神经网络在自动化控制系统中的应用研究

第36卷第5期1996年9月大连理工大学学报JournalofDalianUniversityofTechnologyVol.36,No.5Sept.1996

BP神经网络在加热炉控制系统中的应用󰀁

张立志　王　玲　高希彦

(大连理工大学内燃机研究所　116024)

摘要　为炼油用低压加热炉设计了一种模糊控制器,并研究了用多层前馈神经网络实现模糊控制的方法.仿真研究表明,所设计的神经网络系统不仅能完全体现模糊控制各部分的功能,而且具有很高的灵活性和通用性.

关键词:模糊集;加热炉;神经网络

分类号:TK175,TP13

加热炉是炼油厂常用的热工设备,对它进行计算机控制的难点在于系统的复杂性、非线性和时变性.这样的系统难以用精确的数学模型来描述,因而用传统的控制理论难以取得理

想的控制效果.由于模糊控制可以利用人们的操作和控制经验,模仿人脑的逻辑推理和决策

过程进行控制,所以它不依赖于被控对象的数学模型,特别适合于像加热炉这种难以用常规

方法进行控制的场合〔1〕.本文为加热炉设计了另外一种模糊控制器,即用多层前馈神经网络实现的模糊控制器.

1　加热炉模糊控制器设计

模糊控制器的结构如图1所示,它由三部分组成:模糊化、模糊推理决策和非模糊化.模糊化的过程就是要把误差e(设定值与实测油温之差)和误差的变化ec分别模糊化为语言值E

图1　模糊控制器的结构󰀁收稿日期:1996-04-01;修订日期:1996-06-11　张立志:男,1970年生,博士生和EC.模糊时,把e的论域划分为10档,ec的论域划分为7档;语言量E包含10个子集:{PV(正特大)、PB(正大)、PM(正中)、PS(正小)、PO(正零)、NO(负零)、NS(负小)、NM(负

中)、NB(负大)、NV(负特大)};EC和控制量u(火嘴前油阀门开度)的模糊语言值U都包含

7个子集:{PB、PM、PS、O、NS、NM、NB};u的论域可以划分为9档,这样就可以进一

步对各语言变量进行定义〔1〕.

控制系统中的神经网络控制方法

控制系统是指通过对被控对象进行监测和调节，以达到预定要求的系统。而神经网络控制方法是指利用神经网络模型和算法对控制系统进行优化和改进的方法。本文将介绍神经网络控制方法在控制系统中的应用以及其原理和优势。

一、神经网络控制方法的原理

神经网络控制方法主要基于人工神经网络模型，它模拟了生物神经系统的结构和功能。该模型由多个神经元组成，这些神经元相互连接并通过权重参数传递和处理信息。其原理主要包括以下几个方面：

1. 网络拓扑结构：神经网络控制方法中使用的神经网络有多种拓扑结构，如前馈神经网络、循环神经网络和自适应神经网络等。这些网络结构可以灵活地应用于不同的控制问题。

2. 学习算法：神经网络通过学习算法来调整网络中神经元之间的连接权重，以逐步优化网络的性能。常见的学习算法包括反向传播算法、遗传算法和模糊神经网络算法等。

3. 控制策略：神经网络控制方法可以基于不同的控制策略，如比例积分微分（PID）控制、模糊控制和自适应控制等。通过在神经网络中引入相应的控制策略，可以实现对被控对象的精确控制和调节。

二、神经网络控制方法在控制系统中的应用 1. 机器人控制：神经网络控制方法在机器人控制中有广泛应用。通过将神经网络嵌入到机器人的控制系统中，可以实现对机器人运动、感知和决策等方面的智能控制。这种方法能够提高机器人的自主性和适应性，使其能够更好地适应不同环境和任务的需求。

2. 工业过程控制：神经网络控制方法在工业过程控制中也得到了广泛应用。通过利用神经网络对工业过程进行建模和优化，可以提高生产效率、降低能耗和减少故障率。此外，神经网络控制方法还可以应用于故障诊断和预测维护等方面，提高工业系统的可靠性和稳定性。

3. 航天飞行器控制：神经网络控制方法在航天飞行器控制方面也有重要应用。通过神经网络对航天飞行器的姿态、轨迹和轨道控制进行优化，可以提高飞行器的稳定性和导航精度，降低燃料消耗和飞行风险。

自动化系统的控制算法与策略

自动化系统的控制算法与策略在现代工业中扮演着至关重要的角色。它们的设计和应用对于提高生产效率、优化资源利用和确保产品质量具有重要意义。本文将探讨自动化系统的控制算法与策略的不同类型，并介绍它们在工业实践中的应用。

一、PID控制算法

PID（Proportional-Integral-Derivative）控制算法是一种经典的控制算法，它基于对系统误差的比例、积分和微分操作来产生控制输出信号。比例项用于根据误差的大小调整控制输出，积分项用于消除稳态误差，微分项用于改善系统响应速度。PID控制算法简单且易于实现，在许多工业应用中得到广泛应用。

二、模糊逻辑控制算法

模糊逻辑控制是一种基于模糊集合理论的控制方法。它通过定义模糊规则和模糊推理来实现对系统的控制。模糊逻辑控制算法适用于信号处理困难、系统动态特性复杂或难以建模的情况。它能够处理模糊和不确定性，具有较好的鲁棒性和适应性。

三、神经网络控制算法

神经网络控制算法利用人工神经网络模型对系统进行建模和控制。它通过训练神经网络学习系统的映射关系，并利用神经网络的强大非线性拟合能力实现精确的控制。神经网络控制算法适用于复杂系统、非线性系统和多变量系统的控制，能够有效地应对不确定性和动态变化。

四、遗传算法优化策略

遗传算法是一种模拟自然进化过程的优化方法。它通过模拟遗传、变异和适应度选择的过程，搜索最优解空间中的最佳解。遗传算法优化策略广泛应用于参数优化、控制器设计和系统优化等方面。它能够在复杂、非线性系统中找到全局最优解，具有良好的鲁棒性和全局搜索能力。

五、模型预测控制策略

模型预测控制策略是一种基于系统模型的控制方法。它通过建立系统的动态模型，预测未来一段时间内的系统响应，并根据优化目标函数调整控制输出。模型预测控制策略适用于多变量、约束条件复杂的系统控制。它能够在考虑系统动态特性和约束条件的情况下实现优化控制。

在实际应用中，以上控制算法与策略往往不是孤立存在的，而是相互结合、综合运用的。根据不同的系统特点和控制要求，工程师们可以选择合适的算法和策略，并进行定制化设计与优化。

务１　訇矽化　

神经网络专家系统控制器的应用研究　

Ａｐｐｌｉｃａｔｉｏｎｓ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｎｄ　ｅｘｐｅ￣ｓｙｓｔｅｍ　ｃｏｎｔｒｏｌｌｅｒ　

马红英　

ＭＡ　ＨｏｎＱ．ｙｉｎＱ　

（石家庄职业技术学院机电工程系，石家庄０５００８１）　

摘要：介绍了人工智能与神经网络专家系统的特点及其结合的互补优势，提出了神经网络专家系统　控制器的设计原理，及控制器的控制流程。　关键词：神经网络；专家系统；神经网络专家系统控制器　中图分类号：ＴＰ１　８３　文献标识码：Ｂ　文章编号：１　００９—０１　３４（２０１　０）０３—０１　５１—０３　

０引言　

一般人工智能的研究途径有神经网络和专家系　

统两个方向。神经网络被称为连接机制，专家系统　

被称为符号机制。这两个不同方向的研究侧重不同，　

互有利弊。如何能有效地把二者集成在一起，无疑　

会提高系统的智能水平，提供更为广阔的应用前景。　

１神经网络和专家系统的结合　

１．１专家系统的缺点　

专家系统作为人工智能最为活跃的一个分支，　

已被广泛应用于多个领域，但是其固有的一些缺陷　

制约了它的进一步发展。这些缺点主要包括：知识　

获取渠道狭小；知识领域范围小；系统的复杂性严　

重影响专家系统的效率；不具有联想记忆功能等。　

１．２神经网络的特点　

与专家系统相比，神经网络表现有许多长处。　

具体表现在如下几个方面：　

神经网络的操作是高度并行的；利用联想方式　

存储信息；高度的容错能力和坚韧性；很高的自适　

应能力；通过实例学习的能力；便于用硬件实现等。　

但神经网络也有一些明显的缺陷。例如，神经　

网络的学习及问题求解具有“黑箱”特性，其求解　

结果不具有可解释性，而“解释”工作恰恰对于许　

多应用领域来说是非常必要的；此外神经网络的学　习周期长，大部分学习算法的收敛速度较慢，缺乏　

有效的追加学习能力引起时间的浪费。　神经网络与传统的专家系统各有自己的长处和　

不足，而且一方的长处往往又是另一方的短处，这