CN114637206A - 一种基于双聚类自适应模糊神经网络的重量控制方法 - Google Patents

一种基于双聚类自适应模糊神经网络的重量控制方法 Download PDF

Info

Publication number
CN114637206A
CN114637206A CN202210272014.3A CN202210272014A CN114637206A CN 114637206 A CN114637206 A CN 114637206A CN 202210272014 A CN202210272014 A CN 202210272014A CN 114637206 A CN114637206 A CN 114637206A
Authority
CN
China
Prior art keywords
weight
deviation
cluster
value
clustering
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.)
Granted
Application number
CN202210272014.3A
Other languages
English (en)
Other versions
CN114637206B (zh
Inventor
刘双飞
陈薇
陈梅
杨恺
刘辉
张建飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210272014.3A priority Critical patent/CN114637206B/zh
Publication of CN114637206A publication Critical patent/CN114637206A/zh
Application granted granted Critical
Publication of CN114637206B publication Critical patent/CN114637206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

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

本发明公开了一种基于双聚类自适应模糊神经网络的重量控制方法，是根据现场操作人员习惯，利用已有数据，在没有目标值记录以及专家提出经验的情况下，利用双聚类获得称重仓重量目标值以及称重仓重量偏差、偏差变化率、进料量偏差之间的模糊规则，并利用模糊神经网络对模糊规则进一步学习，最后得到双聚类自适应模糊神经网络控制器，从而能实现对称重仓重量的控制。本发明能自适应获取称重仓重量目标值，并学习操作人员经验以获得双聚类自适应模糊神经网络控制器，从而能实现对称重仓重量的实时控制。

Description

一种基于双聚类自适应模糊神经网络的重量控制方法
技术领域
本发明属于称重仓重量控制领域，具体的说是一种基于双聚类自适应模糊神经网络的重量控制方法。
背景技术
近年来，模糊控制与工业过程相结合的智能控制方案得到更多应用，然而模糊控制过程中的模糊化以及模糊规则依赖于专家经验，这也使得模糊控制的应用存在局限性。人工神经网络可以模拟人脑功能，通过大量数据拟合出类似专家经验的模糊规则，人工神经网络与模糊控制的结合，诞生了模糊神经网络，模糊神经网络可以作为控制器应用到称重仓重量控制中，然而，模糊神经网络隐含层节点的确定仍然依赖于专家经验，同时对于过多的隐含层节点，会导致网络学习时间过长、过少的隐含层节点又无法正确充分反映操作员经验；同时目前多数水泥厂称重仓重量控制仍采用人工经验控制，不同操作员对于称重仓重量期望目标值不同，且无实时称重仓重量目标值记录。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于双聚类自适应模糊神经网络的重量控制方法，以期能自适应获取称重仓重量目标值，并学习操作人员经验以获得双聚类自适应模糊神经网络控制器，从而能实现对称重仓重量的实时控制。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于双聚类自适应模糊神经网络的重量控制方法的特点是应用于由称重仓、称重传感器、皮带秤和控制器所构成的装置中，并按如下步骤进行：
步骤1、利用所述称重传感器实时采集所述称重仓中均匀混合物料的重量数据，从而得到时间段t1～td的重量数据{y1，…，yi，…，yd}；其中，yi为ti时刻的物料重量，i＝1，…，d；
利用所述皮带秤实时采集称重仓的进料量，从而得到时间段t1～td的进料量信息{u1，…，ui，…，ud}，其中，ui为ti时刻称重仓的进料量；
步骤2、给定聚类数k的取值范围为{k1，…，kv…，kn}，其中，kv表示第v个取值；
基于聚类数k的取值范围{k1，…，kv…，kn}，利用K-means聚类对时间段t1～td的重量数据{y1，…，yi，…，yd}分别进行聚类，得到不同取值所对应的簇，其中，令第v个取值kv所对应的簇记为
Figure BDA0003553876490000011
其对应的聚类中心为
Figure BDA0003553876490000012
Cvj表示第v个取值kv对应的第j个簇，cvj表示第v个取值kv对应第j个簇的聚类中心，hv表示第v个取值kv所对应的簇的数量；
步骤3、在聚类数k取值为kv时，计算ti时刻的物料重量yi与所属的第j个簇Cvj中其他物料重量的平均值
Figure BDA0003553876490000021
并计算ti时刻的物料重量yi与其他一个簇中所有物料重量的平均值，从而得到ti时刻的物料重量yi到所有簇物料重量的平均值，并选取最小平均值记为
Figure BDA0003553876490000022
从而利用式(1)得到ti时刻的物料重量yi的轮廓值Svi，进而得到时间段t1～td的重量数据的轮廓值{Sv1，…，Svi，…，Svd}，并求取第v个取值kv对应的平均轮廓值Sv；
Figure BDA0003553876490000023
步骤4、按照步骤3的过程得到聚类数k在不同取值下所对应的平均轮廓值{S1，…，Sv，…，Sn}；
步骤5、在聚类数k取值为kv时，利用式(2)得到簇内误差平方和SSEv：
Figure BDA0003553876490000024
步骤6、按照步骤5的过程得到聚类数k在不同取值下所对应的簇内误差平方和{SSE1，…，SSEv，…，SSEn}；
步骤7、利用双评价标准取得最佳聚类数；
步骤7.1、对平均轮廓值{S1，…，Sv，…，Sn}进行降序排序，得到排序后的平均轮廓值{S′1，…，S′v，…，S′n}；
步骤7.2、对簇内误差平方和{SSE1，…，SSEv，…，SSEn}进行曲线拟合，并将下降幅度变缓时出现的拐点定义为聚类数kmax_SSE；
步骤7.3、初始化v＝1；
步骤7.4、将S′v所对应的聚类数记为kmax_S；
步骤7.5、判断kmax_S＝kmax_SSE是否成立，若成立，则将kmax_SSE即为最佳聚类数目kbest，并执行步骤8；否则，将v+1赋值给v后，判断v＞n是否成立，若成立，则执行步骤7.6；否则，返回步骤7.4顺序执行；
步骤7.6、改变拐点kmax_SSE后返回步骤7.3顺序执行，直至求出时间段t1～td的重量数据{y1，…，yi，…，yd}在给定聚类数范围{k1，…，kv…，kn}内的最佳聚类数目kbest；
步骤8、根据最佳聚类数kbest求出所对应各个簇的聚类中心cbest，对聚类中心cbest进行筛选处理，得到筛选后的k′best个聚类中心并作为各个簇的目标重量值；
步骤9、计算各个簇的目标重量值与各自簇内的物料重量的重量偏差、偏差变化率并分别进行归一化处理，得到归一化后的重量偏差{e1，…，ei，…，ed}、归一化后的偏差变化率{ec1，…，eci，…，ecd}；其中，ei表示归一化后ti时刻的重量偏差，eci表示归一化后的ti时刻的重量偏差变化率；
计算进料偏差并进行数据归一化处理，得到归一化后的进料偏差{eu1，…，eui，…，eud}，其中，eui表示归一化后的ti时刻的进料量偏差；
步骤10、利用减法聚类求出重量偏差的聚类中心{ce1，…，cea，…，cef}、偏差变化率的聚类中心{cec1，…，ceca，…，cecf}以及进料偏差的聚类中心{ceu1，…，ceua，…，ceuf}，重量偏差的密度半径{σe1，…，σea，…，σef}、偏差变化率的密度半径{σec1，…，σeca，…，cσecf}、进料偏差的密度半径{σeu1，…，σeua，…，σeuf}，其中，cea表示重量偏差的第a个聚类中心，σea表示重量偏差的第a个密度半径，ceca表示重量偏差变化率的第a个聚类中心，σeca表示重量偏差变化率的第a个密度半径，ceua表示进料量偏差的第a个聚类中心，σeua表示进料量偏差的第a个密度半径；
利用式(3)-式(5)得到与模糊语言对应的隶属度：
Figure BDA0003553876490000031
Figure BDA0003553876490000032
Figure BDA0003553876490000033
式(3)-式(5)中，μea表示重量偏差的第a个聚类中心对应的隶属度，μeca表示重量偏差变化率的第a个聚类中心对应的隶属度，μeua表示进料量偏差的第a个聚类中心对应的隶属度；
建立模糊规则：如果ei的隶属度为μea且eci的隶属度为μeca，则eui的隶属度为μeua；
步骤11、利用模糊神经网络在模糊规则上对归一化后的重量偏差{e1，…，ei，…，ed}、归一化后的偏差变化率{ec1，…，eci，…，ecd}和归一化后的进料偏差{eu1，…，eui，…，eud}进行学习，得到双聚类自适应模糊神经网络控制器；
步骤12、设定称重仓的目标值ygoal；
步骤13、利用称重传感器采集t时刻所述称重仓的重量yt，并与设定的目标值ygoal比较后得到实时偏差et以及偏差变化率ect，并经过双聚类自适应模糊神经网络控制器的处理后得到进料量偏差eut；
步骤14、对进料量偏差eut进行反归一化，再与t-1时刻的进料量ut-1相加后得到t时刻的进料量ut并传输给皮带秤，返回步骤13。
与现有技术相比，本发明的有益效果在于：
1、本发明可以在没有具体目标值的情况下，通过现有称重仓重量数据，自主寻找到最佳的目标值，利用K-means聚类，通过双评价方式，求出其最佳聚类中心，同时，基于现场实际，通过数据处理，将最佳聚类中心转换成所用数据对应的称重仓重量目标值，解决了无实时称重仓重量目标值记录的问题；
2、本发明可以在没有具体专家经验的情况下，利用减法聚类获取模糊神经网络的先验规则，之后模糊神经网络在先验规则的基础上继续学习，得到双聚类自适应模糊神经网络控制器。通过上述过程，无需专家经验，即可得到合适的模糊神经网络节点数，同时也加快了模糊神经网络的学习速度，此外得到的控制器对于称重仓重量控制具有很好的效果。
附图说明
图1为本发明不同聚类数对应的平均轮廓值图；
图2为本发明不同聚类数对应的簇内误差平方和图；
图3为本发明称重仓重量目标值与实际值图；
图4为本发明双聚类自适应模糊神经网络控制器的控制效果图；
图5为普通模糊神经网络控制器的控制效果图。
具体实施方式
本实施例中，一种基于双聚类自适应模糊神经网络的重量控制方法，是应用于由称重仓(水泥稳流仓)、称重传感器、皮带秤和控制器所构成的装置中，并按如下步骤进行：
步骤1、利用称重传感器实时采集称重仓中均匀混合物料的重量数据，从而得到时间段t1～td的重量数据{y1，…，yi，…，yd}；其中，yi为ti时刻的物料重量，i＝1，…，d；
利用皮带秤实时采集称重仓的进料量，从而得到时间段t1～td的进料量信息{u1，…，ui，…，ud}，其中，ui为ti时刻称重仓的进料量；
本实施例中，取得水泥厂26多个小时称重仓重量、进料量数据，间隔2s取值，共有数据46700条数据。
步骤2、给定聚类数k的取值范围为{k1，…，kv…，kn}，其中，kv表示第v个取值；
基于聚类数k的取值范围{k1，…，kv…，kn}，利用K-means聚类对时间段t1～td的重量数据{y1，…，yi，…，yd}分别进行聚类，得到不同取值所对应的簇，其中，令第v个取值kv所对应的簇记为
Figure BDA0003553876490000041
其对应的聚类中心为
Figure BDA0003553876490000042
Cvj表示第v个取值kv对应的第j个簇，cvj表示第v个取值kv对应第j个簇的聚类中心，hv表示第v个取值kv所对应的簇的数量；
步骤3、在聚类数k取值为kv时，计算ti时刻的物料重量yi与所属的第j个簇Cvj中其他物料重量的平均值
Figure BDA0003553876490000051
并计算ti时刻的物料重量yi与其他一个簇中所有物料重量的平均值，从而得到ti时刻的物料重量yi到所有簇物料重量的平均值，并选取最小平均值记为
Figure BDA0003553876490000052
从而利用式(1)得到ti时刻的物料重量yi的轮廓值Svi，进而得到时间段t1～td的重量数据的轮廓值{Sv1，…，Svi，…，Svd}，并求取第v个取值kv对应的平均轮廓值Sv；
Figure BDA0003553876490000053
步骤4、按照步骤3的过程得到聚类数k在不同取值下所对应的平均轮廓值{S1，…，Sv，…，Sn}；
步骤5、在聚类数k取值为kv时，利用式(2)得到簇内误差平方和SSEv：
Figure BDA0003553876490000054
步骤6、按照步骤5的过程得到聚类数k在不同取值下所对应的簇内误差平方和{SSE1，…，SSEv，…，SSEn}；
步骤7、利用双评价标准取得最佳聚类数；
步骤7.1、对平均轮廓值{S1，…，Sv，…，Sn}进行降序排序，得到排序后的平均轮廓值{S′1，…，S′v，…，S′n}；
步骤7.2、对簇内误差平方和{SSE1，…，SSEv，…，SSEn}进行曲线拟合，并将下降幅度变缓时出现的拐点定义为聚类数kmax_SSE；
步骤7.3、初始化v＝1；
步骤7.4、将S′v所对应的聚类数定义为聚类数kmax_S；
步骤7.5、判断kmax_S＝kmax_SSE是否成立，若成立，则将kmax_SSE即为最佳聚类数目kbest，并执行步骤8；否则，将v+1赋值给v后，判断v＞n是否成立，若成立，则执行步骤7.6；否则，返回步骤7.4顺序执行；
步骤7.6、改变拐点kmax_SSE后返回步骤7.3顺序执行，直至求出时间段t1～td的重量数据{y1，…，yi，…，yd}在给定聚类数范围{k1，…，kv…，kn}内的最佳聚类数目kbest；
步骤8、根据最佳聚类数kbest求出所对应各个簇的聚类中心cbest，对聚类中心cbest进行筛选处理，得到筛选后的k′best个聚类中心并作为各个簇的目标重量值；
本实施例中，给定聚类数k范围(1，10)，进行K-means聚类，得到不同聚类数对应的平均轮廓值图，如图1所示，不同聚类数对应的簇内误差平方和图，如图2所示。通过图1可以选出聚类数kmax_S＝2，通过图2可选出kmax_SSE＝2，此时kmax_S＝kmax_SSE，因此可以求出最佳聚类数kbest＝2。基于最佳聚类数利用K-means聚类算法求出的最佳聚类中心并不能作为最后的称重仓重量目标值，按照现场实际情况，通过数据处理，按范围将在短时间内多次改变的聚类中心值改为占比最大的值，经过上述数据处理，得到最后的称重仓重量的目标值，如图3所示，称重仓重量目标值为26.2384t、31.2382t
步骤9、计算各个簇的目标重量值与各自簇内的物料重量的重量偏差、偏差变化率并分别进行归一化处理，得到归一化后的重量偏差{e1，…，ei，…，ed}、归一化后的偏差变化率{ec1，…，eci，…，ecd}；其中，ei表示归一化后ti时刻的重量偏差，eci表示归一化后的ti时刻的重量偏差变化率；
计算进料偏差并进行数据归一化处理，得到归一化后的进料偏差{eu1，…，eui，…，eud}，其中，eui表示归一化后的ti时刻的进料量偏差；
步骤10、利用减法聚类求出重量偏差、偏差变化率以及进料偏差的聚类中心{ce1，…，cea，…，cef}、{cec1，…，ceca，…，cecf}、{ceu1，…，ceua，…，ceuf}，密度半径{σe1，…，σea，…，σef}、{σec1，…，σeca，…，cσecf}、{σeu1，…，σeua，…，σeuf}，其中，cea表示重量偏差的第a个聚类中心，σea表示重量偏差的第a个密度半径，ceca表示重量偏差变化率的第a个聚类中心，σeca表示重量偏差变化率的第a个密度半径，ceua表示进料量偏差的第a个聚类中心，σeua表示进料量偏差的第a个密度半径；
利用式(3)～式(5)得到跟模糊语言对应的隶属度：
Figure BDA0003553876490000061
Figure BDA0003553876490000062
Figure BDA0003553876490000063
式(3)～式(5)中，μea表示重量偏差的第a个聚类中心对应的隶属度，μeca表示重量偏差变化率的第a个聚类中心对应的隶属度，μeua表示进料量偏差的第a个聚类中心对应的隶属度；
建立模糊规则：如果ei的隶属度为μea且eci的隶属度为μeca，则eui的隶属度为μeua；
经过减法聚类求得重量偏差、偏差变化率以及进料偏差各有3个聚类中心，共3个对应关系，因此初始模糊规则中，各有3个模糊语言，共3条规则。
步骤11、利用模糊神经网络在模糊规则上对归一化后的重量偏差{e1，…，ei，…，ed}、归一化后的偏差变化率{ec1，…，eci，…，ecd}和归一化后的进料偏差{eu1，…，eui，…，eud}进行学习，得到双聚类自适应模糊神经网络控制器；
步骤12、设定称重仓的目标值ygoal；
步骤13、利用称重传感器采集t时刻称重仓的重量yt，并与设定的目标值ygoal比较后得到实时偏差et以及偏差变化率ect，并经过双聚类自适应模糊神经网络控制器的处理后得到进料量偏差eut；
步骤14、对进料量偏差eut进行反归一化后，与t-1时刻的进料量ut-1相加后得到t时刻的进料量ut并传输给皮带秤后，返回步骤13。
为验证基于双聚类自适应模糊神经网络的重量控制方法的有效性及优越性，采用MATLAB仿真进行实验。由于需要得到控制量即进料量，而所用双聚类自适应模糊神经网络控制器输出为进料量增量，因此设定了进料量稳定值为270t/h。为模拟工程现场，在运行程序进行仿真的过程中，分别在运行10000步、20000步、30000步时改变称重仓重量设定值，分别设定为23、24、30、25，利用双聚类自适应模糊神经网络控制器以及普通模糊神经网络控制器分别进行控制，得到的曲线图如图4以及图5所示：
通过图5可以看到，在控制过程中，当设定值在23、24时，普通模糊神经网络控制器可以很好控制进料量，使模型输出跟随设定值；当设定值改变为30时，控制器无法继续控制进料量，当设定值增加到30t，进料量反而减少，说明普通模糊神经网络学习得到的控制器规则部分有误，导致预测输出与设定值相差过大；控制器并不能很好的适应设定值的改变。
双聚类自适应模糊神经网络控制器相较于普通的模糊神经网络控制器，它在控制过程中没有过大的跳变，不会对实际工程现场造成危害，同时当设定值改变时，双聚类自适应模糊神经网络控制器能迅速做出反应，调节进料量，使得实际仓重值跟随设定值，其次，经过双聚类自适应模糊神经网络控制器控制后，仓重设定值与实际值误差只有0.5059，误差远远低于普通的模糊神经网络控制器，总体来说，双聚类自适应模糊神经网络控制器的控制效果好于普通的模糊神经网络控制器。

Claims (1)

1.一种基于双聚类自适应模糊神经网络的重量控制方法，其特征是应用于由称重仓、称重传感器、皮带秤和控制器所构成的装置中，并按如下步骤进行：
步骤1、利用所述称重传感器实时采集所述称重仓中均匀混合物料的重量数据，从而得到时间段t1～td的重量数据{y1，…，yi，…，yd}；其中，yi为ti时刻的物料重量，i＝1，…，d；
利用所述皮带秤实时采集称重仓的进料量，从而得到时间段t1～td的进料量信息{u1，…，ui，…，ud}，其中，ui为ti时刻称重仓的进料量；
步骤2、给定聚类数k的取值范围为{k1，…，kv…，kn}，其中，kv表示第v个取值；
基于聚类数k的取值范围{k1，…，kv…，kn}，利用K-means聚类对时间段t1～td的重量数据{y1，…，yi，…，yd}分别进行聚类，得到不同取值所对应的簇，其中，令第v个取值kv所对应的簇记为
Figure FDA0003553876480000014
其对应的聚类中心为
Figure FDA0003553876480000015
Cvj表示第v个取值kv对应的第j个簇，cvj表示第v个取值kv对应第j个簇的聚类中心，hv表示第v个取值kv所对应的簇的数量；
步骤3、在聚类数k取值为kv时，计算ti时刻的物料重量yi与所属的第j个簇Cvj中其他物料重量的平均值
Figure FDA0003553876480000016
并计算ti时刻的物料重量yi与其他一个簇中所有物料重量的平均值，从而得到ti时刻的物料重量yi到所有簇物料重量的平均值，并选取最小平均值记为
Figure FDA0003553876480000013
从而利用式(1)得到ti时刻的物料重量yi的轮廓值Svi，进而得到时间段t1～td的重量数据的轮廓值{Sv1，…，Svi，…，Svd}，并求取第v个取值kv对应的平均轮廓值Sv；
Figure FDA0003553876480000011
步骤4、按照步骤3的过程得到聚类数k在不同取值下所对应的平均轮廓值{S1，…，Sv，…，Sn}；
步骤5、在聚类数k取值为kv时，利用式(2)得到簇内误差平方和SSEv：
Figure FDA0003553876480000012
步骤6、按照步骤5的过程得到聚类数k在不同取值下所对应的簇内误差平方和{SSE1，…，SSEv，…，SSEn}；
步骤7、利用双评价标准取得最佳聚类数；
步骤7.1、对平均轮廓值{S1，…，Sv，…，Sn}进行降序排序，得到排序后的平均轮廓值{S′1，…，S′v，…，S′n}；
步骤7.2、对簇内误差平方和{SSE1，…，SSEv，…，SSEn}进行曲线拟合，并将下降幅度变缓时出现的拐点定义为聚类数kmax_SSE；
步骤7.3、初始化v＝1；
步骤7.4、将S′v所对应的聚类数记为kmax_S；
步骤7.5、判断kmax_S＝kmax_SSE是否成立，若成立，则将kmax_SSE即为最佳聚类数目kbest，并执行步骤8；否则，将v+1赋值给v后，判断v＞n是否成立，若成立，则执行步骤7.6；否则，返回步骤7.4顺序执行；
步骤7.6、改变拐点kmax_SSE后返回步骤7.3顺序执行，直至求出时间段t1～td的重量数据{y1，…，yi，…，yd}在给定聚类数范围{k1，…，kv…，kn}内的最佳聚类数目kbest；
步骤8、根据最佳聚类数kbest求出所对应各个簇的聚类中心cbest，对聚类中心cbest进行筛选处理，得到筛选后的k′best个聚类中心并作为各个簇的目标重量值；
步骤9、计算各个簇的目标重量值与各自簇内的物料重量的重量偏差、偏差变化率并分别进行归一化处理，得到归一化后的重量偏差{e1，…，ei，…，ed}、归一化后的偏差变化率{ec1，…，eci，…，ecd}；其中，ei表示归一化后ti时刻的重量偏差，eci表示归一化后的ti时刻的重量偏差变化率；
计算进料偏差并进行数据归一化处理，得到归一化后的进料偏差{eu1，…，eui，…，eud}，其中，eui表示归一化后的ti时刻的进料量偏差；
步骤10、利用减法聚类求出重量偏差的聚类中心{ce1，…，cea，…，cef}、偏差变化率的聚类中心{cec1，…，ceca，…，cecf}以及进料偏差的聚类中心{ceu1，…，ceua，…，ceuf}，重量偏差的密度半径{σe1，…，σea，…，σef}、偏差变化率的密度半径{σec1，…，σeca，…，cσecf}、进料偏差的密度半径{σeu1，…，σeua，…，σeuf}，其中，cea表示重量偏差的第a个聚类中心，σea表示重量偏差的第a个密度半径，ceca表示重量偏差变化率的第a个聚类中心，σeca表示重量偏差变化率的第a个密度半径，ceua表示进料量偏差的第a个聚类中心，σeua表示进料量偏差的第a个密度半径；
利用式(3)-式(5)得到与模糊语言对应的隶属度：
Figure FDA0003553876480000021
Figure FDA0003553876480000022
Figure FDA0003553876480000023
式(3)-式(5)中，μea表示重量偏差的第a个聚类中心对应的隶属度，μeca表示重量偏差变化率的第a个聚类中心对应的隶属度，μeua表示进料量偏差的第a个聚类中心对应的隶属度；
建立模糊规则：如果ei的隶属度为μea且eci的隶属度为μeca，则eui的隶属度为μeua；
步骤11、利用模糊神经网络在模糊规则上对归一化后的重量偏差{e1，…，ei，…，ed}、归一化后的偏差变化率{ec1，…，eci，…，ecd}和归一化后的进料偏差{eu1，…，eui，…，eud}进行学习，得到双聚类自适应模糊神经网络控制器；
步骤12、设定称重仓的目标值ygoal；
步骤13、利用称重传感器采集t时刻所述称重仓的重量yt，并与设定的目标值ygoal比较后得到实时偏差et以及偏差变化率ect，并经过双聚类自适应模糊神经网络控制器的处理后得到进料量偏差eut；
步骤14、对进料量偏差eut进行反归一化，再与t-1时刻的进料量ut-1相加后得到t时刻的进料量ut并传输给皮带秤，返回步骤13。
CN202210272014.3A 2022-03-18 2022-03-18 一种基于双聚类自适应模糊神经网络的重量控制方法 Active CN114637206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210272014.3A CN114637206B (zh) 2022-03-18 2022-03-18 一种基于双聚类自适应模糊神经网络的重量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210272014.3A CN114637206B (zh) 2022-03-18 2022-03-18 一种基于双聚类自适应模糊神经网络的重量控制方法

Publications (2)

Publication Number Publication Date
CN114637206A true CN114637206A (zh) 2022-06-17
CN114637206B CN114637206B (zh) 2024-03-29

Family

ID=81949421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210272014.3A Active CN114637206B (zh) 2022-03-18 2022-03-18 一种基于双聚类自适应模糊神经网络的重量控制方法

Country Status (1)

Country Link
CN (1) CN114637206B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109456A (zh) * 2023-04-03 2023-05-12 成都大学 一种智慧教育综合评价方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05274149A (ja) * 1992-03-30 1993-10-22 Toshiba Corp ファジィ制御方法
CN110188837A (zh) * 2019-06-25 2019-08-30 长春工业大学 一种基于模糊神经的mvb网络故障诊断方法
CN111915246A (zh) * 2020-06-28 2020-11-10 河南工业大学 一种粮仓储粮数量平行检测方法
EP3859287A1 (de) * 2020-01-28 2021-08-04 Bühler AG Intelligente anlagesteuerung und dosiervorrichtung

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05274149A (ja) * 1992-03-30 1993-10-22 Toshiba Corp ファジィ制御方法
CN110188837A (zh) * 2019-06-25 2019-08-30 长春工业大学 一种基于模糊神经的mvb网络故障诊断方法
EP3859287A1 (de) * 2020-01-28 2021-08-04 Bühler AG Intelligente anlagesteuerung und dosiervorrichtung
CN111915246A (zh) * 2020-06-28 2020-11-10 河南工业大学 一种粮仓储粮数量平行检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李战明;刘琳博;: "基于模糊RBF网络PI控制的谐波电流抑制方法", 自动化技术与应用, no. 12, 25 December 2016 (2016-12-25) *
王飞等: "基于模糊决策方法的转子系统优化设计", 《机械设计与制造》, 8 July 2019 (2019-07-08) *
陈梅等: "The DC-ANFIS Cnotral of The Steady Flow Weighing Bin Weight_Mei Chen", 《第41届中国控制会议论文集》, 25 July 2022 (2022-07-25) *
陈梅等: "The DC-ANFIS Control of The Steady Flow Weighing Bin Weight", 《第41届中国控制会议论文集》, 25 July 2022 (2022-07-25) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109456A (zh) * 2023-04-03 2023-05-12 成都大学 一种智慧教育综合评价方法、系统、电子设备及存储介质
CN116109456B (zh) * 2023-04-03 2023-07-28 成都大学 一种智慧教育综合评价方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN114637206B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN1043543C (zh) 推断装置
CN109472397B (zh) 基于粘度变化的聚合工艺参数调节方法
CN111144552B (zh) 一种粮食品质多指标预测方法及装置
CN114637206B (zh) 一种基于双聚类自适应模糊神经网络的重量控制方法
CN110033081A (zh) 一种确定学习率的方法和装置
CN107330902A (zh) 基于Arnold变换的混沌遗传BP神经网络图像分割方法
CN113219871B (zh) 一种养护室环境参数检测系统
Khan et al. Neufuz: Neural network based fuzzy logic design algorithms
CN106499656A (zh) 一种风扇风速智能控制方法
CN111507365A (zh) 一种基于模糊聚类的置信规则自动生成方法
Lobbrecht et al. Control of water levels in polder areas using neural networks and fuzzy adaptive systems
Civelekoglu et al. Modelling of COD removal in a biological wastewater treatment plant using adaptive neuro-fuzzy inference system and artificial neural network
CN110119165B (zh) 一种水产养殖池塘溶解氧检测装置
Mishra et al. Neuro-fuzzy models and applications
CN116852665A (zh) 一种基于混合模型的注塑工艺参数智能调节方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN113885324A (zh) 一种建筑智能用电控制方法及系统
Sood et al. A hybrid ANN-BFOA approach for optimization of FDM process parameters
CN116976192A (zh) 一种基于js-bp模型的模锻件缺陷精准修型工艺参数决策方法
CN105651941B (zh) 一种基于分解-聚合策略的卷烟感官智能评估系统
Salehi et al. Development of neuro-fuzzifiers for qualitative analyses of milk yield
CN109142167B (zh) 一种磨矿粒度的在线鲁棒正则软测量模型的建立方法
Bridges et al. Techniques for development of swine performance response surfaces
CN108508149A (zh) 一种基于污染源溯源的药效提升空气检测系统
Cook et al. A sensitivity analysis of a back-propagation neural network for manufacturing process parameters

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