神经模糊温度控制器外文翻译.doc

浙江大学毕业设计（论文）外文文献翻译毕业设计（论文）题目波分调功式温度控制器设计翻译题目Neuro Fuzzy Temperature Controller神经模糊温度控制器学 院自动化专 业电气工程与自动化姓 名班 级学 号指导教师神经模糊温度控制器摘要本文研究了一种基于实验性的应用研究的神经模糊混合技术。在一个水温控制系统中做实验，这个控制技术是在实时的基于设置点控制和负载扰动控制的正常环境状态下测试的，它是观察神经模糊控制器提供的优点。本文在结构、系统和设计经验等几个方面说明神经模糊控制器的控制技术的优越性。这个实验结果显示出此神经模糊控制器的效率。关键词：经典控制，级联神经模糊控制器一、前言经典的（P，PI，PID）控制技术是简单的控制系统的基础，它的简单主要是在于在工业上的广泛应用。因为经典控制器被增益反馈控制器校准，所以它们不能补偿设备的参数变化，也不能适应环境的变化。在经典的常规的技术中，设备的数学模型和控制器的参数调整是在执行控制器之前就完成的。就控制目标而言，大多数实际系统表现出非线性特征，而且这些系统经常令人烦恼甚至有时不能使用物理规律来建立模型。因此使用经典的控制器不适合非线性的控制应用场合。需要解决这些问题，以及要有一种控制器能较好地调节一个运行点以及整个范围的设置点，这个需求激发了其他的控制技术的发展。在最近三十年，很多的非传统的技术，譬如神经和模糊控制，已经被提议用来替代传统的经典的技术。人工神经网络和模糊逻辑理论的发展为有可能实现更好和更有效率的控制提供新的资源。人工神经网络有学习能估计输入输出功能的动力系统的能力。模糊系统将设置或者被制定的信息转换成为适当的控制行动。尤其是不管是人工神经网络还是模糊系统都不需要建立设备的数学模型。模糊控制系统的发展除了语言的组织还需要相关的设备专业知识1。设计这个神经迷糊控制器通常需要充足的设备的输入输出描述或者输出量的希望值。为了更好的设计我们就要混合这两个系统，误差和衍生出的误差作为这个系统的输入来给定，而神经网络的输出作为模糊逻辑来给定。神经网络将决定从这五个模糊设置里选择出来一个模糊设置，最大量设置将被选择出来2。本文中神经模糊控制器的性能是在实际的水温系统中测试。作者:P. P. Bhogle,B. M. Patre,L.M. Waghmare,V. M. Panchade.出处：Proceedings of the 2007 IEEE International Conference on Mechatronics and Automation August 5 - 8, 2007, Harbin, China. 二、模糊系统（1）模糊变量和基本运算 和布尔逻辑相反，模糊逻辑的变量只有两重的状态，它的变量值只有0和1两种。模糊逻辑的基本运算由、与、或和非组成。ABC表示A、B和C中的最小值，ABC表示A、B和C中的最大值，=1-A表示1减去A的值。例如0.10.80.4=0.1,0.10.80.4=0.8,=0.7。上面所有的规则都作为zadel模糊集合论中的与、或和非运算。（2）模糊控制器 模糊控制器的工作原理不同于神经网络。模糊控制器被分为三个部分。第一部分，电压输入被转换成为模糊变量运算，在这一部分我们使用方程式（1）中给定的五个模糊变量的运算。每一个模糊变量对应介如0和1之间的模拟量。第二部分模糊逻辑运用于输入模糊变量，进而产生作为结果的输出变量。最后一部分去模糊化，即从输出模糊变量到输出变量3。 非常小，小，中等，大，非常大 （1）图1 模糊结果三、神经模糊混合系统神经网络和模糊系统有两个不同的方面，第一，神经网络是可以适应和调节的；第二，神经网络是具有自然的大规模等级和可并联的特点。在神经网络的运行中，与数据相关联是个重要的职责，理解神经网络的行为是相当困难的。模糊逻辑主要与不精确有关，并且能表示成某一领域专家的技能。因为模糊规则按照人类感觉所建立，那么模糊逻辑就具有不可自适应和不可调节的特性。在一个复杂的系统里，更多的规则意味着识别和建立这些规则就更加复杂和难以计算。这些特点限制了模糊逻辑的使用范围4。当联合这两种技术，他们的优点就是可应用于不同的场合。混合系统的优点如下：（1）应用模糊规则对于融合不同的知识是有可能的。（2）具有大规模的知识基础，才能通过模糊前端或后端处理器有效地处理并减少误差，这个处理器能使学习很容易和快速。（3）非精确和知识的范围作为模糊逻辑的依据。（4）从嘈杂的数据中重组和学习是可能的。（5）神经网络处理数据和知识是通过结合这两个建立起来的归纳和依赖性。（6）该技术是强大的，这是因为一些依赖于通过改变输入状态来更新的模糊规则知识库，这就避开了重新设置神经网络的需要。5四、级联神经模糊控制器 这里有几个联合技术联合神经网络和模糊逻辑的技术中中最合适并且最简单的是级联。在这种类型中，神经网络提供输出给模糊逻辑并且按照图二选择模糊结果。还有另外一种方法是模糊逻辑提供输入给神经网络。在本文里我们使用第一种方法。图2 级联控制系统五、神经模糊控制器 神经模糊补偿器的功能是为了补偿基础模糊控制器的表现不足的地方。图3显示的是神经模糊控制器的结构模型。神经网络有一个隐藏层和一个输出层。所有的神经元具有S型函数性质。神经模糊补偿器是通过在线的后置的运算规则的传播来调节的，而分量的更新用方程式（2）来给定的。图3 神经模糊控制器 （2） 式中的是在时间t内从单元i到单元j的分量，是分量的变化量。分量的变化量是通过3式计算的。 （3）式中的是试验性的独立的学习比率，是单元j和单元i间的错误变化程度，是激活水平6。神经模糊控制器选择五个结果中的一个，当错误越多时，输出种类就是大，当错误是最小时，输出就传输到数模转换器。六、系统描述 图4是执行控制系统的原理图，这个系统由六个主要组成部分，一个8升水箱，一个传感器，一个仪表放大器，一个输入输出I/O接口卡，一台为神经模糊控制提供用C+编写的软件的计算机，触发电路和纠正晶闸管触发角电路。控制信号介于0V到5V之间，水箱加热是通过晶闸管控制的热阻加热器，加热功率为1500W，传感器的灵敏度是10mV/。仪表放大器转换测量的介于0到100的温度成为0到5V的电压。I/O接口板由模数转换器（ADC），数模转换器（DAC）和可编程外围接口电路组成。由Turbo-C语言编写的计算机程序用于每个控制器。这个控制器提供0到5V的控制信号。 晶闸管作为热阻加热器的激励者来使用，它的导通与关断由下述的限制条件来控制。 220V（当=0V，加热器完全开通） 电加热器给定电压= 0V（当=5V，加热器完全关闭） 0到220V（当,加热器开通）图4 系统简图七、软件部分 所有的程序都是用C+语言编写的，下面给出的是流程图，在主要程序里我们这样称呼所有的子程序，譬如模糊化.h,模糊化.cpp,后置传递.cpp,去模糊化.cpp6。图5 主要流程图八、硬件设计（1）传感器单元 这里的传感器是用来测量温度的，我们选用符合必需范围内的RTD传感器，它提供随温度变化而电阻的变化量。电阻的变化量通过使用电路桥和仪表放大器电路转换成电压7。电压作为输出提供给模数转换器转换成数字信号。（2）PCL207附加卡 PCL207是低成本的ADC/DAC卡，是应用于IBM计算机和兼容计算机的有效的多功能数据采集卡。由于这种采集卡有说明书和软件支持，所以它在工业和实验室环境都有很广泛的应用，这些应用包括数据采集，过程控制，自动测试和工业自动化。图6是PCL-207卡结构图。（3）PCL-207卡的介绍PCL-297卡是低成本高性能模拟量接口插件，使用基于逐次近似计算方法的硬件，能提供采集速度为每秒25000个样本。它是12位的转换，总体精度达到每读一位0.015%的精度。输出渠道提供较高精度的快速的稳定时间。输入级是高质量的而且多元的，提供8个单一的末端模拟输入。输入的水准和输出电压范围可以由用户选择，而不依赖于其他的输入端口。模数转换和数据传送是受设计好的12位单片电路相乘的数模转换输出控制的，数模转换输出的电压范围是0到5V或者0到10V。图6 PCL-207卡结构图（4）脉冲触发电路脉冲触发电路是接收数模转换的模拟输出转换成电压，并把它转化为相当的脉冲的电路，并且当检测到电源电压过零时触发反平行连接的晶闸管。（5）温度传感电路 图七显示的是温度传感电路，包括PTD PT100组成的电路桥，桥的电阻是预先设定的200，使得在温度为0时的输出为0V，温度为100时桥的输出为416mV。为了转换这个低电压为+5V,就得使用仪表放大器。A1和A2作为缓冲器，A3作为差分放大器。差分放大器的增益=5V/0.416V=12。于是选定,当温度从0变化为100时，仪表放大器的输出从0V变化为+5V。LM348是作为构成A1,A2,A3和A4的可使用的放大器。图7 传感电路参考文献1 Cihan Karakuzu, Sitki Ozturk. A comparison of fuzzy, neuro and classical control technique based on an experimental applicationsJ. Qafqaz University, 2000, (6):189-198.2 Hideyuki Takagi. Fusion technology of neural network and fuzzy Systems: a chronicled progression from the laboratory to our daily liveJ. Applied Mathematics and Computer Science, 2000, 10(4):647-673.3 Bogdan M.Wilamowki. Neuro-Fuzzy System and Their ApplicationJ. IEEE 1998:35-50.4 Weihong wang, Xiaoming zhao. A New Model of Fuzzy Neural Networks and its applicationsC. 5th world congress on intelligent control and automation, 2004:2020-2022.5 D.Srinivasan, A.C.Liew, C.S.Chang. Forecasting daily load curves using a hybrid fuzzy-neural approachJ. IEEE pro-General Trans Distrib, 1994, 141(6):561-167.6 Dr. Valluru, B. Rao, Hayagriva V. Rao. C+ neural networks and fuzzy logicM. N