GA优化T-S模糊神经网络的干燥窑温湿度控制器设计

姜 滨， 孙丽萍， 曹 军， 季仲致

(东北林业大学 机电工程学院，黑龙江 哈尔滨 150040)



GA优化T-S模糊神经网络的干燥窑温湿度控制器设计

姜 滨， 孙丽萍， 曹 军， 季仲致

(东北林业大学 机电工程学院，黑龙江 哈尔滨 150040)

为了准确控制木材干燥过程的温度和湿度，提高木材干燥质量，结合模糊控制、神经网络和遗传算法的优点，设计了一种遗传算法(GA)优化的T-S模糊神经网络温湿度控制器。该控制器利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系，采用神经网络的自学习和自适应能力实现整个非线性过程的模糊逻辑推理，并通过遗传算法对神经网络的参数进行优化与训练，提高系统的自学习和自适应能力。仿真实验结果表明，在木材干燥过程的温湿度控制上，GA优化的T-S型模糊神经网络控制器具有良好的控制效果，控制器响应速度快、超调小并且具有一定的鲁棒性。

干燥过程； 遗传算法； T-S模型； 模糊神经网络控制器； 干燥窑

0 引 言

木材干燥过程是木材加工生产中的重要环节，而且木材干燥质量的好坏对木材利用率和木材产品质量有直接影响[1]。木材干燥系统是强耦合、大滞后、时变的非线性系统，很难建立准确的数学模型来描述该系统[2]。目前，我国的木材干燥窑还都是以传统半自动的方式行控制，控制干燥窑温湿度的加热阀、喷蒸阀和排湿阀的参数都是凭借个人经验进行调节[3]。这种传统的凭借经验调节参数的控制方式具有温湿度控制精度低、干燥效果不理想，难以适应木材干燥的扩大化生产。

模糊控制不需要建立系统精确数学模型，可以方便地应用专家知识、操作员经验等语言模糊信息，但模糊规则依靠人的经验制定，系统本身不具有自学习和自适应调整能力[4]。人工神经网络具有非线性、自学习和自适应能力等特点，但不能表达人脑的推理功能[5]。T-S模糊神经网络系统将模糊逻辑与神经网络结合，同时具有模糊逻辑易于表达人类知识、神经网络分布式信息存储以及学习能力的优点，是复杂系统建模和控制的有效工具[6-8]。GA是一种生物进化过程的随机搜索全局优化方法，不仅可以优化模糊神经推理系统的参数和结构，还可以修正冗余的隶属度函数和网络的节点数，以优化模糊推理规则[9-11]。

木材干燥模糊控制系统可以直接使用专家经验知识，实现木材干燥过程的温度和湿度控制，降低两者间的耦合关系，输出相对准确的温度和湿度数据。但由于木材干燥窑内环境复杂多变，木材干燥过程受非线性、时变性以及随机干扰等因素影响，使得专家主观提出的模糊控制规则不能完全适应当前的木材干燥系统，影响木材干燥过程的温度和湿度控制效果。在木材干燥过程中，GA优化的T-S型模糊神经网络温湿度控制器是在模糊控制基础上，利用神经网络的自学习和自适应能力，采用后件网络自动调整模糊运算规则，提高整个控制器的鲁棒性和适应性，并利用GA优化T-S模糊神经推理系统的参数和模糊推理规则。在木材干燥窑内复杂多变环境下，控制器能够自适应样本数据，保证温度和湿度的控制精度，实现木材干燥过程的智能控制。

1 GA优化的T-S型模糊神经网络控制器

1.1 T-S型模糊神经网络结构

T-S型模糊神经网络由前件网络和后件网络组成[12-13]，其结构如图1所示。

1.1.1 前件网络

前件网络由4层组成。第1层为输入层。它的每个节点直接与输入向量的各分量xi连接，将输入值x=[x1,x2,…,xn]T传送到下一层。该层节点数N1=n。

(1)

式中，i=1,2,…,n，j=1,2,…,mi。n是输入量的维数，mi是xi的模糊分割数。

图1 T-S型模糊神经网络结构

第3层每个节点代表一条模糊规则，用来匹配模糊规则的前件，计算每条规则的适应度。该层节点数N3=m。

(2)

第4层进行归一化计算。该层节点数N3=N4=m。

(3)

1.1.2 后件网络

后件网络由r个结构相同的子网络所组成，每个子网络产生一个输出量。第1层子网络是输入层，它将输入变量传送到第2层。

第2层子网络计算每一条规则的后件。该层有m个节点，每个节点代表一条规则，即：

(4)

第3层子网络计算系统的输出，yi是各规则后件的加权和。

(5)

1.2 T-S模糊神经网络自学习过程

(6)

(7)

式中，j=1,2,…,m;i=1,2,…,n;l=1,2,…,r。

(8)

令最后一层的连接权yij=wij。输出层的权值由后件网络对应节点的输出值来代替，不用学习。误差直接反向传递到归一化层。

(9)

(10)

(11)

i=1,2,…,n;j=1,2,…,mi

(12)

最后，给出的参数学习算法如下：

(13)

式中，β>0为学习速率，i=1,2,…,n;j=1,2,…,mi。

1.3 GA优化T-S模糊神经网络的实现

模糊系统的输入变量为x1,x2,…,xn，用矢量x=[x1,x2,…,xn]T表示，x的论域是实空间上的紧密集，即x∈U⊂Rn；模糊系统的输出变量为y，y的论域是实数域上的紧密集，即y∈V⊂R。模糊推理规则的一般形式为：

(14)

输出变量的隶属函数为模糊单点，即：

(15)

采用sum-product的推理方法和加权平均的解模糊方法，模糊系统的输出为：

(16)

pj(x)为模糊基函数，如下式所示，

(17)

则式(16)可以表示为：

(18)

模糊系统优化问题就是使系统的实际输出与期望输出之间的误差尽可能小，优化式(18)中的模型参数。遗传算法实现方法[14-15]如下：

(1)将各个参数级联在一起进行编码；

(3)根据系统的实际输出与期望输出构造遗传算法的适应值函数；

(4)利用遗传算法操作对隶属函数中的各个参数进行优化。

在若干代遗传后，就可以获得优化后的隶属函数参数，相应的模糊推理规则也得到优化。

2 优化的T-S型模糊神经网络控制系统结构

木材干燥窑温湿度控制模型是一个典型的3输入2输出的非线性控制系统，系统结构可以用下式表示：

(19)

式中：Ct(k)和Ch(k)分别表示当前时刻控制模型的温度输出量和湿度输出量；Ct(k-1)和Ch(k-1)分别表示前一时刻控制模型的温度输出量和湿度输出量；S1(k)、S2(k)和S3(k)分别表示木材干燥窑当前时刻加热阀门(JR)的开度、喷蒸阀门(PZ)的开度以及排湿阀门(PS)的开度；G(k)表示木材干燥窑温湿度控制模型的噪声干扰。

木材干燥窑温湿度控制模型的目标函数W可以用下式表示：

(20)

式中：Ct为温度实际值；Rt为温度设定值；Ch为湿度实际值；Rh为湿度设定值。

木材干燥过程温湿度控制系统结构如图2所示。

NM360衬板具有如下特点：① 强度高，具有高的屈服强度和抗拉强度，对脆性破坏的抗力也极大。② 韧性高，具有优良的低温韧性，因此可在大型焊接结构件和低温环境中使用。③ 优秀的焊接性能，成分设计时极力减低碳含量、碳当量和热敏感系数，以提高焊接性能，因而具有优秀的焊接接头性能。④ 优秀的加工性能，钢板可进行冷加工、弯曲加工和切断加工。气体切断时，即使不预热也不会出现裂缝。进行预热加工时，调质钢需在回火温度以下加工。⑤ 高超的耐磨损、耐腐蚀性，由于含有钼、铬等合金元素，与一般钢材比较，耐腐蚀性良好，硬度也比较高，耐磨损性也良好。

图2 木材干燥过程温湿度控制系统结构

3 木材干燥窑GA优化的T-S型模糊神经网络控制器设计

本文利用遗传算法寻找模糊神经网络控制器的最佳网络结构和参数，也就是模糊规则和隶属度函数，进而使T-S型模糊神经网络的性能指标达到最优。本文采用ITAE积分性能指标，如下式所示：

(21)

则优化问题可描述如下：

J*=minJ(ITAE)

(22)

(23)

(24)

式中，fnnc(·)是模糊神经网络控制器的输入输出函数。通过适当选择fnnc(·)，即模糊神经网络控制的结构和参数，性能指标将达到最优值J*。

在模糊神经网络控制器的设计中，输入量的模糊分割数决定了神经网络各层节点数，这直接关系到模糊神经网络控制器的运行速度和控制精度[16-17]。在模糊神经网络控制器设计时，例如：系统是2 输入 1 输出，每个变量的模糊分割数都为7，则前件网络第2层节点数就为7×2=14个，第3层节点数就为72=49个。如果网络的输入增加，以上数字将会增长的更快，例如：一个 4 输入1输出的系统，每个变量的模糊分割数都为7，则前件网络第2层节点数为7×4=28个，第3层节点数为74=2 401个。在这样的网络中，不论是前向计算还是反传修正的运算量都是很大，严重影响网络的运算速度。另外，对于这种网络，由于结构复杂，需要优化调整的参数太多，很难进行网络的初始化和结构设计工作，而网络初始化不合理直接影响到网络的学习速度和收敛性，而且设计性能不佳的网络很难在应用中达到理想的控制效果。因此，对于具有4个输入和3个输出的木材干燥模糊神经网络控制器，本文为了提高模糊神经网络控制器的运算速度，并且保证控制器精度的前提下，将输入输出量论域选择及模糊赋值设置如下：

遗传算法的种群参数根据经验选取为100，按照Fi=1/1+J计算每个个体的适应度值Fi。按照模糊编码的方式进行遗传算法的编码，依据遗传算法的基本原理，执行选择、交叉、变异操作。重复进行循环计算，当适应度值Fi<10-4，则停止操作。

图3 GA优化模糊神经网络控制器Et的隶属函数

图4 GA优化模糊神经网络控制器的隶属函数

4 仿真实验与结果分析

木材干燥过程温湿度控制器的仿真实验是在Simulink环境下进行的，木材干燥窑的初始温度为25 ℃，终了温度为60 ℃；初始湿度为15%，终了湿度为35%。在初始条件相同的情况下，本文利用GA优化的T-S型模糊神经网络控制器、T-S型模糊神经网络控制器、经典模糊控制器分别进行木材干燥过程的温湿度控制，并将两者的实验结果进行对比分析。

模糊控制温度仿真曲线如图5(a)所示，T-S模糊神经网络控制温度仿真曲线如图5(b)所示，GA优化的T-S模糊神经网络控制温度仿真曲线如图5(c)所示；模糊控制湿度仿真曲线如图6(a)所示，T-S模糊神经网络控制湿度仿真曲线如图6(b)所示，GA优化的T-S模糊神经网络控制湿度仿真曲线如图6(c)所示。

由图5(a)可知，木材干燥窑模糊控制器温度输出曲线的最大偏差量为10 ℃，超调量为16.7%，调节时间将近150 s。由图5(b)可知，木材干燥窑T-S模糊神经网络控制器温度输出曲线的最大偏差量为5 ℃，超调量为8.3%，调节时间约为100 s。由图5(c)可知，木材干燥窑GA优化的模糊神经网络控制器温度输出曲线的最大偏差量为3 ℃，超调量为5%，调节时间约为100 s。

由图6(a)可知，木材干燥窑模糊控制器湿度输出曲线的最大偏差量为8%，超调量为22.9%，调节时间约为100 s。由图6(b)可知，木材干燥窑模糊神经网络控制器湿度输出曲线的最大偏差量为6%，超调量为17.1%，调节时间约为50 s。由图6(c)可知，湿度输出曲线的最大偏差量为4%，超调量为11.4%，调节时间约为30 s。

(a) 模糊控制温度仿真曲线

(b) 模糊神经网络控制温度仿真曲线

(c) GA优化模糊神经网络控制温度仿真曲线

(a) 模糊控制湿度仿真曲线

(b) 模糊神经网络控制湿度仿真曲线

(c) GA优化模糊神经网络控制湿度仿真曲线

通过比较模糊控制器、模糊神经网络控制器和GA优化的模糊神经网络控制器的控制效果可知，与模糊控制器和T-S型模糊神经网络控制器相比，GA优化的模糊神经网络控制器不论是温度还是湿度输出曲线都具有较小的超调量和调节时间，GA优化的模糊神经网络控制器具有更好的控制效果。

5 结 语

在强耦合和大滞后的非线性木材干燥过程中，针对木材干燥窑内的温度和湿度难以精准控制的问题，设计了一种木材干燥过程温湿度的GA优化的T-S型模糊神经网络控制器。该控制器把模糊逻辑、神经网络以及遗传算法有机地组合在一起，充分发挥各自优点，使得控制器对非线性系统逼近能力更强、训练收敛速度更快、算法更稳定。仿真研究结果表明，GA优化的T-S型模糊神经网络控制器比模糊控制器、T-S型模糊神经网络控制器更适合木材干燥过程的温湿度控制，温湿度的最大偏差小、超调量小、调节时间快、稳定性好，能够满足木材干燥系统对温湿度的控制要求，对逐步实现木材干燥过程的全自动控制，提高木材干燥产品质量具有重要研究意义。

[1] 王克奇, 杜尚丰, 白雪冰. 智能控制及其在林业上的应用 [M]. 北京：中国林业出版社, 2009(1):66.

[2] 孙丽萍, 曹 军, 李志辉. 木材干燥微波-真空木材干燥过程ARMA模型建立及其控制器仿真 [J]. 电机与控制学报, 2011, 15(9): 86-91.

[3] 孙丽萍, 曹文华, 李志辉. 优化微波木材干燥模糊控制器的仿真研究 [J]. 自动化仪表, 2009, 30(12): 65-67.

[4] 陈延伟, 史富斌. 钻机恒钻压自动送钻系统模糊控制器的设计 [J]. 电气传动自动化, 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] 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.

[7] 靖永志, 肖 建. 基于T-S模糊神经网络的齿槽效应补偿方法研究 [J]. 传感技术学报, 2013, 26(8): 1121-1125.

[8] 王 兰, 郭迎清. 基于T-S模糊神经网络的涡流发动机加速控制 [J]. 计算机仿真, 2010, 27(2): 26-29.

[9] 马晓丹, 刘 刚, 周 薇, 等. 基于量子遗传模糊神经网络的苹果果实识别 [J].农业机械学报, 2013, 44 (12): 227-232.

[10] 宋春宁, 刘少东. 基于SDNA-GA优化的模糊神经网络控制 [J]. 控制与决策, 2014, 29(4): 731-734.

[11] 关海鸥, 许少华, 谭 峰. 基于遗传模糊神经网络的植物病斑区域图像分割模型 [J]. 农业机械学报, 2010, 41(11): 163-167.

[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(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] 王 青, 张颖昕. 基于遗传算法的倒立摆实验系统最优控制器 [J]. 实验室研究与探索, 2010, 29(5): 22-25.

[15] 崔明月, 刘旭焱, 刘红钊, 等. 基于神经网络—遗传算法的双层隔振系统复合振动控制 [J]. 实验室研究与探索, 2014, 33(7): 115-119.

[16] 孙丽萍, 霍 然. 北方蔬菜温室系统模糊神经网络控制器的设计 [J]. 东北农业大学学报, 2014, 45(4): 113-117.

[17] 王 暑, 杨晓京. 基于模糊神经网络的烟叶烘烤温湿度监控系统研究 [J]. 计算机测量与控制, 2009, 17(2): 342-344.

Design of T-S Fuzzy Neural Network Controller by Optimized GA for Temperature and Humidity in Drying Kiln

JIANGBin，SUNLi-ping，CAOJun，JIZhong-zhi

(College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin 150040, China)

Wood drying process normally maintains the non-linear characteristics of strong coupling and large lagging, therefore, it is hardly to build the mathematical model of controlled object. In order to control the temperature and humidity of the wood drying process more precisely, and to improve the drying quality, a T-S fuzzy neural network (FNN) controller was designed to control the inner temperature and humidity of wood drying kiln. The design combined the merits of fuzzy control, neural control and optimized genetic algorithm (GA). This controller used fuzzy algorithm to remove the coupling relationship between inner temperature and humidity of wood drying kiln. Self-learning and adaptive ability of neural network were used to accomplish the fuzzy logic of the whole non-linear process; and the parameters of neural network was optimized and trained by GA to improve the self-learning and adaptive ability of the system. The simulation results revealed that the T-S FNN controller could have better control effect, faster responding speed, lower overshoot and stronger robustness.

drying process; genetic algorithm; Takagi-Sugeno model; fuzzy neural network controller; drying kiln

2015-02-27

国家林业公益性行业科研专项(201304502)

姜 滨(1985-)，男，黑龙江哈尔滨人，博士生，主要研究方向为复杂系统建模与控制。

Tel.：13836147906；E-mail：jiangbin633@163.com

孙丽萍(1958-)，女，黑龙江哈尔滨人，博士，教授，博士生导师，主要研究方向为模式识别与智能控制、复杂系统建模与控制。

Tel.：0451-82191811；E-mail：hithdjb@126.com

TP 273.4

A

1006-7167(2015)11-0054-06