專利名稱：：起重機(jī)智能防搖控制系統(tǒng)的設(shè)計(jì)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種起重機(jī)智能防搖控制系統(tǒng)的設(shè)計(jì)方法，其特征是利用模糊控制原理，設(shè)計(jì)并生成模糊控制器響應(yīng)表，然后以其為訓(xùn)練樣本，建立BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)起重機(jī)智能防搖控制。
背景技術(shù)：
：自1974年英國的Mamdani首次將模糊邏輯用于蒸氣機(jī)的控制后，模糊控制在工業(yè)過程控制、機(jī)器人、交通運(yùn)輸?shù)确矫娴玫搅藦V泛而卓有成效的應(yīng)用。與傳統(tǒng)控制方法相比，模糊控制利用人類專家控制經(jīng)驗(yàn)，對于非線性、復(fù)雜對象的控制顯示了魯棒性好、控制性能高的優(yōu)點(diǎn)。而BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)具有廣泛的映射能力、學(xué)習(xí)能力和泛化能力，在多變量非線性系統(tǒng)的建模和控制方面取得了驚人的成就。
發(fā)明內(nèi)容本發(fā)明的目的在于將模糊控制與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，設(shè)計(jì)起重機(jī)防搖控制系統(tǒng),克服單純的模糊控制自適應(yīng)能力差的缺點(diǎn)，提高控制精度，使控制系統(tǒng)具備較好的泛化能力和魯棒性。為實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是首先根據(jù)模糊控制原理建立模糊控制模型，生成模糊控制響應(yīng)表，并以模糊控制器的響應(yīng)表為訓(xùn)練樣本，建立BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)起重機(jī)智能防搖控制。1、模糊控制模型的建立將小車位移X和吊重偏離鉛垂線的角度9作為模糊控制器的輸入變量，小車運(yùn)行牽引力F作為模糊控制器的輸出變量即控制量。用模糊語言描述的x、e和F的模糊子集為(NB(負(fù)大)，NM(負(fù)中)，NS(負(fù)小)，O(O),PS(正小),PM(正中)，PB(正大"設(shè)位移x的論域?yàn)閄,并將位移量化為七個等級，分別表示為一3，—2，一l，0，1，2，3,即X-(—3，一2，一1，0，1，2，3}。設(shè)角度e的論域?yàn)閅，并將角度量化為七個等級，分別表示為一3，一2，一l，0，1，2，3，即Y-(—3，一2，一1，0，1，2，3}。設(shè)控制量F的論域?yàn)镕，并將其量化為九個等級，分別表示為一4，一3，一2，一l，0，1，2，3，4，艮卩F={—4，一3，一2，一l，0，1，2，3，4}。由語言變量的隸屬函數(shù)，可以得到模糊變量x和e的賦值表如下隸Y化屬\等級-^■\^\-3一2一l012PB0000001PM00000.510.5PS0000.510.500000.510.500NB1000000畫0.510.50000NS00.510.5000F的賦值表如下:隸\量化屬、級\^\一4—3一2，101234PB0000000.30.71PM00000.00.20.710.7PS00000.210.70.30O000.30.710.70.300NB10.70.3000000麗0.710.70.300000NS00.30.710.70.3000在上面的表格中，每一行表示一個模糊集合的隸屬度函數(shù)，如n0.510.5n，，0.510.5n,,0.20.710.7/W,=——+—+—=—+—+—，尸Ma=—+——+—+——6模糊控制器的模糊控制規(guī)則如下表:<table>tableseeoriginaldocumentpage7</column></row><table>該表中有49條規(guī)則，x的模糊分割數(shù)為7，e的模糊分割數(shù)為7，因此該表包含了最大可能的規(guī)則數(shù)，上述表中的規(guī)則依次為《:ifx=NBand0-NB，thenF=PB/2:ifx=NBand0-麗,thenF-PB及49:ifx=PBand9=PB，thenF=NB模糊關(guān)系^-A^xi^xi^，依次可得到《，及2，，及49，所有49條模糊控制規(guī)則的總模糊蘊(yùn)含關(guān)系為-49設(shè)已知輸入為x和e，且相應(yīng)的輸入量模糊集合^和B'，則輸出量的模糊集合C'為C'-(J'x5')。i，然后用重心法對所求出的輸出量模糊集合進(jìn)行清晰化計(jì)算，最后得到的模糊控制響應(yīng)表如下<table>tableseeoriginaldocumentpage8</column></row><table>2、以模糊控制響應(yīng)表中49對數(shù)據(jù)為訓(xùn)練樣本，建立BP神經(jīng)網(wǎng)絡(luò)模型a.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本發(fā)明采用具有含一層隱層的三層前饋型網(wǎng)絡(luò)結(jié)構(gòu)，將小車位移x和吊重偏離鉛垂線的角度e作為兩個輸入，運(yùn)行牽引力F作為輸出，隱層具有10個神經(jīng)元。隱層和輸出層的傳遞函數(shù)選用函數(shù)7"^r。b.BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程BP網(wǎng)絡(luò)訓(xùn)練方式包含兩個階段前饋階段和反向傳播階段。前饋階段是指輸入向量由輸入層引入，以前饋方式經(jīng)由隱層傳至輸出層，并求出網(wǎng)絡(luò)輸出；反向傳播階段是指以期望輸出值減去網(wǎng)絡(luò)輸出值從而得到誤差信號，然后將此信號逐層反向傳遞回網(wǎng)絡(luò)中，進(jìn)而修改連接權(quán)值和閾值。設(shè)輸入向量為=[;^,Jct2，...，;cw]，(*=l，2,...iV)，jv為樣本個數(shù)，『M("^k.L,為第"次迭代時輸入層與隱層/之間的權(quán)值向量，^(")=L為第"次迭代時隱層/與隱層J之間的權(quán)值向量，『"n)=kL為第"次迭代是隱層與輸出層之間的權(quán)值向量，=(")，&(")，...，(hl，2，…A0為第"次迭代時網(wǎng)絡(luò)的實(shí)際輸出，《-[《,《2，…^]，(hl，2,…iV)為期望輸出。激活函數(shù)采用r"^T的Sigmoid型函數(shù)，故對原始數(shù)據(jù)需做歸一化處理.BP算法步驟如下(1)初始化。賦較小的隨機(jī)非零值于^(0)，^(0),K0)(2)輸入樣本A和期望輸出《。n=0。(3)對輸入樣本A，前向計(jì)算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號"和輸出信號Vo(4)由期望輸出《和上一步求得的實(shí)際輸出K(n)計(jì)算誤差五(")，判斷其是否滿足要求，若滿足轉(zhuǎn)至(7);不滿足轉(zhuǎn)至(5)。(5)判斷《+1是否大于最大迭代次數(shù)，若大于轉(zhuǎn)至(7)，否則，對輸入樣本A，反向計(jì)算每層神經(jīng)元的局部梯度^。其中，<formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage9</formula>(6)按下式計(jì)算權(quán)值修正Aw，并修正權(quán)值，//為學(xué)習(xí)速率。"="+1，轉(zhuǎn)至(3)。<formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage10</formula>(7)判斷是否學(xué)完所有的訓(xùn)練樣本，是則結(jié)束，否則返回(2)。圖1:起重機(jī)智能防搖控制系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖該網(wǎng)絡(luò)采用具有含一層隱層的三層前饋型網(wǎng)絡(luò)結(jié)構(gòu)，兩個輸入節(jié)點(diǎn)，一個輸出節(jié)點(diǎn)，隱層神經(jīng)元個數(shù)為IO。圖2:應(yīng)用訓(xùn)練樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練36次后，標(biāo)準(zhǔn)數(shù)值誤差就達(dá)到le-3。具體實(shí)施例方式建立起重機(jī)智能防搖控制系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的具體實(shí)施方式如下。1、樣本數(shù)據(jù)的標(biāo)準(zhǔn)化由于激活函數(shù)采用:^"^r的Sigmoid型函數(shù)，故對原始數(shù)據(jù)需做歸一化處理。對期望輸出量進(jìn)行歸一化處理，運(yùn)用公式x旨=0.1+X—，'nx(0.9-O.l)使其值義max義min在[O.l，O.9]之間。2、網(wǎng)絡(luò)訓(xùn)練本發(fā)明建立小車位移x和吊重偏離鉛垂線的角度e為輸入，隱層有io個神經(jīng)元，小車運(yùn)行牽引力F為輸出的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，見圖l。以模糊控制響應(yīng)表中49對數(shù)據(jù)為訓(xùn)練樣本，用MATLAB軟件，訓(xùn)練函數(shù)選用trainlm，設(shè)置誤差限為le-3，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行有限次訓(xùn)練，便可得到BP神經(jīng)網(wǎng)絡(luò)模型。3、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練、回檢及泛化舉例(1)應(yīng)用模糊控制響應(yīng)表中49對數(shù)據(jù)為訓(xùn)練樣本，按照網(wǎng)絡(luò)訓(xùn)練方法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行36次后，標(biāo)準(zhǔn)數(shù)值誤差就達(dá)到le-3。網(wǎng)絡(luò)訓(xùn)練過程誤差變化情況見圖2。(2)BP神經(jīng)網(wǎng)絡(luò)模型回檢試驗(yàn)部分?jǐn)?shù)據(jù)如下:<table>tableseeoriginaldocumentpage11</column></row><table>通過對比網(wǎng)絡(luò)實(shí)際輸出量F(BP)與模糊控制響應(yīng)表中的F(FU)的值，可以發(fā)現(xiàn)BP網(wǎng)絡(luò)是非常有效的。(3)該網(wǎng)絡(luò)有很強(qiáng)的泛化能力，可以得到任意位移和角度下的運(yùn)行牽引力。例如當(dāng)輸入量為(一2，一2.5)時，BP神經(jīng)網(wǎng)絡(luò)對應(yīng)的輸出F:sim(net，(-2，-2.5)，)=0.8971，經(jīng)過逆歸一化還原后得牽引力F=3.971，對比模糊控制響應(yīng)表，可知這一結(jié)果是可行的。權(quán)利要求1、基于模糊控制和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合的起重機(jī)智能防搖控制系統(tǒng)，其特征在于首先設(shè)計(jì)一個模糊控制模型，生成模糊控制響應(yīng)表，并以模糊控制響應(yīng)表為訓(xùn)練樣本，建立起重機(jī)智能防搖控制器的BP神經(jīng)網(wǎng)絡(luò)模型。2、根據(jù)權(quán)利要求1所述的模糊控制模型，其特征在于將小車位移x和吊重偏離鉛垂線的角度e作為模糊控制器的輸入變量，小車運(yùn)行牽引力F作為模糊控制器的輸出變量即控制量。用模糊語言描述的x、e和F的模糊子集為(NB(負(fù)大)，NM(負(fù)中),NS(負(fù)小)，O(O)，PS(正小)，PM(正中)，PB(正大)〉設(shè)小車位移x的論域?yàn)閄,并將位移量化為七個等級，分別表示為一3，2,—1，0，1，2，3，艮卩X={—3，一2，一l，0，1，2，3}設(shè)角度e的論域?yàn)閅，并將角度量化為七個等級，分別表示為一3，一2，—1，0，1，2，3，艮卩Y={—3,—2，一l，0，1，2，3}設(shè)控制量F的論域?yàn)镕，并將其量化為九個等級，分別表示為一4，一3，—2，一1，0，1，2，3，4，艮卩F={—4，一3，一2，一1，0，1，2，3，4}模糊控制器的模糊控制規(guī)則如下表:<table>tableseeoriginaldocumentpage2</column></row><table><table>tableseeoriginaldocumentpage3</column></row><table>該表中有49條規(guī)則，x的模糊分割數(shù)為7，e的模糊分割數(shù)為7，因此該表包含了最大可能的規(guī)則數(shù)，上述表中的規(guī)則依次為i,:ifx=NBande=NB，thenF=PB及2:ifx=NBand6=NM,thenF=PB及49:ifx=PBand0=PB，thenF=NB模糊關(guān)系《-A^xA^xP^，依次可得到&，及2，……，i49，所有49條模糊控制規(guī)則的總模糊蘊(yùn)含關(guān)系為<formula>formulaseeoriginaldocumentpage3</formula>對于輸入為x和0，相應(yīng)的輸入量模糊集合^和^，輸出量的模糊集合C'為C'-04')^')。i，然后用重心法對所求出的輸出量模糊集合進(jìn)行清晰化計(jì)算，得到模糊控制響應(yīng)表<table>tableseeoriginaldocumentpage3</column></row><table>3、根據(jù)權(quán)利要求1所述的BP神經(jīng)網(wǎng)絡(luò)模型,其特征在于:建立具有含一層隱層的三層前饋型BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將小車位移x和吊重偏離鉛垂線的角度e作為輸入量，運(yùn)行牽引力F作為輸出，隱層具有io個神經(jīng)元。隱層和輸出層的傳遞函數(shù)選用7^r的Sigmoid型函數(shù)，運(yùn)用公式~準(zhǔn)^.l+^^x(0.9-O.l)對模糊控制響應(yīng)表中49對訓(xùn)練樣本數(shù)據(jù)做歸一化X—xmaxmm處理，使其值在[O.1，0.9]之間，用MATLAB軟件，訓(xùn)練函數(shù)選用trainlm，標(biāo)準(zhǔn)數(shù)值誤差設(shè)為le-3。全文摘要本發(fā)明涉及一種模糊控制與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合的起重機(jī)智能防搖控制系統(tǒng)的設(shè)計(jì)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響應(yīng)表為訓(xùn)練樣本，建立BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)起重機(jī)智能防搖控制?；谀：刂圃碓O(shè)計(jì)防搖控制系統(tǒng)的模糊控制模型，包括輸入量和控制量的模糊化、模糊控制規(guī)則的制定、模糊控制量的清晰化等步驟，最后得到模糊控制響應(yīng)表。神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)為一層隱層的三層前饋型BP網(wǎng)絡(luò)結(jié)構(gòu)，隱層有10個神經(jīng)元，隱層和輸出層的傳遞函數(shù)選用Sigmoid型函數(shù)。以模糊控制模型的響應(yīng)表為訓(xùn)練樣本，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，建立起重機(jī)智能防搖控制系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。文檔編號G05B13/02GK101441441SQ200710180498公開日2009年5月27日申請日期2007年11月21日優(yōu)先權(quán)日2007年11月21日發(fā)明者張宗偉,楊用增,禹建麗,趙海峰,濤郝申請人:新鄉(xiāng)市起重機(jī)廠有限公司