TWI784491B

TWI784491B - 電解過程的自適應模糊控制系統及其方法

Info

Publication number: TWI784491B
Application number: TW110114387A
Authority: TW
Inventors: 王柏東; 王逸惇
Original assignee: 力芯智能有限公司
Priority date: 2021-04-21
Filing date: 2021-04-21
Publication date: 2022-11-21
Also published as: TW202242573A

Abstract

一種電解過程的自適應模糊控制方法，適用於一電解過程的自適應模糊控制系統，其中自適應模糊控制方法包括：接收感測裝置感測電解過程中的控制參數對應的感測數值，其中上述感測數值的表示為多維度矩陣數據；通過卷積神經網路模組以獲取上述感測數值的多個特徵數值；以及通過機率神經網路模組以計算上述多個特徵數值以調整上述控制參數。藉此，本發明可自適應模糊控制電解過程以達成自動化處理。

Description

電解過程的自適應模糊控制系統及其方法

本發明是有關一種電解過程的自適應模糊控制系統及其方法。

從70-90年代的類神經網路需要專家從事人為的特徵擷取(hand-crafted feature extraction)之預處理，常面臨特徵擷取的困難或特徵擷取的品質不佳等問題，而導致類神經網路的輸出結果無法達到期望值。

從1965年盧特菲．澤德(Lotfi Aliasker Zadeh)發表模糊邏輯理論，後來漸漸成為工業廣泛所採用的一種智慧型控制的理論，在許多工業上可程式邏輯控制器(PLC,programmable logic controller)已將模糊邏輯控制納入為智慧型控制功能(Function block)方塊，並且成為PLCopen國際組織所制定的IEC61131-7標準規範，然而使用模糊邏輯控制常面臨模糊歸屬函數(Fuzzy membership function)設定與調適等工程的困難。

並且，深度學習的神經網路需要仰賴大數據(big data)的學習建模與龐大計算資源的支持。然而，自動化設備常面臨稀少或片段的資料收集與崁入式系統運算力不足等困難，以至於深度學習的神經網路難以應用自動化設備與產應的瓶頸。

本發明提供一種電解過程的自適應模糊控制系統及其方法可解決人為特徵擷取、人為調適模糊歸屬函數、深度學習需大數據與龐大計算效能等困難。

本發明所提供的電解過程的自適應模糊控制方法，適用於一電解過程的自適應模糊控制系統，其中自適應模糊控制方法包括：接收感測裝置感測電解過程中的控制參數對應的感測數值，其中感測數值的表示為多維度矩陣數據；通過卷積神經網路模組以獲取感測數值的多個特徵數值；以及通過機率神經網路模組以計算多個特徵數值以調整上述控制參數。

在本發明的一實施例中，上述通過卷積神經網路模組以獲取上述感測數值的多個特徵數值包括：通過具有3*3卷積核的第一子特徵擷取模塊對感測數值進行卷積以獲取第一特徵數據；通過具有2*2卷積核的第二子特徵擷取模塊對第一特徵數據進行池化以獲取第二特徵數據；以及通過扁平化模塊對第二特徵數據進行扁平化以獲取一維度的上述多個特徵數值。

在本發明的一實施例中，上述通過機率神經網路模組計算上述多個特徵數值以調整上述控制參數包括：通過輸入模塊以接收多個特徵數值；通過模糊化模塊對多個特徵數值建立多個機率密度分佈空間；通過解模糊化模塊對多個機率密度分佈空間建立決策分佈空間；以及通過輸出模塊以根據決策分佈空間預測上述控制參數。

本發明所提供的電解過程的自適應模糊控制系統包括：感測裝置，以及耦接感測裝置的控制裝置。上述感測裝置用以感測電解過程中的控制參數對應的感測數值，其中感測數值的表示為多維度矩陣數據。上述控制裝置包括：卷積神經網路模組以及機率神經網路模組，其中卷積神經網路模組用以獲取上述感測數值的多個特徵數值，機率神經網路模組用以計算上述多個特徵數值以調整上述控制參數。

在本發明的一實施例中，上述卷積神經網路模組包括：具有3*3卷積核的第一子特徵擷取模塊、具有2*2卷積核的第二子特徵擷取模塊、以及扁平化模塊。上述具有3*3卷積核的第一子特徵擷取模塊用以對上述感測數值進行卷積以獲取第一特徵數據。上述具有2*2卷積核的第二子特徵擷取模塊用以對上述第一特徵數據進行池化以獲取第二特徵數據。上述扁平化模塊用以對上述第二特徵數據進行扁平化以獲取一維度的上述多個特徵數值。

在本發明的一實施例中，上述機率神經網路模組包括：輸入模塊、模糊化模塊、解模糊化模塊、以及輸出模塊。上述輸入模塊用以接收該些特徵數值。上述模糊化模塊用以對上述多個特徵數值建立多個機率密度分佈空間。上述解模糊化模塊用以對上述多個機率密度分佈空間建立決策分佈空間。上述輸出模塊用以根據上述決策分佈空間預測上述控制參數。

在本發明的一實施例中，上述通過卷積神經網路模組以獲取上述感測數值的多個特徵數值更包括：多次依序地通過第一子特徵擷取模塊與第二子特徵擷取模塊以收斂上述多個特徵數值，其中次數為3次至5次。

在本發明的一實施例中，感測裝置包括電流感測器、電壓感測器、溫度感測器、酸鹼值感測器、或是電解生成物百分比感測器。

本發明因採用卷積神經網路以及機率神經網路，因此可透過卷積轉換的機器學習來自動特徵擷取、以及透過機率神經網路來自動調是模糊歸屬函數，並且機率神經網路是一種可使用極稀少數據學習與十分輕量運算效能的類神經網路。藉此，本發明所提供的電解過程的自適應模糊控制系統及其方法可自適應模糊控制電解過程以達成自動化處理。

為讓本發明之上述和其他目的、特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式，作詳細說明如下。

1:自適應模糊控制系統

2:感測裝置

3:控制裝置

31:卷積神經網路模組

32:機率神經網路模組

311:第一子特徵擷取模塊

312:第二子特徵擷取模塊

313:扁平化模塊

321:輸入模塊

322:模糊化模塊

323:解模糊化模塊

324:輸出模塊

S1,S3,S5:步驟

S31,S33,S35,S51,S53,S55,S57:子步驟

圖1為本發明實施例所提供的電解過程的自適應模糊控制系統的示意圖；圖2為本發明實施例所提供的電解過程的自適應模糊控制方法的流程圖；圖3為本發明實施例所提供的卷積神經網路模組的特徵擷取示意圖；圖4為本發明實施例所提供的通過卷積神經網路模組以獲取感測數值的多個特徵數值的流程圖；圖5為本發明實施例所提供的機率神經網路模組的調整參數示意圖；圖6為本發明實施例所提供的通過機率神經網路模組以計算多個特徵數值以調整控制參數的流程圖；以及圖7為本發明實施例所提供的機率神經網路的貝氏機率分佈的模糊化示意圖。

在下文中，將藉由圖式說明本發明之各種實施例來詳細描述本發明。然而，本發明概念可能以許多不同形式來體現，且不應解釋為限於本文中所闡述之例示性實施例。此外，在圖式中相同參考數字可用以表示類似的元件。

請參照圖1所示，係為本發明實施例所提供的電解過程的自適應模糊控制系統的示意圖。本發明所提供的電解過程的自適應模糊控制系統1包括感測裝置2以及控制裝置3，其中感測裝置2用以感測電解過程中的控制參數對應的感測數值，而控制裝置3耦接感測裝置2以接收感測數值以調整控制參數。

在本實施例中，電解過程的控制參數包括電流值、電壓值、溫度值、酸鹼值、及電解生成物百分比值等控制參數，但上述控制參數僅是示例，本領域技術人員可依據實際需求選擇不同的控制參數及其數量，本發明不以上述示例為限。感測裝置2包括電流感測器、電壓感測器、溫度感測器、酸鹼值感測器、或是電解生成物百分比感測器等感測電解過程中對應上述控制參數的感測數值如電流感測值、電壓感測值、溫度感測值、酸鹼感測值、或是電解生成物百分比感測值等，但上述感測器類型及其感測數值僅是示例，本領域技術人員可依據實際需求選擇不同的感測器類型及其數量，本發明不以上述示例為限。另外，可以注意的是，感測裝置2可能為類比裝置或是數位裝置，因此當感測裝置2為類比裝置時，在感測裝置2與控制裝置3之間更可以包括類比-數位轉換器(ADC,Analog-to-digital converter)以將類比的感測數值轉換為數位的感測數值。此外，為了便於處理感測數值，因此使控制裝置3將感測數值表示為多維度矩陣數據的形式。

在本實施例中，控制裝置3可為微處理器、處理單元、或算數邏輯單元等處理資料及指令的控制器或控制電路。控制裝置3包括：卷積神經網路模組31以及與其連接的機率神經網路模組32，其中卷積神經網路模組31用以獲取感測裝置2感測電解過程中的感測數值的多個特徵數值，而機率神經網路模組32用以計算該些特徵數值以調整電解過程的控制參數。並且，如圖2所示，本發明電解過程的自適應模糊控制系統1的控制裝置3執行一種電解過程的自適應模糊控制方法包括步驟S1：接收感測裝置2感測電解過程中的控制參數對應的感測數值；步驟S3：通過卷積神經網路模組31以獲取上述感測數值的多個特徵數值；以及步驟S5：通過機率神經網路模組32以計算該些特徵數值以調整上述控制參數。

請同時參照圖1-4所示，控制裝置3中的卷積神經網路模組31包括第一子特徵擷取模塊311、第二子特徵擷取模塊312、以及扁平化模塊313，其中第二子特徵擷取模塊312連接第一子特徵擷取模塊311，以及扁平化模塊313連接第二子特徵擷取模塊312。第一子特徵擷取模塊311具有兩個3*3卷積核用以對感測數值進行卷積以獲取第一特徵數據，如步驟S3中的子步驟S31：通過具有3*3卷積核的第一子特徵擷取模塊311對感測數值進行卷積以獲取第一特徵數據。第二子特徵擷取模塊312具有一個2*2卷積核用以對第一特徵數據進行池化以獲取第二特徵數據，如步驟S3中的子步驟S33：通過具有2*2卷積核的第二子特徵擷取模塊312對上述第一特徵數據進行池化以獲取第二特徵數據。扁平化模塊313用以對第二特徵數據進行扁平化以獲取一維度的該些特徵數值，如步驟S3中的子步驟S35：通過扁平化模塊313對上述第二特徵數據進行扁平化以獲取一維度的多個特徵數值。其中，子步驟S31中的3*3卷積核的數量僅是示例，本領域技術人員可依據實際需求選擇3*3卷積核的數量，本發明不以上述示例為限。另外，須注意的是，本發明電解過程的自適應模糊控制方法是多次依序地通過第一子特徵擷取模塊311與第二子特徵擷取模塊312以收斂該些特徵數值，較佳的次數為3次至5次，但本領域技術人員可依據矩陣數據的尺寸選擇不同次數，本發明不以此為限。

一示例中，感測裝置2感測電解過程中對應控制參數的感測數值是以64*64*4矩陣數據的形式表示；接著第一子特徵擷取模塊311的兩個3*3卷積核對64*64*4矩陣數據的感測數值進行卷積以獲取64*64*8矩陣數據的第一特徵數據，以及第二子特徵擷取模塊312的2*2卷積核對64*64*8矩陣數據的第一特徵數據進行池化以獲取32*32*8矩陣數據的第二特徵數據；接著第一子特徵擷取模塊311的兩個3*3卷積核對32*32*8矩陣數據的第二特徵數據進行卷積以獲取32*32*16矩陣數據的第一特徵數據，以及第二子特徵擷取模塊312的2*2卷積核對32*32*16矩陣數據的第一特徵數據進行池化以獲取16*16*16矩陣數據的第二特徵數據；接著第一子特徵擷取模塊311的兩個3*3卷積核對16*16*16矩陣數據的第二特徵數據進行卷積以獲取16*16*32矩陣數據的第一特徵數據，以及第二子特徵擷取模塊312的2*2卷積核對16*16*32矩陣數據的第一特徵數據進行池化以獲取8*8*32矩陣數據的第二特徵數據；最後扁平化模塊313對8*8*32矩陣數據的第二特徵數據進行扁平化以獲取1*2048*1矩陣數據的特徵數值。

請同時參照圖1、2、5及6所示，控制裝置3中的機率神經網路模組32包括輸入模塊321、模糊化模塊322、解模糊化模塊323、以及輸出模塊324，其中模糊化模塊322連接輸入模塊321、解模糊化模塊323連接模糊化模塊322，以及輸出模塊324連接解模糊化模塊323。輸入模塊321用以接收卷積神經網路模組31的多個特徵數值，如步驟S5中的子步驟S51：通過輸入模塊321以接收該些特徵數值。模糊化模塊322用以對多個特徵數值建立多個機率密度分佈空間，如步驟S5中的子步驟S53：通過模糊化模塊322對該些特徵數值建立多個機率密度分佈空間。解模糊化模塊323用以對該些機率密度分佈空間建立決策分佈空間，如步驟S5中的子步驟S55：通過解模糊化模塊323對該些機率密度分佈空間建立決策分佈空間。輸出模塊324用以根據決策分佈空間預測控制參數以便調整控制參數，如步驟S5中的子步驟S57：通過輸出模塊324以根據決策分佈空間預測上述控制參數。

一示例中，輸入模塊321接收卷積神經網路模組31的1*2048*1矩陣數據的特徵數值。模糊化模塊322對1*2048*1矩陣數據的特徵數值建立多個機率密度分佈空間，其中每個機率密度分佈空間為一貝氏機率分佈函數如圖7所示，例如模糊化高、中、低及總和的機率分佈空間，也就是說，1*2048*1矩陣數據的特徵數值在每個貝氏機率分佈函數中的分佈代表一個機率密度分佈空間，而這些機率密度分佈為高斯(常態)分佈。解模糊化模塊323對該些機率密度分佈空間建立決策分佈空間，其中決策分佈空間為一貝氏決策函數，其是藉由機率神經網路的學習與建模以求得解模糊的隸屬函數(membership function)規則。輸出模塊324根據決策分佈空間預測控制參數，其藉由監督式梯度學習修正預測的控制參數與目標值直到滿足收斂的期望值為止。

綜上所述，本發明因採用卷積神經網路以及機率神經網路，因此可透過卷積轉換的機器學習來自動特徵擷取、以及透過機率神經網路來自動調是模糊歸屬函數，並且機率神經網路是一種可使用極稀少數據學習與十分輕量運算效能的類神經網路。藉此，本發明所提供的電解過程的自適應模糊控制系統及其方法可自適應模糊控制電解過程以達成自動化處理。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

S1, S3, S5 步驟

Claims

一種電解過程的自適應模糊控制方法，適用於一電解過程的自適應模糊控制系統，該自適應模糊控制方法包括：接收感測裝置感測該電解過程中的控制參數對應的感測數值，其中該感測數值的表示為多維度矩陣數據；通過卷積神經網路模組以獲取該感測數值的多個特徵數值；以及通過機率神經網路模組以計算該些特徵數值以調整該控制參數。
如請求項1所述之電解過程的自適應模糊控制方法，其中通過該卷積神經網路模組獲取該感測數值的該些特徵數值包括：通過具有3*3卷積核的第一子特徵擷取模塊對該感測數值進行卷積以獲取第一特徵數據；通過具有2*2卷積核的第二子特徵擷取模塊對該第一特徵數據進行池化以獲取第二特徵數據；以及通過扁平化模塊對該第二特徵數據進行扁平化以獲取一維度的該些特徵數值。
如請求項2所述之電解過程的自適應模糊控制方法，其中通過該卷積神經網路模組獲取該感測數值的該些特徵數值更包括：多次依序地通過該第一子特徵擷取模塊與該第二子特徵擷取模塊以收斂該些特徵數值，其中該多次為3次至5次。
如請求項1所述之電解過程的自適應模糊控制方法，其中通過該機率神經網路模組計算該些特徵數值以調整該控制參數包括：通過輸入模塊以接收該些特徵數值；通過模糊化模塊對該些特徵數值建立多個機率密度分佈空間；通過解模糊化模塊對該些機率密度分佈空間建立決策分佈空間；以及通過輸出模塊以根據該決策分佈空間預測該控制參數。
如請求項1所述之電解過程的自適應模糊控制方法，其中該感測裝置包括電流感測器、電壓感測器、溫度感測器、酸鹼值感測器、或是電解生成物百分比感測器。
一種電解過程的自適應模糊控制系統，包括：感測裝置，用以感測該電解過程中的控制參數對應的感測數值，其中該感測數值的表示為多維度矩陣數據；以及控制裝置，耦接該感測裝置以接收該感測數值，該控制裝置包括：卷積神經網路模組，用以獲取該感測數值的多個特徵數值；以及機率神經網路模組，用以計算該些特徵數值以調整該控制參數。
如請求項6所述之電解過程的自適應模糊控制系統，其中該卷積神經網路模組包括：具有3*3卷積核的第一子特徵擷取模塊，用以對該感測數值進行卷積以獲取第一特徵數據；具有2*2卷積核的第二子特徵擷取模塊，用以對該第一特徵數據進行池化以獲取第二特徵數據；以及扁平化模塊，用以對該第二特徵數據進行扁平化以獲取一維度的該些特徵數值。
如請求項7所述之電解過程的自適應模糊控制系統，其中多次依序地通過該第一子特徵擷取模塊與該第二子特徵擷取模塊以收斂該些特徵數值，其中該多次為3次至5次。
如請求項6所述之電解過程的自適應模糊控制系統，其中該機率神經網路模組包括：輸入模塊，用以接收該些特徵數值；模糊化模塊，用以對該些特徵數值建立多個機率密度分佈空間；解模糊化模塊，用以對該些機率密度分佈空間建立決策分佈空間；以及輸出模塊，用以根據該決策分佈空間預測該控制參數。
如請求項6所述之電解過程的自適應模糊控制系統，其中該感測裝置包括電流感測器、電壓感測器、溫度感測器、酸鹼值感測器、或是電解生成物百分比感測器。