制冷与空调系统的智能控制课件.ppt

1、第8章制冷与空调系统的智能控制 第第8章制冷与空调系统的智能控制章制冷与空调系统的智能控制8.1智能控制智能控制 8.2电力电子技术在制冷技术上的应用和发展电力电子技术在制冷技术上的应用和发展 8.3电子膨胀阀在制冷技术上的应用电子膨胀阀在制冷技术上的应用 8.4变频空调智能控制系统变频空调智能控制系统 8.5制冷与空调系统电气控制技术未来的发展制冷与空调系统电气控制技术未来的发展 第8章制冷与空调系统的智能控制 8.1智能控制智能控制8.1.1智能控制系统的发展概况智能控制系统的发展概况控制科学的发展同其他科学的发展一样,都主要由人类的生产发展需求和人类当时的知识和技术水平决定。从瓦特(J.

2、Watt)的用来调节蒸气机运行的飞球调节到1892年李雅普诺夫(A.M.Lyapunov)的博士论文论运动稳定性的一般问题,建立了从概念到方法的关于稳定性理论的完整体系。奈奎斯特(H.Nyquist)、伯德(H.W.Bode)关于反馈放大器的研究,奠定了自动控制理论的基础,并在此基础上逐步发展形成了经典控制理论,其主要研究对象是单变量常系数线性系统,其分析和综合的方法主要是基于根轨迹法和频率法。第8章制冷与空调系统的智能控制 20世纪60年代以后,由于卫星及宇宙飞船控制的需要及计算机的发展,以多输入多输出变量控制为特征的现代控制理论得到了重大发展,主要有美国卡尔曼(Kalman)的滤波理论和能

3、控性、能观性理论,前苏联庞特里亚金(Pontryagin)的极大值原理,贝尔曼(Bellman)的动态规划等,形成了以最优控制、系统辨识和最优估计、自适应控制等为代表的现代控制理论分析和设计方法。系统分析的数学模型主要是状态空间描述法。第8章制冷与空调系统的智能控制 由于以上两种控制方法都是基于数学模型的控制,因此对于具有以下特征的系统却难以解决对其的控制问题:(1)控制对象难以精确建模,或所建模型过于复杂,或建模代价太高。(2)控制对象的模型具有高度非线性。(3)复杂的任务要求,例如智能机器人系统、复杂工业控制过程、能源系统等。第8章制冷与空调系统的智能控制 采用传统控制理论已经无法解决此类

4、控制问题。然而,我们在生产实践中看到,许多复杂的生产过程难以实现的目标控制,可以通过熟练的操作人员获得满意的控制效果。那么,如何有效地将熟练的操作人员的经验知识和控制理论结合起来去解决复杂系统的控制问题,就是智能控制理论研究的目标所在。智能控制的概念主要是针对控制对象及其环境、目标和任务的不确定性和复杂性而提出来的。它是一门新兴学科,其发展与人工智能、认知科学、现代自适应控制、最优控制、神经网络、模糊逻辑、学习理论、生物控制和激励学习等的发展是分不开的。第8章制冷与空调系统的智能控制 1.智能控制的定义智能控制的定义智能控制这个术语早在1967年就由利奥德斯(Leondes)等人提出了。定性地

5、说,智能控制系统应具有仿人的功能(学习、推理);能不断适应变化的环境,能处理多种信息以减少不确定性;能以安全和可靠的方式进行规划,产生和执行控制的动作,以获得系统总体上最优或次优的性能指标。按照萨里迪斯提出的观点,可以把智能控制看作是人工智能、自动控制和运筹学三个学科的交集,即如图81所示的智能控制的三元结构。第8章制冷与空调系统的智能控制 图81智能控制的三元结构 第8章制冷与空调系统的智能控制 智能控制的三元结构可定义为IC=AIACOR其中:IC智能控制(IntelligenceControl);AI人工智能(ArtificalIntelligence);AC自动控制(Automatic

6、Control);OR运筹学(Operationsresearch)。第8章制冷与空调系统的智能控制 如上所述,智能控制是一个多学科互相渗透和交叉的领域,因而它所包含的智能控制系统的类型很多,主要可以分为以下几类:(1)多级递推智能控制;(2)基于知识的专家控制;(3)基于模糊逻辑的智能控制模糊控制;(4)基于神经网络的智能控制神经网络控制;(5)基于规则的仿人智能控制;(6)基于模式识别的智能控制;(7)多模变结构智能控制;(8)学习控制和自学习控制;(9)基于可拓逻辑的智能控制可拓控制;(10)基于混沌理论的智能控制混沌控制。第8章制冷与空调系统的智能控制 2.制冷技术中应用的几种智能控制

7、制冷技术中应用的几种智能控制1)模糊控制我们知道,无论采用经典控制理论还是现代控制理论设计,一个控制系统都需要知道被控对象(或过程)的精确数学描述,整体控制规律的设计都是根据被控对象的数学模型和要求的性能指标来进行的。对于许多情况下的被控对象(或过程)而言,要获得其精确的数学模型是十分困难的。例如,一些化工生产过程,它的特性很难用一个精确的数学解析式来表达,而且影响因素很多,相互交叉耦合,使其模型极其复杂,难于求解以至于没有实用价值。此类过程的变量多,各种参数又存在不同程度的时变性,且过程具有非线性、强耦合等特点,因此建立这一类过程的精确数学模型困难很大,甚至是办不到的。这样一来,对于这类对象

8、或过程就难以进行自动控制。第8章制冷与空调系统的智能控制 与此相反,对于上述难以自动控制的一些生产过程,有经验的操作人员进行手动控制却可以收到令人满意的效果。既然存在大量的模糊问题难以用传统的精确数学模型解决,在这样的事实面前,人们就不得不寻找新的出路,开始重新研究和考虑人的控制行为有什么特点,能否将无法构造数学模型的对象让计算机来模拟人的思维方式,进行控制与决策,希望用一种全新的数学去求解模糊问题。在这种背景下,就产生了和精确数学有巨大区别的数学模糊数学。模糊数学是解决模糊问题的有效工具。第8章制冷与空调系统的智能控制 人通过感觉器官感知周围世界,在脑和神经系统中调整获得的信息,经过适当的存

9、储、校正、归纳和选择等过程而进行决策并反作用于外部世界,从而达到预期目标。遵循反馈和反馈控制的思想,人的手动控制可以用语言来描述,总结成一系列的条件语句,即控制规则。运用计算机程序来实现这些规则,计算机就起到了控制器的作用。于是,利用计算机取代人,就可以对被控对象进行自动控制。在描述控制规则的条件语中的一些词,如“较大”、“偏差”等都属于模糊概念,因此采用模糊集合来描述这些模糊条件语句,即组成了所谓的模糊控制器。第8章制冷与空调系统的智能控制 1974年英国的马达尼(E.H.Mamdani)首次用模糊逻辑和模糊推理实现了第一个实验性的蒸气机控制,并取得了比传统的直接数字控制(DDC)更好的效果

10、。1975年荷兰的莱姆基(V.N.Lemke)和基克特(W.Kickert)研究了热水站的模糊控制,使这个传统方法难以进行控制的多变量非线性对象实现了稳定可靠的控制。1976年丹麦的拉森(R.M.Larson)和奥斯特加德(J.J.Ostergaard)进行了双输入双输出且具有很强的耦合作用和非线性特性对象的模糊控制,控制效果良好。1977年帕皮斯(C.Pappis)和马达尼(E.H.Mamdani)等人用模糊控制的方法很好地实现了十字路口的交通管理。1979年中国的李宝绶、刘志俊等人开始了模糊控制器的研究工作,用连续数字仿真的方法研究了模糊控制器的性能,并与传统PI控制器进行了性能比较。19

11、81年王以治等人对模糊语言和模糊文法进行了研究。第8章制冷与空调系统的智能控制 龙升照等人对人机系统中模糊变量的隶属函数和模糊控制的自调整形式也进行了探讨。1983年日本的安信等人用预测模糊控制方法对电气化铁路列车的运行和停止进行了控制,并达到了节能1114的效果。邓聚龙对模糊控制过程的稳定性问题进行了研究,并给出了有关模糊控制的稳定条件。1984年涂象初提出了把模糊控制和常规调节器相结合组成混合型的调节器。1988年邓聚龙提出了最小信息量的最优模糊控制。1990年陈常样应用自寻优模糊控制,在电气传动方面模糊控制理论有相当多的应用,如异步电机的直接转矩控制、逆变器供电电机控制、矢量控制以及伺服

12、系统控制。近年来,日本兴起了模糊控制热,据统计,日本的采用模糊控制的变频冰箱、变频空调器已占到市场的80以上。随着科学技术的发展,模糊逻辑和模糊控制的应用将会越来越多,越来越广。第8章制冷与空调系统的智能控制 在制冷领域,模糊控制已经成功地用于变频冰箱、变频空调器等家用电器中。例如,根据冰箱内的温度传感器测得多室温度值和得出相应的温度变化率,运用模糊神经推理确定冰箱内食品温度,进而控制变频压缩机的转速、风扇运转和风门的开闭,达到最佳的运行状况和最佳的保鲜效果。神经网络通过不断地学习和记忆用户的调节要求、环境温度、门开启次数和取放食品等使用情况,预置于控制程序中,然后自动地借助专家系统选择最佳控

13、制方案。空调器的模糊控制就是通过传感器获得室温变化、室内外温度、房间情况等大量数据,将这些实测数据与大量经验数据相比较,应用模糊理论使变频压缩机、电子膨胀阀和风机转速及风门这些执行机构做出相应的快速调节。第8章制冷与空调系统的智能控制 尽管当前模糊控制应用已经很多,但其实现仍主要是基于已有的专家经验知识和规则,通过增加一些规则调整方法来改善系统控制的性能。而控制规则的获取和调整是模糊控制应用的难点,这主要是因为模糊控制所具有的学习能力较弱。因此将模糊控制与其他优化理论、方法和控制技术相结合,提高模糊控制系统的性能,成为当前模糊控制领域研究者们关注的问题。随着模糊控制技术在家用电器中应用研究的不

14、断深入,在控制策略方面从基于查询表方法的简单模糊控制发展到了与其他人工智能领域相结合的智能模糊控制,如传统控制方法与模糊控制构成复合控制,利用神经网络来实现模糊控制,采用非线性优化算法、遗传算法和进化算法对模糊控制的规则进行优化等。因此,如何实现模糊控制规则的获取和调整将是今后模糊控制发展的一个研究方向。第8章制冷与空调系统的智能控制 2)神经网络控制神经网络是模仿人脑神经的活动而建立的一种数学模型。实际上,早在20世纪40年代人们已对脑和计算机交叉科学进行了研究,试图解决智能信息处理机理的问题。维纳(N.Wiener)在控制论一书中已经提出了反馈控制、信息和能的一些关系。当时在控制论的引导下

15、,很多学者把这些内容当作一个统一的主题进行研究。但控制学科、计算机学科和神经生物学各按自己独立的道路发展,相互之间缺乏沟通,给学科之间的有效交流带来了障碍。直到近年来,智能控制才作为一个新的交叉学科蓬勃发展,人们开始在更高的水平上寻求控制、计算机和神经生物学新的结合,以此来解决现实世界中用常规控制理论和方法所难以解决的一些问题。第8章制冷与空调系统的智能控制 神经网络的研究已有60多年的历史。20世纪40年代初,心理学家麦克洛克(W.S.Mcculloch)和数学家皮茨(W.Pitts)给出了神经元的数学模型,并研究了基于神经元模型几个基本元件互相连接的潜在功能。1949年赫布(D.O.Heb

16、b)和其他学者研究神经系统中的自适应定律,并提出了改变神经元连接强度的Hebb规则。1958年罗森布拉特(F.Rosenblatt)首先引入了感知器(Perceptron)的概念,并提出了构造感知器的结构,这对以后的研究起了很大的作用。1962年威德罗(B.Widrow)提出了线性自适应元件(Adline),它是连续取值的线性网络,主要用于自适应系统,与当时占主导地位的以顺序离散符号推理为基本特性的AI方法完全不同。在此之后,明斯基(M.Minsky)和帕佩特(S.Papert)对感知器为代表的网络作了严格的数学分析,证明了许多性质,指出了几个模型的局限性。格罗斯伯格(S.Grossberg)

17、在20世纪70年代的工作使神经网络的研究有了突破性的进展,提出了具有新特征的几种非线性动态系统的结构。第8章制冷与空调系统的智能控制 1982年霍普菲尔德(J.J.Hopfield)在网络的研究中引入了能量函数的概念,把特殊非线性动态系统结构用于解决优化之类的问题,引起了工程界的巨大兴趣。1985年欣顿(G.E.Hinton)借用统计物理学的概念和方法,提出了Boltzman机模型,在学习过程中采用了模拟退火技术,保证了系统全局最优。1986年以拉梅尔哈特(D.E.Rumelthart)和麦克菜兰(J.L.McClelland)为首的PDP(ParallelDistributedProcess

18、ing,并行分布式处理)小组提出了BP反向误差传播模型,把学习的结果反馈到中间层次的隐单元,改变它们的权系数,从而达到预期的学习目的。BP模型实现了明斯基认为不可能实现的多层网络的学习算法,使得神经网络的研究和应用再次进入了全盛期。后来科斯库(B.Kosko)提出了双向联想存储器和自适应双向联想存储器,为在有噪声环境下的学习提供了有力的方法。至今神经网络方面的研究一直在广泛地进行着,特别是其应用方面的研究,取得了大量的应用成果。第8章制冷与空调系统的智能控制 将极具潜力的神经网络连接主义模型用于复杂系统的建模、辨识与控制,迄今已取得了很多成果,如系统的建模与辨识、PID参数的设定、极点配置、内

19、模控制、优化设计、预测控制、最优控制、专家控制、自适应控制、滤波与预测、容错控制、模糊控制、学习控制,甚至还应用于与控制有关的其他问题,如A/D转换、D/A转换、矩阵求逆、Jacobian阵计算、Lyapunov方程和Ricati方程求解等。将神经网络应用于控制领域,是因为与传统的控制技术相比,它具有以下重要的特征和性质:第8章制冷与空调系统的智能控制(1)非线性。神经网络在理论上能够以任意精度逼近任意非线性映射,这就给控制理论中困难的非线性问题带来了新的希望。(2)分布式存储信息。所有定量或定性的信息都等势分布储存于网络的各神经元,神经元间广泛连接,这样即使网络中部分单元损坏也不影响整体的性

20、能,网络本身就具有良好的可靠性、鲁棒性和容错性。(3)并行处理方式。使神经网络有实现大量复杂的控制算法的潜力。(4)学习和自适应性。利用系统过去的数据记录,可对网络进行训练,受适当训练的网络有能力泛化,即当输入出现训练中未提供的数据时,网络也有能力进行辨识。(5)数据融合。网络能够同时融合定量或定性数据,使其能够利用连接主义的结构将传统控制方法与符号数据的人工智能相结合。(6)多变量系统。神经元网络的多输入多输出模型可方便地应用于多变量控制系统。第8章制冷与空调系统的智能控制 目前,神经网络控制系统的应用可分为以下几种类型:(1)神经网络专家系统控制。专家系统是一种知识表达,适于逻辑推理。神经

21、网络则反映的是一种输入输出的数学映射关系,属于直觉推理。把两者结合起来,发挥各自的作用,可能产生更好的控制效果。第8章制冷与空调系统的智能控制(2)神经网络模糊控制。现实世界中大量存在的是不确定性和难以分类界定的事物,模糊系统是仿效人的模糊逻辑思维方法设计的一类系统。系统在工作中允许数值型量的不精确性存在。另一方面,神经网络在计算处理信息过程中所表示出来的容错性来自于其网络自身的结构特点,而人脑思维的容错能力正是源于这两个方面的综合思维方法上的模糊性及大脑本身的结构特点。所以,将神经网络与模糊系统相结合便成为一种很自然的趋势。第8章制冷与空调系统的智能控制 一般来说,利用神经网络表达的模糊逻辑

22、控制器,必然引入学习机制,同时也给神经网络带来诸多结合的优点,如存储容量的减小,泛化能力的增加,特别是模糊逻辑处理时间动态系统的能力,可能为动态神经网络的研究带来根本出路。因此,无论从模糊逻辑,还是从神经网络控制研究的角度来讲,将神经元、模糊逻辑、专家系统结合起来将代表这一领域的主要发展方向。在此研究方向上,有代表性的成果主要是由美国加利福尼亚大学伯克利分校以扎德(L.A.Zadeh)为首的“FuzzyGroup”做出的。第8章制冷与空调系统的智能控制(3)神经网络滑模控制。这种方法将系统的控制或状态分类,根据系统和环境的变化进行切换和选择,这样可以在不确定的环境下通过自学来改进滑模开关曲线,

23、进而改善控制效果。(4)时间进化反转(BTT,BackpropagationThroughTime)。它先利用神经网络来构造一个模拟器以模拟系统的动态特性,进而再对系统进行在线控制。(5)神经网络自适应评判控制。这种方法与自适应评判法在平面上是一样的,作用网络产生控制指令,评价网络对本系统状态进行评估,通过奖励学习来实时对作用网络本身的状态变量(即权重)进行修正。第8章制冷与空调系统的智能控制(6)容错控制。这种方法由神经网络对系统装置进行故障诊断,一旦发现错误,即通知容错控制系统来及时调整其结构,以保证系统正常运行。(7)神经网络与常规控制方法结合。神经网络PID控制。利用神经网络在线整定P

24、ID调节器的参数系统、对环境的适应能力和控制效果。第8章制冷与空调系统的智能控制 神经网络自校正控制。传统控制中自校正调节器的目的是在被控系统参数变化的情况下,自动调整控制器的参数,消除扰动的影响,以保证系统的性能指标。此法依赖于对系统参数的辨识,本质上以线性模型来描述实际系统,因而其算法复杂,应用受到了极大的限制。神经网络具有良好的逼近能力,不仅可以避免参数辨识,简化算法,而且可以延拓到非线性系统。(8)神经网络模型参考自适应控制。第8章制冷与空调系统的智能控制(9)完全神经网络控制。完全神经网络控制也称直接神经网络控制,包括神经网络反馈控制、神经网络自适应控制和神经网络非线性控制等。其特点

25、是辨识、估计、计算、控制等都是由神经网络完成的。总之,在短短的几年内,神经网络控制的发展,无论在理论上还是在实践上都取得了可喜的进展,但我们必须看到,由于人们对生物神经系统的研究与了解还很少,因此使用的神经网络模型无论从结构还是规模上,都是真实神经网络的极简单的模拟,所以神经网络控制的研究还非常原始,目前大都停留在仿真与实验室阶段。对于完整的、系统的网络体系,还有大量艰难而富有挑战性的理论问题尚未解决,真正成功的在线应用实例也有待于进一步发展。第8章制冷与空调系统的智能控制 目前,从总体上来看,今后的研究应致力于以下几个方面。(1)神经元网络逼近非线性函数方面:现有的学习算法收敛速度太慢,而且

26、在许多情况下存在局部最优解,因此如何提高学习速度就特别迫切。这一问题的解决有待于多变量非线性方法和理论的进展。若能用某种智能搜索方法快速求得次最优解或可行解,也有重大意义。在逼近非线性函数的问题上,现有的理论只解决了存在性问题。对不同的被控对象,如何选择合适的神经元网络结构,目前还缺乏理论指导,仅仅停留在经验上和启发式规则上。当采用多层前馈网络时,这一问题就是网络的层数、隐节点数的选择问题。这一直是神经元网络研究的热点问题,但至今仍未解决,还需要从理论上做深入的研究。第8章制冷与空调系统的智能控制 对神经元网络的应用不应仅停留在学习方法的改进上,还应该对网络的映射机理进行深入的研究,找出现有网

27、络模型逼近复杂非线性关系速度慢的症结所在,研究它易于实现的映射所具有的特点,研究如何通过设计或者至少是在设计与学习相互结合的基础上构成对非线性关系的逼近。探索能更好地实现非线性对象逼近的新的网络结构形式。第8章制冷与空调系统的智能控制(2)控制系统应用方面:目前研究证明神经网络可以实现对任意的非线性函数逼近,但要满足什么条件才能实现这种逼近,则很少讨论。将神经元网络作为模型或控制器加入控制回路中,通过网络的学习,实现对非线性系统的自适应控制,这是目前神经元网络控制的基本应用模式。对于这种模式,控制系统的稳定性、可控性等理论问题还需进一步研究解决。由于非线性本身的多样性、复杂性,使这一问题的解决

28、具有相当大的难度。第8章制冷与空调系统的智能控制 在复杂非线性系统中,噪声是普遍存在的。因此如何提高神经元网络控制器的鲁棒性是一个有待解决的关键性问题。目前神经元网络模型的使用通常采用“离线学习、在线修正”的方法。如何能够直接在线建立对象的模型一直是神经元网络控制的一个热点问题,但一直没有找到一种可以实际应用的具有实时性的神经元网络在线辨识算法。神经元网络最终是要以硬件来实现大规模的并行计算,这样才能体现出神经元网络的强大功能。第8章制冷与空调系统的智能控制 8.1.2模糊控制模糊控制模糊控制的基本原理如图82所示,其核心部分是模糊控制器。模糊控制器是模糊控制系统和其他控制系统区别最大的环节。

29、模糊控制器由于是采用数字计算机实现的,因此具有下面三个重要的功能:系统的误差从数字量转化为模糊量;模糊量按一定的方法给出规则进行推理;推理的结果从模糊量转化为可用于实际控制的数字量。第8章制冷与空调系统的智能控制 图82模糊控制的基本原理框图 第8章制冷与空调系统的智能控制 图83模糊控制器的主要功能 第8章制冷与空调系统的智能控制 模糊控制器的控制规律是由计算机程序实现的。实现模糊控制算法的过程是这样的:微机经过中断采样获取被控制量的精确值,然后将此值与给定值比较得到误差信号E,一般选取误差信号E作为模糊控制器的一个输入量。把误差信号E的精确值进行模糊化转换成模糊量。误差E的模糊量可用相应的

30、模糊语言表示。至此得到误差量的模糊语言集合e(实际上是一个模糊向量)。再由e和模糊控制规则R(模糊关系)根据推理的合成规则进行模糊决策,得到模糊控制量U。为了对被控对象施加精确控制,还需将模糊控制量转换成精确量,即去模糊化处理(亦称清晰化)。得到的精确数字控制量经数模转换变为精确的模拟量送给执行机构,对被控对象进行一步控制。如此循环下去,就实现了被控对象的模糊控制。模糊控制可概括为下述四个步骤:第8章制冷与空调系统的智能控制(1)根据本次采样得到的系统输出值,计算所选择的系统输入变量。(2)将输入变量的精确值变为模糊量。(3)根据输入变量(模糊量)及模糊控制规则,由模糊推理合成规则计算控制量(

31、模糊量)。(4)由上述得到的控制量(模糊量)计算精确的控制量。第8章制冷与空调系统的智能控制 1.模糊控制器的输入变量模糊控制器的输入变量模糊控制器的输入变量一般选择被控系统的误差以及误差的微分等,这主要是考虑到在上述人机系统中,人对误差最为敏感,其次是误差的变化,再次是误差变化的速率。通常将模糊控制器输入变量的个数称为模糊控制的维数。从理论上讲,模糊控制器的维数越高,控制越精细。但维数过高,模糊控制规则变得过于复杂,控制算法实现相当困难,这也是人们广泛采用二维模糊控制器的原因所在。第8章制冷与空调系统的智能控制 将变量的实际变化范围划分成若干等级,这些等级的全体称为变量的论域。在这个论域上定

32、义相应的语言变量值。描述输入变量及输出变量的语言值的模糊子集形如负大,负中,负小,零,正小,正中,正大,一般简写为NB,NM,NS,Z,PS,PM,PB,其中NNegative,PPositive,BBig,M=Middle,SSmall,ZZero。将实际变化范围内的输入值转换成论域范围内的有关等级值的过程称为模糊化过程。例如,设k1,k2分别为误差和误差变化的比例因子,-em,em为关于误差的论域,-cem,cem为关于误差变化的论域,-en,en为误差的实际变化范围,-cen,cen为误差变化的实际范围,则第8章制冷与空调系统的智能控制 1mneke(81)2cemcenk(82)确切输

33、入量和比例因子相乘后,取其距离最近的等级值,即成为论域中的元素。同样经模糊推理和决策得到的控制量,与实际控制量之间也有一个比例关系。因此也需通过比例因子将论域中的等级值转换成确切的控制量。设-um,um为关于控制量的论域,-un,un为控制量的实际变化范围,k3为输出比例因子,有时也与前面两个因子统一称为量化因子,则3nmuku(83)第8章制冷与空调系统的智能控制 2.模糊控制器的隶属函数模糊控制器的隶属函数各个模糊变量隶属函数的形状和参数的选择是否符合实际,将直接影响控制效果。一般常用的隶属函数有对称三角形、对称梯形、正态形等。在定义各模糊变量的隶属函数时,要考虑到它对论域的覆盖程度。论域

34、中任何一个等级的最大隶属度均不能过小,否则在这一等级上会出现“空挡”,从而导致失控。通常,当论域中元素的个数为模糊变量总数的2倍左右时,模糊变量对论域的覆盖度比较好。在定义各模糊变量的隶属函数时,还要考虑各模糊集合相互间的影响,即两个模糊集合之间的交集大小。二者交集大时控制器鲁棒性强,交集小时控制灵敏度高,所以应适当选择交集的大小,即模糊集合的重叠度。第8章制冷与空调系统的智能控制 3.模糊控制器的控制规则及推理模糊控制器的控制规则及推理模糊控制规则是对系统控制经验的总结,这些经验用模糊条件语句来表述。模糊控制规则的生成基本有四种方法:(1)根据专家经验或过程控制知识生成控制规则。(2)根据过

35、程的模糊模型生成控制规则。(3)根据对手动控制操作的系统观察和测量生成控制规则。(4)根据学习算法生成控制规则。第8章制冷与空调系统的智能控制 这四种方法并不互相排斥,综合这几种方法可以构成有效的方法去生成规则。控制规则一般用IFTHEN语句描述。当模糊控制器有多个输入量和多个输出变量时,可以用IFANDANDTHENANDAND来描述。模糊控制规则一般以规则表或推理关系矩阵的形式存储。在实际控制系统运行中,可以采用实时查表或模糊集合的模糊运算(如模糊直积加模糊并运算等),得到控制器输出的模糊变量。比较典型的方法有Zadeh法、Baldwin法、Mizumoto法、Takagi和Sugeuo的

36、后件函数法、Mamdani法等。其中目前在实时控制中应用较广的是Mamdani法。第8章制冷与空调系统的智能控制 4.模糊量的非模糊化方法模糊量的非模糊化方法在模糊控制中,对经过模糊推理决策出的控制变量的一个模糊子集,由于它是一个模糊量而不能直接作用于控制对象,还需要采取合理的方法将模糊量转换成精确量,以便最好地发挥出模糊推理的决策结果。把模糊量转换为精确量的过程称为清晰化,或去模糊化。模糊推理及其模糊量的去模糊化过程有多种方法,主要有以下几种:(1)重心法(Centroid)。取模糊隶属函数曲线与横坐标围成的面积的重心为代表点。(2)最大隶属度法(MAX)。在推理结论的模糊集合中取隶属度最大

37、的元素作为输出量。但要求在这种情况下的隶属函数曲线一定是正规凸模糊集合,即曲线只能是单峰曲线。(3)中位数法(Bisector)。计算模糊隶属函数曲线与横坐标围成的面积,取12面积处横坐标为决策值。(4)系数加权平均法。第8章制冷与空调系统的智能控制 5.模糊控制器设计中的问题模糊控制器设计中的问题模糊控制器的设计主要是以下三个部分:(1)语言控制规则。(2)模糊量的隶属函数。(3)模糊控制器的输入输出量化因子。这三部分的设计工作一般都由专家根据自身的经验来进行。第8章制冷与空调系统的智能控制 在设计模糊控制器的语言规则时,必须考虑它的完整性、交叉性和一致性。所谓完整性,是指对于任意的给定输入

38、,必有相应的控制规则起作用。要求控制规则的完整性是保证系统能被控制的必要条件。如果控制器的输出值由数条控制规则来决定,则说明控制规则之间是有相互联系、相互影响的,这就是控制规则之间的交叉性。利用控制规则之间的交叉性,可以产生复杂的控制曲面,得到更好的控制性能,但也会增加设计的难度。控制规则的一致性是指控制规则中不存在相互矛盾的规则。如果两条规则的条件部分相同,但结论部分相差很大,则称两条规则相互矛盾。第8章制冷与空调系统的智能控制 模糊变量的隶属函数可以取不同的形状。其中三角形隶属函数的形状简单、计算简易,并且和其他较复杂的隶属函数得出的控制效果差别很小,因此被广泛应用。经证明,隶属函数的曲线

39、形状较尖的模糊子集,其分辨率较高,控制灵敏度也较高;相反,隶属函数的曲线形状较缓的模糊子集,其控制特性也较平缓,系统的稳定性较好。因此一般在误差大的区域选择低分辨率的模糊子集,在误差小的区域选择较高分辨率的模糊子集。第8章制冷与空调系统的智能控制 从自动控制的角度,希望一个控制系统在要求的范围内都能很好地实现控制。因此在选择描述某一个模糊变量的各个模糊子集时,要使它们在论域上的分布合理,即它们应该较好地覆盖整个论域。一般论域中的元素个数的选择均不低于13个,而模糊子集的总数通常选7个。当论域中的元素个数为模糊子集总数的23倍时,模糊子集对论域的覆盖程度较好。与此同时,还应考虑各模糊子集之间的相

40、互影响,即两个模糊子集的重叠程度,两者重叠越小,控制的灵敏度越高。实际系统设计中应合理地选择模糊子集的重叠程度,一般取4080。第8章制冷与空调系统的智能控制 当计算机在进行模糊控制时,必须进行模糊化和去模糊化,这就必须使用到量化因子。大量的实验结果表明,量化因子的大小及其不同量化因子之间大小的相互关系,对模糊控制器的控制性能影响极大。因此在实际使用当中,量化因子是经过反复实验加以确定的。第8章制冷与空调系统的智能控制 8.1.3神经网络控制神经网络控制1.多层前馈学习算法的描述多层前馈学习算法的描述在神经网络的研究和应用中,人们已经提出了很多神经元网络结构模型,而多层前馈网络是其中最常用的形

41、式。多层前馈人工神经元网络(MultiLayerFeedforwardNeuralNetworks,简称MFNN)提供了一种非线性静态映射关系,MFNN在许多领域中的各种各样的应用,都是以这一映射关系为基础的。在MFNN的应用中,首先亟待解决的就是网络的训练问题。这不仅仅是如何缩短训练时间的问题,更重要的是在稍微复杂一些的应用中,MFNN学习的收敛性、成功性都是无法保障的。所以在研究MFNN训练问题时,一方面要努力提高学习速度,另一方面要研究如何提高网络逼近精度、改善逼近效果。第8章制冷与空调系统的智能控制 神经网络是由大量处理单元(神经元、处理元件、电子元件、光电元件等)广泛互连而成的网络,

42、它是在现代神经科学研究成果的基础上提出的,反映了人脑的基本性能,但它并不是人脑的真实描写,而只是某种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现,网络的学习和识别决定于各神经元连接权系数的动态演化过程。神经元是神经网络的基本处理单元,它一般是一个多输入/单输出的非线性器件,其模型如图84所示。1Njjjx(84)yf(85)第8章制冷与空调系统的智能控制 图8-4 神经元模型第8章制冷与空调系统的智能控制 从神经网络逼近性理论可知,MFNN构成了RnRm的一个连续映射,它可以任意逼近一个集上的任意连续函数。这些特点是使MFNN得到广泛应用的理论基础。目前尚未找到较好的直接构造方

43、法来确定MFNN的结构和权值参数,表达给定的映射或逼近一个未知的映射,只能通过网络训练的方式来得到满足要求的MFNN。第8章制冷与空调系统的智能控制 MFNN的训练问题可描述如下:给定一个样本集合(xp,tp),xpRn,tpRm,p=1,2,P,它通过输入输出对,以隐含形式定义了某种RnRm的函数关系,函数的具体表达式形式可能是未知的。我们期望能利用MFNN所具有的任意逼近能力来表示这一未知的函数关系,即寻找一组适当的权值ij,ij来构成网络y=NN(x),使得如下的指标函数最小:2112PppEty（8-6）第8章制冷与空调系统的智能控制 通常找到最优的权值ij,ij是非常困难的,甚至是不

44、可能的。在实际使用时,样本集中的样本输出或多或少地被噪声所污染,所以即使侥幸得到了最优解也只能是对真实函数关系的一个近似。因此,人们一般仅希望得到一个满意解。为此给定一个误差精度要求0,只要能找到一组权值ij,ij能够满足条件E,则我们就说找到了对未知函数的一个逼近。第8章制冷与空调系统的智能控制 为实际应用的需要,不仅是希望得到一个样本集合的逼近,更重要的是逼近样本集所隐含的函数关系。因此,还要求对样本集之外的某一测试集中的点(xq,tq),q=1,2,Q也满足条件E0,称为学习率;可以看成神经元所表现出来的误差。第8章制冷与空调系统的智能控制 BP的算法是一种非常耗时的算法,对于共有N个连

45、接权的网络,学习时间在串行机上约为0(N3)运算量,在一般并行机上约需0(N2)运算量,而且学习样本函数为0(N)的数量级。这就是说,N越大,就要搜集更多的训练样本,给估计权系数提供充分的数据。还应注意,不允许网络中各初始化权值完全相等。拉梅尔哈特等人已经证明,网络不可能从这样的结构运行到一种非等权值结构,即使后者对应较小的系统误差。第8章制冷与空调系统的智能控制 BP模型虽然从各个方面都有其重要的意义,但它存在有以下问题:(1)从数学上看它是一个非线性优化问题,这就不可避免存在着局部极小值问题,这使学习的成功无法保证。存在一些区域,梯度向量接近于零,但又不是指标函数的驻点,这使得学习变得更加

46、困难。(2)学习算法的收敛速度很慢,通常需要几千或更多次迭代,因为BP算法是以梯度法为基础的,仅具有线性收敛速度。(3)对初始权值的敏感性。不同的初始权值使学习过程大相径庭,如果在极小点附近,则会很快收敛;如果远离极值点,则收敛非常缓慢。第8章制冷与空调系统的智能控制(4)学习因子、p均没有一种恰当的选择办法。如果学习因子太大,则会产生振荡,甚至使学习过程分散;太小又会使学习过程变得非常缓慢。(5)学习最终成功与否是没有保障的。学习失败的原因可能是网络隐节点数目不够多,使网络映射能力不能达到要求;也可能是缘于算法本身的问题。因为没有采用一维搜索算法,且更新方向不保证是下降的,所以训练是否会得到

47、一个满意的解,甚至训练最终是否会收敛都是不确定的。第8章制冷与空调系统的智能控制(1)自适应调整学习率的方法。根据学习进展情况在训练过程中动态修正学习因子,采用这种方法改进BP算法,其好处是不增加额外的计算量,保持并行分布式计算的特点,且通过调整学习率因子基本上可以保证算法是收敛的。学习效率虽有所提高,但还是不能令人满意。第8章制冷与空调系统的智能控制(2)利用目标函数的二阶导数信息。利用二阶信息,也就是利用目标函数的二阶导数阵(Hessian阵)或是对二阶导数阵的近似,这样可以构成一些具有超线性收敛的算法。这一方面的研究是以非线性优化理论为基础的,是将MFNN的训练问题归结为一个非线性规划问

48、题来求解。因此,优化理论中的各种优化算法,如牛顿法、共轭梯度法、变尺度法以及对这些算法的各种改进算法,都是大有用武之地的。第8章制冷与空调系统的智能控制 但是这些算法的应用带来了一个问题,就是MFNN本身是一种并行处理的结构,要采用这些算法,则需要将网络的权值展开构成一个权值向量来进行各种向量、矩阵运算,或者要求构成一个矩阵近似指标函数关于权值向量的Hessian阵。这对MFNN的并行处理能力有很大的影响。有一些研究者将二阶信息的利用局限于某一层或某一节点,甚至将对Hessian阵的近似限制到每一个权值,这在一定程度上保证了并行的性质,但又影响了算法的效率。然而,二阶算法的有效性是不可忽视的,

49、虽然使计算复杂性增加,但网络学习的有效性可提高一两个数量级以上。所以在任务比较复杂而且对并行处理要求不太高的场合,网络的规模不是很大时,二阶算法是实际可行的。进一步加强对并行算法的研究,可以为二阶算法的应用带来更广阔的前景。第8章制冷与空调系统的智能控制 2.神经网络权值的初始化方法神经网络权值的初始化方法1)基于启发式方法的神经网络权值的初始化方法总的来说,目前尚没有一个好的权值初始化方法。一般的网络训练算法通常都是以小的随机数作为网络的初始权值。其目的是破坏网络的“对称性”,防止在优化过程中各隐节点形成相类似的特性。用前面的几何观点来看,小的权值使各隐节点的敏感区保持相当宽度,且具有随机的

50、延伸方向。这样为向各种不同性态的函数过渡提供了一个共同的基础,但是这使得网络输出在相当的范围内变化平缓,必须经过若干次迭代之后才能表现出一些期望的函数性态来。当样本点分布不是在原点附近,且各输入分量具有不同数量级时,这样初始化的网络与最终目标函数距离很远。在过去的研究中,有的学者在采用BP算法之前对输入值进行归一化,其目的就是希望避免这种情况。第8章制冷与空调系统的智能控制 2)基于典型样本值的神经网络权值的初始化方法在上面方法中,没有利用任何反映当前要逼近的函数的特性,只能说是一种通用的初始化方法,对当前的具体问题来说是一种盲目的方法。如何将一些有关当前要逼近的函数的先验知识加入到网络结构中