智能控制理论和方法

西安建筑科技大学研究生课程考试试卷考试科目：智能控制理论与方法课程编码：081013任课老师：考试时间:学号：学生姓名:题号成绩总成绩学分123456阅卷人签字789试题总页数10空调系统神经模糊控制器的仿真和优化（1.西安建筑科技大学信息与控制工程学院，陕西西安710055）摘要：以恒温空调系统为控制对象，对神经模糊控制器和PID控制器进行了数字仿真，并用单纯形法对控制比例因子进行了参数寻优，获得了最优参数和动态响应曲线通过对神经模糊控制器的优化学习，大大提高了神经模糊控制器的控制精度和稳定性，其性能优于最优化的PID控制器，能有效地满足温度控制要求，并具有较好的鲁棒性由于神经模糊控制器具有模糊控制和神经网络的智能，经过优化学习后，它具有良好的控制性能和自适应能力。关键词：数字仿真；参数寻优；优化学习；神经模糊控制器中图分类号：TU83,TP273文献标识码：ANeuralFuzzyControllerofAirConditioningSystemSimulation

andOptimizationLIYang1(1.InformationandControlEngineeringInstitute,XI'anUniversityofArchitectureandTechnologyXi'an710055,China)Abstract:Adigitalsimulationwasconductedforaconstanttemperatureairconditioningsystemwiththreedifferentcontrollers,i.e.,theneuralfuzzycontroller,theconventionalfuzzycontrollerandPID(Proportional-Integral-Derivative)controller.Theproportionalfactorsofthesecontrollerswereoptimizedusingthesimplexmethodanddynamicresponseprofileswereobtained.TheneuralfuzzycontrollerwasthentrainedforoptimizationwiththesamplesfromtheoptimizedPIDcontroller.ItscontrolperformanceandstabilitywasfoundtobeimprovedsignificantlyandevensuperiortotheoptimizedPIDcontrollerandoptimizedconventionalfuzzycontroller.Thesystemtemperaturewascontrolledwithdesiredperformance.TherobustnessofthetrainedneuralfuzzycontrolleriscomparabletotheoptimizedPIDcontroller.Thisdemonstratesthattheneuralfuzzycontrollercanbetrainedforoptimizationtoachievebettercontrolperformanceandself-adaptabilitysinceithastheinherentintelligenceofbothfuzzycontrolandneuralnetwork.Keywords：digitalsimulation;systemoptimization;trainingforoptimization;neuralfuzzycontroller0引言在研究高大空间恒温空调系统的温度控制时，设计总结了一种新型的神经模糊控制器口。仿真和优化的结果表明，这种控制器较常规的PID控制器具有更好的控制精度、稳定性和鲁棒性。这种控制器特别适用于系统不确定、模型不精确的纯滞后大惯性的暖通空调系统的精确控制。在近几年的研究中，有些文章大多在介绍了神经网络和模糊控制的基本原理后，只是简短地介绍了自己如何应用这些方法于暖通空调系统，而没有对某种具体的空调系统控制器作详细的0引言本文以恒温空调系统温度控制为例介绍神经模糊控制器的仿真与优化，为了有所比较，在本文的恒温控制系统仿真中，同时采用PID控制器进行控制，以证明神经模糊控制器的优越性。；修回日期:e20Cft|e（t）\dt单纯形法调整控制参数PID控制器250$+1二热电偶0.00054+50$+1e20Cft|e（t）\dt单纯形法调整控制参数PID控制器250$+1二热电偶0.00054+50$+1干扰信号热泵图1恒温控制系统仿真框图序号Kp_KK性能指标110648.00106.48000239583.00415604.626210649.00106.48000239583.00415581.955310648.00107.48000239583.00428829.213410648.00106.48000239584.00415601.853510649.000106.49000239583.00239584.000610648.00106.48000239583.00415604.626710649.33310533398747.054810651.33310333373133.074910651.66699.813333239585.66332957.7431010653.33397.146667239584.33300645.7651110658.33391.146667239585.33236475.5661210660.66681.813333239588.66164342.7001310669.00070.480000239587.00108577.511表1PID控制器参数寻优过程及结果在本文的恒温室中，要求室内温度稳定在20r,即设定值为20°C不变，而室内的热源则是随机变化的，即控制系统的干扰是不断变化的。因此，在恒温控制系统仿真中，主要对干扰变化进行仿真，并且考虑阶跃干扰变化的情况。本文的恒温控制系统仿真框图见图1。该仿真系统的各环节传递函数参数⑵（其中s表示Laplace变元）说明如下：（1）整个仿真系统以实际空间（恒温室）为原型，所有的参数均为实际空间的运行参数，这些参数的获取方法和具体数值参见文献［1］。（2）电加热器，即执行器被考虑为一个一阶惯性环节［心］。电加热器的初始加热量为5556W，相当于送风被加热3C。（3）测温元件，即传感器考虑采用热电偶，并且忽略它的惯性。（4）干扰源就是恒温室中的热源，在仿真时，干扰源被考虑为由热源温度变化引起的室内温度变化，它是一个阶跃干扰。干扰源的初始温度为55C（恒温），仿真时干扰源的温度突然从55C下降到34Co（5）仿真前，设系统处于稳定运行状态，恒温室的初始温度为20C;当干扰无变化时，系统将稳定运行，并保持恒温室温度为20C。本文的仿真工作分三步多值选―择器（1）优化控制系统参数，参数寻优采用单纯形法，关于单纯形法的优化方法和过程参见文献［41。1）PID控制器U-2］:在初始控制系数KP0（比例常数）、KI0,（积分常数）和KD0（微分常数）的基础上，通过仿真得到最优的控制参数KP*、KI*和KD*。2）神经模糊控制器：在初始控制比例因子Ke0（误差比例因子）、Kc0（误差变化率比例因子）和Ku0（控制输出比例因子）的基础上，通过仿真得到最优的控制比例因子Ke*、Kc*和Ku*o（2）在最优控制参数的基础上，同时对两种控制器进行仿真并比较它们的仿真结果。（3）保持最优控制参数不变，改变受控对象参数KA放大系数）、tA（时间延迟）和TA（时间常数），然后进行仿真，比较两种控制器对受控对象参数变化的鲁棒性。2神经模糊控制器仿真优化结果根据系统各环节参数和采样定理，选定采样周期为1s;根据系统达到稳定所需时间，确定仿真时间为20s;进行参数仿真寻优时，各控制器的初始控制参数选择如下：（1）PID控制器根据文献［7］，选定控制度为1.05，得到PID控制器的较优参数，即本文的PID控制器初始控制参数为：初始比例系数KP0=10648，初始积分系数KI0=106.48，初始微分系数KD0=239583。（2）神经模糊控制器：根据文献［11，初始控制比例因子Ke0=1,Kc0=100,Ku『55560。2.1最优控制参数PID控制器、常规模糊控制器和神经模糊控制器的参数寻优过程和最优参数分别见表1、表2和表3o这些表中的性能指标Q就是图1中指标函数Q的计算值。1410681.33349.146667239592.3359210.73351.10000099.8000005556.100790689.5641510694.33319.146667239597.3349365.30461.20000099.8000005556.200747328.2061610689.911132.03555239593.6440400.94971.40000099.6000005556.100654009.5541710649.3331053339874.70481.50000099.2000005556.400616097.5451810692.54424.634209239595.2335014.63091.90000099.0000005556.500503708.4241910692.25425.241210239595.1234978.431102.40000098.2000005556.600419515.6732010692.40224.879508239595.1934967.059113.00000097.2000005557.300347741.1252110692.30425.036407239595.2334959.223124.30000096.0000005557.600275650.956最优参数10692.30425.036407239595.2334959.223135.90000093.4000005558.500260877.696从表1、表2和表3可以看出：146.40000092.8666675559.000245178.667(1)参数寻优能够明显地改善控制性能指156.54666792.8444445558.793241614.307标，在两种控制器中，以PID控制器的性能指166.81088992.3481485559.711246418.576标改善最多，性能指标Q减少到原来的8.4%。176.45551192.8585195558.799243722.724(2)米用单纯形法能够较快地找到最优参186.61945892.6509635558.902240087.536数。196.72843692.6339265558.994239854.917206.56824592.7680895558.896241124.5042.2控制系统动态响应曲线216.73075992.5242075559.069239674.930将上述PID控制器和神经模糊控制器在最/IX4.'JX匕一ZRzrt[AZ-.__Unr^iAJx226.64302992.6690555558.951239753.222优参数下进仃仿真，得到匕们的动态响应曲线，236.66822892.6258235558.964239418.783见图2。从图2、表1和表2可以看出：246.66156692.5953365558.995239449.753(1)对于本文的纯滞后大惯性怕温室控制系256.73067492.4945235559.067239610.033统，在最优控制参数下，PID控制器的性能指标265.90000092.5528195559.032239242.684远好于常规神经模糊控制器。为简单起见，本文276.40000092.5526055559.025239214.928称最优控制参数下的PID控制(器)为最优PID286.54666792.5526055559.025239214.929控制(器)。最优参数6.69910892.5526055559.025239214.920(2)最优PID控制存在超调量，并且其调整时间较长，而神经模糊控制没有超调量，其较快<4、木b日斥浴H偷灿那焙黜日坊生【网甘壬而*(5)本乂所设计的神经模糊控制器基于预儿调整时间也较短地进入了稳定状态。设计的模糊控制规则表，因此其控制效果基本上(3)神经模糊控制的上升时间比最优PID控与常规模糊控制器相同，，但比最优PID控制差。制略短，说明神经模糊控制具有潜在的优势，经为了提高神经模糊控制的效果，可以改进和增加过一定的优化后将具有比最优PID控制更好的模糊控制规则;在模糊控制规则不容易获得的情性能。况下，可以利用神经网络的学习能力，以某一更(4)两种控制器都能有效地将温度波动范围优的控制器数据为学习样本，通过神经网络学习控制在3°C以内。训练，使神经模糊控制器具有更好的控制性能，表2神经模糊控制器参数寻优过程及结果这称为神经模糊控制器的优化学习(Trainingfor序号KeKcKu性能指标Optimization)o11.000000100.000005556.000859565.28021.100000100.000005556.000791473.89031.000000100.100005556.000859592.24041.000000100.000005556.100859560.968图2最优控制参数下两种控制器响应曲线2.3神经模糊控制器的优化学习在本文中，考虑到最优PID控制器具有良好的控制性能，因此利用它作为神经模糊控制器的学习样本，对神经模糊控制器进行优化学习。在原有64条模糊控制规则的基础上，从最优PID控制的仿真中，取出1500组数据作为神经模糊控制器的学习样本，在不改变模糊控制规则BP神经网络结构的情况下进行优化学习。本文以某一具体数据为例说明优化学习的过程。在最优PID控制的2000s仿真中，取1〜1500s的PID控制器输入输出值，将它们变换到[[-1,1]标准论域后即可作为神经模糊控制器中的模糊控制规则BP神经网络的学习样本。设某组输入输出值为：E=0.0007,C=0.2265,U=0.5733则将它们变换为相应语言变量值论域上的模糊子集分别为：e危+卫+00614+映」+gamNBNMNSNOPOPSPMPBc=em+呻迺弘丝呼羿yeNBNMNSNOPOPSPMPB.0.00020.22090.78780.0096+++++++NBNMNSNOPOPSPMPB因此该样本的神经网络输入向量为:[0,0,0.0614,0.9999,1,0.0629,0,0,0,0,0.0004,0.0002,0.2702,0.7609,0.0066,0]t输出向量为：[0,0,0,0,0.0002,0.2209,0.7878,0.0096]t该样本作为神经网络的学习样本，实际上相当于增加了一条数据规则。由于从最优PID控制中得到的这些样本是定义在连续论域上的，所以这些数据规则也定义在连续论域上，当这些数据规则应用于普通的神经网络时，就能构成神经网络控制器，当它们应用于神经模糊控制器时，神经模糊控制器就具有神经网络控制器的特点；另一方而，当以条件语句为基础的语言规则应用于神经模糊控制器时，神经模糊控制器就具有模糊控制器的特点。因此，神经模糊控制器自然地融合了模糊控制器和神经网络控制器的特性，能同时处理结构化的语言信息和数据样本信息，具有模糊控制和神经网络两者的智能，从而具有更好的适应性和更大的优越性。经过优化学习后的神经模糊控制器用于本文的恒温控制系统时，也应该对控制比例因子Ke、Kc和Ku进行参数寻优，其寻优过程和最优参数见表3。表3优化学习后的神经模糊控制器参数寻优过程及结果序号KeKcKu性能指标Q11.000000100.000005556.00032920.85835121.100000100.000005556.00050400.26972631.000000100.100005556.00032897.37900641.000000100.000005556.10032925.52368950.800000100.100005556.10023167.15248660.800000100.200005555.90023140.64158670.733333100.266665556.00023791.89530780.779861100.217435555.92823023.04148390.781250100.218755555.92823021.871808最优参数0.781250100.218755555.92823021.871808(1)在最优控制参数下，经过优化学习后的神经模糊控制动态响应曲线见图3,其中同时示出了最优PID控制和优化学习前的神经模糊控制的动态响应曲线。

图3优化学习后的神经网络模糊控制动态响应曲线经过优化学习后，神经模糊控制器的性能大图3优化学习后的神经网络模糊控制动态响应曲线经过优化学习后的神经模糊控制器能有效地将动态温度波动控制在0.1°C以内，能满足本文的控制要求。经过优化学习后的神经模糊控制与优化学习前的神经模糊控制相比，它没有稳态误差，也没有稳态温度波动，控制效果明显较好。经过优化学习后的神经模糊控制器明显优于常规模糊控制器。由于经过优化学习后的神经模糊控制器性能比最优PID控制器好，而且又具有模糊控制和神经网络两者的优点，因此，它不仅对已知数学模型的受控对象有较好的控制效果，而且对受控对象数学模型不确定、不精确和时变的情