一种自适应模糊推理系统的设计与应用.docxVIP

一种自适应模糊推理系统的设计与应用 在水处理工程中，混凝剂的作用是最基本、最重要的操作环节之一。正确添加混凝剂可以有效减轻过滤和消毒设备的负荷，是改善水质、实现良好混凝效果和经济效益的关键。目前国内众多水厂采用的混凝投药控制主要是基于传统数学模型的前馈投药控制和基于流动电流的反馈投药控制, 但这两种方式都存在模型准确性、灵活性差, 无法及时有效地响应对象变化, 投药量控制偏差大, 控制效果都不太理想, 存在沉淀池出水浊度波动大, 药剂浪费严重等问题。如何在线得到适合水质变化的最佳混凝剂量, 实现混凝剂量的最佳投加, 是目前水工业中亟待解决的问题。因此, 研究一种鲁棒性好、预测能力强随水质变化适时确定混凝药量的控制方案是必要的。而蓬勃发展的智能控制理论为这一问题的解决提供了新的出路。本文详细介绍了一种用多层前馈神经网络优化模糊逻辑系统的自适应模糊推理系统——ANFIS。 1 烧杯实验投药控制模型的建立 烧杯实验法是通过对烧杯实验历史数据的学习, 用神经网络和模糊逻辑知识建立烧杯实验的黑箱模型, 从而取代烧杯实验, 最终避免烧杯实验的滞后性和必须人工操作的缺点, 达到最优投药量的预测控制。由它控制投药量在净水处理的历史上占有重要地位, 烧杯实验控制数据反映了操作者的经验, 它的数据可参考性很高。因而, 在研究中借助成功烧杯实验进行投药控制模型的设计。本文所考察的是来自岷江水系某水厂的水源, 使用的混凝剂为PAC, 根据水质特点, 主要考虑原水浊度、pH值、温度、碱度参数对投药量的影响。选用该厂2007年成功的烧杯实验历史数据 (每天进行一次烧杯实验) 中233个数据点作为仿真样本数据, 这些样本反映水质随季节变化特性, 数据样本图如图1所示。 2 混凝投药量的anfis模型 ANFIS (自适应神经模糊推理系统) 是利用神经网络结构来实现T-S模糊推理系统自适应网络。用大量标准样本 (输入、输出值) 对ANFIS进行训练学习, 获得恰当的模糊结构, 在利用它的泛化能力进行预测推理。ANFIS控制器基于模糊控制思想, 更接近、符合专家经验控制, 又有自学习自适应性, 网络各层结点物理意义清晰, 虽然算法上比较复杂, 但需要初始确定的参数少且容易设定。因此采用ANFIS系统建立投药量前馈控制器模型。系统输入为原水特性参数:浊度、温度、碱度和pH值, 输出为最优投药量。混凝投药量的ANFIS模型的网络结构见图2。其中输入量X1,X2,X3,X4分别为原水浊度、温度、碱度和pH值, 输出量u为最优投药量。 图2中, 结构有5层, 同一层的节点函数类型相同。记第k层的第i个节点的输出为Okiik。 第1层: 模糊化层, 计算各输入信号的模糊隶属度值。 O1i=μAi(x)=11+[(x?ciai)2]biΟi1=μAi(x)=11+[(x-ciai)2]bi(1) 前提参数ai,bi,ci通过学习可自动调整, 从而得到期望的隶属函数。 第2层:规则激活强度, 本层每个节点是固定不变的, 输出是所有输入信号的积, 表示每条规则的激活强度。 O2i=ωi=∏j=14μAi(xj)Οi2=ωi=∏j=14μAi(xj)(2) 第3层:激活强度归一化, 本层每个节点也是固定的, 第i个节点计算第i条规则的激励强度与所有规则激励强度之和的比值。 O3i=ωi=ωi∑k=15ωkΟi3=ωi=ωi∑k=15ωk(3) 第4层:运行规则, 该层每个节点为自适应节点, 表示规则函数。 O4i=ωˉˉifi=ωˉˉi(pi1x1+pi2x2+pi3x3+pi4x4+pi5)(4)Οi4=ωˉifi=ωˉi(pi1x1+pi2x2+pi3x3+pi4x4+pi5)(4) 它的参数 (pi1,pi2,pi3,pi4,pi5) 是可变的, 称为结论参数。 第5层:解模糊化, 该层节点是固定不变的, 对第4层所有输出求和, 即得到每个规则的加权平均, 并作为网络最终输出。 O5i=∑i=15ωˉˉifiΟi5=∑i=15ωˉifi(5) 2.1 模糊逻辑系统的建立 ANFIS作为一种特殊的T-S模糊推理系统需要初始化建立基本的模糊逻辑结构, 即输入空间的模糊分类和模糊规则。并且为了简化系统和降低系统的复杂性, 必须对输入空间进行非线性划分。 输入空间的模糊分类通过聚类完成。将样本数据用聚类算法进行分组, 再将每一组数据 (一个聚类) 视为一个数据对, 用最优模糊逻辑系统来进行辨识。本文采用减法聚类自动生成一个具有最少的规则数目的初始T-S型模糊推理系统。 2.1.1 定义数据点的一化 减法聚类的聚类中心候选集为样本数据点, 并根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性, 在选出第一个聚类中心后, 从剩余的可能作为聚类中心的数据的点中, 继续采用类