论文部分内容阅读
摘要：工农业的发展对热处理技术提出了更高的要求，机械加工零件在加热时如何很好地控制温度已成为关键性的技术。为了克服传统RBF网络控制中存在的问题，本文设计了自适应模糊C -均值聚类算法优化的RBF神经网络预测器及BP神经网络控制器。通过合理地初始化RBF神经网络预测器中的三个参数，使控制器的输出更好地稳定在给定值。仿真表明，模糊优化的网络比原始网络控制具有更好的控制效果，节约能源，提高热处理性能。
关键词：模糊C-均值聚类 预测控制 机械加工 热处理
1 概述
工农业的蓬勃发展对金属材料的性能提出了更高的要求，因而热处理技术也向着优质、高效、节能、无公害方向发展。电阻炉是工农业生产中常用的电加热设备，广泛应用于冶金、机械、建材等行业。这样加热时如何很好地控制温度就成为关键性的技术。电阻炉以电为热源，通过电热元件将电能转化为热能，在炉内对金属进行加热。本文设计的控制对象为一电加热炉，输入为加在电阻丝两端的电压，输出为电加热炉内的温度，所采用的控制方案为通过调节通断电的占空比来控制电阻炉的功率从而有效地控制炉内温度。控制器所采用的方法是模糊控制优化RBF神经网络的三个参数从而有效地对炉温进行预测控制。
2 系统结构
2.1 炉温控制硬件电路组成 电阻炉控制系统由被控对象、过程通道、控制主机和人机接口四部分组成，其中控制主机采用了8051单片机；过程通道主要由模拟量输入通道和模拟量输出通道组成；被控对象是两个锅炉。过程输入通道主要包括：传感器、多路开关、放大器、A/D转换器等；模拟量输出通道主要包括：输出锁存器、光电隔离器、驱动器和执行器等。
井式炉是周期式作业炉，适用于杆类，长轴类零件的热处理。井式炉的结构是：炉身是圆筒形的深井，工件由專用吊车垂直装入炉内加热。井式炉根据所使用燃料的不同，划分为不同的类型，以煤气和燃油为燃料的井式炉称为煤气和燃油井式炉；以电作为动力源的井式炉则被称为井式电阻炉。本文以井式电阻炉为研究对象，其工作原理为：井式电阻炉的温度控制系统采用的是电脑智能控制，热电偶检测炉内的实际温度，并将温度通过温度变送器转换成电压信号，与计算机设定的温度进行对比，根据需要自动地调节。控制器对于工作环境有着严格的要求，工作环境温度为-10-50℃，相对湿度要不大于85%，如果温度或者湿度不能达到需要，就会影响井式电阻炉的工作质量，不仅如此，控制器还要放置于干燥通风良好，无腐蚀性气体的地方，尘埃、酸雨、过度潮湿等等也不利于控制器工作的顺利进行。同煤气和燃油井式炉相比，井式电阻炉不仅能够大幅度地提高升温速度，减少热能消耗，而且质量较轻，寿命也延长了。
图1为简化控制原理图。图1中：NNI为模糊优化的RBF神经网络预测模型；NNC为BP神经网络控制器；对象为电阻炉系统；Z-1可获得前一个时刻即k-1时刻的采样信号；yr（k）为参考信号（温度设定值）；u（k）为控制器输出的控制量；y（k）为系统的实际输出信号（实际的温度）；e（k）为参考信号和实际输出信号的差值，用来修正控制器的权值；ym（k）为预测模型的输出值（预测的温度值）；em（k）为系统的实际输出与预测模型的输出之差，用来修正预测模型的权值。
2.2 BP神经网络控制器设计 本文设计的控制对象为一电加热炉，输入为加在电阻丝两端的电压，输出为电加热炉内的温度。控制器采用的BP网络由输入层、隐含层和输出层组成。输入量为温度参考信号yr（k）、控制量u（k-1）、温度偏差量e（k）组成，预测输出ym（k）调节BP网络权值。在网络的第二层进行隶属度函数的计算，各语言变量采用高斯函数。网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。控制器输出为u（k）。采用模糊RBF神经网络用于完成被控对象的辨识，建立在线参考模型，并为网络提供所需变量，从而有效地对炉温进行控制。
2.3 模糊RBF神经网络预测器设计 传统的RBF神经网络的学习策略只能在局部空间寻找最优解，来确定网络结构参数，如果这些参数设置不当，会造成逼近精度的下降甚至网络的发散。因此在确定这些参数的时候，对RBF神经网络的中心采用自适应模糊C -均值聚类算法进行学习，这种算法为聚类过程提供更合理的初始化参数，并提高了聚类的收敛速度和聚类效果。
RBF网络的输出如式（1）所示：
式中：n为隐层节点的个数；ω （k=1，2，…，n）为隐层节点与输出层节点的权值；xk为第k个输入向量；φ为高斯函数；Ck（k=1，2，…，n）为第k个基函数的中心；σ 决定了该基函数围绕中心点的宽度；‖x -C ‖表示x 与C 之间距离。
模糊RBF网络的结构如图2所示。
3 模糊RBF神经网络的训练步骤（图3）
4 仿真研究
本文通过控制电流电压导通角从而控制炉内温度。数据来自某铸造厂采集的温度、误差、控制量等3500组数据（采样时间为1s），本文采用分段线性化的方法，用模型G（s）= 对其不同的加热段进行仿真研究。本文利用模型针对其中的一段（K=15.6，T=798，τ=45）进行仿真研究。其结果如图4所示。
由图4的结果可以看出基于模糊优化的RBF神经网络的预测控制比基于普通RBF神经网络的预测控制能更快地到达设定值，提高率响应速度，增强了实时性。而且改进型网络输出的超调量小于原始网络，波动小，收敛快。进一步表明了系统的稳定性和动态性能也得到了一定的改善。
5 结论
将模糊算法应用到优化RBF神经网络预测模型及控制中，通过两个模型进行实例仿真，仿真表明模糊优化的RBF神经网络具有良好的辨识精度，在控制效果上也有较高的控制品质，证明了该方法的有效性和可行性。而且算法简单，有一定的通用性和实用性。同时本文将智能控制有效地结合在一起构成复合控制，更能贴近控制要求，节约能源，给工农业发展带来了良好的效益。
参考文献：
[1]张秀玲，陈丽杰.RBF神经网络的板形预测控制[J].智能系统学报，2010，5：37-42.
[2]师黎，陈铁军，李晓媛.智能控制理论及应用[M].北京：清华大学出版社，2009：206-207.
[3]马涛，傅周兴，孙静.基于模糊控制的RBF神经网络的短期负荷预测[J].工矿自动化，1994-2011：31-33.
关键词：模糊C-均值聚类 预测控制 机械加工 热处理
1 概述
工农业的蓬勃发展对金属材料的性能提出了更高的要求，因而热处理技术也向着优质、高效、节能、无公害方向发展。电阻炉是工农业生产中常用的电加热设备，广泛应用于冶金、机械、建材等行业。这样加热时如何很好地控制温度就成为关键性的技术。电阻炉以电为热源，通过电热元件将电能转化为热能，在炉内对金属进行加热。本文设计的控制对象为一电加热炉，输入为加在电阻丝两端的电压，输出为电加热炉内的温度，所采用的控制方案为通过调节通断电的占空比来控制电阻炉的功率从而有效地控制炉内温度。控制器所采用的方法是模糊控制优化RBF神经网络的三个参数从而有效地对炉温进行预测控制。
2 系统结构
2.1 炉温控制硬件电路组成 电阻炉控制系统由被控对象、过程通道、控制主机和人机接口四部分组成，其中控制主机采用了8051单片机；过程通道主要由模拟量输入通道和模拟量输出通道组成；被控对象是两个锅炉。过程输入通道主要包括：传感器、多路开关、放大器、A/D转换器等；模拟量输出通道主要包括：输出锁存器、光电隔离器、驱动器和执行器等。
井式炉是周期式作业炉，适用于杆类，长轴类零件的热处理。井式炉的结构是：炉身是圆筒形的深井，工件由專用吊车垂直装入炉内加热。井式炉根据所使用燃料的不同，划分为不同的类型，以煤气和燃油为燃料的井式炉称为煤气和燃油井式炉；以电作为动力源的井式炉则被称为井式电阻炉。本文以井式电阻炉为研究对象，其工作原理为：井式电阻炉的温度控制系统采用的是电脑智能控制，热电偶检测炉内的实际温度，并将温度通过温度变送器转换成电压信号，与计算机设定的温度进行对比，根据需要自动地调节。控制器对于工作环境有着严格的要求，工作环境温度为-10-50℃，相对湿度要不大于85%，如果温度或者湿度不能达到需要，就会影响井式电阻炉的工作质量，不仅如此，控制器还要放置于干燥通风良好，无腐蚀性气体的地方，尘埃、酸雨、过度潮湿等等也不利于控制器工作的顺利进行。同煤气和燃油井式炉相比，井式电阻炉不仅能够大幅度地提高升温速度，减少热能消耗，而且质量较轻，寿命也延长了。
图1为简化控制原理图。图1中：NNI为模糊优化的RBF神经网络预测模型；NNC为BP神经网络控制器；对象为电阻炉系统；Z-1可获得前一个时刻即k-1时刻的采样信号；yr（k）为参考信号（温度设定值）；u（k）为控制器输出的控制量；y（k）为系统的实际输出信号（实际的温度）；e（k）为参考信号和实际输出信号的差值，用来修正控制器的权值；ym（k）为预测模型的输出值（预测的温度值）；em（k）为系统的实际输出与预测模型的输出之差，用来修正预测模型的权值。
2.2 BP神经网络控制器设计 本文设计的控制对象为一电加热炉，输入为加在电阻丝两端的电压，输出为电加热炉内的温度。控制器采用的BP网络由输入层、隐含层和输出层组成。输入量为温度参考信号yr（k）、控制量u（k-1）、温度偏差量e（k）组成，预测输出ym（k）调节BP网络权值。在网络的第二层进行隶属度函数的计算，各语言变量采用高斯函数。网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。控制器输出为u（k）。采用模糊RBF神经网络用于完成被控对象的辨识，建立在线参考模型，并为网络提供所需变量，从而有效地对炉温进行控制。
2.3 模糊RBF神经网络预测器设计 传统的RBF神经网络的学习策略只能在局部空间寻找最优解，来确定网络结构参数，如果这些参数设置不当，会造成逼近精度的下降甚至网络的发散。因此在确定这些参数的时候，对RBF神经网络的中心采用自适应模糊C -均值聚类算法进行学习，这种算法为聚类过程提供更合理的初始化参数，并提高了聚类的收敛速度和聚类效果。
RBF网络的输出如式（1）所示：
式中：n为隐层节点的个数；ω （k=1，2，…，n）为隐层节点与输出层节点的权值；xk为第k个输入向量；φ为高斯函数；Ck（k=1，2，…，n）为第k个基函数的中心；σ 决定了该基函数围绕中心点的宽度；‖x -C ‖表示x 与C 之间距离。
模糊RBF网络的结构如图2所示。
3 模糊RBF神经网络的训练步骤（图3）
4 仿真研究
本文通过控制电流电压导通角从而控制炉内温度。数据来自某铸造厂采集的温度、误差、控制量等3500组数据（采样时间为1s），本文采用分段线性化的方法，用模型G（s）= 对其不同的加热段进行仿真研究。本文利用模型针对其中的一段（K=15.6，T=798，τ=45）进行仿真研究。其结果如图4所示。
由图4的结果可以看出基于模糊优化的RBF神经网络的预测控制比基于普通RBF神经网络的预测控制能更快地到达设定值，提高率响应速度，增强了实时性。而且改进型网络输出的超调量小于原始网络，波动小，收敛快。进一步表明了系统的稳定性和动态性能也得到了一定的改善。
5 结论
将模糊算法应用到优化RBF神经网络预测模型及控制中，通过两个模型进行实例仿真，仿真表明模糊优化的RBF神经网络具有良好的辨识精度，在控制效果上也有较高的控制品质，证明了该方法的有效性和可行性。而且算法简单，有一定的通用性和实用性。同时本文将智能控制有效地结合在一起构成复合控制，更能贴近控制要求，节约能源，给工农业发展带来了良好的效益。
参考文献：
[1]张秀玲，陈丽杰.RBF神经网络的板形预测控制[J].智能系统学报，2010，5：37-42.
[2]师黎，陈铁军，李晓媛.智能控制理论及应用[M].北京：清华大学出版社，2009：206-207.
[3]马涛，傅周兴，孙静.基于模糊控制的RBF神经网络的短期负荷预测[J].工矿自动化，1994-2011：31-33.