CN114020063B - 一种基于模糊神经网络的中药饮片润药温度预测控制方法 - Google Patents

Abstract

本发明涉及一种基于模糊神经网络的中药饮片润药温度预测控制方法，根据中药饮片气相置换润药过程温度控制结构，采用模糊神经网络预测模型，通过极小化未来一段时间内的润药室温度跟踪偏差与蒸汽阀开度的二次型性能指标函数，实时计算中药饮片气相置换润药过程蒸汽阀开度的大小，实现中药饮片气相置换润药过程润药温度跟踪设定值的优化自动控制。本发明解决了中药饮片气相置换润药过程温度难以控制的问题，能够更好的控制中药饮片的润化过程，最大限度保留药效成分，提高临床疗效，降低产品损耗率。

Description

一种基于模糊神经网络的中药饮片润药温度预测控制方法

技术领域

本发明属于非电变量的控制或调节系统的技术领域，特别涉及一种中药饮片生产过程自动控制领域、基于模糊神经网络的中药饮片润药温度预测控制方法。

背景技术

中药饮片是中药材按中医药理论、中药炮制方法，经过加工炮制后，可直接用于中医临床的制成品。中药饮片质量的核心在于中药炮制环节，中药炮制是指在中医理论的指导下，按中医用药要求将中药材加工成中药饮片的传统方法和技术，药物经炮制后，不仅可以提高药效、降低药物的毒副作用，而且方便存储，是中医临床用药的必备工序。

在中药饮片炮制领域，中药材的润药工艺一直是中药饮片生产中非常关键的工艺环节，中药材的润药过程会直接影响炮制过程的好坏，进而影响中药饮片质量。气相置换法是中药饮片润药工艺中最常用的方法之一，它的基本原理是将装有中药饮片的密闭箱体抽成真空，使中药饮片内部空隙也成真空状态，当有高温蒸汽注入时，蒸汽进入中药饮片内部的空隙，中药饮片的亲水物质便吸水而软化，完成中药饮片的润药操作。

通过对现有中药饮片气相置换润药过程温度控制方法的文献的检索发现，目前中药饮片气相置换润药过程温度控制方法主要是手动控制方法、开关定时控制方法和PID控制方法，但手动控制和开关定时控制方法不能随着中药饮片种类和数量的变化自动调节润药箱内的温度，造成热量和蒸汽资源的浪费以及润药效果不佳，而PID控制方法则不能准确控制中药饮片润药过程中的温度，从而造成一些热敏性中药饮片发生化学成分上的变化。随着加工精度的加深，工艺的不断复杂化，中药饮片润药过程中非线性，时变性和不确定性导致很难得到精确的动力学模型，基于一定经验基础的“灰箱”模型也存在特定现象特定处理的局限性，传统控制已经显得力不从心。

发明内容

针对中药饮片气相置换润药过程中温度难以控制的问题，本发明提出一种基于模糊神经网络的中药饮片润药温度预测控制方法，在中药饮片气相置换润药过程中，应对流程工艺的复杂精细化以及中药饮片数量、种类的多样性，解决中药饮片气相置换润药过程中的非线性、时变性问题，在保证中药饮片润药质量的前提下实现节能和增效的需要，得到良好的控制效果。

本发明解决其技术问题所采用的技术方案是：一种基于模糊神经网络的中药饮片润药温度预测控制方法，所述方法包括以下步骤：

步骤1：设定中药饮片气相置换润药室温度目标值r，获得k时刻的润药室蒸汽阀门开度历史数据U_k-1，及对应的润药室温度历史数据Y_k-1；

优选地，所述步骤1中，U_k-1＝[u(k-1),u(k-2),…,u(k-m)]^T，其中，u(k-1)对应第k-1时刻蒸汽阀门开度，u(k-m)对应第k-m时刻蒸汽阀门开度，m是输入的蒸汽阀门开度历史数据的个数，m为正整数；

Y_k-1＝[y(k-1),y(k-2),…,y(k-n)]^T，其中，y(k-1)对应第k-1时刻润药室温度，y(k-n)对应第k-n时刻润药室温度，n是输出的润药室温度历史数据的个数，n为正整数。

本发明中，给定中药饮片气相置换润药室温度目标值r，输入为蒸汽阀门开度u，输出为润药室温度y，在k时刻的润药室蒸汽阀门开度历史数据为U_k-1，在k时刻的润药室温度历史数据为Y_k-1，其中U_k-1＝[u(k-1),u(k-2),…,u(k-m)]^T，Y_k-1＝[y(k-1),y(k-2),…,y(k-n)]^T，u(k-1)为第k-1时刻蒸汽阀门开度，u(k-2)为第k-2时刻蒸汽阀门开度，u(k-m)为第k-m时刻蒸汽阀门开度，y(k-1)为第k-1时刻润药室温度，y(k-2)为第k-2时刻润药室温度，y(k-n)为第k-n时刻润药室温度，m是输入的蒸汽阀门开度历史数据的个数，n是输出的润药室温度历史数据的个数，一般情况下，取m＝n，上标T表示向量的转置。

步骤2：设定一引入模糊逻辑运算的四层自适应神经网络f；

优选地，所述四层自适应神经网络包括顺次设置的输入层、隶属层、规则层和输出层。

本发明中，神经网络是一个引入模糊逻辑运算的四层自适应神经网络，兼备模糊逻辑和神经网络的优势。基于模糊神经网络的非线性预测模型是黑箱模型，反映了中药饮片气相置换润药过程的输入与输出之间的一种直接因果关系；历史润药室数据是按给定原则选取的输入输出数据对，给定原则包括：

(a)时效性，即所选历史润药室数据属于2个月内的生产数据；

(b)普适性，即所选历史润药室数据尽可能覆盖已知波动范围，尽量减少极端异常润药室数据，经过数据预处理，获得历史润药室的输入输出数据对。

步骤3：以蒸汽阀门开度历史数据和润药室温度历史数据训练步骤2的神经网络，得到稳定的神经网络拟合的映射关系y(k)＝f(Y_k-1,U_k-1)；

优选地，所述步骤3中，输入层中，节点数为l，各节点的输入和输出映射关系为式(1)：

x_i＝δ_i,i＝1,2,…,l (1)

其中，δ_i为第i个节点的输入信息，δ＝[δ₁,δ₂,…,δ_l]^T＝[y(k-1),y(k-2),…,y(k-n),u(k-1),u(k-2),…,u(k-m)]^T，输出列向量

x＝[x₁,x₂,…,x_l]^T＝[y(k-1),y(k-2),…,y(k-n),u(k-1),u(k-2),…,u(k-m)]^T，x_i为列向量x的第i个元素，如x₁为列向量x的第1个元素，x₂为列向量x的第2个元素，x_l为列向量x的第l个元素，l＝n+m；

所述隶属层中各个节点的隶属函数为式(2)：

其中，μ_ij为x_i的第j个隶属度，exp表示指数函数，c_ij和σ_ij分别为x_i的第j个隶属函数的中心和宽度，s为规则层的节点数；

所述规则层中各个节点的模糊规则见式(3)：

其中，φ_j为第j个规则节点的输出，该层的规范化输出为式(4)：

其中，h_j为第j个规则节点的规范化输出，g＝1,2,...s；

由于规则节点的输出是通过对隶属函数求乘积得到，不同的x具有s个隶属度，通过对应乘积，可以得到s个规则节点的输出，所以隶属函数和规则节点以j进行关联；

所述输出层中，节点数为q，各个节点的输出为式(5)：

其中y_q为第q个节点的输出，w_jq为第j个规则节点和第q个节点输出之间的连接权重；

得到采样离散形式表示的中药饮片气相置换润药过程温度动态特性，为式(6)：

y(k)＝f(Y_k-1,U_k-1) (6)

其中，f为模糊神经网络拟合的映射关系。

本发明中，步骤3利用润药室历史数据对模糊神经网络进行训练，得到中药饮片气相置换润药过程的输入输出非线性预测模型。

步骤4：基于步骤3得到的关系，预测中药饮片气相置换润药过程中预测时域内输出温度向量Y_f(k+1)，以正整数P为预测时域；

优选地，所述步骤4中，预测中药饮片气相置换润药过程未来的输出温度y_f(k+j)，j＝1,2,...,P，得到，

y_f(k+j)＝f(Y_k+j-1,U_k+j-1)＝f(y(k+j-1),y(k+j-2),…,y(k+j-n),

u(k+j-1),u(k+j-2),…,u(k+j-m)) (7)

其中，正整数P为预测时域，令Y_f(k+1)＝[y_f(k+1),y_f(k+2),…,y_f(k+P)]^T，为预测输出温度向量，m是输入的蒸汽阀门开度历史数据的个数，n是输出的润药室温度历史数据的个数。

步骤5：测量当前时刻k的的实际润药室温度y(k)，获得实际润药室温度y(k)与预测润药室温度y_f(k)的温度误差e(k)，以温度误差e(k)对Y_f(k+1)进行校正，得到校正后的输出温度向量Y_c(k+1)；

优选地，所述步骤5中，测量当前时刻的润药室温度y(k)，用于反馈校正润药室预测输出温度，采用实际润药室输出温度与y(k)间的误差e(k)进行校正，得到k时刻润药过程的预测校正温度y_c(k+j)，j＝1,2,...,P，得到，

y_c(k+j)＝y_f(k+j)+e(k) (8)

令向量Y_c(k+1)＝[y_c(k+1),y_c(k+2),…,y_c(k+P)]^T为校正输出温度向量。

优选地，校正输出温度向量、预测输出温度向量和温度误差的关联式为式(9)：

Y_c(k+1)＝Y_f(k+1)+Ge(k) (9)

其中，e(k)＝y(k)-y_f(k)，为k时刻润药室实际输出温度y(k)与预测温度y_f(k)的偏差，G为校正矩阵，G为单位矩阵。

步骤6：设置参考温度轨迹向量Y_r(k+1)，用于辅助输出温度沿轨迹到达润药室温度目标值r；

优选地，所述步骤6中，Y_r(k+1)＝[y_r(k+1),y_r(k+2),…,y_r(k+P)]^T，Y_r(k+1)为润药过程的参考输出温度向量，y_r(k+j)为参考输出温度轨迹，可使润药过程未来输出温度能沿着设定轨迹平稳的到达设定值j＝1,2,...,P，得到，

y_r(k+j)＝c^jy(k)+(1-c^j)r (10)

其中，系数

T₁为润药过程时间常数，T₂为润药过程采样周期，T₁>T₂，r为润药室温度目标值。

步骤7：基于Y_c(k+1)和Y_r(k+1)建立二次型性能指标函数J(k)；

优选地，所述步骤7中，二次型性能指标函数J(k)为式(11)：

J(k)＝[Y_c(k+1)-Y_r(k+1)]^TQ[Y_c(k+1)-Y_r(k+1)]+U(k)^TRU(k) (11)

其中，U(k)＝[u(k),u(k+1),…,u(k+M-1)]，M为控制时域，

为误差权重矩阵，

为控制量权重矩阵，q₁,q₂,…,q_P分别对应P个(第1，2,…,P个)误差变量的权重，r₁,r₂,…,r_M分别对应M个(第1，2,…,M个)控制量的权重，矩阵Q和R为预设；取M＝P。

本发明中，将校正输出温度向量Y_c(k+1)与参考输出温度向量Y_r(k+1)进行比较，定义得到二次型性能指标函数。

本发明中，取M＝P，用于表示控制量U中u的个数，控制量即对应阀门开度。

步骤8：最小化目标函数J(k)，求得U(k)的最优值，调节润药室蒸汽阀门开度；在下一个采样控制周期时，重新测量润药室温度，循环步骤4至步骤8，直到中药饮片润药过程温度达到目标值。

优选地，所述步骤8中，调节润药室蒸汽阀门开度为，在线滚动优化J(k)，求得U(k)的最优值，取U(k)的第一个元素得到当前时刻中药饮片润药室蒸汽阀门开度的输入值u^*(k)。

本发明提出一种优化的基于模糊神经网络的中药饮片润药温度预测控制方法，技术构思为：根据中药饮片气相置换润药过程温度控制结构，采用模糊神经网络模型作为预测模型，通过极小化未来一段时间内的润药室温度跟踪偏差与蒸汽阀开度的二次型性能指标函数，实时计算中药饮片气相置换润药过程蒸汽阀开度的大小，实现中药饮片气相置换润药过程润药温度跟踪设定值的优化自动控制。

本发明主要执行部分在中药饮片生产过程控制计算机上运行实施。

本方法应用过程可以大致分为三个阶段：

1、参数设置，包括模糊神经网络参数和预测控制器参数：在控制计算机模型导入界面中，导入润药室历史输入输出数据和润药室温度目标值r；在预测控制器参数设置界面中，输入误差权重矩阵Q和控制量权重矩阵R，预测时域P和控制时域M的值，以及时间常数T₁和采样周期T₂；输入参数确认后，由控制计算机将设置数据送入计算机存储单元RAM中保存；

2、离线调试：首先利用润药室历史输入输出数据，计算得到模糊神经网络的权重和隶属度；然后调节控制器，以润药室温度变化1个单位作为测试量，调整预测控制器参数中矩阵Q和R，观察润药室温度和蒸汽阀开度的控制效果，由此确定一个能良好实现润药室温度优化调节的控制器参数；参数矩阵Q和R的取值规则：矩阵Q和R为对角矩阵；参数矩阵Q和R的调整规则：保持一个矩阵不变，调整另一个矩阵与单位对角矩阵的倍数，增大矩阵Q将缩短润药室温度的调节时间，但会增大蒸汽阀的开度；相反，增大矩阵R将延长润药室温度的调节时间，但会减小蒸汽阀的开度；因此，实际调试两个矩阵时，应权衡润药室温度响应的超调量、调节时间、阻尼效应和蒸汽阀开度之间的综合性能；

3、在线运行：启动中药饮片润药控制计算机的CPU读取中药饮片润药过程模糊神经网络模型参数，温度设定值和最佳预测控制器参数，并执行“中药饮片润药过程预测控制程序”，通过在线测量中药饮片润药过程温度的实际值，实时计算蒸汽阀开度，中药饮片润药过程优化控制系统根据蒸汽阀开度的计算结果实时调整蒸汽阀开度，如此周而复始，实现中药饮片气相置换润药过程润药室温度跟踪设定值的优化自动控制。

本发明的有益效果主要表现在：

1.无需使用经验知识，也无需深入了解中药饮片气相置换润药过程控制对象的机理特性，只需使用输入和输出数据就可实现非线性对象的黑箱辨识，辨识过程简单，可调参数少，学习速度快。

2.解决了中药饮片气相置换润药过程温度难以控制的问题，能够更好的控制中药饮片的软化过程，最大限度保留药效成分，提高临床疗效，降低产品损耗率。

附图说明

图1为中药饮片气相置换润药机组成原理图；

图2为中药饮片气相置换润药过程温度控制结构图，其中，带箭头虚线表示电信号流向，带箭头实线表示气体流向；

图3给出了模糊神经网络的结构框图；

图4为基于模糊神经网络的中药饮片气相置换润药过程温度预测控制结构图；

图5为基于模糊神经网络的中药饮片气相置换润药过程温度预测控制算法流程图。

具体实施方式

下面结合附图对本发明的方法作进一步详细说明。

参照图1至图5所示一种基于模糊神经网络的中药饮片润药温度预测控制方法，所述方法包括如下步骤：

1)给定中药饮片气相置换润药室温度目标值r，输入为蒸汽阀门开度u，输出为润药室温度y，在k时刻的润药室蒸汽阀门开度历史数据为U_k-1，在k时刻的润药室温度历史数据为Y_k-1，其中U_k-1＝[u(k-1),u(k-2),…,u(k-m)]^T，Y_k-1＝[y(k-1),y(k-2),…,y(k-n)]^T，u(k-1)为第k-1时刻蒸汽阀门开度，u(k-2)为第k-2时刻蒸汽阀门开度，u(k-m)为第k-m时刻蒸汽阀门开度，y(k-1)为第k-1时刻润药室温度，y(k-2)为第k-2时刻润药室温度，y(k-n)为第k-n时刻润药室温度，m是输入历史数据的个数，n是输出历史数据的个数，上标T表示向量的转置；

2)利用润药室历史数据对模糊神经网络进行训练，得到中药饮片气相置换润药过程的输入输出非线性预测模型，参见式(1)-(6)：

第一层为输入层，该层的节点数为l，各节点的输入和输出映射关系见式(1)：

x_i＝δ_i,i＝1,2,…,l (1)

其中，δ_i为第i个节点的输入信息，δ＝[δ₁,δ₂,…,δ_l]^T＝[y(k-1),y(k-2),…,y(k-n),u(k-1),u(k-2),…,u(k-m)]^T，输出列向量x＝[x₁,x₂,…,x_l]^T＝[y(k-1),y(k-2),…,y(k-n),u(k-1),u(k-2),…,u(k-m)]^T，x₁为列向量x的第1个元素，x₂为列向量x的第2个元素，x_l为列向量x的第l个元素，l＝n+m；

第二层为隶属层，该层各个节点的隶属函数见式(2)：

其中，μ_ij为x_i的第j个隶属度，exp表示指数函数，c_ij和σ_ij分别为x_i的第j个隶属函数的中心和宽度，s为规则层的节点数；

第三层为规则层，该层的节点数为s，各个节点的模糊规则见式(3)：

其中，

为第j个规则节点的输出，该层的规范化输出为

其中h_j为第j个规则节点的规范化输出；

第四层为输出层，该层的节点数为q，各个节点的输出见式(5)：

其中y_q为第q个节点的输出，w_jq为第j个规则节点和第q个节点输出之间的连接权重；

中药饮片气相置换润药过程温度动态特性采样离散形式表示，见式(6)：

y(k)＝f(Y_k-1,U_k-1) (6)

其中f为模糊神经网络拟合的映射关系；

3)通过模糊神经网络非线性模型式(6)，预测中药饮片气相置换润药过程预测时域内输出温度y_f(k+j)，j＝1,2,...,P，正整数P为预测时域参见式(7)；

y_f(k+j)＝f(Y_k+j-1,U_k+j-1)＝f(y(k+j-1),y(k+j-2),…,y(k+j-n),

u(k+j-1),u(k+j-2),…,u(k+j-m)) (7)

其中，正整数P为预测时域，令Y_f(k+1)＝[y_f(k+1),y_f(k+2),…,y_f(k+P)]^T，为预测输出温度向量，m是输入的蒸汽阀门开度历史数据的个数，n是输出的润药室温度历史数据的个数；

4)测量当前时刻k的实际润药室温度y(k)，获得实际润药室温度y(k)与预测润药室温度y_f(k)的温度误差e(k)，采用实际润药室输出温度误差e(k)对Y_f(k+1)进行校正，得到k时刻润药过程的预测校正温度

y_c(k+j)，j＝1,2,...,P，参见式(8)

y_c(k+j)＝y_f(k+j)+e(k) (8)

令向量Y_c(k+1)＝[y_c(k+1),y_c(k+2),…,y_c(k+P)]^T为校正输出温度向量；

则校正输出温度向量、预测输出温度向量和温度误差的关联式参见式(9)：

Y_c(k+1)＝Y_f(k+1)+Ge(k) (9)

其中e(k)＝y(k)-y_f(k)为k时刻润药室实际输出温度y(k)与预测温度y_f(k)的偏差，G为校正矩阵，取为单位阵；

5)为使润药过程未来输出温度能沿着设定轨迹平稳的到达设定值，引入参考温度轨迹y_r(k+j)，j＝1,2,...,P，参见式(10)：

y_r(k+j)＝c^jy(k)+(1-c^j)r (10)

其中，系数

T₁为润药过程时间常数，T₂为润药过程采样周期，T₁>T₂，令向量Y_r(k+1)＝[y_r(k+1),y_r(k+2),…,y_r(k+P)]^T为润药过程的参考输出温度向量，r为润药室温度目标值；

6)将校正输出温度向量Y_c(k+1)与参考输出温度向量Y_r(k+1)进行比较，定义二次型性能指标函数，参见式(11)：

J(k)＝[Y_c(k+1)-Y_r(k+1)]^TQ[Y_c(k+1)-Y_r(k+1)]+U(k)^TRU(k) (11)

其中，U(k)＝[u(k),u(k+1),…,u(k+M-1)]，M为控制时域，

为误差权重矩阵，

为控制量权重矩阵，q₁,q₂,…,q_P分别为第1，2,…,P个误差变量的权重，r₁,r₂,…,r_M分别为第1，2,…,M个控制量的权重，矩阵Q和R是预先选定好的，且M＝P；在线滚动优化式(11)，最小化目标函数J(k)，求得U(k)的最优值，取U(k)的第一个元素得到当前时刻中药饮片润药室蒸汽阀门开度的输入值u^*(k)；在下一个采样控制周期时，重新测量中药饮片润药室温度值，循环以上步骤，直到中药饮片润药过程温度达到目标值。

如图1所示，为中药饮片气相置换润药机组成原理图，中药饮片气相置换润药过程可简述为：

①空气压缩泵开、充气阀和放空阀开；

②抽真空：蒸汽阀关、排污阀关、真空阀开、真空泵开；

③充蒸汽：真空泵关、真空阀关、蒸汽阀开，开始浸润。

如图2所示，为中药饮片气相置换润药过程温度控制结构图，将润药控制器和温度表、压力表、蒸汽阀、真空阀、真空泵相连接，首先润药控制器控制真空阀打开，将润药室抽至真空，然后润药控制器通过温度表反馈回来的润药室温度值，控制蒸汽阀门的开度，从而使润药室温度达到所设定的值。

如图3所示，为模糊神经网络的结构框图，由左至右分别为，输入层、隶属层、规则层和输出层，其中隶属层和规则层运用了模糊逻辑的理念，将所有输入数据按照隶属度进行分类再输出。

如图4所示，为中药饮片气相置换润药过程温度预测控制结构图，给定润药室温度值，通过建立模糊神经网络预测模型，经过反馈校正、在线优化等操作，控制润药室温度达到所设定的温度值。

如图5所示，为中药饮片气相置换润药过程温度预测控制算法流程图，首先根据历史数据获得模糊神经网络的相关参数，然后初始化P、Q、R、M参数值，通过温度表盘得到润药室内温度值，计算出和润药室设定温度值的偏差，通过预测和校正温度值，最小化二次型目标函数等步骤，从而算出蒸汽阀门开度，将蒸汽阀门的开度作用于润药过程温度控制系统，在下一个控制周期时，重新测量润药室内的温度，如此循环往复，直到润药室的温度达到设定值。

Claims (7)

1.一种基于模糊神经网络的中药饮片润药温度预测控制方法，其特征在于：所述方法包括以下步骤：

步骤1：设定中药饮片气相置换润药室温度目标值r，获得k时刻的润药室蒸汽阀门开度历史数据U_k-1，及对应的润药室温度历史数据Y_k-1；

步骤2：设定一引入模糊逻辑运算的四层自适应神经网络f；

步骤3：以蒸汽阀门开度历史数据和润药室温度历史数据训练步骤2的神经网络，得到稳定的神经网络拟合的映射关系y(k)＝f(Y_k-1,U_k-1)；

步骤4：基于步骤3得到的关系，预测中药饮片气相置换润药过程中预测时域内输出温度向量Y_f(k+1)，以正整数P为预测时域；

步骤5：测量当前时刻k的实际润药室温度y(k)，用于反馈校正润药室未来P个时刻的预测输出温度，获得实际润药室温度y(k)与预测润药室温度y_f(k)的温度误差e(k)，以温度误差e(k)对Y_f(k+1)进行校正，得到k时刻润药过程的预测校正温度y_c(k+j)，j＝1,2,...,P，得到，

y_c(k+j)＝y_f(k+j)+e(k) (8)

令向量Y_c(k+1)＝[y_c(k+1),y_c(k+2),…,y_c(k+P)]^T为校正输出温度向量；

步骤6：设置参考温度轨迹向量Y_r(k+1)，用于辅助输出温度沿轨迹到达润药室温度目标值r，

Y_r(k+1)＝[y_r(k+1),y_r(k+2),…,y_r(k+P)]^T，Y_r(k+1)为润药过程的参考输出温度向量，y_r(k+j)为参考输出温度轨迹，j＝1,2,...,P，得到，

y_r(k+j)＝c^jy(k)+(1-c^j)r (10)

其中，系数

T₁为润药过程时间常数，T₂为润药过程采样周期，T₁>T₂，r为润药室温度目标值；

步骤7：基于Y_c(k+1)和Y_r(k+1)建立二次型性能指标函数J(k)，为式(11)：

J(k)＝[Y_c(k+1)-Y_r(k+1)]^TQ[Y_c(k+1)-Y_r(k+1)]+U(k)^TRU(k) (11)

其中，U(k)＝[u(k),u(k+1),…,u(k+M-1)]，M为控制时域，

为误差权重矩阵，

为控制量权重矩阵，q₁,q₂,…,q_P分别对应P个误差变量的权重，r₁,r₂,…,r_M分别对应M个控制量的权重，矩阵Q和R为预设；

步骤8：最小化目标函数J(k)，求得U(k)的最优值，调节润药室蒸汽阀门开度；在下一个采样控制周期时，重新测量润药室温度，循环步骤4至步骤8，直到中药饮片润药过程温度达到目标值。

2.根据权利要求1所述的一种基于模糊神经网络的中药饮片润药温度预测控制方法，其特征在于：所述步骤1中，

U_k-1＝[u(k-1),u(k-2),…,u(k-m)]^T，其中，u(k-1)对应第k-1时刻蒸汽阀门开度，u(k-m)对应第k-m时刻蒸汽阀门开度，m是输入的蒸汽阀门开度历史数据的个数，m为正整数；

Y_k-1＝[y(k-1),y(k-2),…,y(k-n)]^T，其中，y(k-1)对应第k-1时刻润药室温度，y(k-n)对应第k-n时刻润药室温度，n是输出的润药室温度历史数据的个数，n为正整数。

3.根据权利要求2所述的一种基于模糊神经网络的中药饮片润药温度预测控制方法，其特征在于：所述四层自适应神经网络包括顺次设置的输入层、隶属层、规则层和输出层。

4.根据权利要求3所述的一种基于模糊神经网络的中药饮片润药温度预测控制方法，其特征在于：所述步骤3中，输入层中，节点数为l，各节点的输入和输出映射关系为式(1)：

x_i＝δ_i,i＝1,2,…,l (1)

其中，δ_i为第i个节点的输入信息，δ＝[δ₁,δ₂,…,δ_l]^T＝[y(k-1),y(k-2),…,y(k-n),u(k-1),u(k-2),…,u(k-m)]^T，输出列向量x＝[x₁,x₂,…,x_l]^T＝[y(k-1),y(k-2),…,y(k-n),u(k-1),u(k-2),…,u(k-m)]^T，x_i为列向量x的第i个元素，l＝n+m；

所述隶属层中各个节点的隶属函数为式(2)：

其中，μ_ij为x_i的第j个隶属度，exp表示指数函数，c_ij和σ_ij分别为x_i的第j个隶属函数的中心和宽度，s为规则层的节点数；

所述规则层中各个节点的模糊规则见式(3)：

其中，

为第j个规则节点的输出，该层的规范化输出为式(4)：

其中，h_j为第j个规则节点的规范化输出，g＝1,2,...s；

所述输出层中，节点数为q，各个节点的输出为式(5)：

其中y_q为第q个节点的输出，w_jq为第j个规则节点和第q个节点输出之间的连接权重；

得到采样离散形式表示的中药饮片气相置换润药过程温度动态特性，为式(6)：

y(k)＝f(Y_k-1,U_k-1) (6)

其中，f为模糊神经网络拟合的映射关系。

5.根据权利要求1所述的一种基于模糊神经网络的中药饮片润药温度预测控制方法，其特征在于：所述步骤4中，预测中药饮片气相置换润药过程未来的输出温度y_f(k+j)，j＝1,2,...,P，得到，

y_f(k+j)＝f(Y_k+j-1,U_k+j-1)＝f(y(k+j-1),y(k+j-2),…,y(k+j-n),u(k+j-1),u(k+j-2),…,u(k+j-m)) (7)

其中，正整数P为预测时域，令Y_f(k+1)＝[y_f(k+1),y_f(k+2),…,y_f(k+P)]^T，为预测输出温度向量，m是输入的蒸汽阀门开度历史数据的个数，n是输出的润药室温度历史数据的个数。

6.根据权利要求1所述的一种基于模糊神经网络的中药饮片润药温度预测控制方法，其特征在于：校正输出温度向量、预测输出温度向量和温度误差的关联式为式(9)：

Y_c(k+1)＝Y_f(k+1)+Ge(k) (9)

其中，e(k)＝y(k)-y_f(k)，为k时刻润药室实际输出温度y(k)与预测温度y_f(k)的偏差，G为校正矩阵，G为单位矩阵。

7.根据权利要求1所述的一种基于模糊神经网络的中药饮片润药温度预测控制方法，其特征在于：所述步骤8中，调节润药室蒸汽阀门开度为，在线滚动优化J(k)，求得U(k)的最优值，取U(k)的第一个元素得到当前时刻中药饮片润药室蒸汽阀门开度的输入值u^*(k)。

Images