木材干燥过程温湿度的T-S型模糊神经网络控制器设计

姜滨， 孙丽萍， 曹军

(1.东北林业大学 机电工程学院，黑龙江 哈尔滨 150040；2.哈尔滨电工仪表研究所，黑龙江 哈尔滨 150028)



木材干燥过程温湿度的T-S型模糊神经网络控制器设计

姜滨1，2， 孙丽萍1， 曹军1

(1.东北林业大学 机电工程学院，黑龙江 哈尔滨 150040；2.哈尔滨电工仪表研究所，黑龙江 哈尔滨 150028)

木材干燥过程是一个强耦合、大滞后的非线性动力系统，很难准确建立被控对象的数学模型。为了准确控制木材干燥过程的温度和湿度，提高木材干燥质量，将智能控制引入木材干燥控制系统是必然的发展趋势。结合模糊控制和神经网络优点，设计了一种木材干燥窑内温湿度的Takagi-Sugeno (T-S)型模糊神经网络控制器。该控制器无需对象的精确数学模型，适应性强，利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系，采用神经网络的自学习和自适应能力来实现整个非线性过程的模糊逻辑推理。仿真和实验结果表明，T-S型模糊神经网络控制器有效解决了木材干燥过程的温湿度控制，控制器响应速度快、超调小、鲁棒性强、控制精确度高，可以满足木材干燥控制系统要求。

木材干燥过程；T-S模型；模糊神经网络控制器；温湿度控制；神经网络

0 引 言

木材干燥过程是木材加工生产中的重要环节，而且木材干燥质量的好坏对木材利用率和木材产品质量有直接影响[1]。木材干燥系统是强耦合、大滞后、时变的非线性系统，很难建立准确的数学模型来描述该系统[2]。目前，我国的木材干燥窑还都是以传统半自动的方式进行控制，控制干燥窑温湿度的加热阀、喷蒸阀和排湿阀的参数都是凭借个人经验进行调节[3]。这种传统的凭借经验调节参数的控制方式具有温湿度控制精确度低、干燥效果不理想，难以适应木材干燥的扩大化生产。

模糊控制就是在被控对象模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法。模糊控制的优点是不需要建立系统的精确数学模型，可以方便地应用专家知识、操作员经验等语言模糊信息；缺点是模糊规则在很大程度上是依靠人的经验制定的，诊断系统本身不具有自学习能力，难以进行自适应调整[4]。人工神经网络具有非线性、自学习和自适应能力等特点，不依赖于模型的控制，且自身具有神经网络的非线性映射，但不能表达人脑的推理功能[5-7]。Takagi-Sugeno (T-S)型模糊推理则具有计算简单，利于数学分析的优点，且易于和人工神经网络自适应方法结合，可使控制器具有优化与自适应能力[8-10]。因此，目前最常用的一种模糊神经网络模型是T-S模型。T-S模糊神经网络系统将模糊逻辑与神经网络结合，使系统既有模糊逻辑易于表达人类知识，又有神经网络采用分布式信息存储并具有学习能力的优点，是复杂系统建模和控制的有效工具[11]。

木材干燥模糊控制系统可以直接使用专家经验知识，实现木材干燥过程的温度和湿度控制，降低两者间的耦合关系，输出相对准确的温度和湿度数据。但由于木材干燥窑内环境复杂多变，木材干燥过程受非线性、时变性以及随机干扰等因素影响，使得专家主观提出的模糊控制规则不能完全适应当前的木材干燥系统，影响木材干燥过程的温度和湿度控制效果。木材干燥的T-S型模糊神经网络控制系统，在基于木材干燥模糊控制的基础上，利用神经网络的自学习和自适应能力，采用后件网络自动调整模糊运算规则，提高整个控制器的鲁棒性和适应性。在木材干燥窑内复杂多变环境下，T-S型模糊神经网络控制器能够自适应样本数据，保证温度和湿度的控制精确度，实现木材干燥过程的全自动控制，对提高木材干燥产品质量具有重要研究意义。

1 T-S型模糊神经网络

1.1 T-S型模糊神经网络结构

T-S型模糊神经网络由前件网络和后件网络组成[12-13]，其结构如图1所示。

图1 T-S型模糊神经网络结构Fig.1 Structure of T-S fuzzy neural network

1)前件网络

前件网络由四层组成。第一层为输入层。它的每个节点直接与输入向量的各分量xi连接，将输入值x=[x1,x2,…,xn]T传送到下一层。该层节点数N1=n。

(1)

式中：i=1,2,…,n，j=1,2,…,mi。n是输入量的维数，mi是xi的模糊分割数。

第三层每个节点都代表一条模糊规则。第三层是用来匹配模糊规则的前件，进行运算获得每条规则的适应度。该层节点数N3=m。

(2)

在给定输入的情况下，仅在邻近输入点的语言变量值拥有较大隶属度值，其余点的隶属度可能很小，如高斯隶属函数，也有可能为0，如三角型隶属函数。在隶属函数较小的情况下，即小于0.05时，可以任务隶属函数近似等于0。所以，αj内仅存在少数节点输出不是0，大部分节点的输出均是0，这与局部逼近网络具有相似性。

第四层进行归一化计算。该层节点数N3=N4=m。

(3)

2)后件网络

后件网络由r个结构相同的子网络所组成，每个子网络产生一个输出量。第一层子网络是输入层，它将输入变量传送到第二层。

第二层子网络计算每一条规则的后件。该层有m个节点，每个节点代表一条规则，即

(4)

第三层子网络计算系统的输出，yi是各规则后件的加权和。

(5)

1.2 网络自学习过程

(6)

(7)

式中：j=1,2,…,m;i=1,2,…,n;l=1,2,…,r。

(8)

令最后一层的连接权yij=wij。输出层的权值由后件网络对应节点的输出值来代替，不用学习。误差直接反向传递到归一化层。

(9)

(10)

(i=1,2,…,n;j=1,2,…,mi)。

(11)

最终能够获取一阶梯度为：

(12)

最后给出的参数学习算法如下：

(13)

(14)

式中：β>0为学习速率，i=1,2,…,n;j=1,2,…,mi。

2 木材干燥窑T-S型模糊神经网络控制系统结构

木材干燥窑温湿度控制模型是一个典型的3输入2输出的非线性控制系统，系统结构可以用式(15)表示。

Ch(k-1)]+G(k)。

(15)

式中：Ct(k)和Ch(k)分别表示当前时刻控制模型的温度输出量和湿度输出量；Ct(k-1)和Ch(k-1)分别表示前一时刻控制模型的温度输出量和湿度输出量；S1(k)、S2(k)和S3(k)分别表示木材干燥窑当前时刻加热阀门(JR)的开度、喷蒸阀门(PZ)的开度以及排湿阀门(PS)的开度；G(k)表示木材干燥窑温湿度控制模型的噪声干扰。

木材干燥窑温湿度控制模型的目标函数W可以用式(16)表示

W=min∑[(Ct-Rt)2+(Ch-Rh)2]。

(16)

式中：Ct为温度实际值，Rt为温度设定值；Ch为湿度实际值；Rh为湿度设定值。

木材干燥过程温湿度控制系统结构如图2所示。

图2 木材干燥过程温湿度控制系统结构Fig.2 Structure of temperature and humidity control system in wood drying process

3 木材干燥窑T-S型模糊神经网络控制器设计

在模糊神经网络控制器的设计中，输入量的模糊分割数决定了神经网络各层节点数，直接关系到模糊神经网络控制器的运行速度和控制精确度[14-15]。在模糊神经网络控制器设计时，例如：系统是2输入1输出，每个变量的模糊分割数都为7，则前件网络第二层节点数就为7×2=14个，第三层节点数就为72=49个。如果网络的输入增加，以上数字将会增长的更快，例如：一个4输入1输出的系统，每个变量的模糊分割数都为7，则前件网络第二层节点数为7×4=28个，第三层节点数为74=2 401个。在这样的网络中，不论是前向计算还是反传修正的运算量都是很大，严重影响网络的运算速度。另外，对于这种网络，由于结构复杂，需要优化调整的参数太多，很难进行网络的初始化和结构设计工作，而网络初始化不合理直接影响到网络的学习速度和收敛性，而且设计性能不佳的网络很难在应用中达到理想的控制效果。因此，对于具有4个输入和3个输出的木材干燥模糊神经网络控制器，为了提高模糊神经网络控制器的运算速度，并且保证控制器精度的前提下，将输入输出量论域选择及模糊赋值设置如下：

图3 模糊控制Et和的隶属函数Fig.3 Membership functions Et and in fuzzy control

图4 模糊神经网络训练后Et的隶属函数Fig.4 Membership function Et trained by fuzzy neural network

图5 模糊神经网络训练后的隶属函数Fig.5 Membership function by fuzzy neural network

4 仿真实验与结果分析

木材干燥过程温湿度控制器的仿真实验是在SIMULINK环境下进行的，木材干燥窑的初始温度为25℃，终了温度为60℃；初始湿度为15%，终了湿度为35%。在初始条件相同的情况下，利用T-S型模糊神经网络控制器和经典模糊控制器分别进行木材干燥过程的温湿度控制，并将两者的实验结果进行对比分析。模糊控制温度仿真曲线如图6(a)所示，模糊神经网络控制温度仿真曲线如图6(b)所示；模糊控制湿度仿真曲线如图7(a)所示，模糊神经网络控制湿度仿真曲线如图7(b)所示。

由图6(a)可知，木材干燥窑模糊控制器温度输出曲线的最大偏差量为10℃，超调量为16.7%，调节时间将近150 s。由图6(b)可知，木材干燥窑模糊神经网络控制器温度输出曲线的最大偏差量为5℃，超调量为8.3%，调节时间约为100 s。

由图7(a)可知，木材干燥窑模糊控制器湿度输出曲线的最大偏差量为8%，超调量为22.9%，调节时间约为100 s。由图7(b)可知，木材干燥窑模糊神经网络控制器湿度输出曲线的最大偏差量为6%，超调量为17.1%，调节时间约为50 s。

通过比较模糊控制器和模糊神经网络控制器的控制效果可知，T-S型模糊神经网络控制器不论是温度还是湿度输出曲线都具有较小的超调量和调节时间，T-S型模糊神经网络控制器相比较于模糊控制器具有更好的控制效果。

图6 温度仿真曲线Fig.6 Simulation curves of temperature

图7 湿度仿真曲线Fig.7 Simulation curves of humidity

3 结 论

在强耦合和大滞后的非线性木材干燥过程中，针对温湿度难以精准控制的问题，设计了一种木材干燥过程温湿度的T-S型模糊神经网络控制器，把模糊逻辑与神经网络有机地组合在一起，充分发挥各自优点，使得控制器对非线性系统逼近能力更强、训练收敛速度更快、算法更稳定。仿真研究结果表明，T-S型模糊神经网络控制器比模糊控制器更适合木材干燥过程的温湿度控制，温湿度的最大偏差小、超调量小、调节时间快、稳定性好，能够满足木材干燥系统对温湿度的控制要求，对逐步实现木材干燥过程的全自动控制，提高木材干燥产品质量具有重要研究意义。

[1] 王克奇,杜尚丰,白雪冰.智能控制及其在林业上的应用[M].北京: 中国林业出版社,2009: 1-66.

[2] 孙丽萍,曹军,李志辉.木材干燥微波-真空木材干燥过程ARMA模型建立及其控制器仿真[J].电机与控制学报,2011,15(9): 86-91.

SUN Liping,CAO Jun,LI Zhihui.Modeling and simulation of microwave-vacuum wood drying process controller based on ARMA[J].Electric Machines and Control,2011,15(9): 86-91.

[3] 孙丽萍,曹文华,李志辉.优化微波木材干燥模糊控制器的仿真研究[J].自动化仪表,2009,30(12): 65-67.

SUN Liping,CAO Wenhua,LI Zhihui.Research onsimulation of optimized fuzzy controller for microwave timber drying process[J].Process Automation Instrumentation,2009,30(12): 65-67.

[4] 陈延伟,史富斌.钻机恒钻压自动送钻系统模糊控制器的设计[J].电气传动自动化,2011,33(5): 33-36.

CHEN Yanwei,SHI Fubin.Design of fuzzy controller for electric rig constant WOB automatic drilling fuzzy system[J].Electric Drive Automation,2011,33(5): 33-36.

[5] LEE C H.Identification and control of dynamic systems using recurrent fuzzy neural networks[J].IEEE Transaction Fuzzy Systems,2000,8(4): 349-366.

[6] 王丽梅,武志涛,左涛.永磁直线电机自构式模糊神经网络控制器设计[J].电机与控制学报,2009,13(5): 643-647.

WANG Limei,WU Zhitao,ZUO Tao.PMLSM self-constructing fuzzy neural network controller design[J].Electric Machines and Control,2009,13(5): 643-647.

[7] SHIH K S,LI T H S,TSAI S H.Novel adaptive fuzzy neural network controller for a class of uncertain non-linear systems[J].Proceedings of the Institution of Mechanical Engineers,2012,226(3): 364-378.

[8] 靖永志,肖建.基于T-S模糊神经网络的齿槽效应补偿方法研究[J].传感技术学报,2013,26(8): 1121-1125.

JING Yongzhi,XIAO Jian.Study on slot effect compensation based on T-S fuzzy neural network[J].Chinese Journal of Sensors and Actuators,2013,26(8): 1121-1125.

[9] 梁霄,张均东,李巍,等.水下机器人T-S型模糊神经网络控制[J].电机与控制学报,2010,14(7): 99-104.

LIANG Xiao,ZHANG Jundong,LI Wei,et al.T-S fuzzy neural network control for autonomous underwater vehicles[J].Electric Machines and Control,2010,14(7): 99-104.

[10] WANG W Y,CHIEN Y H,LI I H.An on-line robust and adaptive T-S fuzzy-neural controller for more general unknown systems[J].International Journal of Fuzzy Systems,2008,10(1):33-43.

[11] 王兰,郭迎清.基于T-S模糊神经网络的涡流发动机加速控制[J].计算机仿真,2010,27(2): 26-29.

WANG Lan,GUO Yingqing.T-S fuzzy neural network based control of accelerating process of turbo-fan engine[J].Computer Simulation,2010,27(2): 26-29.

[12] CHEN J Y,TSAI P S,WONG C C.Adaptive design of a fuzzy cerebella model arithmetic controller neural network[J].Control Theory and Applications,2005,152(2): 133-137.

[13] LIANG X,LI Y,XU Y.Fuzzy neural network control of underwater vehicles based on desired state programming[J].Journal of Marine Science and Application,2006,5(3): 1-4.

[14] 孙丽萍,霍然.北方蔬菜温室系统模糊神经网络控制器的设计[J].东北农业大学学报,2014,45(4): 113-117.

SUN Liping,HUO Ran.Design of fuzzy-neural network control system for northern vegetables greenhouse[J].Journal of Northeast Agricultural University,2014,45(4): 113-117.

[15] 王暑,杨晓京.基于模糊神经网络的烟叶烘烤温湿度监控系统研究[J].计算机测量与控制,2009,17(2): 342-344.WANG Shu,YANG Xiaojing.Monitor and control system of temperature and humidity on fuzzy neural network in tobacco drying[J].Computer Measurement & Control,2009,17(2): 342-344.

(编辑：贾志超)

Design of T-S fuzzy neural network controller for temperature and humidity in wood drying process

JIANG Bin1，2， SUN Li-ping1， CAO Jun1

(1.College of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin 150040,China;2.Harbin Research Institute of Electrical Instrument,Harbin 150028,China)

Wood drying process presents normally the non-linear characteristics of strong coupling and large lagging,therefore,it is hardly to build the math model of controlled object.In order to control more precisely the temperature and humidity of the wood drying process so as to improve the drying quality,it is necessary to apply the intelligent controller in wood drying control system.Combining the merits of fuzzy control and neural control,a Takagi-Sugeno (T-S) fuzzy neural network controller is designed to control the inner temperature and humidity of wood drying kiln.This controller has strong adaptability and did not depend on the precise math model.With fuzzy algorithm,the coupling relationship was removed between inner temperature and humidity of wood drying kiln.The self-learning and adaptive ability of neural network was used to accomplish the fuzzy logic of the whole non-linear process.The simulation reveales that T-S fuzzy neural network controller solves the problem of low control precision of temperature and humidity in wood drying process.And this controller has fast response speed,low overshoot,strong robustness and high control precision.It might fulfill the demand of wood drying control system.

wood drying process; Takagi-Sugeno model; fuzzy neural network controller; control of temperature and humidity; neural network

2015-02-01

国家林业公益性行业科研专项(201304502)

姜 滨(1985—)，男，博士研究生，研究方向为复杂系统建模与控制；

孙丽萍(1958—)，女，博士，教授，博士生导师，研究方向为模式识别、复杂系统建模与控制；

孙丽萍

10.15938/j.emc.2016.10.015

TP 273.4

A

1007-449X(2016)10-0114-07

曹 军(1956—)，男，博士，教授，博士生导师，研究方向为模式识别、复杂系统建模与控制。