基于ANFIS的溫濕度控制

溫濕度控制現(xiàn)如今已經(jīng)廣泛應用于人們的生產(chǎn)和生活中，如何能夠準確的控制這兩個變量一直是人們研究的問題。傳統(tǒng)的方法是通過溫度計、濕度計測量數(shù)據(jù)然后人為操作儀器升溫、加濕、通風、降溫和除濕，這種方法不僅精確度低、實時性效果差，而且對于操縱人員的要求高、勞動強度大，并且浪費時間和人力?，F(xiàn)在采用的是智能化的檢測與控制，不但精度和實時性有所提高，而且操作簡便。如何能夠準確實時的將系統(tǒng)控制在理想的范圍是人們一直研究的問題和努力的目標。

如今照明行業(yè)的LED燈越來越多，高品質(zhì)的燈需要經(jīng)過嚴格的實驗測試才能達到5萬小時以上的照明時間，其中就包括在溫濕度環(huán)境的燒機實驗。本文主要介紹ANFIS，然后將該系統(tǒng)應用到LED溫濕度環(huán)境的測試控制中。

1 ANFIS的結(jié)構(gòu)

Takagi和Sugeno在1985年提出了一種新的模糊推理模型，稱為Takagi—Sugeno(T—S)模型。該系統(tǒng)模型可使用極少數(shù)的模糊規(guī)則生成較繁雜龐大的非線性函數(shù)，具有計算效率高、輸出連續(xù)性、不但能夠?qū)⒕€性系統(tǒng)理論知識很好的結(jié)合而且非常適合數(shù)學分析的特點。自適應神經(jīng)網(wǎng)絡模糊推理系統(tǒng)由T—S型模糊推理系統(tǒng)與人工神經(jīng)網(wǎng)絡相結(jié)合，該系統(tǒng)具有模糊推理系統(tǒng)和人工神經(jīng)網(wǎng)絡各自的優(yōu)點，其最大的特點是根據(jù)已知數(shù)據(jù)就可以對控制系統(tǒng)進行建模，因此可以不需要事先知道被控系統(tǒng)的系統(tǒng)特性，或者對于系統(tǒng)特性比較復雜以及系統(tǒng)特性不明顯的控制系統(tǒng)，選用ANFIS往往能夠得到比傳統(tǒng)的控制方法更好的結(jié)果。

根據(jù)以上分析，論文采用基于T—S型模糊推理系統(tǒng)。該系統(tǒng)具有強大的自學習能力和非線性外推特性，其本質(zhì)是通過學習訓練數(shù)據(jù)來實現(xiàn)輸入變量到輸出變量的線性或非線性映射，并在得出該映射關系后給出輸出變量的估計值。

圖1是一個典型的基于T—S型模糊神經(jīng)推理系統(tǒng)的兩個輸入和一個輸出的ANFIS的結(jié)構(gòu)圖。一共分為5層。

第1層：本層為條件參數(shù)。該層的每一個節(jié)點都是一個有節(jié)點函數(shù)的自適應節(jié)點，該層的節(jié)點函數(shù)是模糊集合的隸屬度函數(shù)，由它確定輸入x1(或x2)滿足論域A的程度。

Oij=μAji(xj)，i=1，2;j=1，2

論域A的隸屬度函數(shù)包括高斯函數(shù)、三角函數(shù)和鐘型函數(shù)等，可以是任意一種合適的參數(shù)化的隸屬度函數(shù)。下式給出的是gauss隸屬度函數(shù)的表達式：

2 自適應模糊神經(jīng)網(wǎng)絡的控制算法

減法聚類是一種密度聚類的算法。它是估計一組數(shù)據(jù)中聚類中心位置和聚類個數(shù)的快速的單次算法。減法聚類中每一個數(shù)據(jù)點都視為潛在的聚類中心，然后依據(jù)每個數(shù)據(jù)點周圍數(shù)據(jù)的密集程度來計算該點被當做聚類中心的可能性。其實現(xiàn)過程如下。

1)計算各個數(shù)據(jù)點的密度情況。對于m維空間的n個數(shù)據(jù)點(x1，x2，…，xn)，我們認為每一個數(shù)據(jù)點都可能是聚類中心的候選者，于是各個數(shù)據(jù)點xi處的密度目標定義為：

其中，ya是一個正數(shù)并且定義了一個鄰域數(shù)據(jù)點。

2)第1個聚類中心是選取具備最高密度目標的數(shù)據(jù)點，并且依此修正每一個需要作為聚類中心數(shù)據(jù)點的密度目標。令Dc為其密度目標，xc為選中的點，則每個數(shù)據(jù)點xi的密度目標可以通過下式修正，即

其中，yb是一個正數(shù)。由上所述靠近第1個聚類中心xc1的數(shù)據(jù)點密度目標會不斷減少，因此作為下一個聚類中心這些點是不可能的。

3)選定下一個聚類中心xc2一再次修正數(shù)據(jù)點的所有密度目標。

重復上述過程，如果上式達到最小值，則聚類結(jié)束。

減法聚類是以密度為聚類的算法，它應用于一個輸入、輸出數(shù)據(jù)集，依據(jù)數(shù)據(jù)集的聚類集個數(shù)和聚類中心的位置，能夠?qū)崿F(xiàn)將輸入空間得到最優(yōu)的劃分，并且確定輸入以及輸出語言變量的隸屬度函數(shù)的個數(shù)和模糊規(guī)則數(shù)。本文首先通過減法聚類得到最初始的模糊推理系統(tǒng)，再通過輸入輸出數(shù)據(jù)對系統(tǒng)進行進一步的優(yōu)化，最終得到一個很合理的模糊推理系統(tǒng)。

3 ANFIS的參數(shù)學習方法

由自適應神經(jīng)模糊推理系統(tǒng)中所涉及的參數(shù)一般都比較多，故對于ANFIS的條件參數(shù)和結(jié)論參數(shù)的訓練和確定，必須采用一種高效的參數(shù)學習方法。本文選用一種“混合算法”，該方法由Jang最早提出的，條件參數(shù)的修正使用反向傳播，結(jié)論參數(shù)修正選用線性最小二乘估計算法。其目的是為了提高ANFIS訓練數(shù)據(jù)學習的速度，盡可能快地確定最優(yōu)的系統(tǒng)參數(shù)值，最終使得系統(tǒng)輸出結(jié)果的誤差平方和最小。

混合學習算法的整個學習過程如表1所示。

模糊神經(jīng)網(wǎng)絡的學習算法是通過2步組成：首先將條件參數(shù)固定，輸入信號沿著網(wǎng)絡正向傳送至第4層，選用最小二乘法算法預估后件參數(shù)，信號繼續(xù)正向傳送至第5層輸出層;然后將得到的誤差信號沿著通道反向傳播，使用BP算法調(diào)整條件參數(shù)。這樣通過梯度下降法不但可以降低搜索空間的維數(shù)，還可以很好的提升參數(shù)的收斂速度。

本網(wǎng)絡系統(tǒng)中需要考慮的學習參數(shù)主要是條件參數(shù){mji，σji}和結(jié)論參數(shù){aji，j==0，1，2;i=1，2}。

定義目標函數(shù)為

式中：d為系統(tǒng)期望輸出或者教師信號。

誤差信號由第5層依次反向傳遞至第1層，具體算法：

4 自適應模糊神經(jīng)控制器設計

圖2為根據(jù)自適應模糊神經(jīng)網(wǎng)絡控制的控制器，此控制器不但保持了常規(guī)串級控制，而且采用主、副控制器。主控制器使用一個模糊神經(jīng)控制器和一個智能PI控制器來控制系統(tǒng)，副控制器仍然采用P控制器。

輸入變量的線性組合為自適應模糊神經(jīng)系統(tǒng)的模糊規(guī)則，即：

式中：i=1，2，…，n;j=1，2，…，m;Rj為第j條模糊規(guī)則所表示的模糊蘊含關系;為xj的第j個語言變量值，pj的后件網(wǎng)絡的連接權(quán)值。如果輸入量使用單個模糊化的方法，則對于系統(tǒng)給定的輸入x，可以求得關于每條規(guī)則的適應度為

式中：

是第i個輸入分量隸屬于第j個語言變量模糊集合A的隸屬度函數(shù)。

模糊系統(tǒng)的輸出量為每條規(guī)則的輸出量的加權(quán)平均，即

aj為對于給定的輸入x所求得的對于每條規(guī)則的適應度。

智能比例積分(PI)控制器是具有PI環(huán)節(jié)和使能端的邏輯判斷子系統(tǒng)的2個模塊組成。系統(tǒng)所處的狀態(tài)通過邏輯判斷子系統(tǒng)和的符號來判斷，從而控制P1環(huán)節(jié)是否有效。定義誤差e=r-y，誤差變化率ec，當e·ec>0或e=0、ec≠0時，PI控制器功能有效，主控制器由模糊神經(jīng)網(wǎng)絡控制器和PI控制器共同作用控制實現(xiàn)，而當e·ec0或ec=0時，PI控制器功能失效，主控制器模塊由模糊神經(jīng)網(wǎng)絡控制器單獨來控制。結(jié)合經(jīng)驗知識，在仿真過程中通過對系統(tǒng)調(diào)試，最后確定的參數(shù)kp=1.2，ki=100。

5 ANFIS的仿真結(jié)果

溫度的偏差e和偏差變化率ec(濕度的偏差e和偏差變化率ec)為控制器的兩個輸入變量，E、EC為其對應的模糊化變量，[-6，+6]為E和EC的基本論域。通過查詢常規(guī)溫度模糊控制系統(tǒng)的訓練樣本表格和數(shù)據(jù)，神經(jīng)模糊推理編輯器將訓練所得到的樣本數(shù)據(jù)載入訓練數(shù)據(jù)集，7定義為輸入變量的隸屬度函數(shù)的數(shù)目，類型為高斯型，輸出變量的隸屬度函數(shù)

類型為常數(shù)型.假設訓練的最初步長為0.01，目的誤差為0，最后模糊推理系統(tǒng)經(jīng)過400步訓練后生成。為了形成對比本文對常規(guī)PID控制器和本文所研究的自適應模糊神經(jīng)網(wǎng)絡控制器，在無外界擾動和有外界擾動的兩種情況下，進行了仿真，仿真結(jié)果見圖3和圖4。

從圖片的結(jié)果可以看出，自適應模糊神經(jīng)網(wǎng)絡控制器擁有良好的動、靜態(tài)特性和抗干擾能力，同時該控制器性能明顯比常規(guī)PID控制器要好，實現(xiàn)起來比傳統(tǒng)的PID控制簡單且基本沒有超調(diào)。

6 實際應用

本文采用Sensirion公司的SHT75溫濕度傳感器，該產(chǎn)品是該公司推出的一種插針式同時具有高精度版本的溫濕度傳感器。SHT75經(jīng)過完全標定，傳感器具有高質(zhì)量以及能夠提供高精度數(shù)字輸出。同時該產(chǎn)品是80uW的低能耗，相對溫度工作范圍：-40～+125℃，具有±0.3℃的精度。濕度工作范圍：0～100%，具有±1.8%RH的精度。

該控制器在現(xiàn)場使用時，根據(jù)SHT75測量的溫度值，反饋到系統(tǒng)顯示界面，根據(jù)反饋的數(shù)值決定設備是工作還是不工作。最終了解到隨著時間的不斷延長，自適應模糊神經(jīng)網(wǎng)絡控制能夠?qū)⒃撓到y(tǒng)的溫度維持在一個比較理想的范圍內(nèi)。

7 結(jié)論

針對溫濕度控制系統(tǒng)存在的延時時間長、慣性強等特點，本文所研究的自適應模糊神經(jīng)網(wǎng)絡的控制方法不僅克服了常規(guī)PID控制具有的自適應能力差的缺點，而且本文采用的模糊控制器解決了常規(guī)的模糊控制器存在的穩(wěn)態(tài)精確度低和模糊系統(tǒng)規(guī)則難以把握等缺點。該控制方法不僅僅對于本文提出的溫濕度控制系統(tǒng)有效，同時對于復雜的被控對象也能取得比較好的控制效果，能夠展現(xiàn)出比較好的系統(tǒng)穩(wěn)定性、抗外界干擾性和系統(tǒng)動態(tài)特性等優(yōu)點，具有較高的工程應用價值。