基于plc的模糊神经网络液位控制.docx

基于plc的模糊神经网络液位控制

陕西科技大学机电工程学院
机械制造与装配自动化

智
能
控
制

基于plc的模糊神经网络液位控制
1、概述
当今，很多工业现场控制会采用传统的PID控制器对反应池液位高度进行控制。虽然PID控制规律及参数调节的方法已经成熟，但是应用于实际工业现场中仍然存在较大的随意性，无法保证调出最佳的控制方案，当工作条件变化时，PID控制效果将会下降，需要重新整定参数。并且，对于传统的PID控制器，不适用于滞后的系统，而变频器控制的泵和液位传感器存在一定的滞后，如果仍然采用传统的PID调节或许会出现震荡，这样对变频器执行机构有很大的损坏。
通过计算机编程，将模糊控制和神经网络用于液位控制系统中，模糊控制从行为上模拟人工对液位控制的推理和决策过程，可以实现配浆过程的自动化和智能化，并且能够适应相类似的工业环境，使得控制系统的鲁棒性得以加强。
然而单纯使用模糊控制理论，无法避免自身的某些不足之处，比如，控制规则的制定受人为因素的影响较大，由于经验不足导致制定的规则不合理或不完善，使模糊控制器无法达到最佳的控制效果。而由于神经网络具有自学习能力，通过不断的网络训练来获得良好的网络模型使其具有较好的泛化能力模糊神经网络控制算法的过程为：首先由模糊控制算法得到模糊控制规则表，利用神经网络对其进行网络训练学习，得到最佳的连接权值和阈值，这些权值和阈值将控制规则的内在规律包含在网络模型内。这样不仅能发挥神经网络的学习能力还可以发挥模糊控制的逻辑推理能力，从而在控制应用时能根据训练好的网络模型利用高速并行分布计算得到计算结果简化了对规则的搜索和推理等过程，大大减少了调试时间。
对于PLC（可编程序控制器）由于其抗干扰能力强，可靠性高、通用性强、编程简单、功能强大、维护方便等特点，因此在许多行业的工业控制中得到广泛的应用。现代PLC的应用范围不局限于开关量的顺序控制，由于其功能指令越来越强大，可以实现很多复杂的控制算法，结合其硬件模块如模拟量输入、输出模块，在复杂的过程控制、运动控制中应用越来越广泛。而模糊控制器，由于它不需要知道对象的数学模型，具有系统响应快、超调量小、过渡时间短和鲁棒性好等优点，在复杂的、非线性的工业控制系统中得到广泛的应用。若将PLC和模糊神经控制技术相结合应用于复杂工业控制中，可以取得意想不到的良好效果。
2、液位控制过程
液位变频控制，变频调速系统是以S7-300PLC为控制核心，主要由水泵电机，S7-300PLC，SM模块，IM模块，PC机，变频器，液位计，电动阀门等构成。变送器将液位计的检测值转换为4—20mA电流的标准电信号传给PLC控制器，PLC按照设定的模糊神经网络算法对各种模糊量和数字量进行处理，然后传送电机频率值和电动阀门的开度值。变频器按照PLC控制命令控制三相异步电机的转速驱动水泵工作，实现反应池供水。PC机通过MPI通讯电缆和PLC进行通讯，在 PC 机上可以显示网管水压值、水塔液位值、电机工作频率值及电动阀开度值，也可在 PC 机上设定系统工艺值。
3、算法介绍
1、模糊控制：
模糊控制（fuzzy control），也称模糊逻辑控制（fuzzy logic control），是一种以模糊集合，模糊逻辑和模糊运算为基础的计算机先进控制技术。随着数字技术的飞速发展，过程工业越来越多地使用计算机控制系统，如DCS、PLC等作为过程自动化的硬件平台。这不仅大大提高了企业的自动化水平，而且实施模糊控制、神经网络控制和专家控制等只能控制策略以及基于模型的其他先进控制策略带来了很大的方便。
模糊控制主要是模拟人的思维、推理和判断的一种控制方法,它将人的经验、常识等用自然语言的形式表达出来,建立一种适用于计算机处理的输入输出过程模型,是智能控制的一个重要研究领域。从信息技术的观点来看,模糊控制是一种基于规则的专家系统。从控制系统技术的观点来看,模糊控制是一种普遍的非线性特征域控制器。相对传统控制,包括经典控制理论与现代控制理论。模糊控制能避开对象的数学模型(如状态方程或传递函数等),它力图对人们关于某个控制问题的成功与失败和经验进行加工,总结出知识,从中提炼出控制规则,用一系列多维模糊条件语句构造系统的模糊语言变量模型,应用CRI等各类模糊推理方法,可以得到适合控制要求的控制量,可以说模糊控制是一种语言变量的控制。
(1)模糊控制是一种基于规则的控制。它直接采用语言型控制规则,出发点是现场操作人员的控制经验或相关专家的知识,在设计中不需要建立被控对象的精确数学模型,因而使得控制机理和策略易于接受与理解,设计简单,便于应用;
(2)由工业过程的定性认识出发,比较容易建立语言控制规则,因而模糊控制对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象非常适用;
(3)基于模型的控制算法及系统设计方法,由于出发点和性能指标的不同,容易导致较大差异;但一个系统的语言控制规则却具有相对的独立性,利用这些控制规律间的模糊连接,容易找到折中的选择,使控制效果优于常规控制器;
(4)模糊控制算法是基于启发性的知识及语言决策规则设计的,这有利于模拟人工控制的过程和方法,增强控制系统的适应能力,使之具有一定的智能水平;
(5)模糊控制系统的鲁棒性强,干扰和参数变化对控制效果的影响被大大减弱,尤其适合于非线性、时变及纯滞后系统的控制。
2、神经网络：
人工神经网络(简称神经网络)具有复杂模式和进行联想、推理记忆的功能,它是解决某些传统方法所无法解决的问题的有力工具。目前,它日益受到重视,同时其他学科的发展,为其提供了更大的机会。1986年,Romelhart和Mc-clelland提出了误差反向传播算法(Error Back PropagationAlgorithm,简称BP算法),由于多层前馈网络的训练经常采用误差反向传播算法,人们也常把多层前馈网络称为BP网络。由于具有结构简单、工作状态稳定、易于硬件实现等优点,在众多的神经网络模型中, BP网络的应用最为广泛,尤其是在模式识别及分类、系统仿真、故障智能诊断、图像处理、函数拟合、最优预测等方面。
BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出(教师信号)不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。BP网络模型中如图1所示的单隐层网络(三层前馈网)的应用最为普遍。主要包括输入层、隐层和输出层。
3、模糊神经网络
模糊神经网络( Fuzzy Neural Network, 简称 FNN) 是模糊逻辑和神经网络二者相结合的产物。人们能根据周围的模糊信息进行逻辑思考, 模糊逻辑就是以此为基础, 其主旨在于通过隶属函数与串并行规则对模糊信息进行处理; 而神经网络则是以生物神经网络为模拟对象, 通过网络的自学习、自组织、自适应等方法对规整的信息进行处理。模糊逻辑和神经网络在许多方面具有关联性和互补性。而且, 理论上已经证明: 模糊逻辑系统能以任意精度逼近一个非线性函数, 神经网络具有映射能力, 这说明二者之间有密切的联系。所以, 将模糊逻辑系统与人工神经网络结合起来, 取长补短, 必能把信息处理领域提高到一个新的高度。在那样的系统中, 神经网络模拟大脑的拓扑结构, 即“硬件”, 模糊逻辑系统模拟信息模糊处理的思维能力, 即“软件”。所以两者的结合就产生了模糊神经网络。
模糊神经网络是神经网络与模糊逻辑的统一体, 它具有一般单纯的神经网络或模糊逻辑所没有的性质:
( 1) 采用模糊数学的计算方法, 使得计算变得简便, 从而加快了处理信息的速度;
( 2) 模糊神经网络增强了系统处理信息的手段, 使系统处理信息的方法变得更加灵活;
( 3) 网络中采用模糊化规则, 增强了系统的容错性;
( 4) 模糊神经网络可以同时处理确知和非确知信息, 扩大了信息处理能力。
模糊神经网络是神经网络与模糊数学的结合体, 所以大多模糊神经网络是在原有神经网络的基础上与模糊理论相结合而产生的, 模糊神经网络的发展趋势在于建立一个逐步向智能化靠近的网络结构, 不断提高网络的计算能力, 加强网络的动态处理能力, 并且使得网络的结构尽可能地简单且易于实现, 把模糊神经网络的结构归一化, 强化不同应用领域。

4、控制器设计

在设计模糊神经网络控制器的过程中，最重要的一个步骤就是模糊控制规则的生成，并利用 BP算法对规则样本进行训练学习，将训练好的网络送入控制器。此时，该控制器记忆了模糊控制规律，只
需将精确值模糊化后送入即可得到输出值，再经过比例因子缩放后输入到控制对象。
由于单隐层 BP 神经网络具有结构简单，训练时间短的特点，并能以任意精度逼近任意有理函数，所以采用单隐层神经网络和模糊控制相结合。设为网络第 k 个输入的样本，则第 j 个隐含层神经元的输出可表示为：
Zjk=∅(i=1nWijXik)
其中，wij隐含层第 i 个神经元到输入层第 j个神经元之间的连接权值，φ 为 sigmoid 函数，定义为 φ(x)=1/(1+e-x)。

5、模糊神经网络控制器参数设定
首先确定控制器的输入量，由于被控量为浆料的瞬时流量，因此选择瞬时流量的偏差信号（E）和偏差变化率（EC）为控制器输入量，模糊控制器则采用 Mamdani 二维模糊控制器，输出用 u 来表示。统一将偏差 E 及其变化率 EC和控制器输出u 的模糊论域设定为 [-6，6]，而实际情况这三个量的变化范围与其模糊论域不同，因此需要将实际值线性标定到所设定的论域上。设 E 的基本论域，即E 的实际变化范围为 [a，b]，将 x ∈ [a，b] 变换成 x' ∈ [-6，6]。
x‘=12b-ax=Kex
式中 Ke=12/(b-a) 为偏差的量化因子，作用就是将偏差的实际变化范围线性标定到模糊论域上。同样地如果已知偏差变化率和被控量的基本论域，也可以得到对应的量化因子和比例因子，分别用Kec和 Ku来表示。输入量 E 和 EC均是精确的值，必须进行模糊化处理，得到两个模糊矢量.在此过程中需要确定该精确值对应于论域上的模糊集合，以及属于哪一种隶属函数。确定模糊集合的分档数时要同时考虑简单性和控制效果两个方面，本文将 E、EC和 u 的模糊集合的分档数定为7 个，即：负大（NL，Negative Large）、负中（NM，Negative Medium）、负小（NS，Negative Small）、零（ZE，Zero）、正小（PS，Positive Small）、正中（PM，Positive Medium）和正大（PL，Positive Large）。为了提高控制精度，即控制灵敏度，隶属函数采用三角形函数。
接下来进行模糊控制规则的制定，通过模糊规则表建立了49条经验规则，由输入的模糊值E和EC得到变频器频率值。
模糊控制规则表

NB
NM

NS
ZE
PS
PM
PB
NB
NB
NB
NB
NM
NS
NS
ZE
NM
NB
NB
NM
NS
NS
ZE
PS
NS
NB
NM
NS
NS
ZE
PS
PS
ZE
NM
NS
NS
ZE
PS
PS
PM
PS
NS
NS
ZE
PS
PS
PM
PB
PM
NS
ZE
PS
PS
PS
OB
PB
PB
ZE
PS
PS
PM
PM
PB
PB

根据输入输出对的维数确定 BP 神经网络的结构为：输入层 14 个神经元，隐含层 30 个神经元，输出层 7 个神经元。多次进行训练，得到较好的网络模型，即得到最佳的连接权值和阈值，这些权值和阈值。蕴含了模糊控制规则，即当有对应的偏差和偏差变化率输入到训练好的网络后会得到一个相应的控制输出。因此，只要把偏差和偏差变化率的精确值模糊化后组成一个 14 维输入矢量送入训练好的网络，就会得到一个 7 维的网络输出，本文采用加权平均法对该网络输出进行解模糊化。

5、总结：
将智能控制和预测控制相结合，可以发挥各自的优点，克服其缺点。这不仅可以提高预测控制的自适应能力，而且为预测控制在非线性过程控制系统中的应用提供了有效解决手段。本文针对非线性三容水箱液位系统，设计了基于神经网络非线性预测的单神经元控制和基于神经网络非线性预测的模糊控制方案；并把基于神经网络预测的模糊控制方案应用于实际的三容液位控制系统中。主要完成了以下研究工作：
1） 针对非线性液位系统，提出了基于神经网络非线性预测的单神经元控制方法。本系统包括两部分：一个是神经网络预测模型，用来对非线性系统进行预测；另一个是单神经元控制器，用来根据当前误差、误差变化以及误差变化的速率和预测误差进行优化运算，产生控制输出。最后通过仿真进行了有效性验证。
2）针对非线性液位系统，提出了基于神经网络非线性预测的模糊控制方法。本系统包括两部分：一个神经网络预测模型，用来对非线性系统进行预测；另一个是加权的多模糊控制器，用来根据目标值与预测值的预测偏差进行模糊运算，产生控制输出。最后通过仿真进行了有效性验证。
3）本文提出的算法具有算法简单、在线运算量少、易于实现、较好的控制效果和较强的鲁棒性等特点，但是由于系统的神经网络预测模型是通过离线辨识和在线预测来实现的，因此当系统发生结构及参数的较大改变时，将会降低系统的自适应能力及鲁棒性。

6、参考文献
【1】基于模糊神经网络PID的锅炉汽包水位控制_刘春艳
【2】模糊控制的现状与发展_蔚东晓
【3】人工神经网络技术的应用现状分析_张红兰
【4】基于PLC的模糊控制算法在液位控制中的应用_林勇坚
【5】基于模糊神经网络的造纸配浆控制及仿真_徐文力