木材干燥過程溫濕度的T-S型模糊神經網絡控制器設計

姜濱， 孫麗萍， 曹軍

(1.東北林業大學 機電工程學院，黑龍江 哈爾濱 150040；2.哈爾濱電工儀表研究所，黑龍江 哈爾濱 150028)

?

木材干燥過程溫濕度的T-S型模糊神經網絡控制器設計

姜濱1，2， 孫麗萍1， 曹軍1

(1.東北林業大學 機電工程學院，黑龍江 哈爾濱 150040；2.哈爾濱電工儀表研究所，黑龍江 哈爾濱 150028)

木材干燥過程是一個強耦合、大滯后的非線性動力系統，很難準確建立被控對象的數學模型。為了準確控制木材干燥過程的溫度和濕度，提高木材干燥質量，將智能控制引入木材干燥控制系統是必然的發展趨勢。結合模糊控制和神經網絡優點，設計了一種木材干燥窯內溫濕度的Takagi-Sugeno (T-S)型模糊神經網絡控制器。該控制器無需對象的精確數學模型，適應性強，利用模糊算法解除木材干燥窯內溫度和濕度間的強耦合關系，采用神經網絡的自學習和自適應能力來實現整個非線性過程的模糊邏輯推理。仿真和實驗結果表明，T-S型模糊神經網絡控制器有效解決了木材干燥過程的溫濕度控制，控制器響應速度快、超調小、魯棒性強、控制精確度高，可以滿足木材干燥控制系統要求。

木材干燥過程；T-S模型；模糊神經網絡控制器；溫濕度控制；神經網絡

0 引 言

木材干燥過程是木材加工生產中的重要環節，而且木材干燥質量的好壞對木材利用率和木材產品質量有直接影響[1]。木材干燥系統是強耦合、大滯后、時變的非線性系統，很難建立準確的數學模型來描述該系統[2]。目前，我國的木材干燥窯還都是以傳統半自動的方式進行控制，控制干燥窯溫濕度的加熱閥、噴蒸閥和排濕閥的參數都是憑借個人經驗進行調節[3]。這種傳統的憑借經驗調節參數的控制方式具有溫濕度控制精確度低、干燥效果不理想，難以適應木材干燥的擴大化生產。

模糊控制就是在被控對象模糊模型的基礎上，運用模糊控制器近似推理手段，實現系統控制的一種方法。模糊控制的優點是不需要建立系統的精確數學模型，可以方便地應用專家知識、操作員經驗等語言模糊信息；缺點是模糊規則在很大程度上是依靠人的經驗制定的，診斷系統本身不具有自學習能力，難以進行自適應調整[4]。人工神經網絡具有非線性、自學習和自適應能力等特點，不依賴于模型的控制，且自身具有神經網絡的非線性映射，但不能表達人腦的推理功能[5-7]。Takagi-Sugeno (T-S)型模糊推理則具有計算簡單，利于數學分析的優點，且易于和人工神經網絡自適應方法結合，可使控制器具有優化與自適應能力[8-10]。因此，目前最常用的一種模糊神經網絡模型是T-S模型。T-S模糊神經網絡系統將模糊邏輯與神經網絡結合，使系統既有模糊邏輯易于表達人類知識，又有神經網絡采用分布式信息存儲并具有學習能力的優點，是復雜系統建模和控制的有效工具[11]。

木材干燥模糊控制系統可以直接使用專家經驗知識，實現木材干燥過程的溫度和濕度控制，降低兩者間的耦合關系，輸出相對準確的溫度和濕度數據。但由于木材干燥窯內環境復雜多變，木材干燥過程受非線性、時變性以及隨機干擾等因素影響，使得專家主觀提出的模糊控制規則不能完全適應當前的木材干燥系統，影響木材干燥過程的溫度和濕度控制效果。木材干燥的T-S型模糊神經網絡控制系統，在基于木材干燥模糊控制的基礎上，利用神經網絡的自學習和自適應能力，采用后件網絡自動調整模糊運算規則，提高整個控制器的魯棒性和適應性。在木材干燥窯內復雜多變環境下，T-S型模糊神經網絡控制器能夠自適應樣本數據，保證溫度和濕度的控制精確度，實現木材干燥過程的全自動控制，對提高木材干燥產品質量具有重要研究意義。

1 T-S型模糊神經網絡

1.1 T-S型模糊神經網絡結構

T-S型模糊神經網絡由前件網絡和后件網絡組成[12-13]，其結構如圖1所示。

圖1 T-S型模糊神經網絡結構Fig.1 Structure of T-S fuzzy neural network

1)前件網絡

前件網絡由四層組成。第一層為輸入層。它的每個節點直接與輸入向量的各分量xi連接，將輸入值x=[x1,x2,…,xn]T傳送到下一層。該層節點數N1=n。

(1)

式中：i=1,2,…,n，j=1,2,…,mi。n是輸入量的維數，mi是xi的模糊分割數。

第三層每個節點都代表一條模糊規則。第三層是用來匹配模糊規則的前件，進行運算獲得每條規則的適應度。該層節點數N3=m。

(2)

在給定輸入的情況下，僅在鄰近輸入點的語言變量值擁有較大隸屬度值，其余點的隸屬度可能很小，如高斯隸屬函數，也有可能為0，如三角型隸屬函數。在隸屬函數較小的情況下，即小于0.05時，可以任務隸屬函數近似等于0。所以，αj內僅存在少數節點輸出不是0，大部分節點的輸出均是0，這與局部逼近網絡具有相似性。

第四層進行歸一化計算。該層節點數N3=N4=m。

(3)

2)后件網絡

后件網絡由r個結構相同的子網絡所組成，每個子網絡產生一個輸出量。第一層子網絡是輸入層，它將輸入變量傳送到第二層。

第二層子網絡計算每一條規則的后件。該層有m個節點，每個節點代表一條規則，即

(4)

第三層子網絡計算系統的輸出，yi是各規則后件的加權和。

(5)

1.2 網絡自學習過程

(6)

(7)

式中：j=1,2,…,m;i=1,2,…,n;l=1,2,…,r。

(8)

令最后一層的連接權yij=wij。輸出層的權值由后件網絡對應節點的輸出值來代替，不用學習。誤差直接反向傳遞到歸一化層。

(9)

(10)

(i=1,2,…,n;j=1,2,…,mi)。

(11)

最終能夠獲取一階梯度為：

(12)

最后給出的參數學習算法如下：

(13)

(14)

式中：β>0為學習速率，i=1,2,…,n;j=1,2,…,mi。

2 木材干燥窯T-S型模糊神經網絡控制系統結構

木材干燥窯溫濕度控制模型是一個典型的3輸入2輸出的非線性控制系統，系統結構可以用式(15)表示。

Ch(k-1)]+G(k)。

(15)

式中：Ct(k)和Ch(k)分別表示當前時刻控制模型的溫度輸出量和濕度輸出量；Ct(k-1)和Ch(k-1)分別表示前一時刻控制模型的溫度輸出量和濕度輸出量；S1(k)、S2(k)和S3(k)分別表示木材干燥窯當前時刻加熱閥門(JR)的開度、噴蒸閥門(PZ)的開度以及排濕閥門(PS)的開度；G(k)表示木材干燥窯溫濕度控制模型的噪聲干擾。

木材干燥窯溫濕度控制模型的目標函數W可以用式(16)表示

W=min∑[(Ct-Rt)2+(Ch-Rh)2]。

(16)

式中：Ct為溫度實際值，Rt為溫度設定值；Ch為濕度實際值；Rh為濕度設定值。

木材干燥過程溫濕度控制系統結構如圖2所示。

圖2 木材干燥過程溫濕度控制系統結構Fig.2 Structure of temperature and humidity control system in wood drying process

3 木材干燥窯T-S型模糊神經網絡控制器設計

在模糊神經網絡控制器的設計中，輸入量的模糊分割數決定了神經網絡各層節點數，直接關系到模糊神經網絡控制器的運行速度和控制精確度[14-15]。在模糊神經網絡控制器設計時，例如：系統是2輸入1輸出，每個變量的模糊分割數都為7，則前件網絡第二層節點數就為7×2=14個，第三層節點數就為72=49個。如果網絡的輸入增加，以上數字將會增長的更快，例如：一個4輸入1輸出的系統，每個變量的模糊分割數都為7，則前件網絡第二層節點數為7×4=28個，第三層節點數為74=2 401個。在這樣的網絡中，不論是前向計算還是反傳修正的運算量都是很大，嚴重影響網絡的運算速度。另外，對于這種網絡，由于結構復雜，需要優化調整的參數太多，很難進行網絡的初始化和結構設計工作，而網絡初始化不合理直接影響到網絡的學習速度和收斂性，而且設計性能不佳的網絡很難在應用中達到理想的控制效果。因此，對于具有4個輸入和3個輸出的木材干燥模糊神經網絡控制器，為了提高模糊神經網絡控制器的運算速度，并且保證控制器精度的前提下，將輸入輸出量論域選擇及模糊賦值設置如下：

圖3 模糊控制Et和的隸屬函數Fig.3 Membership functions Et and in fuzzy control

圖4 模糊神經網絡訓練后Et的隸屬函數Fig.4 Membership function Et trained by fuzzy neural network

圖5 模糊神經網絡訓練后的隸屬函數Fig.5 Membership function by fuzzy neural network

4 仿真實驗與結果分析

木材干燥過程溫濕度控制器的仿真實驗是在SIMULINK環境下進行的，木材干燥窯的初始溫度為25℃，終了溫度為60℃；初始濕度為15%，終了濕度為35%。在初始條件相同的情況下，利用T-S型模糊神經網絡控制器和經典模糊控制器分別進行木材干燥過程的溫濕度控制，并將兩者的實驗結果進行對比分析。模糊控制溫度仿真曲線如圖6(a)所示，模糊神經網絡控制溫度仿真曲線如圖6(b)所示；模糊控制濕度仿真曲線如圖7(a)所示，模糊神經網絡控制濕度仿真曲線如圖7(b)所示。

由圖6(a)可知，木材干燥窯模糊控制器溫度輸出曲線的最大偏差量為10℃，超調量為16.7%，調節時間將近150 s。由圖6(b)可知，木材干燥窯模糊神經網絡控制器溫度輸出曲線的最大偏差量為5℃，超調量為8.3%，調節時間約為100 s。

由圖7(a)可知，木材干燥窯模糊控制器濕度輸出曲線的最大偏差量為8%，超調量為22.9%，調節時間約為100 s。由圖7(b)可知，木材干燥窯模糊神經網絡控制器濕度輸出曲線的最大偏差量為6%，超調量為17.1%，調節時間約為50 s。

通過比較模糊控制器和模糊神經網絡控制器的控制效果可知，T-S型模糊神經網絡控制器不論是溫度還是濕度輸出曲線都具有較小的超調量和調節時間，T-S型模糊神經網絡控制器相比較于模糊控制器具有更好的控制效果。

圖6 溫度仿真曲線Fig.6 Simulation curves of temperature

圖7 濕度仿真曲線Fig.7 Simulation curves of humidity

3 結 論

在強耦合和大滯后的非線性木材干燥過程中，針對溫濕度難以精準控制的問題，設計了一種木材干燥過程溫濕度的T-S型模糊神經網絡控制器，把模糊邏輯與神經網絡有機地組合在一起，充分發揮各自優點，使得控制器對非線性系統逼近能力更強、訓練收斂速度更快、算法更穩定。仿真研究結果表明，T-S型模糊神經網絡控制器比模糊控制器更適合木材干燥過程的溫濕度控制，溫濕度的最大偏差小、超調量小、調節時間快、穩定性好，能夠滿足木材干燥系統對溫濕度的控制要求，對逐步實現木材干燥過程的全自動控制，提高木材干燥產品質量具有重要研究意義。

[1] 王克奇,杜尚豐,白雪冰.智能控制及其在林業上的應用[M].北京: 中國林業出版社,2009: 1-66.

[2] 孫麗萍,曹軍,李志輝.木材干燥微波-真空木材干燥過程ARMA模型建立及其控制器仿真[J].電機與控制學報,2011,15(9): 86-91.

SUN Liping,CAO Jun,LI Zhihui.Modeling and simulation of microwave-vacuum wood drying process controller based on ARMA[J].Electric Machines and Control,2011,15(9): 86-91.

[3] 孫麗萍,曹文華,李志輝.優化微波木材干燥模糊控制器的仿真研究[J].自動化儀表,2009,30(12): 65-67.

SUN Liping,CAO Wenhua,LI Zhihui.Research onsimulation of optimized fuzzy controller for microwave timber drying process[J].Process Automation Instrumentation,2009,30(12): 65-67.

[4] 陳延偉,史富斌.鉆機恒鉆壓自動送鉆系統模糊控制器的設計[J].電氣傳動自動化,2011,33(5): 33-36.

CHEN Yanwei,SHI Fubin.Design of fuzzy controller for electric rig constant WOB automatic drilling fuzzy system[J].Electric Drive Automation,2011,33(5): 33-36.

[5] LEE C H.Identification and control of dynamic systems using recurrent fuzzy neural networks[J].IEEE Transaction Fuzzy Systems,2000,8(4): 349-366.

[6] 王麗梅,武志濤,左濤.永磁直線電機自構式模糊神經網絡控制器設計[J].電機與控制學報,2009,13(5): 643-647.

WANG Limei,WU Zhitao,ZUO Tao.PMLSM self-constructing fuzzy neural network controller design[J].Electric Machines and Control,2009,13(5): 643-647.

[7] SHIH K S,LI T H S,TSAI S H.Novel adaptive fuzzy neural network controller for a class of uncertain non-linear systems[J].Proceedings of the Institution of Mechanical Engineers,2012,226(3): 364-378.

[8] 靖永志,肖建.基于T-S模糊神經網絡的齒槽效應補償方法研究[J].傳感技術學報,2013,26(8): 1121-1125.

JING Yongzhi,XIAO Jian.Study on slot effect compensation based on T-S fuzzy neural network[J].Chinese Journal of Sensors and Actuators,2013,26(8): 1121-1125.

[9] 梁霄,張均東,李巍,等.水下機器人T-S型模糊神經網絡控制[J].電機與控制學報,2010,14(7): 99-104.

LIANG Xiao,ZHANG Jundong,LI Wei,et al.T-S fuzzy neural network control for autonomous underwater vehicles[J].Electric Machines and Control,2010,14(7): 99-104.

[10] WANG W Y,CHIEN Y H,LI I H.An on-line robust and adaptive T-S fuzzy-neural controller for more general unknown systems[J].International Journal of Fuzzy Systems,2008,10(1):33-43.

[11] 王蘭,郭迎清.基于T-S模糊神經網絡的渦流發動機加速控制[J].計算機仿真,2010,27(2): 26-29.

WANG Lan,GUO Yingqing.T-S fuzzy neural network based control of accelerating process of turbo-fan engine[J].Computer Simulation,2010,27(2): 26-29.

[12] CHEN J Y,TSAI P S,WONG C C.Adaptive design of a fuzzy cerebella model arithmetic controller neural network[J].Control Theory and Applications,2005,152(2): 133-137.

[13] LIANG X,LI Y,XU Y.Fuzzy neural network control of underwater vehicles based on desired state programming[J].Journal of Marine Science and Application,2006,5(3): 1-4.

[14] 孫麗萍,霍然.北方蔬菜溫室系統模糊神經網絡控制器的設計[J].東北農業大學學報,2014,45(4): 113-117.

SUN Liping,HUO Ran.Design of fuzzy-neural network control system for northern vegetables greenhouse[J].Journal of Northeast Agricultural University,2014,45(4): 113-117.

[15] 王暑,楊曉京.基于模糊神經網絡的煙葉烘烤溫濕度監控系統研究[J].計算機測量與控制,2009,17(2): 342-344.WANG Shu,YANG Xiaojing.Monitor and control system of temperature and humidity on fuzzy neural network in tobacco drying[J].Computer Measurement & Control,2009,17(2): 342-344.

(編輯：賈志超)

Design of T-S fuzzy neural network controller for temperature and humidity in wood drying process

JIANG Bin1，2， SUN Li-ping1， CAO Jun1

(1.College of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin 150040,China;2.Harbin Research Institute of Electrical Instrument,Harbin 150028,China)

Wood drying process presents normally the non-linear characteristics of strong coupling and large lagging,therefore,it is hardly to build the math model of controlled object.In order to control more precisely the temperature and humidity of the wood drying process so as to improve the drying quality,it is necessary to apply the intelligent controller in wood drying control system.Combining the merits of fuzzy control and neural control,a Takagi-Sugeno (T-S) fuzzy neural network controller is designed to control the inner temperature and humidity of wood drying kiln.This controller has strong adaptability and did not depend on the precise math model.With fuzzy algorithm,the coupling relationship was removed between inner temperature and humidity of wood drying kiln.The self-learning and adaptive ability of neural network was used to accomplish the fuzzy logic of the whole non-linear process.The simulation reveales that T-S fuzzy neural network controller solves the problem of low control precision of temperature and humidity in wood drying process.And this controller has fast response speed,low overshoot,strong robustness and high control precision.It might fulfill the demand of wood drying control system.

wood drying process; Takagi-Sugeno model; fuzzy neural network controller; control of temperature and humidity; neural network

2015-02-01

國家林業公益性行業科研專項(201304502)

姜 濱(1985—)，男，博士研究生，研究方向為復雜系統建模與控制；

孫麗萍(1958—)，女，博士，教授，博士生導師，研究方向為模式識別、復雜系統建模與控制；

孫麗萍

10.15938/j.emc.2016.10.015

TP 273.4

A

1007-449X(2016)10-0114-07

曹 軍(1956—)，男，博士，教授，博士生導師，研究方向為模式識別、復雜系統建模與控制。