模糊神经网络的真空木材碳化设备控制系统设计与仿真1)

刘向东 郭明慧 杨春梅 张佳薇

(东北林业大学，哈尔滨，150040)

周玉成

(山东建筑大学)

模糊神经网络的真空木材碳化设备控制系统设计与仿真1)

刘向东 郭明慧 杨春梅 张佳薇

(东北林业大学，哈尔滨，150040)

周玉成

(山东建筑大学)

针对目前真空木材碳化设备的控制系统具有大滞后、强耦合、时变性以及难以建立精确数学模型等特点，提出了一种模糊神经网络算法的真空木材碳化设备控制系统。通过对输入输出变量、论域及隶属函数的选择，设计出真空木材碳化设备控制器；再将神经网络与模糊控制系统相结合，得到模糊神经控制网络。对模糊神经网络控制器的算法进行了分析；在Matlab环境下编写控制器的程序，用Simulink进行仿真实验。结果表明：模糊神经网络控制器的真空木材碳化设备输出的温度曲线，稳态误差为0、最大偏移量为1 ℃、调节时间约为8 s、超调量为2%；湿度曲线在6 s时即可达到稳定，稳态误差为0、最大偏差为1%、超调量为4%；加入扰动后，误差能被快速消除，温湿度的波动幅度相对减小，系统的稳定性更强。模糊神经网络控制器，可减小调节时间、消除误差、提高控制精度，具有很好的鲁棒性。将二者结合设计出的模糊神经网络控制器，具有自适应、学习、识别和模糊信息处理等功能，在处理大规模复杂的模糊应用问题方面具有更好的控制效果。

木材碳化；模糊神经网络；控制器

真空木材碳化设备控制系统属于复杂过程控制系统，由于其复杂的控制流程，具有大滞后、非线性、强耦合等特点，因此，在控制算法的选择上，传统的控制方法如PID控制并不适用于此控制系统。尽管传统的PID控制在控制领域应用最为普遍，但该算法主要还是依赖于工作人员的工作经验调节各运行参数[1]。PID算法的木材碳化设备控制系统，并不能满足本设计对于控制系统的要求，因此，本研究提出了一种模糊神经网络控制算法对此系统加以控制。

与传统的PID控制相比，模糊控制隶属于非线性控制的范畴。鉴于普通控制只能表达“非此即彼”概念的情形，模糊控制不仅占用的空间少，还可以对不精确的输入信息进行处理，可以有效降低系统对于精确度和灵敏度的要求，保证了信息处理的高效性、准确性和实时性[2-3]。另外，模糊系统也常常被人们归为智能计算的范围内。针对模糊控制的上述基本性能，运用模糊神经网络控制器对真空木材碳化的温湿度进行控制，可有效提高木材碳化过程的控制精度，减小温度和湿度的耦合关系，从而使得产品质量得到了保证。

1 真空木材碳化设备模糊控制器的设计

真空木材碳化设备控制系统，是根据调节温度和湿度2个输入值调节加热、排湿、喷蒸3个电磁阀，控制罐内实际的温度和湿度。是1个两输入、三输出变量的复杂控制系统，并具有非线性、大滞后、强耦合等特点，可用式(1)表示[4]。

(1)

式中：x1、x2、x3分别为加热阀、喷蒸阀、排湿阀的开启时长；y1、y2分别为湿度、温度的输出量；k为各输入量或输出量的当前状态。

输入输出变量的选择：本设计中，为了对碳化室的温度及湿度进行控制，取碳化室的温度、湿度以及温湿度的变化率作为输入变量，选取加热、喷蒸、排湿3个阀门的开启时长作为系统的输出变量。可确保真空木材碳化设备控制系统的控制精度、降低系统的复杂性。

输入输出量论域的选择：误差(E)的模糊子集为{NB，NM，NS，ZE，PS，PM，PB}，模糊子集论域范围为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。误差变化率(CE)及温湿度控制量(Pt、Ph)的模糊子集为{NB，NM，NS，NZ，PZ，PS，PM，PB}，模糊子集论域范围为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。输出量的模糊子集为{ZE，PS，PM，PB}，模糊子集论域范围为{0，1，2，3}。

模糊子集的隶属函数：本文以温度及其变化率为例，温度及其变化率的隶属函数曲线见图1。本设计中的隶属函数选用高斯函数[5-6]。

图1 模糊控制器隶数函数曲线

模糊规则表：模糊规则表由模糊规则生成，本次试验采用ifAandBthenC的形式设计模糊规则(见表1、表2)。如：当湿度为正大、湿度的变化率为正大时，湿度的控制量，即排湿阀的开启为负大。

表1 温湿度模糊控制规则表

注：CE为误差变化率。

2 模糊神经网络控制器

将神经网络与模糊控制系统相结合，可得到模糊神经控制网络。由于模糊规则的制定具有主观性，因而将神经网络与模糊控制器相融合，取两者优点，使其具有自适应、学习、识别和模糊信息处理等功能。将二者结合设计出的模糊神经网络控制器，在处理大规模复杂的模糊应用问题方面具有更好的控制效果[7-10]。

表2 阀门控制模糊规则表

注：Ph为湿度控制量；Pt为温度控制量。OJR为加热阀开度；OPS为排湿阀开度；OPZ为喷蒸阀开度。x0表示加热阀的开度为0，x1表示加热阀的开度为1，x2表示加热阀的开度为2，x3表示加热阀的开度为3；y0表示排湿阀的开度为0，y1表示排湿阀的开度为1，y2表示排湿阀的开度为2，y3表示排湿阀的开度为3；z0表示喷蒸阀的开度为0，z1表示喷蒸阀的开度为1，z2表示喷蒸阀的开度为2，z3表示喷蒸阀的开度为3。

2.1 模糊神经网络控制器的结构组成

典型的模糊神经网络结构上相似于神经网络，功能上是模糊系统，其结构通常是五层前向网络结构(见图2)。

第一层：精确值输入层。输入几个变量即包含几个节点，输入值都为可直接控制的精确值。该神经网络结构使用误差及变化率作为输入层的节点，该层节点个数N1=n。

图2 模糊神经网络控制器的网络控制结构

2.2 真空木材碳化设备模糊神经网络控制器设计

由于真空木材碳化设备中，碳化室的温度、湿度以及温湿度的变化率为模糊神经网络控制器的输入变量，故在输入层，即第一层共设置了4个节点。网络的第二层是模糊语言变量值，为了使控制器不会因为模糊规则数过于复杂而难以保证系统的运算和查询速度，系统温度和湿度分别对应各自的负(N)、零(ZE)、正(P)3个节点，而温湿度的变化率则对应负(N)、-1(NZ)、1(PZ)、正(P)4个节点，故第二层的节点数为14个。共计有144条模糊规则，所以网络的第三、四层共各有144个节点。将加热、喷蒸、排湿3个电磁阀的阀门开启时长定为系统的输出量，故输出层，即第五层共有3个节点。真空木材碳化设备模糊神经网络控制器的网络结构为4-14-144-144-3结构(见图3)。温度和湿度误差的模糊子集为{N，ZE，P}，模糊子集的论域范围是{-1，0，1}。温度和湿度误差变化率的模糊子集为{N，NZ，PZ，P}，模糊子集的论域范围是{-1，0，1}。阀门输出量的模糊子集为{ZE，PS，PM，PB}，模糊子集的论域范围是{0，1，2，3}。隶属函数选择高斯函数。模糊规则由控制器自动生成，共计144条。

3 仿真实验

在Matlab环境下编写模糊神经网络控制器的程序，用Simulink进行仿真实验。将碳化室的空气湿度设定为25%，对碳化室内空气初始湿度设定为20%；碳化室内的温度设定为50 ℃，对碳化室内初始温度设定为40 ℃；仿真时间为0～100s；选择RondomNumber模块为扰动信号，均值为0，方差为1。仿真算法选择最大步长0.5s的Dormand-Prince的变步长算法。真空木材碳化设备控制系统的扰动信号如图4所示。

3.1 真空木材碳化设备模糊控制器的仿真实验

在Simulink环境下的真空木材碳化设备模糊控制系统仿真图见图5；比例因子Ku为0.33，KeH、KecH为1.2，KeT、KecT为0.67。真空木材碳化设备模糊控制温度和湿度的仿真结果见图6～图9，图8和9是加扰动后的系统温湿度结果。由图6可见，真空木材碳化设备控制系统模糊控制器，输出的温度曲线的调节时间约为18s，最大偏移量为3 ℃，稳态误差为0，超调量为6%。由图7可见，空气湿度的最大偏差达2.2%，湿度曲线在22s左右达到稳定，湿度的超调量为8.9%。由图8、图9可见，在扰动信号加入系统后，空气湿度曲线的最大变化量为0.3%，碳化室内温度曲线的最大变化量为0.5 ℃。

图3 真空木材碳化设备的模糊神经网络控制器网络结构

图4 真空木材碳化设备控制系统的扰动信号

du/dt中的u为变化值、t为时间；k1为加热阀的开度、k2为排湿阀的开度、k3为喷蒸阀的开度；p{1}为温度控制的输出量、y{1}为湿度控制的输出量。

图6 模糊控制器温度仿真曲线

图7 模糊控制器湿度仿真曲线

图8 加扰动后模糊控制器温度仿真曲线

3.2 模糊神经网络控制器的真空木材碳化设备仿真实验

在Simulink环境下，模糊神经网络控制的真空木材碳化设备控制系统仿真图如图10所示，真空木材碳化设备温湿度的仿真结果见图11～图14。由图11可见，模糊神经网络控制器的真空木材碳化设备，输出的温度曲线的稳态误差为0，最大偏移量为1 ℃，调节时间约为8s，超调量为2%。由图12可见，湿度曲线在6s时即可达到稳定，稳态误差为0，最大偏差为1%，超调量为4%。由图13、图14可见，在加入扰动后，误差能够被快速消除，温湿度的波动幅度相对减小，系统的稳定性更强。

图9 加扰动后模糊控制器湿度仿真曲线

由仿真实验结果可知，模糊神经网络控制器可以减小调节时间，消除误差，提高控制精度，并且具有很好的鲁棒性。所以，模糊神经网络控制器的性能优于经典模糊控制器。

4 结论

由于真空木材碳化设备的控制系统具有大滞后、强耦合、时变性以及难以建立精确数学模型等特点，故设计了一种BP网络算法的Mandani型模糊神经网络控制器，以控制真空木材碳化室的温度和空气湿度。模糊神经网络控制器具有很强的学习能力和可操作性，可以随时针对现场情况的变化修改模糊规则，控制效果更好、控制精度更强。在Simulink环境下对温湿度进行仿真实验，结果显示：与经典的模糊控制器相比，将模糊神经网络控制器应用于真空木材碳化设备的控制系统中，可提高系统的控制精度、减小系统的超调量、缩短系统的调节时间。模糊神经网络控制器，可很好的改善系统的性能，从而提高木材碳化过程控制系统的精度。

图10 真空木材碳化设备模糊神经网络控制系统仿真图

图11 模糊神经网络控制器温度仿真曲线

图12 模糊神经网络控制器湿度仿真曲线

图13 加扰动后模糊神经网络控制器温度仿真曲线

图14 加扰动后模糊神经网络控制器湿度仿真曲线

[1] WANG X L， WANG Y X. Research on the PID-based system of emulsion concentration automatic mixing[J]. Advanced Materials Research，2011，411：179-182.

[2] 田志平.基于模糊推理和神经网络的预想事故自动选择研究[D].重庆：重庆大学，2010.

[3] 张盼盼，赵钢.温湿度解耦的模糊PID-自适应Smith控制[J].化工自动化及仪表，2012，39(10)：1260-1264.

[4] 林美珍.模糊控制理论的应用[J].宁德师专学报(自然科学版)，2010，22(4)：353-355，384.

[5] 董秀春.基于预测控制及模糊补偿的网络控制系统的研究[D].青岛：青岛科技大学，2012.

[6] SCHMITZ J E， SILVA F V， NEVES FILHO L C， et al. Multivariable fuzzy control strategy for an experimental chiller system[J]. Journal of Food Process Engineering，2014，37(2)：160-168.

[7] 黄卫华，方康玲，章政.典型模糊控制器的隶属函数设计及分析[J].模糊系统与数学，2010，24(5)：83-90.

[8] 毕武.基于神经网络的木材干燥控制系统研究与设计[D].长春：吉林大学，2011.

[9] 李庆春.新型PID模糊控制器的结构分析及应用研究[D].长沙：中南大学，2010.

[10] 张冬妍.木材干燥神经网络建模与智能控制研究[D].哈尔滨：东北林业大学，2005.

[11] TAVOOSI J， BADAMCHIZADEH M A. A class of type-2 fuzzy neural networks for nonlinear dynamical system identification[J]. Neural Computing and Applications，2013，23(3)：707-717.

[12] 李国勇，杨丽娟.神经模糊预测控制及其Matlab实现[M].北京：电子工业出版社，2013.

[13] HUANG Y L， YUAN J T. High speed constant force milling based on fuzzy controller and BP neural network[J]. International Journal of Control and Automation，2014，7(5)：143-152.

Design and Simulation of Fuzzy Neural Network Controller with BP Network//

Liu Xiangdong, Guo Minghui, Yang Chunmei, Zhang Jiawei

(Northeast Forestry University, Harbin 150040, P. R. China);

Zhou Yucheng

(Shandong Jianzhu University)

//Journal of Northeast Forestry University，2017,45(8)：87-92.

In view of the fact that the control system of vacuum wood carbonization equipment has the characteristics of large lag, strong coupling, time variability and difficult to establish accurate mathematical model, a control system of vacuum wood carbonization equipment based on fuzzy neural network algorithm was proposed. By selecting input and output variables, the choice of domain and membership function, the vacuum solid wood carbonization equipment controller was designed. Then, the neural network and the fuzzy control system were combined to obtain the fuzzy neural control network. The algorithm of fuzzy neural network controller was analyzed. The program of controller was written in Matlab, and Simulink was used to simulate the experiment. The results show that the temperature curve of the vacuum wood carbonization equipment of the fuzzy neural network controller is 0, the maximum offset is 1 ℃, the adjustment time is 8 s, the overshoot is 2%, and the humidity curve is 6 s. The steady-state error is 0, the maximum deviation is 1%, and the overshoot is 4%. After adding the disturbance, the error can be eliminated quickly, the fluctuation range of temperature and humidity is relatively reduced, and the stability of the system is stronger. Fuzzy neural network controller can reduce the adjustment time, eliminate the error, and improve the control accuracy with good robustness. The fuzzy neural network controller, which combines above two, has the functions of adaptive, learning, recognition and fuzzy information processing, and has better control effect in dealing with large and complex fuzzy application problems.

Wood carbonization; Fuzzy neural network; Control system

刘向东，男，1961年1月生，东北林业大学理学院，副教授。E-mail：liuxiangdong06@163.com。

杨春梅，东北林业大学机电工程学院，教授。E-mail：ycmnefu@126.com。

2017年2月25日。

S781.7；TP273+.4；TP183

1)泰山学者优势特色学科项目，中央高校基本科研业务费项目(2572016EBT1)。

责任编辑：张 玉。