（热能工程专业论文）模糊神经网络及其在热工建模与控制中的应用研究.pdf

东南大学硕士学位论文 摘要 国内人型热力设备的自动控制系统已逐步采用分散控制系统( d c s ) ，这使先进的控制 策略可较方便地得到应用。但目前人型热力设备的臼动控制几乎都采用经典的p i d 控制系 统，难以取得优良的控制品质，这严重影响了机组的经济、安全运行。其主要原因为：传 统的p i d 控制系统，只是根据热力系统( 设备) 某一负荷点上的对象特性( 传递函数) 来 设计的，但当热力系统的状态变化时，被控对象的动态特性往往变化较大，即被控对象存在 严重的非线性，因此，常规p i d 控制系统在机组整个负荷范围内不可能是全局最优的； p i d 控制规律是线性的，而被控对象是非线性的，无论对常规控制系统如何优化，总是突破 不了用线性控制器来控制非线性对象的这一局限性，控制品质提高必定会受到限制。要进一 步提高控制晶质，麻研究采用基于热力系统整体非线性模型的新型全局优化控制系统。显然， 建立热一i ：过程的全局非线性模型是热工控制系统全局优化的基础。 模糊系统能很好地描述对象的不确定性，具有万能函数逼近能力，且单条规则能很好 地逼近非线性系统的局部动力学特性，建模结果相对透明，有利丁：高性能模型控制器的设计 与应用；此外，由于神经网络具有较强的逼近邗线性函数的能力，并具有自适麻学习、并行 分布处理和较强的鲁棒性及容错性等特点，为解决热j ：非线性系统的和控制问题提供了一个 可行的途径。本文正是基于这样的应用背景下，将神经网络与模糊系统结合起米，研究采用 模糊神经网络技术来解决热一i ：过程建模和控制中的相关问题。 本文在第二部分详细分析了神经网络与模糊系统建模和控制的基本原理。在众多神经 网络算法中，径向基函数神经网络冈结构简单，得到了广泛的研究与应用，尤其是动态径向 基函数神经网络的构造算法方面的研究最为突出。其中，资源分配网络及由其改进的最小资 源分配网络解决了静态神经网络不能适用于序贯学习的缺点，而且也在相芙领域的 ：业应用 中取得了成功；而模糊系统由丁二本身提供了由专家构造语言信息并将其转化为控制策略的一 种系统的推理方法，使得模糊控制器得剑r 泛发展并在现实中得以成功应圳。将径向基函数 神经网络与模糊系统分别崩于诣线性系统建模和典型热一i ：对象控制，通过仿真试验表明，它 们均具有较好的1 仁线性建模与控制效果。 在分别介绍了神经网络和模糊系统的基础上，本文第二部分将二者结合，构成模糊神 经网络。根据模糊模犁后什表达方式的不同，给出了基于标准模型的模糊神经网络和基于 t - s 模型的模糊神经网络两种结构，并详细介绍了两种网络的学习算法。通过将其应用到非 线性系统建模与典型二阶对象的控制，验证了模糊神经网络算法在非线性建模与控制中应用 的可行性。 在提出了模糊神经网络算法的基础上，本文第四部分进一步针对大型火电机组的典型 热f 过程( 如协调控制系统) 及其它非线性热：i ：过程，分别进行建模或控制。根据华东四省 一市的负荷实测值，建立了相应的可用丁二短期负荷预测的模糊神经网络模型；将模糊神经网 络控制器应用于吴泾第二电厂的再热汽温系统，取得了较好的控制品质：最后，为有效克服 传统协调控制策略的不足，本文对模糊神经网络控制器进行合理改进，并将其应用丁二单元机 组协调控制系统中，仿真实验结果表明，相对于常规p i d 控制器，本文的模糊神经网络控 制器不仅提高了控制品质，而且系统具有很好的鲁棒性和抗干扰能力，从而为热上过程的全 局非线性优化控制开辟了一条新途径。 关键词：热工过程，神经网络，模糊系统，模糊神经网络，建模，控制 摘要 a b s t r a c t w i t ht h ea p p l i c a t i o no fd e si na u t o m a t i cc o n t r o ls y s t e mf o rt h e r m a lp o w e rp l a n t ，a d v a n c e d c o n t r o ls t r a t e g i e sh a v eb e e na d o p t e di n t i l e r t n a lp r o c e s s e sc o n t r 0 1 b u t w h a tc a l lb es e e r li 1 1 m a n yt h e r m a lp o w e rp l a n t ，w ey e tc a n n o to b t a i ng o o dp e r f o r m a n c ei nt h e r m a lp r o c e s s e sc o n 订o l ， b e c a u s et h et r a d i t i o n a lp i dc o n t r o ls y s t e m sh a v eb e e nw i d e l yu s e di na l m o s ta 1 1t h et h e l t n a lp o w e r p l a n t s ，w h i c hh a sab a de f f e c to nt h es a f e t ya n de c o n o m i c a le f f i c i e n c yo fp o w e rp l a n t s 1 1 1 em a i n r e l 舶o n sa r e f o l l o w s f i r s t , w h e nt h et h e r m a ls y s t e m s s t a t ec h a n g e , t h ed y n a m i cp e r f o m m c eo f c o n t r o l l e dp l a n t so f t e n v a r i e dg r e a t l y , w h i c hm e a n st h a tt h e r ei ss e r i o u sn o n l i n e a r i t yi nc o n t r o l l e dp l a n t s s ot h e t r a d i t i o n a lp i dc o n t r o ls y s t e m , w h i c hi sd e s i g n e do nt h eb a s i so fp l a n t sc h a r a e t e r i s t i eo nt e r r a i n l o a dp o i n t ，c a n n o tb eu s e dt or e a l i z ep r o c e s so p t i m a le o n t r o li nw h o l el o a dr a n g e i na d d i t i o n o n t h ec o n t r a r yt ot h el i n e a r i t yo fp i de o n t r 0 1s y s t e m s ，t h e r ea r en o n l i n e a rr e s p o n s e si nc o n t r o l l e d p l a n t s a sw ea l lk n o w , n om a t t e rh o w w ei m p r o v et h ee a p a b i l i t yo fl i n e a rp dc o n t r o ls y s t e m s t h e r em u s tb eal i m i t a t i o ni nt h ei m p r o v e m e n to f c o n t r o le f f e c t s s ow es h o u l da d o p tn e wo p t i m a l c o n t r o ls y s t e m sw h i c ha r eb a s e do nw h o l en o n j i n e a rm o d e l sf o rt h e r m a lp r o c e s s e st oi m p r o v et h e c o n t r o lp e r f o r m a n c e o b v i o u s l y ，t h ew h o l en o n l i n e a rm o d e l i n gf o rt h e r m a lp r o c e s s e si st h eb a s i s t oo p t i m a lc o n t r o li nw h o l el o a dr a g e t h ef u z z ys y s t e mh a ss e v e r a la d v a n t a g e s ：i tc a l ld e p i c tt h eu n c e r t a i n t yo fp l a n t sw e l l ；i th a sa c a p a b i l i t y o fu n i v e r s a l a p p r o x i m a t i o n ；i t ss i n g l er u l ec a na p p r o a c ht h el o c a ld y n a m i c s c h a r a c t e r i z a t i o no ft h en o n l i n e a rs y s t e m ；i t sm o d e l i n gr e s u l ti sr e l a t i v e l yt r a n s p a r e n t a uo ft h e s e v i r t u e sa r ei nf a v o ro ft h ed e s i g na n da p p l i c a t i o no fh i 曲p e r f o r m a n c em o d e lc o n t r o l l e r w h a t s m o r e ，d u et ot h ep o w e r f u la b i l i t yo fn o n l i n e a rf u n c t i o n s a p p r o x i m a t i o n ，a n dw i t h t h e c h a r a c t e r i s t i c so fa d a p t i v el e a r n i n g ，p a r a l l e la n dd i s t r i b u t e dp r o c e s s i n g ，s t r o n gr o b u s t n e s sa n df a u l t t o l e r a n c e ，a r t i f i c i a ln e u r a ln e t w o r k ( a n n ) h a sb e e na ne r i e c t i v ea p p r o a c ht om o d e la n dc o n t r 0 1 t h eu n k n o w na n du n c e r t a i no o n t r o ls y s r e i n s j u s to nt h eb a s i so f 出e s ea p p l i c a i l o nb a c k g r o u n d t h i s p a p e rc o m b i n e sa n n w i t hf u z z ys y s t e m , a n ds t u d i e st ou s cf u z z yn e n r a ln e t w o r k ( f n n ) t os o l v e t h ec o r r e l a t i v ep r o b l e mi nm o d e l i n ga n dc o n t r o lo f t h e r m a lp r o c e s s e s t h es e c o n dp a r to ft h i sp a p e ra n a l y s e dt h eb a s i cp r i n c i p l ei nm o d e l i n ga n dc o n t r o lo f n na n d f 0 2 2 ys y s t e n ：la m o n ga l l t h ea l g o r i t h m s ，r a d i a lb a s i sf u n c t i o n ( r b f ) n e u r a ln e t w o r kh a v e a t t r a c t e de x t e n s i v ea t t e n t i o na n dh a v eb e e nw i d e l ys t u d i e dt h e s ey e a r $ d u et oi t ss i m p l es t r u e t t l r e e s p e c i a l l y , t h eg r e a tp r o g r e s sh a sb e e nm a d em t h es t u d yo fc o n s t r u c t i o na l g o r i t h m so fd y n a m i c r b fn e u r a ln e t w o r k r e s o u r c ea l l o c a t i n gn e t w o r k ( r a n ) a n di t si m p r o v e dm m i m a l r a n ( m r a n ) n o to n l yf i n dt h es o l u t i o nt ot h ep r o b l e mt h a tt h es t a t i cn n sa r en o ts u i t a b l ef o r s e q u e n t i a ll e a m i n g ，b u ta l s os u c c e e di na p p l i c a t i o ni nc o r r e l a t i v ef i e l d s a st h ef u z z ys y s t e mi t s e l f p r o v i d e sas y s t e m a t i cr e a s o n i n gm e t h o df r o mt h ee x p e r t s i n f o r m a t i o n , w h i c hi st h e nt r a n s f o r m e d t oac o n t r o ls t r a t e g y , t h ef u z z yl o g i cc o n t r o l l e r sh a v ed e v e l o p e de x t e n s i v e l yi nr e a l i t ya n dm a k e 鲫c c si na p p l i c a t i o n b ya p p l y i n gt h er b f n na n df u z z ys y s t e mt ot h en o n l i n e a rs y s t e m m o d e l i n ga n dt y p i c a lt h e r l n a lp l a n tc o n t r o l ，w ec a nd r a wt h ec o n c l u s i o nf r o mt h es i m u l a t i o n r e s u l t st h a tt h e ye a c hh a sag o o dp e r f o r m a n c ei nn o n l i n rm o d e l i n ga n dc o n t r 0 1 1 1 东南大学硕t 学位论文 a i d e ri n t r o d u c i n gt h ea n na n df u z z ys y s t e ms e p a r a t e l y , w ec o m b i n et h e mi nt h et h i r dp a r to f t h i s p a p e rt 0f o r mf n n a c c o r d i n gt ot h ed i f f e r e n tc o n s e q u e n tp a r to ff u z z ym o d e l w ep r o p o s et w o k i n d so ff n ns t l l l c m r c s w h i c ha r eb a s e dt h es t a n d a r dm o d e la n dt - sm o d e lr e s p e c t i v e l y t h e l e a r n i n ga l g o r i t h m sa r ea l s ol i s t e di nd e t a i l s 1 1 1 en e wm e t h o di sa p p l i e dt ot h en o n l i n e a rs y s t e m m o d e l i n ga n dt y p i c a ls e c o n d - o r d e rp l a n t , w h i c ht e s t i f i e si t sa v a i l a b i l i t yi nn o n l i n e a rm o d e l i n ga n d c o n t r 0 1 w i t ht h ep r o p o s e da l g o r i t h ma b o v e t h ef o u r t hp a r to ft h i sp a p e rn m k e su s eo ff l f f nf o rm o d e l i n g a n dc o n m o li nt h et y p i c a lt h e r m a lp r o e e a s e s b a s e do nt h ea c t u a ll o a dd e m a n di ne a s tc h i n a ，w e a c q u i r et h e 州m o d e lw h i c hc a nb eu s e df o rs h o r t - t e r ml o a dp r e d i c t i o i lt h e nw ea p p l yt h ef n n t 0t h er e h e a t e ds t c a n lt e m p e r a t u r es y s t e mi nt h en o 2w u j i n gp o w e rp l a n ta n dg o o dp e r f o r m a n c e i sa c h i e v e d f i n a l l y , i no r d e rt od e a lw i t ht h ep r o b l e mo ft r a d i t i o n a lc o o r d i n a t e dc o n t r o ls l r a t e g y , w ei m p r o v e dt h e 刚c o n t r o l l e rp r o p e r l ya n da p p l i e di tt 0t h ec o o r d i n a t e dc o n t r o ls y s t e m t h e s i m u l a t i o nr e s u l t ss h o wt h a tt h ef n nc o n t r o l l e ri nt h i sp a p e rn o to n l yi m p r o v e st h ep e r f o r m a n c e ， b u ta l s og i v e ss t r o n gr o b u s t n e s st ot h es y s t e m w h i c he x p l o i t san c wr o u t et oa l ll o a dr a n g eo p t i m a l c o n t r o li nn o n l i n e a rt h e r m a lp r o c e s s e s k e y w o r d s ：t h e r m a lp r o c e s s e s ；n e u r a ln e t w o r k s ；f u z z ys y s t e m ；f u z z yn e u r a ln e t w o r k ；m o d e l i n g ； c o n t r o l l l i 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 研究生签名：日 期： 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位 论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人 电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论 文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包 括刊登) 授权东南大学研究生院办理。 研究生签名：导师签名：日期： 东南大学硕士学位论文 1 1 选题背景及意义 第一章绪论 热i ：过程的建模与控制是保证热力设备安全、经济、环保运行的必要措施和手段。随着 国民经济的不断发展和能源的日益紧张，火电机组单机容簧和参数不断增加，这使得热力系 统日趋复杂，表现出强的1 f 线性和不确定性。日前的热_ 控制系统仍然采用的是基丁常规的 线性p i d 控制，并结合了锅炉和汽轮机的特点而提出了各种控制方案。除此之外，人们还 研究了不少基于现代控制理论的控制策略。但没有取得非常令人满意的控制效果，究其原因 有如下三点： f 1 ) 传统的p i d 控制系统，只是根据热力系统( 设备) 在某负荷点上的对象特性( 传 递函数) 来设计的，但肖热力系统的状态( 如：负荷) 变化时，被控对象的动态特性往往变 化很大，且被控对象存在严重的非线性，因此，常规p i d 控制系统在机组的整个负荷范围 内不可能是全局最优的； ( 2 ) 许多热力系统是一个大滞后的被控过程，对于大滞后的被控对象。p i d 控制系统本 质上存在控制系统稳定性与控制系统品质之间的矛盾； ( 3 ) p i d 控制规律是线性的，被控对象是非线性的，无论对常规控制系统如何优化，总 是突破不了剧线性控制器来控制1 线性对象的这一局限性，控制品质提高必定会受剑限制， 要进一步提高控制品质，廊尝试从方法上政变目前的这种常规控制模式，而研究采_ j 基丁：热 力系统整体非线性模型的全局非线性优化控制系统。 冈此，要提高复杂热一r 过程控制系统的晶质，必须研究新型的基于热工非线性模型的全 局优化控制策略”1 。人r 神经网络具有较强的逼近1 e 线性函数的能力，并具有白适应学习、 并行分布处理平较强的鲁棒性及容错性等优点，为朱知不确定1 f 线性系统的建模羽i 控制提供 了一种有效的解决途径。” 而模糊系统在专家可预见的论域上有很好的收敛性，在进行模糊 龌的运算上有较人优势。如果能将二者结合起米，利_ h j 模糊神经网络技术对典型1 | 线性热i ： 过程进行非线性建模，然后研究全局的非线性优化调整和控制方法是一个非常可行且具有重 要实_ j 价值的研究方向。 本文从一r 样实践出发，将模糊神经网络技术应用于典型热丁对象的建模与控制中，研究 和设计一种新型智能控制器，可在模型不确定的情况下对热工对象进行控制，克服原米应用 线性p i d 控制器和现代控制理论设计所带米的不足。因此，本文_ l 作有一定的理论意义和 实用价值。 1 2 热工过程建模与控制的研究现状 由于电厂动力装置及其内部过程的复杂性，热工过程往往表现山非线性、慢时变、大迟 延和不确定性，难以建立精确的数学模型。基于常规线性模犁的控制系统，在过程l ：况发生 变化时，控制品质将会r 降，甚至影响控制系统的正常运行，阑此，建立热r 过稃精确的数 学模璎是提高控制系统性能的基础，也一直是热 控制领域研究的重要课题之一。建立热i ： 过程数学模型的传统方法主要有：分析建模法和试验建模法两大类，其中试验建模法义大体 可分为时域法、频域法和统计法三种“。分析建模方法对于复杂的热- 1 ：过程来说是1 f 常困难 的，而试验建模方法对输入信号的要求比较高，时域法要求阶跃输入，频域法要求正弦信号 激励被控对象，而统计法则要求使j = i 白噪声或m 序列信号，在生产现场，基丁对屯厂安全 第一章绪论 经济运行的考虑，很难在热一i ：过程系统中加入上述信号，同时，这三种方法的主要缺点都表 现为抗干扰能力筹、测昔精度不高，只能用丁二线性系统的辨识，无法解决具有非线性特性的 生产过稃的辨识问题，冈此，目前在火电厂中系统辨识的麻用是非常有限的。 近年来，人们根据电厂热l ：过程的特点，在常规热i 自动控制系统中引入神经网络、模 糊系统、遗传进化算法等智能控制理论，进行了大量的研究j 二作，并在生产现场中得到了应 用，主要成果如f ： ( 1 ) 过热汽温系统由丁蒸汽管道较长以及来自烟气侧和负荷侧的扰动频繁且扰动是大， 而喷水被控对象具有较大的惯性和时滞，且动态特性随运行工况的变化而改变。常规的过热 蒸汽温度控制方案主要是基丁二p i d 控制器的串级控制系统和采刷导前微分信号的控制系统。 近年来，人们根据过热汽温系统的特点，将智能控制技术引入其中，如：对模糊白校正控制 器p 】、参数模糊自校正p 1 d 控制器1 6 】、模糊预测控制【”、模糊预估p i d 控制”】、神经网络p i d 控制器1 9 、单神经元控制”o l 、神经网络内模控制1 、基于免疫进化算法的白整定p i d 控制【1 2 】 等在过热汽温控制中的应用进行了研究，仿真试验证明，它们可以有效地改善常规过热汽温 控制系统的性能和控制品质，增强控制系统的适应性。文献【1 3 】对于二级减温水的控制提出 了一种模糊控制与专家自整定串级p i d 控制相结合的控制方法，当主汽温偏差较大时，运 用模糊控制迅速给出适当的作用蹙以抑制干扰，保证系统响应的快速性；当主汽温偏差较小 时，采用专家自整定p i d 自动根据偏差嗓卢范嗣的变化在线整定p i d 参数，以保证较好的 控制精度和稳定性，现场应用结果表明，该方法比常规方法具有更强的适应能力及更好的控 制精度。文献1 1 4 提出了一种再热汽温的模糊控制方法，采用d c s 的软件组态实现井在现 场得剑了应h j 。 ( 2 ) 单元机组负荷控制系统是一个典型的多变晕控制系统，使用基于数学模型的最优控 制、多变颦频域设计方法等传统控制方法难以获得满意的控制效果。神经网络具有很强的通 近非线性函数的能力并具有白适廊学习、并行分布处理和有较强的鲁棒性及容错性等特点， 近年来，人们将神经网络和模枷神经网络应用于单元机组负荷控制系统中l i ”j ，理论研究证 明，这是个很有前途的麻用和研究方向。 ( 3 1 锅炉水位系统受给水流晕、负荷变化( 蒸汽流餐扰动) 和燃烧i ：况扰动等冈素的直接 影响，其变化过程是一个纯迟延、变参数的过稃。常规的三冲鼙p i d 控制系统，根据对象 近似的数学模型进行参数祭定，在机鲴变i ：况时，控制效果不理想。文献 1 8 ，1 9 通过仿 真研究表明了模糊控制应h j 于锅炉水能控制的有效性和i 可行性。文献i - 2 0 1 设计了一种智能 p i + o 控制器，智能p i 控制器的参数由模糊规则调整，将其应用于带冲击负荷的7 5 t ，l i 循环 流化床锅炉的汽包水位控制，取得了满意的效果。 ( 4 ) 文献 2 1 针对2 0 0 m w 及以卜容颦机组除氧器水位和凝汽器水位控制存在的问题， 将除氧器水位和凝汽器水位作为一个整体考虑，采h j 多变昔模糊p i d 控制技术进行控制并 解耦，取得于较好的控制效果，已在多家d c s 厂家得到应用，并已逐步成为2 0 0 m w 及以 下容颦机纽除氧器水位和凝汽器水位控制系统的典型设计。 ( 5 ) 作为电厂制粉设备的钢球磨煤机是火力发电厂的重要辅助设备，由于其运行复杂、 电耗高、噪音人等特点，使得制粉系统的自动控制问题长期以来一直未能很好的解决。神经 网络理论和模糊控制为解决这一问题提供了条新的途径，文献 2 2 在这方面进行了系统的 研究，提出了基丁专家系统、模糊系统平神经网络的球磨机控制系统，并在现场进行了应用， 取得了比较满意的效果。另外，模糊控制在锅炉燃烧控制系统中的研究和应j e | | 也取得了一定 的进展【2 3 1 。 在电厂热：i = 过程的建模和控制方面，采用模糊神经网络的研究还很少，有关这方面系统 研究的文献更不多见，因此，开展模糊神经网络在电厂热l 过程的建模和控制的应用研究， 是一项非常有意义的【作，这将为模糊神经网络在电厂热l ：过程控制中的应用，提高电厂热 2 东南大学硕十学位论文 工过程控制系统的性能以及智能控制的实际- 程应用提供一条全新的途径。 1 3 模糊神经网络的研究现状 随着现代科学发展的突飞猛进，人们所面临的系统也日趋复杂。传统的控制技术和信息 处理技术已经不能满足复杂系统的处理需要。冈此，控制理论也走过其复杂的发展道路，从 基于算法的经典控制理论，到基于状态空间和频域的现代控制理论，再发展剑模仿人的推理、 学习、决策而集知识获取、处理、利用于一体的智能控制理论。著名的控制理论权威a u s t r o m 在文献 2 4 中曾指出：模糊逻辑控制、神经网络控制和专家系统是三种典型的智能控制方法。 近年来智能信息处理与智能控制的研究则主要集中在模糊系统、神经网络以及二者相结合的 模糊神经网络技术方面。特别是对于 数学模型难以描述的非线性问题，可采用把经验和知 识数字化的模糊化处理，把规则、推理变成神经网络映射处理和直接从数据样本中抽取经验 规则的模糊神经网络技术方法。 1 3 1 模糊控制的发展与现状 模糊理论的创始人，美国加州大学伯克莱分校的l a ，z a d e h 教授在1 9 6 5 年发表了关于模 糊集的开创性论文。他在研究人类思维、判断过程的建模中，提出了朋模糊集作为定量化的 手段。 众所周知，计算机不能像人脑一样思维、推理和判断，只有当给定准确的信息之后，计 算机才能给出准确的判断。但人脑即使在只有部分、甚至不完全准确的信息情况下，也能够 进行判断。计算机要模拟人的思维和判断过程，就必须将人类语言中所具有的多义的、不确 定信息定量地表示出来。模糊集的概念就由此而来，它的应| l j 有以f ) l 个方面： ( 1 ) 将人的经验、常识用适合计算机的形式表达出来： f 2 ) 建立人的感觉、语言表达方式和行动过程的模型； f 3 ) 模拟人的思维、推理和判断过程： ( 4 ) 将信息转换为容易被人理解的形式。 模糊集是模糊逻辑中一个非常重要的概念。它打破了普通集只有0 和“i ”的界限。 在普通集中，任一元素属于某一集合的样度要么是0 ，要么是“l ”。但在模糊集的概念 中，任意元素可同时部分地属于多个模糊子集，隶属关系_ l j 隶属度朱表示，即模糊集将将通 集中的“0 ”和“1 ”边界平坦化。显然这种表示方法要比普通集自然，更适合人的表达方式。 模糊规则是定义在模糊集上的规则，常用“i f t h e n ”的表示方式，可州米表示专 家的经验、知识等。由于模糊规则的表现方式白然，因此刚这种表达方式就比较容易获取专 家的经验。同样，计算机的运算结果能表示成模糊规则的形式，也容易被人理解。冈此，由 一组模糊规则构成的模糊系统可代表一个输入输出的映射关系。从理论上说，模糊系统可 以逼近任意的迮续函数。 从而，模糊系统提供了一条非常可行的非线性建模途径1 。它能很好的描述对象的不 确定性，具有万能函数逼近性能”1 建立的非线性模型能精确的描述对象的全局动态特性， 且单条模糊规则义能很好的逼近非线性系统的局部动力学特性。它能将对象的机理特性融入 建模过程，建模过程相对透明，且建模结果能以i f - t h e n 模糊规! i ! l | 表现出来，以便专 业人员州机理分析相关的动态稳态特性。“、验证建模结果，这种相对透明的建模方法显然 有利于高性能模型控制器的设计与廊用”“。模糊系统这些优点受到了学术界的充分重视， 而新型模糊建模算法也成为复杂系统建模领域的研究焦点“一1 。传统的模糊建模算法人都基 于导数优化原理”，它们本质上不是全局优化的建模算法，很容易陷入局部最小点，影响 3 第一章绪论 了模糊系统的建模精度。为提高模糊系统建模能力，文 3 6 3 8 利用竞争学习、进化算法 强化了模糊系统的全局建模能力。模糊聚类是另外一类高效的模糊建模算法，它起源丁j 模式 识别领域的硬c 均值( h a r dc m e a n s ) 算法，它的改进型算法一一模糊c 均值( f u z z y c m e a n s ) 算法创造性的引入模糊贴近度思念，即_ i j 模糊隶属度确定每个数据点属丁二某个聚 类的程度，它很好地描述了客观世界j “泛存在的不精确、不完整信息，因此f c m 也成为模 糊建模及分类领域的基准算法”。从功能上看，上述模糊聚类算法侧重于参数辨识，文 4 3 _ 4 4 针对模糊建模中的结构辨识问题做了专题研究，为模糊模型的结构选取积累了一定 经验。在这些模糊建模算法中，t a k a g i s u g e n o ( t s ) 模糊模型由于其强人的学习泛化能力 而备受关注”“1 ，文 3 2 4 5 1 从多目标优化角度研究了t s 模型的建模特性综合考虑了 t s 模型的可解释性能和全局建模性能。模糊建模在生物、化工、燃烧等工业领域的成功应 用”9 。验证了其强大的复杂系统建模能力。 此外，模糊系统在控制领域中的应州也发展较快。传统的自动控制，包括经典理论和现 代控制理论，有一个共同的特点，即控制器的综合设计都要建立在被控对象准确的数学模型 的基础上。但是在实际 ：业生产中，很多系统的影响因素很多，十分复杂，建立精确的数学 模犁特别困难甚至是不可能的。这种情况下，模糊控制的诞生就显得意义重大。模糊控制 实际上是一种1 # 线性控制方法，它的工作范围宽，适h j 范围广，特别适合于非线性系统的控 制。同时，它不依赖于被控对象的数学模型。对无法建模或难以建模的复杂对象，也能利用 人的经验知识来设计模糊控制器。完成控制任务。它具有i 勺在的并行处理机制，表现出极强 的鲁棒性，对被控对象的变化不敏感，模糊控制器的设计参数容易调整。止是由于这些特点， 使得模糊控制在l 业过科的控制中得剑了广泛应用。但目前模糊控制器还存在以下不足： ( 1 ) 模糊控制规则是人们对某生产过科进行控制的经验总结，是人们对生产过程中模糊 信息的归纳。由于缺乏严密的理论体系和系统化的分析设计方法，用户只能凭经验进行设计。 如果人们对某过程的认识比较贫乏，或总结不出完整的经验，这样得到的控制规则就很粗糙， 势必会影响剑控制的效果。 ( 2 ) 即使控制规则很完善，但由丁二生产过程不断变化，若按原来的控制规则进行控制， 也会极人地影响控制品质。 冈此，我们需要找到一种智能化的控制方法，即在模糊控制的基础上，加入能够根据被 控过程白适麻改变模糊规则的方法，从而极人提高控制系统的鲁棒性。 1 3 2 神经网络的发展与现状 1 3 2 1 人工神经网络的发展 人工神经网络的研究始于1 9 4 3 年，至今已经历了6 0 多年漫长的历程，并且经历了从兴 起到萧条，又从萧条剑兴盛的曲折发展道路。进入2 0 世纪9 0 年代以后，神经网络的研究进 入了一个空前高涨的时期，多数研究集中在网络结构、学习算法和实际应用三个方面 4 9 5 0 j 。 目前人 ：神经网络的研究正处于快速稳定发展阶段，在理论研究上正进一步深入，并开发出 了新的网络理论；在应用研究方面，则进一步进行其软件模拟和硬件实现的研究，并迅速扩 展其廊用领域。 神经网络发展几十年来，已有5 0 多种神经网络模型发表在各类文献中，包括多层感知 器、径向基函数r b f 网络、k o h o n e n 自组织映射理论、h o p f i e l d 网络、白适应共振理论( a r t ) 、 小脑模型关联控制器c m a c 网络、b o l t z m a n n 机模犁、递归神经网络r n n 等，以及近年来 出现的小波神经网络、概率神经网络等 5 1 , 5 2 。这些网络由于结构不同，应用范闱也备不相同。 但根据网络中有无反馈，可分为前馈神经网络和反馈神经网络，根据函数逼近类型，可分为 全局逼近神经网络和局部逼近神经网络等。神经网络在控制中使用较多的有多层前向b p 网 络、径向基函数r b f 网络及h o p f l e l d 网络等 5 2 j 。从应用角度看，它们各有千秋。b p 网络 4 东南大学硕士学位论文 有很强的生物背景，虽与函数逼近理论略有荠异，但是其卓越的输入输出映射特性在多变餐 函数逼近方面具有很强的优势。b p 网络是目前膨心最为广泛的一种网络模型，它是一种全 局网络，要求使州全局信息，由丁二受剑算法的制约，b p 神经网络往往计算草人、收敛速度 慢，且容易陷入局部最小点。径向基函数r b f 网络既有生物背景，又与函数逼近理论相吻 合，具有可以逼近任意非线性映射的能力，且网络结构简单，其输出的连接权值与输出早线 性关系，可以采用线性优化算法，人大改善了局部极小点的问题，近年来，r b f 神经网络 己成为人们的研究热点。当然，建立r b f 神经网络的关键和难点在于隐层神经元位置和数 晕的选取。另外，动态神经网络如h o p f i e l d 网络、a r t 网络和动态递归网络等由于其内部 的反馈作用，可望用较小的网络结构来实现系统的复杂行为，所以也比较适合非线性动态系 统的辨识与控制p 。 2 0 世纪8 0 年代初，神经网络研究的复兴，也带来了神经网络控制研究的迅速发展。尤 其是从1 9 8 6 年r u m e l h a r 的突破性研究以来，在控制领域，将神经网络与传统控制技术相结 合取得了令人鼓舞的结果f 5 4 5 5 , 6 0 j 。研究方法不断涌现，理论探索和 程应用并驾齐驱，同时 也引起了人们对神经网络控制的鲁棒性和稳定性的极大芙注”卅。在这个过程中，h u n t , n a r e n d r a 和k o s k o 等人在神经网络控制方面做了大量开拓性的t 作。他们的研究工作给神 经网络控制理论的发展与应川奠定了坚实的基础，具有重要的里程碑意义。 神经网络在控制领域受到重视主要是由于它的非线性映射能力、自学习适应能力、联想 记忆能力、并行信息处理方式及其优良的容错性能。这些特点使神经网络非常适合于复杂系 统的建模与控制，特别是当系统存在不确定性冈素时，更体现了神经网络方法的优越性，它 使模型与控制的概念更加一体化。神经网络应用于控制系统的设计主要是针对系统的非线 性、不确定性和复杂性进行的。由于神经网络的适应能力、并行处理能力和它的鲁棒性，使 采j j 神经网络的控制系统具有更强的适麻性和鲁棒性。 1 3 2 2r b f 神经网络的发展及在过程建模和控制中的应用 1 9 8 5 年，p o w e l l 提出了多变餐插值的径向基函数方法【o “。1 9 8 8 年，b r o o m h e a d 羊i l l o w e l 6 以及m o o d y 和d a r k e n 1 首先将r b f 应刚于人一l ：神经网络设计，构成了r b f 神经网络。此 后，r b f 神经网络引起了广泛的关注，发表了很多关于r b f 神经网络的构造、学习算法及 其在各个领域中应用的论文。 在r b f 神经网络中，隐层r b f 中心的数量和宽度直接影响着网络的逼近能力m j ，而且 要求r b f 中心麻能覆盖整个输入空间，但如果r b f 中心的数餐过多，将使网络的计算量显 著增加，而且也会导致网络泛化能力的降低，冈此，建立r b f 神经网络模型的关键在于正 确地选择合适的r b f 中心。目前，r b f 网络的学习算法主要有两大类： f 1 ) 混合算法。首先，通过某种无监督学习方法如聚类算法瞰】、遗传算法陋”】等选择 r b f 的中心；第一二阶段，采h j 最小二二乘法计算网络的输出权值； ( 2 ) 将r b f 中心的选择和输出权值的学习结合起来，典型的方法有正交最小二乘算法 ( o l s ) 1 7 3 - 7 5 和梯度f 降算法 ”，在权值学习的同时确定隐层节点的数量和宽度。 在混合算法中，可以通过两种方法来预先确定r b f 中心的数颦和宽度。一种是先将所 有学习样本作为中心，然后采用聚类算法去除不必要的中心1 8 q ，另一种方法是开始时隐层 节点的数鼙为零，然后逐步增加剑预先确定的隐层节点数 s 1 s 2 。总体来讲，这两类方法构造 的r b f 神经网络都属于静态结构，即一目学习过程结束，则网络的结构即州定，如果训练 数据集的代表性不强或未能包含系统的主要特性，则这样建立的r b f 网络模型不适宜于在 线应刚。 近年来，关于动态r b f 神经网络的研究得到了人们的重视，1 9 9 1 年p l a 甜”首次提出了 基于r b f 的资源分配网络r a n ( r e s o u r