推送系统的模糊神经网络控制

　　摘要：将模糊逻辑推理方法与神经网络技术相结合组成的模糊神经网络控制器，可利用神经网络的高效和并行学习机理对模糊逻辑系统进行学习和修正，大大改善了系统的学习性能，仿真结果表明这种控制器不仅算法简单，控制实时性也高。
　　关键词：模糊神经网络　学习和修正　实时性

Fuzzy neural network control of pusher system

　　Abstract：The fuzzy neural network controller, which combines the fuzzy logic inference method with the neural network technology, improves greatly learning performance of a system by using high-efficiency parallel learning mechanism and by learning and revising fuzzy logic system. Simulation results show that the controller has not only simple algorithm, but also high real-time control.
　　Keywords：Fuzzy neural network; Learning and revision; Real-time

1　前言

　　铸造行业的机械化与自动化是铸造生产的一个十分重要的课题，它是保证铸件质量和提高劳动生产率的关键性措施^〔1〕。
　　推送系统在铸造自动线中占有十分重要的地位。近十年来，我国自行设计和生产的数十条铸造自动线中，都不同程度地存在推送系统推送与缓冲不同步的问题，严重制约着铸造自动线的进一步推广应用，而对进口的近百条各种类型铸造自动线进行国产化时，推送系统的性能将受到国产元器件可靠性的影响。因此，研究推送系统的位置跟踪问题显得特别重要^〔2〕。
　　由于铸造自动线工位多，现场工况复杂，必须采取有效的控制策略。

2　铸造自动线对推送系统的要求

　　典型的铸造自动线结构和工艺流程如图1和图2所示。

1.电机B　2.机械机构　3.齿条　4.推头B　5.砂箱
6.小车　7.机械手　8.推头A　9.机械机构　10.电机A
图1　铸造自动线结构

图2　铸造自动线工艺流程

　　由工艺流程可知，推送系统必须满足以下要求：
　　(1)必须严格保证输送道上各工位的定位精度，否则机械手无法准确地提起和搬走砂箱，造型机也无法完成造型。
　　(2)运行过程中，要保证两端推头的跟踪精度，否则将造成砂箱之间的相互撞击，从而影响推送速度的提高并损坏推送系统。
　　根据以上要求，我们构造了全闭环控制的位置跟踪系统，使A推头跟踪由计算机设定的参考位移曲线，B推头跟踪A推头的输出。

3　模糊神经网络(FNN)控制器

　　控制系统的设计主要是控制器的构造，根据本系统的特点，我们用模糊神经网络控制器对系统实施控制。神经网络是典型的黑箱式学习模式，输入输出关系无法用被人接受的方式表示出来，而模糊系统是建立在容易被人接受的“if…then…”表达方法之上的，把两者的优点结合起来，就构成了模糊神经网络。
　　(1)模糊神经网络的实现
　　模糊神经网络等价结构图如图3所示。

图3　模糊神经网络等价结构

　　模糊系统进行模糊逻辑运算的过程^〔3〕：
　　①确定输入变量x_i：本系统i=1，2，x₁对应e，x₂对应ec.
　　②规则推理：IF e为A^k_i AND ec为B^k_i，则u为C^k_i
其中：A^k_i，B^k_i，C^k_i为对应e，ec，u的模糊子集，k代表第k条规则。
　　③确定模糊输出：
式中：μ_k代表第k条规则的适用度。
　　(2)基于BP算法的FNN学习
　　我们选取对称、全交迭的三角形隶属函数。
　　网络的学习采用误差反向传播方法进行。假设网络的实际输出为u，理想输出为u_d，被控对象的实际输出为y，标准信号为y_d。
　　①权值W_ij的调整
　　定义准则函数为E=(y_d-y)²/2，设网络权值学习规则为：

　(1)

W(t+1)=W(t)+η()+β^.〔W(t)-W(t-1)〕(2)

　　在式中，η为学习率，0＜η＜1；β为平滑因子，0＜β＜1；t为采样时刻，要求W(t+1)的值，只要求出的值即可。在t时刻：

　(3)

　　式中，y/u在被控对象未知的情况下，可以通过辨识获得，例如可用一神经网络辨识其逆动力学模型。为提高系统的实时性，在这里我们采用近似方法来估计，即用差商代替偏微商。

　(4)

　　将上式代入式(3)中，最终可得：

(5)

　　②隶属函数参数的调整
　　隶属函数参数a，b的调整也采用误差反传算法，我们将B层节点的参数a和b表达为P，下面给出具体算法。

(6)

其中：

(7)

上式右边共有四项分式相乘，前三项在修正W时已求得，现只需求得最后一项即可。

　(8)

　　当P=a时，

　　当P=b时，

　　至此，我们就完成了网络的学习。整个学习算法流程如图4所示。

图4　模糊神经网络的学习流程图

4　系统仿真

　　仿真时，参考位移曲线由下式给出：

　　学习率　　η=0.75，　平滑因子β=0.1，
　　量化因子　Ke=40　　Kec=1000　　比例因子Ku=0.6

(a)第一个周期系统的误差输出曲线

(b)第二个周期系统的误差输出曲线
图5　系统仿真结果

5　结论

　　(1)本文将模糊神经网络用于铸造自动线推送系统的位置跟踪控制，推送速度由原来的80mm/s提高到160mm/s后，经一个控制周期的学习后系统跟踪性能良好。证明了这种算法的实时性很强。
　　(2)网络初始权值对控制效果影响较大。
　　(3)本文提出的方案不仅可解决国产铸造自动线推送系统的跟踪问题，而且对进口铸造自动线同类问题的解决也有参考价值，应用前景十分广阔。