雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际电气、电子和仪器工程高级研究杂志

菜单

在线刊号(2278-8875)印刷版(2320-3765)

所有提交的EM系统将被重定向到网上投稿系统．作者被要求将文章直接提交给网上投稿系统各自的日志。

神经模糊与自适应神经模糊混合控制在换热器温度控制中的比较分析

苏尼尔S.Admuthe1，拉詹博士2, Dr.Mrs。Lalita S.Admuthe3.
  1. 印度巴德冈(桑里)理工学院仪器工程系副教授1．
  2. 仪器仪表工程系教授， S.G.G.S.C.E & T, nand，印度2
  3. 电子工程系教授, DKTE ?it’纺织工程。研究所，伊卡尔卡兰吉，印度3.
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际电气、电子和仪器工程高级研究杂志

国际电气、电子和仪器工程高级研究杂志

摘要

要达到理想的温度是一项艰巨的任务，在控制热交换器的温度，因为液体的温度在不同的范围内变化。因此，本文尝试用软计算的方法来控制换热器的温度。研究了神经模糊控制器和自适应神经模糊控制器对换热器过程模型的影响。神经模糊控制器(NFC)是神经网络(NN)和模糊逻辑控制器(FLC)的结合，自适应神经模糊推理系统(ANFIS)也是神经网络和模糊逻辑的结合，具有自适应结构。在仿真平台上对系统进行了建模，并对系统的输出性能进行了评价，并对系统的性能进行了比较，结果表明该系统具有更好的优越性。

关键字
液体加热系统，换热器，神经模糊控制器(NFC)，自适应神经模糊控制器(ANFIS)，减法聚类，液体温度，期望温度。

介绍
热交换器在广泛的工业应用中是一个重要的组成部分。快速跟踪设定点变化，抑制稳态阶跃干扰是换热器控制器的标准性能要求。
在工业[1]中使用的大多数热交换器在标准比例加积分控制器的闭环中运行。换热器系统具有不同的加热和冷却时间常数和非线性静态特性
传统的控制理论是基于描述过程控制系统动态行为的数学模型。模糊逻辑是传统控制器的一种灵活的控制方法。一般情况下，采用Ziegler- Nichols (Z-N)方法，采用PID控制器对某工业中的设备进行控制。常规PID控制器不适用于非线性系统[2]。基于人类知识的FLC比传统的PID控制器[3]更具灵活性。
模糊和自适应控制算法都内置了机制，使它们非常适合于现代控制场景[4][5]
从Procyk和Mamdani自组织控制器[6]开始，设计了许多模糊自适应系统，并报道了一些实际效果。模糊自适应系统的优点是在构造和训练阶段同时使用数值和定性信息。进一步证明了模糊系统可以近似任意连续非线性函数[8]-[11]
JyhShing Roger Jang等人。开发了在自适应网络框架下实现的模糊推理系统ANFIS (adaptive neural fuzzy inference system，自适应神经模糊推理系统)的架构和学习过程。采用ANFIS体系结构，通过识别控制系统中的非线性部件来建模非线性函数
在本文中，NFC和ANFIS都是为了达到换热器所需的温度而设计的。
NFC是神经网络与模糊系统的杂交。采用反向传播算法训练神经网络，采用试错法确定结构。
ANFIS还结合了神经网络和模糊系统的优点，给出了自适应结构，采用了反向传播算法和最小均方算法相结合的混合学习规律。此外，为了降低给定问题的复杂性，或减少与问题相关的数据量，首先可以进行聚类，然后生成模糊推理系统(FIS)。为此，我们尝试了NFC和ANFIS来控制换热器的温度。
本文的组织结构如下:第一节介绍了换热器的各种控制技术及近期的相关工作。第二部分介绍了系统硬件。第三节包含各种控制技术。第四节展示了本文的表现和讨论，最后第五节总结了本文，然后是参考文献。

液体加热系统
液体加热系统的结构如图1所示。
冷凝器是一种用来传递热量的装置。冷凝器由两管组成:内管和外管。内管为热液，由热水箱供应;外管为冷液，由冷水箱供应。外管液温由系统内管液温控制。热水箱包括加热器电路、搅拌器和浮子式液位传感器。加热器电路由电阻温度检测器(RTD)、开/关开关和加热线圈组成。热液罐通过自动控制阀(ACV)连续供应热液，以维持冷凝器的热比，由基于NFC和ANFIS的控制器控制。排出热液。冷凝器(外管)的温度由RTD检测并传递给桥式电路。电桥电路检测温度变化并应用于仪表放大器。 This analog input is converted to digital and applied to the NFC and ANFIS for determining the liquid temperature ratio. The digital output of NFC and ANFIS is converted into analog and further used to control the valve by using pneumatic source.

液体温度比的测定
采用NFC和ANFIS计算了系统的液温比。液温之比由当前温度与温度变化量确定。温度变化公式如下:
图像

神经模糊控制器:

用模糊法确定液温比
液体加热系统的运行是基于多变量模糊控制系统。模糊控制系统的运行主要依赖于模糊规则，这些规则是用模糊集理论生成的。将模糊化误差温度和误差温度变化应用到决策过程中，决策过程中包含一组规则。然后，采用脱模糊工艺，确定液温比。所开发的模糊规则如表1所示。利用这些模糊规则TFR是确定的。

利用神经网络确定液体温度比
这些算法基于训练数据集进行运算。根据模糊规则，生成网络训练数据集。该模型采用前馈型神经网络。输入层包括两个输入，即错误温度“eâ '  '和错误温度变化â '  ' Δeâ '  '。液体温度比T神经网络Râ '  '是NN的输出。
神经网络涉及的训练步骤如下:
步骤1:初始化每个神经元的输入、输出和权值。这里e和Δe是网络的输入和液流比“T”神经网络Râ '  '为网络的输出。
步骤2:向分类器输入训练数据集e和ï  e，确定BP误差如下:
图像
步骤3:计算网络输出，如下所示:
图像
Eqn。(3)和(4)分别为输出层和隐藏层的激活函数。
步骤4:调整所有神经元的权重为w = w+ Δw，其中Δw为权重变化量，可确定为
步骤5:重复步骤2的过程，直到BP误差最小化到最小值，即。
图像
一旦过程完成，网络就训练有素，它将适合提供T神经网络R任何错误和错误温度变化的值。

FLC与神经网络输出的杂交
杂化是基于工艺系统的性能改进。液流比TR对于FLC输出和NN输出的杂交，计算冷凝器的Ã①Â′Â′。在这里，基于平均操作的杂交用于计算液流比TR．平均液流ratioÃⅱÂ Â TRÃ①Â′Â′计算公式如下。
图像
输出。这些意味着液体流ratioâ '  ' TRÃ①Â′Â′通过调节ACV，应用于冷凝器的输入端，这样可以维持液体加热系统的温度。

自适应神经模糊控制器
基于减法聚类和自适应神经模糊推理系统对液体加热系统进行操作。自适应神经模糊控制系统的运行主要依赖于模糊规则，模糊规则由减法聚类生成。

自适应神经模糊推理系统
ANFIS是一个多层前馈自适应网络(图2)，其中每个节点对传入信号以及与该节点相关的一组参数执行特定的功能(节点功能)。采用减法聚类方法生成模糊聚类。每个模糊聚类映射为一个广义预定义隶属函数。方形节点有参数，而圆形节点没有参数。为了实现理想的输入输出映射，这些参数根据给定的数据和混合学习规则进行更新。
ANFIS体系结构如图2所示，同一层的节点具有相似的功能。考虑两个输入x和y，它们形成两个模糊的if-then规则
图像
第1层第i个节点的输出记为O李第1层-该层中的每个节点i都是具有节点功能的自适应节点
图像
Ai(或Bi2)是与节点相关的语言层。这里A(或B)的隶属函数可以是任何参数化的隶属函数。我们使用高斯隶属度函数
图像
其中{ci, ai}是参数集。这些被称为前提参数。
第2层:该层中的每个节点都是一个标记为π的固定节点，其输出是所有输入信号的乘积。
图像
第3层:这里，第i个节点计算ithruleâ '  ' s发射强度与所有ruleâ '  ' s发射强度之和的比率。
图像
第4层:该层中的每个节点i都是具有节点功能的自适应节点
图像
其中wi为第三层的归一化发射强度，{pi, qi, ri}为节点的参数集。这些参数称为后续参数。
第5层:该层中的单个节点是一个标记为Σ的固定节点，它将整体输出计算为所有输入信号的总和:
图像
在ANFIS中，参数与给定的隶属度函数相关联，以定制输入-输出数据集。Sugeno模型的输入隶属函数是非线性的(高斯隶属函数)，而输出隶属函数是线性的。因此，在调整给定输入/输出数据集的参数时，使用混合学习算法是最有效的。由于输入函数是非线性的，误差反向传播方法是合适的。当输出函数为线性最小二乘时，该方法就变得有效。

结果与讨论
在MATLAB 7.12版工作平台上对液体加热系统进行了仿真。分析了液体加热系统在不同温度变化下的性能。所建立的液体加热系统仿真模型如图3所示。

NFC的结果
将误差和误差温度的变化应用于FLC，确定液温比。NFC的误差、误差变化与预测输出(模型输出)之间的曲面图如图4所示
输出液温变化表现如图5所示
下面介绍使用NFC后液体加热系统的输出液体温度变化情况。冷凝器的液温比性能如图6所示。

简称ANFIS的结果
误差温度和误差温度变化是ANFIS结构的两个输入，采用混合方法对各输入的隶属度函数进行调优。
输入数据集在训练前使用减法聚类进行聚类。ANFIS用于聚类数据的半径为0.5。时代的编号是50。利用训练数据集对ANFIS模型进行训练。目标误差设置为0.05。训练完成后，FIS的最终配置生成。生成的FIS结构如图7所示
ANFIS的误差、误差变化与预测输出(模型输出)之间的曲面图如图8所示。
下面描述了使用ANFIS后液体加热系统输出液体温度的变化情况。
冷凝器的液温比性能如图10所示

结论
本文设计了基于NFC和ANFIS的换热器系统模型，以保持理想的液体温度。对系统模型进行了仿真，并对输出性能进行了分析。NFC和ANFIS控制器的总体性能都非常准确。两者都需要事先的分析信息。ANFIS性能略好。此外，ANFIS具有自适应结构，因此不需要试错方法来确定结构。最重要的一点是，它使用不同的学习算法来学习线性和非线性数据。仿真结果表明，ANFIS控制器具有更广泛的非线性系统类型。

表格一览
表的图标
表1

数字一览
图1 图2 图3 图4 图5
图1 图2 图3 图4 图5
图6 图7 图8 图9 图10
图6 图7 图8 图9 图10

参考文献
  1. F.G.Shinskey，过程控制系统，纽约:McGraw-Hill,1979。
  2. 陈冠荣，陈冠荣，陈冠荣，“一种最优模糊PID控制器”。IEEE工业电子学报，Vol.48, No.4, pp.757-765, 2001年8月
  3. Bambang Suprianto, Mochamad Ashari和Mauridhi Hery Purnomo，“使用自适应神经模糊推理系统的非相同dc-dc变换器控制系统”，国际学术研究杂志，第3卷。第二。第716-721页，2011年3月
  4. S.Chiu S.Chand D。摩尔和乔杜里。”柔性翼飞行器滚转力矩控制的模糊逻辑”。IEEE控制系统杂志。，vol 11 no.4,pp42-48,1991.
  5. S.M.Smith和D.J.Comer，“使用单元状态空间算法的模糊逻辑控制器自动校准”。IEEE ControlSyst。杂志,11卷。5，页18-28,1991。
  6. T.Procyk和E.Mamdani，â '  '一种语言自组织过程控制器，â '  '自动化，vol.15,pp。15 - 30, 1979年。
  7. M.Jamshidi、N.Vadiee andT.J。Ress,Fuzzy Logic and Control. Upper saddle River,NJ:Prentice- Hall,1993.
  8. k.m.p essino和s.a yakovich，模糊控制，reading,MA: addison - wesley,1998。
  9. 王立祥。自适应模糊系统与控制:设计与稳定性分析，山东大学学报(自然科学版)，1994。
  10. H.Ying。”一般模糊系统作为函数逼近的充分条件，ÃⅱÂ′Â′自动化，vol.30,pp。521 - 525年,1994年。
  11. j.j.b ackly，“第二类型控制器是通用控制器”，模糊集系统。，第53卷，页299 - 303年,1995年。
  12. Jyh - Shing Roger Jang，“ANFIS:基于自适应网络的模糊推理系统”，IEEE学报，人与控制论，Vol.23, No . 3, p. 665-679, 1993年5月-6月。
全球科技峰会