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

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

基于模糊神经网络和仿人智能控制的阀位控制方法

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y_n，并将当前时刻阀门实际位置y_n传送到比较器中；

步骤2，比较器将当前时刻阀门实际位置y_n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e_n和当前时刻阀位偏差变化率Δe_n，并将当前时刻阀位偏差e_n和当前时刻阀位偏差变化率Δe_n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e_n和当前时刻阀位偏差变化率Δe_n的计算式如下：

Δe_n＝e_n-e_n-1

其中，e_n-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e_n和当前时刻阀位偏差变化率Δe_n的信号后，将当前时刻阀位偏差e_n和当前时刻阀位偏差变化率Δe_n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K_P、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K_P的范围为：K_P＞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e_n、当前时刻阀位偏差变化率Δe_n、比例放大增益K_P、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e_n和当前时刻阀位偏差变化率Δe_n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u_n，并将控制输出u_n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|e_n|＞M₁，转到步骤4.2；

若|e_n|≤M₁，则转到步骤4.3；

步骤4.2，当|e_n|＞M₁时，仿人智能控制器工作于Bang-Bang控制模态，

若e_n＞0，u_n＝u_max；

若e_n＜0，u_n＝-u_max；

其中，u_max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|e_n|≤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e_n×Δe_n＞0或Δe_n＝0，e_n≠0，转到步骤4.4；

若e_n×Δe_n＜0或e_n＝0，转到步骤4.5；

步骤4.4，当|e_n|≤M₁，且e_n×Δe_n＞0或Δe_n＝0，e_n≠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K_P，代入控制输出u_n中，

若|e_n|＞M₂，u_n＝u_n-1+K₁K_Pe_n；

若|e_n|≤M₂，u_n＝u_n-1+K_Pe_n；

其中，M₂为给定的稳定状态下阀位偏差允许的最大值，M₂＞0，u_n-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|e_n|≤M₁，且e_n×Δe_n＜0或e_n＝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e_n×Δe_n＜0，Δe_n×Δe_n-1＞0或e_n×Δe_n＜0，Δe_n-1＝0或e_n＝0，转到步骤4.6；

若e_n×Δen＜0，Δe_n×Δe_n-1＜0，转到步骤4.7；

其中，Δe_n-1为前一个时刻阀位偏差变化率，Δe_n-1＝e_n-1-e_n-2，e_n-1为前一时刻阀位偏差、e_n-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u_n为：u_n＝u_n-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K_P和抑制系数K₂，代入控制输出u_n中，

若|e_n|＞M₂，u_n＝u_n-1+K₁K₂K_Pe_n；

若|e_n|≤M₂，u_n＝u_n-1+K₂K_Pe_n；

步骤5，气动执行结构根据接收到的控制信号u_n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ω_kl、高斯隶属度函数的中心c_ij和宽度σ_ij，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：

其中，

表示输入变量x_i的第j个语言变量的隶属度函数。

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y_n，并将当前时刻阀门实际位置y_n传送到比较器中。

步骤2，比较器将当前时刻阀门实际位置y_n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e_n和当前时刻阀位偏差变化率Δe_n，并将当前时刻阀位偏差e_n和当前时刻阀位偏差变化率Δe_n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e_n和当前时刻阀位偏差变化率Δe_n的计算式如下：

Δe_n＝e_n-e_n-1

其中，e_n-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e_n和当前时刻阀位偏差变化率Δe_n的信号后，将当前时刻阀位偏差e_n和当前时刻阀位偏差变化率Δe_n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K_P、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K_P的范围为：K_P＞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e_n、当前时刻阀位偏差变化率Δe_n、比例放大增益K_P、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e_n和当前时刻阀位偏差变化率Δe_n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u_n，并将控制输出u_n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e_n和当前时刻阀位偏差变化率Δe_n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u_n，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|e_n|＞M₁，转到步骤4.2；

若|e_n|≤M₁，则转到步骤4.3；

步骤4.2，当|e_n|＞M₁时，仿人智能控制器工作于磅-磅控制模态，

若e_n＞0，u_n＝u_max；

若e_n＜0，u_n＝-u_max；

其中，u_max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|e_n|≤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e_n×Δe_n＞0或Δe_n＝0，e_n≠0，转到步骤4.4；

若e_n×Δe_n＜0或e_n＝0，转到步骤4.5；

步骤4.4，当|e_n|≤M₁，且e_n×Δe_n＞0或Δe_n＝0，e_n≠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K_P，代入控制输出u_n中，

若|e_n|＞M₂，u_n＝u_n-1+K₁K_Pe_n；

若|e_n|≤M₂，u_n＝u_n-1+K_Pe_n；

其中，M₂为给定的稳定状态下阀位偏差允许的最大值，M₂＞0，u_n-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|e_n|≤M₁，且e_n×Δe_n＜0或e_n＝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e_n×Δe_n＜0，Δe_n×Δe_n-1＞0或e_n×Δe_n＜0，Δe_n-1＝0或e_n＝0，转到步骤4.6；

若e_n×Δe_n＜0，Δe_n×Δe_n-1＜0，转到步骤4.7；

其中，Δe_n-1为前一个时刻阀位偏差变化率，Δe_n-1＝e_n-1-e_n-2，e_n-1为前一时刻阀位偏差、e_n-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u_n为：u_n＝u_n-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K_P和抑制系数K₂，代入控制输出u_n中，

若|e_n|＞M₂，u_n＝u_n-1+K₁K₂K_Pe_n；

若|e_n|≤M₂，u_n＝u_n-1+K₂K_Pe_n；

步骤5，气动执行结构根据接收到的控制信号u_n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ω_kl、高斯隶属度函数的中心c_ij和宽度σ_ij，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：

其中，

表示输入变量x_i的第j个语言变量的隶属度函数。

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＝e_n，x₂＝Δe_n，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α_l，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K_P以及抑制系数K₂的整定结果，K₁，K_P，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c_ij和宽度σ_ij以及归一化层和输出层的连接权值ω_kl，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ω_kl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ω_kl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c_ij的学习算法如下式：

其中，η₂为高斯隶属度函数的中心c_ij的学习率；

所述高斯隶属度函数的宽度σ_ij的学习算法如下式：

其中，η₃为高斯隶属度函数的宽度σ_ij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y_n，并将当前时刻阀门实际位置y_n传送到比较器中；

步骤2，比较器将当前时刻阀门实际位置y_n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e_n和当前时刻阀位偏差变化率Δe_n，并将当前时刻阀位偏差e_n和当前时刻阀位偏差变化率Δe_n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e_n和当前时刻阀位偏差变化率Δe_n的计算式如下：

Δe_n＝e_n-e_n-1

其中，e_n-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e_n和当前时刻阀位偏差变化率Δe_n的信号后，将当前时刻阀位偏差e_n和当前时刻阀位偏差变化率Δe_n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K_P、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K_P的范围为：K_P＞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e_n、当前时刻阀位偏差变化率Δe_n、比例放大增益K_P、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e_n和当前时刻阀位偏差变化率Δe_n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u_n，并将控制输出u_n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|e_n|＞M₁，转到步骤4.2；

若|e_n|≤M₁，则转到步骤4.3；

步骤4.2，当|e_n|＞M₁时，仿人智能控制器工作于Bang-Bang控制模态，

若e_n＞0，u_n＝u_max；

若e_n＜0，u_n＝-u_max；

其中，u_max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|e_n|≤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e_n×Δe_n＞0或Δe_n＝0，e_n≠0，转到步骤4.4；

若e_n×Δe_n＜0或e_n＝0，转到步骤4.5；

步骤4.4，当|e_n|≤M₁，且e_n×Δe_n＞0或Δe_n＝0，e_n≠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K_P，代入控制输出u_n中，

若|e_n|＞M₂，u_n＝u_n-1+K₁K_Pe_n；

若|e_n|≤M₂，u_n＝u_n-1+K_Pe_n；

其中，M₂为给定的稳定状态下阀位偏差允许的最大值，M₂＞0，u_n-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|e_n|≤M₁，且e_n×Δe_n＜0或e_n＝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e_n×Δe_n＜0，Δe_n×Δe_n-1＞0或e_n×Δe_n＜0，Δe_n-1＝0或e_n＝0，转到步骤4.6；

若e_n×Δe_n＜0，Δe_n×Δe_n-1＜0，转到步骤4.7；

其中，Δe_n-1为前一个时刻阀位偏差变化率，Δe_n-1＝e_n-1-e_n-2，e_n-1为前一时刻阀位偏差、e_n-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u_n为：u_n＝u_n-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K_P和抑制系数K₂，代入控制输出u_n中，

若|e_n|＞M₂，u_n＝u_n-1+K₁K₂K_Pe_n；

若|e_n|≤M₂，u_n＝u_n-1+K₂K_Pe_n；

步骤5，气动执行结构根据接收到的控制信号u_n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ω_kl、高斯隶属度函数的中心c_ij和宽度σ_ij，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。

4.根据权利要求3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：

其中，

表示输入变量x_i的第j个语言变量的隶属度函数。

Images