焦炉集气管压力模糊神经网络控制系统

考模型2进行解耦控制，与被控对象一道构成解耦后的广义被控对象，在此基础上分别采用SISO模糊神经网络控制器控制被控对象的动态特性：采用智能协调模糊神经网络控制器FNC4，以鼓风机闸阀开度为控制量，控制初冷器前吸力；采用模糊神经网络控制器FNC1～3，以各焦炉集气管蝶阀开度为控制量，控制相应焦炉集气管压力。

3.1 模糊神经网络结构

3座焦炉集气管压力和初冷器前压力控制算法FNC1～FNC4采用同样的模糊神

经网络结构，取误差e、误差变化率Δe及其导数Δ2e作为模糊推理控制器输入，e为Δe分别划分为7个模糊子集，Δ2e划分为3个模糊子集，模糊子集隶属度采用高斯型函数表示。上述的模糊推理控制器可用一个如图4所示的初始神经网络构成。初始神经网络共有四层：输入层、隶属函数生成层、推理层和去模糊化层。输入节点数n为3，第一层隐含节点（模糊化）为17，第二层隐含节点（推理）L为7×7×3=147，一个输出点节。模糊化到推理连接权重为1。

多变量解耦控制器FNC5采用T-S模糊模型[4]，取FNC1～FNC4输出作为模糊控制器的输入，三座焦炉焦气管蝶阀和鼓风机前闸阀实际控制输出作为模糊控制器的输出，考虑到系统的动态解耦，每个输入分别取当前三个时刻值，从而构成12输入、4输出多变量解耦模糊控制模型。

3.2 模糊神经网络GA优化学习

对于单变量和多变量解耦模糊神经网络，可用遗传算法（GA）来调整和优化参数和结构，而推理规则的结论部分中的权值Wi较为多地具有局部性，可采用智能梯度算法在线调节。把两种学习算法结合起来，可发挥GA算法的全局搜索结构优化能力和梯度算法局部优化块速性。

    采用遗传算法离线训练模糊神经网络参数的步骤如下：

（1）采用实数编码方式，随机产生n个实数字符串，每个字符串表示整个网络的一组参数；

（2）将各实数字符串译码成网络的各参数值，然后计算每一组参数的适合度值fi=1/Ei(i=1,2……，n)，式中Ei为定义的误差指标函数，按下列步骤产生新的群体，直到新群体中串总数达到n：

①以概率fi/∑fi,fj/∑fj从群体中选出两个串Si，Sj；

②以概率Pc对Si，Sj进行交换，得到新串Si',Sj'；

③以概率Pm使Si'，Sj'中的各位产生突变（取随机数）；

④返回第①步，直到产生（n-1）个新一代的个体；

⑤所产生的（n-1）个新一代的个体连同一代中性能最好的那个个体，共同组成新的群体。

（3）返回第（2）步，直到群体中的个体性能满足要求为止。群体中适应度最好的字符串译码后的参数即为所求参数。

这里采用一种自适应Pc和Pm方法。用适合度函数来衡量算法的收敛状况，其表达式为：

Pc=K1(fmax-f)

Pm=K2(fax-f)

式中，fmax、f分别是群体中的最大适合度和平均适合度。由于篇幅的关系，有关SISO模糊网络控制器和多变量解耦控制器的梯度在线学习算法请参考文献[5]，在本系统中由模糊神经网络控制器用编程控制器提供的浮点运算指令完成，在线学习算法由上位机用VC编程，通过通讯修改模糊神经网络参数。

《焦炉集气管压力模糊神经网络控制系统(第2页)》