CN101441441A - 起重机智能防摇控制***的设计方法 - Google Patents

Abstract

本发明涉及一种模糊控制与神经网络技术相结合的起重机智能防摇控制***的设计方法。利用模糊控制原理生成模糊控制模型，并以模糊控制模型的响应表为训练样本，建立BP神经网络模型，实现起重机智能防摇控制。基于模糊控制原理设计防摇控制***的模糊控制模型，包括输入量和控制量的模糊化、模糊控制规则的制定、模糊控制量的清晰化等步骤，最后得到模糊控制响应表。神经网络模型拓扑结构为一层隐层的三层前馈型BP网络结构，隐层有10个神经元，隐层和输出层的传递函数选用Sigmoid型函数。以模糊控制模型的响应表为训练样本，训练BP神经网络，建立起重机智能防摇控制***的神经网络模型。

Description

起重机智能防摇控制***的设计方法

技术领域

本发明涉及一种起重机智能防摇控制***的设计方法，其特征是利用模糊控制原理，设计并生成模糊控制器响应表，然后以其为训练样本，建立BP神经网络模型，实现起重机智能防摇控制。

背景技术

自1974年英国的Mamdani首次将模糊逻辑用于蒸气机的控制后，模糊控制在工业过程控制、机器人、交通运输等方面得到了广泛而卓有成效的应用。与传统控制方法相比，模糊控制利用人类专家控制经验，对于非线性、复杂对象的控制显示了鲁棒性好、控制性能高的优点。而BP(Back-Propagation)神经网络具有广泛的映射能力、学习能力和泛化能力，在多变量非线性***的建模和控制方面取得了惊人的成就。

发明内容

本发明的目的在于将模糊控制与神经网络技术相结合，设计起重机防摇控制***，克服单纯的模糊控制自适应能力差的缺点，提高控制精度，使控制***具备较好的泛化能力和鲁棒性。

为实现上述目的，本发明所采用的技术方案是：首先根据模糊控制原理建立模糊控制模型，生成模糊控制响应表，并以模糊控制器的响应表为训练样本，建立BP神经网络模型，实现起重机智能防摇控制。

1、模糊控制模型的建立

将小车位移x和吊重偏离铅垂线的角度θ作为模糊控制器的输入变量，小车运行牵引力F作为模糊控制器的输出变量即控制量。用模糊语言描述的x、θ和F的模糊子集为{NB(负大)，NM(负中)，NS(负小)，O(0)，PS(正小)，PM(正中)，PB(正大)}

设位移x的论域为X，并将位移量化为七个等级，分别表示为—3，—2，—1，0，1，2，3，即X＝{—3，—2，—1，0，1，2，3}。

设角度θ的论域为Y，并将角度量化为七个等级，分别表示为—3，—2，—1，0，1，2，3，即Y＝{—3，—2，—1，0，1，2，3}。

设控制量F的论域为F，并将其量化为九个等级，分别表示为—4，—3，—2，—1，0，1，2，3，4，即F＝{—4，—3，—2，—1，0，1，2，3，4}。

由语言变量的隶属函数，可以得到模糊变量x和θ的赋值表如下：

F的赋值表如下：

在上面的表格中，每一行表示一个模糊集合的隶属度函数，如

${\mathrm{PM}}_x=\frac{0.5}{1}+\frac{1}{2}+\frac{0.5}{3},$   ${\mathrm{PM}}_{\mathrm{\θ}}=\frac{0.5}{1}+\frac{1}{2}+\frac{0.5}{3},$   ${\mathrm{PM}}_{\mathrm{\θ}}=\frac{0.2}{1}+\frac{0.7}{2}+\frac{1}{3}+\frac{0.7}{4}$

模糊控制器的模糊控制规则如下表：

该表中有49条规则，x的模糊分割数为7，θ的模糊分割数为7，因此该表包含了最大可能的规则数，上述表中的规则依次为：

R₁：if x＝NB and θ＝NB，then F＝PB

R₂：if x＝NB and θ＝NM，then F＝PB

R₄₉：ifx＝PB and θ＝PB，then F＝NB

模糊关系R₁＝NB_x×NB_θ×PB_F，依次可得到R₁，R₂，……，R₄₉，

所有49条模糊控制规则的总模糊蕴含关系为：

$R=\underset{i=1}{\overset{49}{\mathrm{}\∪\mathrm{}}}{R}_i$

设已知输入为x和θ，且相应的输入量模糊集合A′和B′，则输出量的模糊集合C′为C′＝(A′×B′)。R，然后用重心法对所求出的输出量模糊集合进行清晰化计算，最后得到的模糊控制响应表如下：

2、以模糊控制响应表中49对数据为训练样本，建立BP神经网络模型

a.神经网络结构

本发明采用具有含一层隐层的三层前馈型网络结构，将小车位移x和吊重偏离铅垂线的角度θ作为两个输入，运行牵引力F作为输出，隐层具有10个神经元。隐层和输出层的传递函数选用函数

b.BP神经网络的学习过程

BP网络训练方式包含两个阶段：前馈阶段和反向传播阶段。前馈阶段是指输入向量由输入层引入，以前馈方式经由隐层传至输出层，并求出网络输出；反向传播阶段是指以期望输出值减去网络输出值从而得到误差信号，然后将此信号逐层反向传递回网络中，进而修改连接权值和阈值。

设输入向量为X_k＝[x_k1，x_k2，...，x_kM]，(k＝1，2，...N)，N为样本个数，W_MI(n)＝(w_ij)_M×I为第n次迭代时输入层与隐层I之间的权值向量，W_IJ(n)＝(w_ij)_I×J为第n次迭代时隐层I与隐层J之间的权值向量，W_JP(n)＝(w_ij)_J×P为第n次迭代是隐层J与输出层之间的权值向量，Y_k(n)＝[y_k1(n)，y_k2(n)，...y_kP(n)]，(k＝1，2，...N)为第n次迭代时网络的实际输出，d_k＝[d_k1，d_k2，...d_kP]，(k＝1，2，...N)为期望输出。激活函数采用的Sigmoid型函数，故对原始数据需做归一化处理.BP算法步骤如下：

(1)初始化。赋较小的随机非零值于W_MI(0)，W_IJ(0)，W_JP(0)

(2)输入样本X_k和期望输出d_k。n＝0。

(3)对输入样本X_k，前向计算BP网络每层神经元的输入信号u和输出信号v。

(4)由期望输出d_k和上一步求得的实际输出Y_k(n)计算误差E(n)，判断其是否满足要求，若满足转至(7)；不满足转至(5)。

(5)判断n+1是否大于最大迭代次数，若大于转至(7)，否则，对输入样本X_k，反向计算每层神经元的局部梯度δ。其中，

${\mathrm{\δ}}_p^P=y_p\left(n\right)(1-y_p\left(n\right))(d_p\left(n\right)-y_p\left(n\right)),$

(p＝1，2，...P)

${\mathrm{\δ}}_j^J=f\′\left(u_j^J\left(n\right)\right)\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\δ}}_p^P{w}_{\mathrm{jp}}\left(n\right),$

(j＝1，2，...J)

${\mathrm{\δ}}_i^I=f\′\left(u_i^I\left(n\right)\right)\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{\mathrm{\δ}}_j^J{w}_{\mathrm{ij}}\left(n\right),(i=\mathrm{1,2},...I)$

(6)按下式计算权值修正Δw，并修正权值，η为学习速率。n＝n+1，转至(3)。

$\mathrm{\Δ}{w}_{\mathrm{jp}}\left(n\right)=\mathrm{\η}{\mathrm{\δ}}_p^P\left(n\right)v_j^J\left(n\right),$

w_jp(n+1)＝w_jp(n)+Δw_jp(n)，

(j＝1，2，…，J；p＝1，2，…，P)；

$\mathrm{\Δ}{w}_{\mathrm{ij}}\left(n\right)=\mathrm{\η}{\mathrm{\δ}}_j^J\left(n\right)v_i^I\left(n\right),$

w_ij(n+1)＝w_ij(n)+Δw_ij(n)，

(i＝1，2，...I；j＝1，2，...J)；

$\mathrm{\Δ}{w}_{\mathrm{mi}}\left(n\right)=\mathrm{\η}{\mathrm{\δ}}_i^I\left(n\right)x_{\mathrm{km}}\left(n\right)$

w_mi(n+1)＝w_mi(n)+Δw_mi(n)

(m＝1，2，...M；i＝1，2，...I)

(7)判断是否学完所有的训练样本，是则结束，否则返回(2)。

附图说明

图1：起重机智能防摇控制***的BP神经网络拓扑结构图

该网络采用具有含一层隐层的三层前馈型网络结构，两个输入节点，一个输出节点，隐层神经元个数为10。

图2：应用训练样本对BP神经网络进行训练36次后，标准数值误差就达到1e-3。

具体实施方式

建立起重机智能防摇控制***的BP神经网络的具体实施方式如下。

1、样本数据的标准化

由于激活函数采用

的Sigmoid型函数，故对原始数据需做归一化处理。对期望输出量进行归一化处理，运用公式

使其值在[0.1，0.9]之间。

2、网络训练

本发明建立小车位移x和吊重偏离铅垂线的角度θ为输入，隐层有10个神经元，小车运行牵引力F为输出的BP神经网络拓扑结构，见图1。以模糊控制响应表中49对数据为训练样本，用MATLAB软件，训练函数选用trainlm，设置误差限为1e-3，对BP神经网络进行有限次训练，便可得到BP神经网络模型。

3、BP神经网络训练、回检及泛化举例

(1)应用模糊控制响应表中49对数据为训练样本，按照网络训练方法对BP神经网络进行36次后，标准数值误差就达到1e-3。网络训练过程误差变化情况见图2。

(2)BP神经网络模型回检试验部分数据如下：

 

F(BP)	4.01	3.91	3.84	3.90	2.09	-0.05	0.06	4.27	3.76	2.95	3.04
												F(FU)	4	4	4	4	2	0	0	4	4	3	3

通过对比网络实际输出量F(BP)与模糊控制响应表中的F(FU)的值，可以发现BP网络是非常有效的。

(3)该网络有很强的泛化能力，可以得到任意位移和角度下的运行牵引力。例如：

当输入量为(—2，—2.5)时，BP神经网络对应的输出F＝sim(net，(-2，-2.5)’)＝0.8971，经过逆归一化还原后得牵引力F＝3.971，对比模糊控制响应表，可知这一结果是可行的。

Claims (3)

1、基于模糊控制和神经网络技术相结合的起重机智能防摇控制***，其特征在于：首先设计一个模糊控制模型，生成模糊控制响应表，并以模糊控制响应表为训练样本，建立起重机智能防摇控制器的BP神经网络模型。

2、根据权利要求1所述的模糊控制模型，其特征在于：

将小车位移x和吊重偏离铅垂线的角度θ作为模糊控制器的输入变量，小车运行牵引力F作为模糊控制器的输出变量即控制量。用模糊语言描述的x、θ和F的模糊子集为

{NB(负大)，NM(负中)，NS(负小)，O(0)，PS(正小)，PM(正中)，PB(正大)}

设小车位移x的论域为X，并将位移量化为七个等级，分别表示为—3，—2，—1，0，1，2，3，即

X＝{—3，—2，—1，0，1，2，3}

设角度θ的论域为Y，并将角度量化为七个等级，分别表示为—3，—2，—1，0，1，2，3，即

Y＝{—3，—2，—1，0，1，2，3}

设控制量F的论域为F，并将其量化为九个等级，分别表示为—4，—3，—2，—1，0，1，2，3，4，即

F＝{—4，—3，—2，—1，0，1，2，3，4}

模糊控制器的模糊控制规则如下表：

该表中有49条规则，x的模糊分割数为7，θ的模糊分割数为7，因此该表包含了最大可能的规则数，上述表中的规则依次为：

R₁:if x＝NB and θ＝NB，then F＝PB

R₂:if x＝NB and θ＝NM，then F＝PB

..

R₄₉:if x＝PB and θ＝PB，then F＝NB

模糊关系R₁＝NB_x×NB_θ×PB_F，依次可得到R₁，R₂，……，R₄₉，所有49条模糊控制规则的总模糊蕴含关系为：

$R=\underset{i=1}{\overset{49}{\mathrm{}\∪\mathrm{}}}{R}_i$

对于输入为x和θ，相应的输入量模糊集合A′和B′，输出量的模糊集合C′为

，然后用重心法对所求出的输出量模糊集合进行清晰化计算，得到模糊控制响应表：

3、根据权利要求1所述的BP神经网络模型，其特征在于：

建立具有含一层隐层的三层前馈型BP神经网络结构，将小车位移x和吊重偏离铅垂线的角度θ作为输入量，运行牵引力F作为输出，隐层具有10个神经元。隐层和输出层的传递函数选用的Sigmoid型函数，运用公式

对模糊控制响应表中49对训练样本数据做归一化处理，使其值在[0.1，0.9]之间，用MATLAB软件，训练函数选用trainlm，标准数值误差设为1e-3。

Images