畢業(yè)設(shè)計洗衣機模糊控制器

1、精選優(yōu)質(zhì)文檔-傾情為你奉上第4章 神經(jīng)模糊控制洗衣機設(shè)計 20世紀90年代初期，日本松下公司推出了神經(jīng)模糊控制全自動洗衣機。這種洗衣機能夠自動判斷衣服的質(zhì)地軟硬程度、衣量多少、臟污程度和性質(zhì)等，應(yīng)用神經(jīng)模糊控制技術(shù)，自動生成模糊控制規(guī)則和隸屬函數(shù)，預(yù)設(shè)洗衣水位、水流強度和洗滌時間，在整個洗衣過程中實時調(diào)整這些參數(shù)，達到最佳的洗衣效果。4.1 洗衣機的模糊控制 洗衣機的主要被控參量為洗滌時間和水流強度，而影響這一輸出參量的主要因子是被洗物的渾濁程度和渾濁性質(zhì)，后者可用渾濁度的變化率來描述。在洗滌過程中，油污的渾濁度變化率小，泥污的渾濁度變化率打。因此，渾濁度及其變化率可以作為控制系統(tǒng)的輸入?yún)⒘浚?/p>

2、而洗滌時間和水流強度可作為控制量，計系統(tǒng)的輸出，實際上，洗衣過程中的這類輸入和輸出之間很難用一定的數(shù)學(xué)模型來描述。系統(tǒng)運行過程中具有較大的不確定性，控制過程在很大程度上依賴操作者的經(jīng)驗，這樣一來，利用常規(guī)的方法進行控制難以奏效。但是，如果利用專家知識進行控制決策，往往容易實現(xiàn)優(yōu)化控制，這是在洗衣機中引入模糊控制技術(shù)的主要原因之一。根據(jù)上述的模糊控制基本原理，可得出確定洗滌時間的模糊推理框圖如圖4-1所示。其輸入量為洗滌水的渾濁度及其變化率，輸出量為洗滌時間。考慮到適當(dāng)?shù)目刂菩阅苄枰秃喕绦颍x輸入量渾濁度的模糊詞集為清、較濁、濁、很濁；定義渾濁度變換率的模糊詞集為零、小、中、大；定義輸出變

3、量洗滌時間的模糊詞集為短、較短、標準、長。描述輸入輸出變量的詞集都具有模糊特性，可以用模糊集合表示。因此，模糊概念的問題就轉(zhuǎn)化為求取模糊集合的隸屬函數(shù)的問題。 圖4-1 確定洗滌時間的模糊推理框圖通常定義一個模糊子集，實際上就是確定模糊子集隸屬函數(shù)形狀的過程。將確定的隸屬函數(shù)曲線離散化，就得到了有限個點上的隸屬度，構(gòu)成了一個相應(yīng)的模糊子集。如圖4-2所示，定義的隸屬函數(shù)曲線表示論域x對模糊變量A的隸屬程度。設(shè)定該隸屬函數(shù)的論域x為： x=(-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6)則有： 圖4-2 模糊變量A的隸屬度函數(shù) 論域x中除了2,3,4，5,6外，各點的隸屬度均為

4、0.那么模糊變量A的模糊子集為A=0.2/2+0.7/3+0.7/5+0.2/6。通過這個例子可以看出，在隸屬函數(shù)的曲線確定后，就可以很容易的定義出一個模糊變量的模糊子集。洗衣機模糊控制的輸入和輸出變量的隸屬函數(shù)如圖4-3所示，由此可以相繼確定它們的模糊子集。 圖4-3 洗衣機模糊變量隸屬函數(shù)（a.渾濁度；b.渾濁度變化率；c.洗滌時間t）洗衣機的模糊控制規(guī)則可以歸納16條，如表4-2所示。表4-2 洗衣機的模糊控制規(guī)則表洗滌時間渾濁度清較濁濁很濁變化率零很小中大短標準標準標準較短標準長標準標準標準長長 標準 標準 長 長4.2 洗衣機的神經(jīng)網(wǎng)絡(luò)模糊控制器的設(shè)計洗衣機模糊控制的空臟部分框圖如圖

5、4-4所示。模糊控制如圖中虛線所示。模糊控制的過程是這樣的，首先洗衣機獲取的渾濁度信息由傳感器送到信息處理單元，分為渾濁度和渾濁度變化率進入模糊控制器，對于輸入的模糊量，需要將其轉(zhuǎn)換成模糊變量。通過單片機，利用查表法按照模糊推理法則做出決策，結(jié)果被認為是模糊變量，經(jīng)過去模糊化處理單元，再由執(zhí)行機構(gòu)去修改洗滌時間，這樣就完成了一次模糊控制算法過程。 圖4-4 模糊控制的控制部分框圖一般的模糊控制洗衣機將“專家經(jīng)驗”通過模糊控制規(guī)則表現(xiàn)出來，運行中通過查表做出控制決策，這比需要操作者設(shè)定程序的電腦控制洗衣機前進了一大步。但是，這種洗衣機由于規(guī)則進行控制，因此不夠理想。而把神經(jīng)網(wǎng)絡(luò)和模糊控制相結(jié)合，

6、則能夠解決這些問題。洗衣機的神經(jīng)網(wǎng)絡(luò)模糊控制是利用離線訓(xùn)練好的網(wǎng)絡(luò)，通過在線計算即可得到最佳輸出。這種控制模式的反應(yīng)速度快，而且神經(jīng)網(wǎng)絡(luò)又具有自學(xué)習(xí)功能和聯(lián)想能力，對于未在訓(xùn)練中出現(xiàn)的樣本，也可以通過聯(lián)系記憶的功能，做出控制決策，表現(xiàn)非常靈活。洗衣機的神經(jīng)網(wǎng)絡(luò)模糊控制器的控制系統(tǒng)中含有多個神經(jīng)模糊環(huán)節(jié)，下面介紹本設(shè)計中以渾濁度和渾濁度變化率為輸入?yún)⒘縼泶_定洗滌時間的控制器?？刂破鞯目刂瓶驁D如圖4-5所示，渾濁度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4-6所示。 圖4-5 神經(jīng)網(wǎng)絡(luò)模糊控制器的控制框圖 圖4-6 渾濁度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 神經(jīng)模糊控制器在輸入和輸出參量的選擇，以及模糊論域和模糊子集的確定方面，與一般模糊控制

7、器沒有什么區(qū)別，只是在推理手段上引入了神經(jīng)網(wǎng)絡(luò)。令x1-x7為輸入量渾濁度的模糊子集，x8-x14為輸入量渾濁度變化率的模糊子集，y1-y7為輸出控制量的模糊子集。從模糊控制規(guī)則表4-2可以看出，共有16條控制規(guī)則，每條規(guī)則都是一堆樣本，則共有16對樣本。例如，當(dāng)渾濁度為“清”，渾濁變化率為“零”時，洗滌時間應(yīng)該為“短”，這個樣本可以表示為：；表4-3 輸入?yún)⒘康哪：?輸入?yún)⒘磕：繙啙岫惹遢^濁濁很濁1 0.6 0.1 0 0 0 00 0.6 0.6 0 0 0 00 0 0.6 1 0 0 00 0 0 0 1 0.6 0渾濁度變化率零很小中大1 0.5 0 0 0 0 00 0.5 1

8、 0.4 0 0 00 0 0 0.4 1 0.6 00 0 0 0 0 0 0.8洗滌時間短較短標準長1 0.5 0 0 0 0 0 00.4 0.8 1 0.8 0. 4 0.2 0 00 0 0 0.2 0.6 1 0.6 0.20 0 0 0 0 0.2 0.5 0.8 其中，x中的各元素為對應(yīng)的隸屬函數(shù)，即模糊子集的賦值。同理可列出其他15個樣本對，并將它們一次送入神經(jīng)網(wǎng)絡(luò)進行離線訓(xùn)練，當(dāng)訓(xùn)練結(jié)束后，神經(jīng)網(wǎng)絡(luò)已經(jīng)記憶了模糊控制規(guī)則，使用時具有聯(lián)想記憶功能。如表4-3所示，為每一個輸入?yún)⒘康哪：俊?.3 訓(xùn)練結(jié)果及輸出 根據(jù)上面的分析和模糊規(guī)則可得到網(wǎng)絡(luò)的訓(xùn)練樣本P和T，為使控制器具

9、有預(yù)定功能，首先必須根據(jù)訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。預(yù)設(shè)訓(xùn)練步數(shù)為1000次，訓(xùn)練目標誤差為0.001，輸入訓(xùn)練網(wǎng)絡(luò)的代碼并運行后可得滿意的網(wǎng)絡(luò)訓(xùn)練結(jié)果： 圖4-6 網(wǎng)絡(luò)誤差曲線 網(wǎng)絡(luò)誤差曲線如圖4-6所示，網(wǎng)絡(luò)經(jīng)過202次訓(xùn)練后，目標誤差達到要求值0.001，網(wǎng)絡(luò)訓(xùn)練成功。 網(wǎng)絡(luò)訓(xùn)練完畢后，需檢驗其性能是否滿足要求；因此，需要對訓(xùn)練好的網(wǎng)絡(luò)進行驗證。神經(jīng)網(wǎng)絡(luò)如圖4-7所示，本設(shè)計中洗衣機的輸入渾濁度和渾濁度變化率x經(jīng)過洗衣機傳感器識別后送人神經(jīng)網(wǎng)絡(luò)模糊控制器，經(jīng)過記憶、學(xué)習(xí)和聯(lián)想功能，再不斷更新權(quán)值后，最終輸出洗滌時間，則完成了一次智能識別過程。因此，本設(shè)計的輸出為洗滌時間，可以通過對輸入的

10、模糊量進行反復(fù)記憶、學(xué)習(xí)和聯(lián)想來完成智能識別。圖4-7 訓(xùn)練結(jié)果和輸出訓(xùn)練好的網(wǎng)絡(luò)需要利用測試數(shù)據(jù)進行測試，檢驗網(wǎng)絡(luò)的智能識別性能是否滿足要求。如果滿足要求，就可以利用它來解決實際問題。為了保證測試結(jié)果的有效性和準確性，本設(shè)計使用的測試數(shù)據(jù)避免與訓(xùn)練數(shù)據(jù)一致?？奢斎肱c訓(xùn)練輸入樣本類似的數(shù)據(jù)來檢測系統(tǒng)是否能準確完成智能識別輸出我們所需要的期望值。利用測試數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)進行訓(xùn)練，測試結(jié)果如表4-4所示。表4-4 測試樣本及測試結(jié)果測試樣本P_test輸入樣本P測試輸出樣本T_test目標樣本T對應(yīng)洗滌時間1 0.6 0.1 0.1 0 0 0 1 0.5 0 0.1 0 0 01 0.6 0.

11、1 0 0 0 0 1 0.5 0 0 0 0 00.9948 0.63160.0280 0.02440.0170 0.11360.0311 0.01491 0.50 00 00 0短1 0.5 0.1 0 0 0 00 0.5 1 0.3 0 0 0 1 0.6 0.1 0 0 0 0 0 0.5 1 0.4 0 0 00.0094 0.00660.0078 0.12420.7070 0.99680.5106 0.21790 00 0.2 0.6 10.6 0.2標準0 0.7 0.5 0 0 0 0 1 0.4 0 0.1 0 0 00 0.6 0.6 0 0 0 0 1 0.5 0 0

12、0 0 00.6469 0.93910.9466 0.65940.2923 0.16740.0385 0.01120.4 0.81 0.84 0.20 0較短0 0.5 0.6 0.1 0 0 00 0.1 0 0.3 1 0.6 00 0.6 0.6 0 0 0 00 0 0 0.4 1 0.6 00.0005 0.00120.0034 0.02780.0554 0.49560.5979 0.78110 00 00 0.20.5 0.8長由上表可見，網(wǎng)絡(luò)的測試性能滿足要求，可以實現(xiàn)模糊控制，完成洗衣機對衣物的渾濁度和渾濁度變化率的智能識別過程，并做出準確的決策。4.4 本章小結(jié) 本章研究了神

13、經(jīng)網(wǎng)絡(luò)模糊控制的原理和神經(jīng)控制模糊控制器的設(shè)計，并以神經(jīng)模糊控制洗衣機為例，演示了神經(jīng)網(wǎng)絡(luò)在模糊控制中的應(yīng)用。 總的來說，基于神經(jīng)網(wǎng)絡(luò)的模糊控制具有以下特點：(1)可以直接從經(jīng)驗中獲取知識，自動建立模糊規(guī)則和隸屬函數(shù)。(2)無需查表，節(jié)省內(nèi)存空間，只需通過在線計算，便可得到控制器輸出。(3)具有較強的適應(yīng)能力和聯(lián)想能力，對于未出現(xiàn)過的樣本，神經(jīng)模糊控制器可通過記憶，聯(lián)想產(chǎn)生合適的輸出量對系統(tǒng)進行控制。第5章 總結(jié)與展望本設(shè)計運用了人工神經(jīng)網(wǎng)絡(luò)和典型的神經(jīng)網(wǎng)絡(luò)算法BP算法基本知識，參考相關(guān)的文獻，實現(xiàn)了一個簡單的洗衣機智能識別系統(tǒng)。此系統(tǒng)采用了模糊控制手段，能通過輸入的模糊參量，如衣物的渾濁度以

14、及渾濁度變化率來實現(xiàn)智能識別及控制，較精確的輸出洗衣機的洗滌時間。本設(shè)計將神經(jīng)網(wǎng)絡(luò)和模糊控制結(jié)合，利用離線訓(xùn)練好的網(wǎng)絡(luò)，通過在線計算得到最佳輸出，這種控制模式反應(yīng)速度快，而且神經(jīng)網(wǎng)絡(luò)又具有自學(xué)能力和聯(lián)想能力。對于未在訓(xùn)練中出現(xiàn)的樣本，也可以通過聯(lián)系記憶的功能，做出控制決策，表現(xiàn)非常靈活，很好的解決了一般模糊控制洗衣機的問題。 但是本設(shè)計中還存在著許多的欠缺和不足，還有待改進。例如，在輸入測試樣本后，所得的輸出結(jié)果只能達到較精確，可以進行模糊識別，但是未能達到精確，這樣容易使洗衣機在識別過程中造成識別錯誤，若能提高識別的精確度，改善識別速度，則能大大增進這種洗衣機智能識別系統(tǒng)的性能。附錄本論文編

15、程軟件為MATLABR2010a，運行環(huán)境為Intel(R) Pentium(R) Dual CPU T3400 2.16GHz，1G RAM。 本論文中代碼如下：1. 訓(xùn)練網(wǎng)絡(luò)代碼P=1 0.6 0.1 0 0 0 0 1 0.5 0 0 0 0 0;1 0.6 0.1 0 0 0 0 0 0.5 1 0.4 0 0 0;1 0.6 0.1 0 0 0 0 0 0 0 0.4 1 0.6 0;1 0.6 0.1 0 0 0 0 0 0 0 0 0 0 0.8;0 0.6 0.6 0 0 0 0 1 0.5 0 0 0 0 0;0 0.6 0.6 0 0 0 0 0 0.5 1 0.4 0 0

16、 0;0 0.6 0.6 0 0 0 0 0 0 0 0.4 1 0.6 0;0 0.6 0.6 0 0 0 0 0 0 0 0 0 0 0.8;0 0 0.6 1 0 0 0 1 0.5 0 0 0 0 0;0 0 0.6 1 0 0 0 0 0.5 1 0.4 0 0 0;0 0 0.6 1 0 0 0 0 0 0 0.4 1 0.6 0;0 0 0.6 1 0 0 0 0 0 0 0 0 0 0.8;0 0 0 0 1 0.6 0 1 0.5 0 0 0 0 0;0 0 0 0 1 0.6 0 0 0.5 1 0.4 0 0 0;0 0 0 0 1 0.6 0 0 0 0 0.4 1 0

17、.6 0;0 0 0 0 1 0.6 0 0 0 0 0 0 0 0.8'T=1 0.5 0 0 0 0 0 0;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0.2 0.6 1 0.6 0.2;0.4 0.8 1 0.8 0.4 0.2 0 0;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0 0 0.2 0.5 0.8;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0 0 0.2 0.5 0.8;0 0 0 0 0 0.2 0.5 0.8;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0.2 0.6 1 0.6 0.2;0 0 0 0 0 0.2 0.5 0.8;0 0 0 0 0 0.2 0.5 0.8'net.trainParam.epochs=1000;net.trainParam.goal=0.001;net,tr=train(net,P,T);net=newff(minmax(P),29,8,'tansig','logsig','traingdx');%根據(jù)Kolmogorov定理，輸入層