基于模糊神经网络的炉温控制系统的研究

工业电阻炉通常具有严重的非线性、时变以及种类繁多的干扰，使得基于精确数学模型常规控制方法难以获得满意的动静态控制效果。近年来，模糊逻辑控制取得了巨大成功，已广泛应用于工业自动化、智能仪器、机器人控制及家用电器等领域。但是，传统模糊控制是一种基于模糊规则的控制器，这些模糊规则是人们对受控过程认识的归纳和控制经验的总结，存在的核心问题是测试参考模糊集隶属函数的选择与模糊量化以及控制规则的固定或者不适合被控过程的变化，严重影响控制效果。模糊控制技术和神经网络技术同属于人工智能技术，各自具备对方恰恰不具备的优缺点，具有互补性。模糊控制具备处理模糊语言信息的能力，可模拟人类智慧进行判断和决策。但是模糊控制不具备学习功能，人工神经网络正好相反，他具备学习功能，但不能处理和描述模糊信息。因此将二者结合起来，使模糊控制具备学习功能，进行判断和决策，这是模糊神经网络控制的基本出发点。本文将模糊控制与神经网络相结合，利用两者优点，设计出一种神经网络模糊推理控制系统，使控制系统具有自调整、自学习的性能，以达到智能控制的目标。

2 模糊神经网络控制算法的设计

模糊神经网络可以用一般的多层前向BP网络实现，但由于涉及到模糊成分的方式不同，可得到多种类型的模糊神经网络。一个具有m个输入单输出的模糊推理系统可描述为：

Ri：If X is ai Then Y=Yi(i=1，2，…，n) (1)

公式中，Ri表示模糊推理系统中的第i条Fuzzy规则；X=[x1，x2，…，xm]T∈Rm为系统的广义输入，Oi=[oi1，oi2，…，oim]T为语言变量；Yi为第i条规则所对应的系统输出。

本文选用的模糊神经网络系统为一个双输入单输出的系统。系统由一个四层前向网络组成：x1，x2，为输入，y为输出。每个输入变量均取相同个数的Fuzzy子空间，可用[NB，NM，NS，NO，PO，PS，PM，PB]这些语言变量表示。如果每一输入变量的Fuzzy子空间个数为n，则每一个输入变量就有n个模糊化神经元与之对应以计算其在n个模糊子空间对应的隶属函数，而模糊逻辑函数采用加权求和方式，去模糊单元采用重心法。此时，模糊神经网络为四层结构，结构如图1所示。图中Ⅱ为乘积因子，∑为求和因子。

网络的(I)层为输入层，(Ⅱ)层为生成隶属函数层，(Ⅲ)层和(Ⅳ)层为推理层。各层单元输入输出关系为：

运用样本数据对网络进行训练，不断调整网络权值及其他可调参数(如隶属度函数中的可变参数)，便可得到自动调整模糊控制规则隶属度函数的形状和网络权系数，从而可以达到不断学习模糊规则的目的。

模糊神经网络有两种参数需要进行训练：一是推理计算中的加权系数，另一个是模糊化过程中隶属函数中的可凋参数。采用BP算法来训练加权系数ω。离线训练时取性能指标函数为：

其中y(Xi)为神经网络第i条输出，Yi为样本的期望输出值，样本对为(Xi，Yi)(i=1，2，…，l)，l为训练样本个数。

按最速下降法修正网络的加权系数，即按J对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局最小的惯性项，则有：

式中η为学习速率，α为惯性系数。

对隶属函数参数的修正方法也可采用与汁算加权系数ω类似的方法，如当隶属函数为高斯型时，他有两个参数需要调整，即形状系数aik和偏移量bik，其公式为：

经过几千次的训练以后，图1所示的网络目标函数达到了期望值。

3 电阻炉温度控制器硬件系统设计

3.1 控温系统硬件结构及工作原理

本控温系统分为3个部分：前端温度传感器、控温电路和上位机通讯控制部分，其中前端温度传感器为S型热电偶。控制系统的硬件电路的设计框图如图2所示。

如图2所示，控温热电偶(S型)所检测到的微弱信号(加热炉内控温点实际温度)以及室温补偿电路所采集的室温信号(加热炉外靠近被检定热电偶的采集端)，经信号调理电路放大、滤波后，送到A／D(采用高精度，高性能的16位串行输出A／D MAX195)，在单片机P89C60的控制下采样得到控温点温度值，单片机控制系统比较控温点温度，检定点温度以及温度变化率等参数，在模糊神经网络控制算法的控制下输出精确控制的数字量到CPLD，由CPLD控制输出一定占空比的脉冲信号去控制固态继电器的导通与截止，达到精确控制炉温的目的。单片机通过串口RS 232通讯方式实现与PC机的通讯，可将硬件电路所采集到的温度值传输到PC上，并用相关软件将温度点拟合成温度曲线，通过温度曲线来判定控温品质。

3.2 控温模块硬件设计

控温模块硬件由前置处理电路，单片机电路和PWM控制输出电路组成，前置处理电路主要由室温补偿电路、前级放大电路、滤波电路、超温硬件保护电路、多路电子开关电路以及A／D转换电路等组成。其电路框图如图3所示。控温热电偶信号通过仪器放大器AD620精确放大后，送到同相比例放大再放大到后级所需放大倍数，以充分保证后级分辨精度。通过二阶有源低通滤波滤出高频干扰及市网干扰后，送到多路电子开关，在单片机控制下，A／D转换电路(A／D转换采用MAXIM公司的16位串行控制的MAX195)分时采集室温采集电路的信号与控温热电偶的信号。在电路中为防单片机程序失控，硬件电路专门设计有硬件超温报警电路，一旦温度超过设定最高值时，由比较控制电路实现自动切断供电电源，达到硬件保护检定加热炉的目的。

电路工作时，单片机P89C60依据A／D转换电路送进的控温点炉温温度值、室温温度值，以及PC机下传的检定点温度值进行比较，依据模糊神经网络控制算法计算出相应加热的脉冲宽度，其中所需改变的控制参数及相关参数由PC机从数据库中经ICL232串行下传到具有I2C总线结构的AT24C02串行E2PROM中，同时显示电路实时显示出设定检定温度值及当前炉内温度值。由单片机计算出来的控制加热的数据，送到PWM电路，通过PWM电路输出一定占空比的PWM信号控制固态继电器的导通与截止，从而实现对炉温加热量的精确控制。

4 系统实验结果

在系统实验中，我们采用的电阻炉为管式电阻加热炉，功率为3 000 W，可加热至1 200℃。控温热电偶为铂铑10一铂热电偶(S型)。电阻炉加热时，硬件系统上的显示电路实时显示出设定检定温度值及当前炉内温度值，与此同时，通过RS 232串口可将硬件电路所采集到的温度值传输到上位机上，并用C++Builder 6编写出一个温度监控程序来显示出炉温控制曲线，以此来判定控温品质。在实验中还采用了模糊算法来控制电阻炉的加热，使之与模糊神经网络算法相比较。两种温度控制算法的炉温控制曲线如图4所示。

在图4中，曲线①为模糊控制曲线，曲线②为模糊神经网络控制曲线，没定检定温度值为700℃。从炉温控制实验结果可以看出，模糊神经网络算法的控温效果优于模糊算法，其超调基本为零，调节时间短，系统很快进入稳态，无震荡，控制精度高(0.1℃／min)，具有较强的鲁棒性。

5 结 语

本文提出了一种模糊神经网络温度控制系统的实现方法，将神经网络的自学习机制融人模糊控制中，不需要建立电阻炉炉温控制的精确数学模型，只要把现场操作人员的操作经验和数据总结成较完善的语言控制规则，他可以避开控制过程中的不确定性、不精确性、噪音以及非线性、时变性和时滞性等影响。经温控实验表明，使用该控制器可以取得令人满意的良好效果。