-1+K2KPen;
步骤5,气动执行结构根据接收到的控制信号un控制阀杆的位移,调节阀门的位置;
步骤6,在n+1时刻,将n+1赋值给n,返回步骤1进行下一时刻的阀位控制。
2.根据权利要求1所述的一种基于模糊神经网络和仿人智能控制的阀位控制方法,其特征在于,步骤4中所述模糊神经网络的网络模型为一个2输入3输出的5层网络结构模型,5层网络结构分别为:输入层、模糊化层、规则层、归一化层、输出层。
3.根据权利要求2所述的一种基于模糊神经网络和仿人智能控制的阀位控制方法,其特征在于,所述模糊神经网络的网络模型需要训练学习的参数为输出层与归一化层之间的连接权值ωkl、高斯隶属度函数的中心cij和宽度σij,其中,k=1,2,3,表示网络的输出个数;l=1,2,...,49,表示网络的模糊规则个数;i=1,2,表示网络的输入个数;j=1,2,...,7,表示模糊子集的语言变量个数;网络模型的学习算法采用BP算法,网络的训练样本为现场采集到的输入输出数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389070.XA CN111176115B (zh) | 2019-12-27 | 2019-12-27 | 基于模糊神经网络和仿人智能控制的阀位控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389070.XA CN111176115B (zh) | 2019-12-27 | 2019-12-27 | 基于模糊神经网络和仿人智能控制的阀位控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176115A CN111176115A (zh) | 2020-05-19 |
CN111176115B true CN111176115B (zh) | 2022-04-22 |
Family
ID=70650438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911389070.XA Active CN111176115B (zh) | 2019-12-27 | 2019-12-27 | 基于模糊神经网络和仿人智能控制的阀位控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176115B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812968B (zh) * | 2020-06-24 | 2022-04-22 | 合肥工业大学 | 基于模糊神经网络pid控制器的阀位串级控制方法 |
CN111781834B (zh) * | 2020-07-21 | 2022-03-29 | 西安理工大学 | 一种气动位置伺服系统自适应模糊神经网络控制方法 |
CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
CN112460039B (zh) * | 2020-11-23 | 2022-02-01 | 江苏大学 | 一种叶片泵运行工况监测装置及调节方法 |
CN112255912B (zh) * | 2020-11-25 | 2022-10-14 | 华东理工大学 | 一种无模型自适应pid控制策略的聚合釜产物浓度控制方法 |
CN113342023A (zh) * | 2021-06-24 | 2021-09-03 | 杭州电子科技大学 | 一种基于改进模糊pid的无人机仿人控制方法 |
CN115076019B (zh) * | 2022-06-24 | 2023-05-16 | 清华大学 | 一种用于波浪发电装置的控制方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101311851A (zh) * | 2007-05-25 | 2008-11-26 | 开利公司 | 用于冷却器电子膨胀阀的修改的模糊控制 |
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
-
2019
- 2019-12-27 CN CN201911389070.XA patent/CN111176115B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101311851A (zh) * | 2007-05-25 | 2008-11-26 | 开利公司 | 用于冷却器电子膨胀阀的修改的模糊控制 |
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
Non-Patent Citations (1)
Title |
---|
仿人模糊神经网络控制器的设计和实现;张弘;《微计算机信息》;20091231;第25卷(第3-1期);第56-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111176115A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176115B (zh) | 基于模糊神经网络和仿人智能控制的阀位控制方法 | |
CN111812968B (zh) | 基于模糊神经网络pid控制器的阀位串级控制方法 | |
CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
CN110161841A (zh) | 一种适用于暂冲式跨声速风洞的前馈-模糊pid控制方法 | |
CN111007716A (zh) | 基于预测函数的交流伺服电机变论域模糊pi控制方法 | |
CN115157238A (zh) | 一种多自由度机器人动力学建模和轨迹跟踪方法 | |
CN114509949A (zh) | 一种机器人预定性能的控制方法 | |
Li et al. | Adaptive NN cross backstepping control for nonlinear systems with partial time-varying state constraints and its applications to hyper-chaotic systems | |
CN113093526A (zh) | 一种基于强化学习的无超调pid控制器参数整定方法 | |
CN116700393A (zh) | 一种基于模糊控制的反应釜温度控制方法 | |
Maraba et al. | Speed control of an asynchronous motor using pid neural network | |
CN111538232B (zh) | 基于自适应神经模糊控制的无人行车防摇定位方法及系统 | |
CN109176529B (zh) | 一种空间机器人协调运动的自适应模糊控制方法 | |
CN111077771A (zh) | 一种自整定模糊pid控制方法 | |
Yang et al. | Application of fuzzy neural network PID algorithm in oil pump control | |
CN106371321A (zh) | 一种焦化炉炉膛压力系统模糊网络优化pid控制方法 | |
CN110701187A (zh) | 一种五自由度磁轴承的智能双积分滑模控制方法及设备 | |
JPH075904A (ja) | ニューラルネットワーク制御装置 | |
CN112947606A (zh) | Bp神经网络pid预测控制的锅炉液位控制系统及方法 | |
Dong et al. | Terminal sliding mode attitude tracking control for unmanned vehicle with predefined-time stability | |
CN113741469A (zh) | 一种用于机电系统含预定性能和死区输入约束的输出反馈轨迹跟踪控制方法 | |
Rodriguez et al. | Anti-swing control with hierarchical fuzzy CMAC compensation for an overhead crane | |
Yin et al. | An Adaptive Control Method for Robot Constant Force Polishing Device | |
CN109799765A (zh) | 舵机电液伺服系统智能控制方法 | |
CN114371701B (zh) | 无人艇航向控制方法、控制器、自动舵以及无人艇 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |