用于环境模拟系统的智能控制系统，包括：神经网络模块，用于实现输入量的模糊化、模糊推理、模糊控制规则、解模糊操作；学习算法模块，用于进行所述神经网络模块的学习。模糊控制不依赖于对象的模型；神经网络具有分布并行处理，非线性映射，鲁棒容错和泛化能力强等特点，在智能信息处理方面有广泛的应用，学习后的神经网络能够无限逼近环境模拟系统参数输出信号的非线性函数且有很强的泛化能力。因此本发明专利技术将这两者的优点结合，实现了用神经网络表示模糊控制中的模糊化，模糊推理和解模糊，用神经网络的自适应学习能力进行有效协调的控制，克服了现有技术控制协调性差的缺点，提高了控制的可靠性与协调性，拓展了其应用范围，也可用于其它传感器输出信号的协调性控制。
【技术实现步骤摘要】
本专利技术涉及一种用于环境模拟系统的基于模糊神经网络的智能控制系统，用于环 境模拟系统参数的有效和稳定的控制。
技术介绍
砂尘环境是引起许多工程和/或武器装备失效的一个重要环境因素，其主要损坏 类型有冲蚀、磨损、腐蚀及渗透等。砂尘环境试验是分析，评价各种类型装备和仪器在沙漠 或干旱地区风沙环境下的工作性能，可靠性，稳定性的重要手段。无论是在国军标，还是在 其他各类标准中都对砂尘环境试验的砂尘浓度条件做出了严格的规定。由于现代科研和实际生产的需要，越来越多的地方都需要诸如砂尘环境试验的环 境模拟试验，这也就凸显出了环境模拟试验的重要性。以砂尘环境试验为例，由于砂尘环境 试验的特殊性，用于砂尘环境试验的风洞较普通空气动力学风洞复杂除具有与普通风洞 类似的循环风道和主风机外，还具有向循环风道内喷砂/尘用的气力输送管道，配套的压 缩空气调节阀和旋转给料器；调节风洞内部压力用的调压风机；装于循环风道内的用于保 护主风机并回收试验用砂/尘料的气固分离装置等普通风洞内没有的特殊装备，系统较为 复杂，因此，相应的砂尘浓度控制难度也较大。循环风道内的风速变化，调压过程中的辅助气流流量变化，气力输送系统的供气 压力变化均会引起风洞内的砂尘浓度和气力输送系统固气混合比变化，所以当通过调整给 料器转速来控制浓度时，会引起气力输送管内固气混合比振荡，不利于稳定的输送砂尘和 扩散；当通过调整调节阀的开度来控制时，管道内的固气混合比又很难测定。所以，砂尘环 境试验浓度的控制重点和难点是如何在控制实验浓度变化的同时，使协调给料器的转速和 调节阀开度使气力输送管内的固气混合比变化更为合理化和有效。解决砂尘环境试验风洞下的浓度控制的方法有两个思路一是在硬件装备上采用 闭环方案，这种方案可以很大程度的提高浓度控制的协调性，但却增加了硬件的复杂性，提 高了成本，消耗能源多，且在小型化和可靠性等方面受到了极大的限制；二是传统PID控制 方法。该方法需要精确地描述系统动态数学模型，这对于带有未知变化量的系统是一个很 主要的限制因素。即使能够得到控制系统的模型，但饱和，扰动，参数变化这些未知的条件 也是不可能用精确的模型建立的。
技术实现思路
根据本专利技术的一个方面，提供了用于环境模拟系统的一种智能控制系统，其特征 在于包括神经网络模块，用于实现输入量的模糊化、模糊推理、模糊控制规则、解模糊操 作；学习算法模块，用于进行所述神经网络模块的学习。6根据本专利技术的一个进一步的方面，上述学习算法模块包括变化差异判定模块，用于判断所述输入量的变化差异是否超过预定值；离线学习模块，用于在所述智能控制系统初始化时和/或所述输入量的变化差异 被判定超过预定值时执行所述神经网络模块的离线学习；在线学习模块，用于在所述输入量的变化差异被判定未超过预定值时执行所述神 经网络模块的在线学习。根据本专利技术的另一个方面，提供了用于环境模拟系统的一种智能控制方法，其特 征在于包括模糊控制步骤，利用神经网络模块对输入量进行模糊化、模糊推理、模糊控制规 则、解模糊操作；学习步骤，进行所述神经网络模块的学习。根据本专利技术的一个进一步的方面，所述学习步骤包括变化差异判定步骤，判断所述输入量的变化差异是否超过预定值；离线学习步骤，用于在所述智能控制系统初始化时和/或所述变化差异判定步骤 判定所述输入量的变化差异超过预定值时执行所述神经网络模块的离线学习；在线学习步骤，用于在所述变化差异判定步骤判定所述输入量的变化差异未超过 预定值时执行所述神经网络模块的在线学习。附图说明图1显示了应用了本专利技术的一个实施例的砂尘环境试验风洞系统。图2显示了砂尘环境试验风洞浓度控制总体控制流程图。图3A和;3B是现有技术的基于模糊控制的砂尘环境试验风洞参数控制原理图。图4A和4B是根据本专利技术的一个实施例的砂尘环境试验风洞参数控制的模糊_神 经网络控制原理图。图5是图4A和4B中的模糊-神经网络控制器的结构图。图6显示了根据本专利技术的一个实施例的基于混合学习算法的砂尘环境试验风洞 浓度模糊-神经网络控制结构图。图7是根据本专利技术的一个实施例的砂尘环境试验风洞浓度模糊-神经网络控制系 统学习算法的流程8是根据本专利技术的一个实施例的砂尘环境试验风洞浓度模糊-神经网络控制系 统混沌离线学习算法的流程图。附图标记说明101 循环风道102 旋转给料器103 砂尘料回收器105 模糊-神经网络控制器106:压缩空气调节阀107:感应器501:前层网络502:后层网络S703 离线全局优化S704 判断浓度差值是否过大S705 :BP(基于误差反向传播的)梯度在线学习e 浓度偏差的精确量e。偏差变化率的精确量R(t)模糊控制系统给定浓度值Y(t)被控浓度量U (t)控制器输出Xl(t)，&(t)控制器输出变量e(t)浓度偏差的精确量U:输出的模糊量U:输入的调节精确量E 浓度偏差的模糊量E。偏差变化率的模糊量e 浓度偏差的精确量e。偏差变化率的精确量R(t)模糊控制系统给定浓度值Y(t)被控浓度量f (z) = l/(l+e_z) Xf 二 f、Net fetT =^f ·Χ‘+Θ)权利要求1.用于环境模拟系统的一种智能控制系统，其特征在于包括神经网络模块，用于实现输入量的模糊化、模糊推理、模糊控制规则、解模糊操作； 学习算法模块(61)，用于进行所述神经网络模块的学习。2.根据权利要求1所述的智能控制系统，其特征在于所述学习算法模块包括 变化差异判定模块(611)，用于判断所述输入量的变化差异是否超过预定值； 离线学习模块(612)，用于在所述智能控制系统初始化时和/或所述输入量的变化差异被判定超过预定值时执行所述神经网络模块的离线学习；在线学习模块(613)，用于在所述输入量的变化差异被判定未超过预定值时执行所述 神经网络模块的在线学习。3.根据权利要求2所述的智能控制系统，其特征在于所述神经网络模块包括一个前层 网络(501)与一个后层网络(502)，其中所述前层网络(501)用于匹配模糊规则的前层， 所述后层网络(502)用于实现模糊规则的后层， 所述所述前层网络(501)包括前层网络输入层，该层中的每个神经元表示一个输入信号(变量？)，所述神经元的个 数等于模糊规则前提中出现的变量个数，它把输入矢量X= (X1, x2, ...xn)T直接传递给下 一层，其第i个神经元与输入变量X的第i个单元Xi相连；(注此处的术语“输入信号”、 “变量”、“输入矢量”、“输入变量”是否同一事务？如果是，需要统一术语)模糊化层，其每个节点代表一个语言变量，所述模糊化层中的每一个神经元用于模拟 输入变量的一个隶属函数，并用于计算各输入分量属于各语言变量值模糊集合的隶属度函 数，根据本专利技术的一个实施例，采用高斯函数作为隶属函数，即4.根据权利要求1-3中任何一项所述的智能控制系统，其特征在于 所述神经网络模块是双输入-单输出模糊神经网络模块。5.用于环境模拟系统的一种智能控制方法，其特征在于包括模糊控制步骤，利用神经网络模块对输入量进行模糊化、模糊推理、模糊控制规则、解 模糊操作；学习步骤，进行所述神经网络模块的学习。6.根据权利要求5所述的智能控制方法，其特征在于所述学习步骤包括 变化差异判定步骤(S704)，判断所述输入本文档来自技高网...
【技术保护点】
１．用于环境模拟系统的一种智能控制系统，其特征在于包括：神经网络模块，用于实现输入量的模糊化、模糊推理、模糊控制规则、解模糊操作；学习算法模块（６１），用于进行所述神经网络模块的学习。
【技术特征摘要】
【专利技术属性】
技术研发人员：李运泽，刘猛，王浚，李可，赵晨，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。