务１ 訇矽化 神经网络专家系统控制器的应用研究 Ａｐｐｌｉｃａｔｉｏｎｓ ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｅｘｐｅ￣ｓｙｓｔｅｍ ｃｏｎｔｒｏｌｌｅｒ 马红英 ＭＡ ＨｏｎＱ．ｙｉｎＱ （石家庄职业技术学院机电工程系，石家庄０５００８１） 摘要：介绍了人工智能与神经网络专家系统的特点及其结合的互补优势，提出了神经网络专家系统 控制器的设计原理，及控制器的控制流程。 关键词：神经网络；专家系统；神经网络专家系统控制器 中图分类号：ＴＰ１ ８３ 文献标识码：Ｂ 文章编号：１ ００９—０１ ３４（２０１ ０）０３—０１ ５１—０３ ０引言 神经网络与传统的专家系统各有自己的长处和 一般人工智能的研究途径有神经网络和专家系 不足，而且一方的长处往往又是另一方的短处，这 统两个方向。神经网络被称为连接机制，专家系统 就使人们自然想到把二者有机的集成起来，协同工 被称为符号机制。这两个不同方向的研究侧重不同， 作，达到“取长补短”的目的。 互有利弊。如何能有效地把二者集成在一起，无疑 １．３神经网络和专家系统的结合 会提高系统的智能水平，提供更为广阔的应用前景。 采用神经元网络作为专家系统中一种新的知识 １神经网络和专家系统的结合 表示以及自动知识获取方法，用神经元网络建造专 家系统。神经元网络利用大量神经元之间的连接及 １．１专家系统的缺点 对各连接权值的分布来表示特定的概念或知识。在 专家系统作为人工智能最为活跃的一个分支， 进行知识获取时，通过特定的神经元网络学习模型 已被广泛应用于多个领域，但是其固有的一些缺陷 对样本进行学习，经过网络内部自适应算法不断修 制约了它的进一步发展。这些缺点主要包括：知识 改权值，直至所需的学习精度。把专家求解实际问 获取渠道狭小；知识领域范围小；系统的复杂性严 题的启发式知识与经验分布到网络的各个结点问连 重影响专家系统的效率；不具有联想记忆功能等。 接的权值上。 １．２神经网络的特点 根据侧重点不同，一般神经网络与专家系统集 成时，有三种模式，即：神经网络支持专家系统；专 与专家系统相比，神经网络表现有许多长处。 家系统支持神经网络；协同式的神经网络与专家系 具体表现在如下几个方面： 统。 神经网络的操作是高度并行的；利用联想方式 存储信息；高度的容错能力和坚韧性；很高的自适 ２神经网络专家系统控制器 应能力；通过实例学习的能力；便于用硬件实现等。 根据神经元网络的上述特点，一个基于神经元 但神经网络也有一些明显的缺陷。例如，神经 网络的专家系统由五部分组成：自动知识获取、知 网络的学习及问题求解具有“黑箱”特性，其求解 识库、推理机制、解释和人一机界面。 结果不具有可解释性，而“解释”工作恰恰对于许 模型的结构原理框图如图１所示。 多应用领域来说是非常必要的；此外神经网络的学 其中 ．（ｆ）是目标位置， ，（ｆ）是系统的实际位置， 习周期长，大部分学习算法的收敛速度较慢，缺乏 （ｆ）和△Ｅ（ ）分别是误差和误差变化，Ｃ（ｆ）是专家控制 有效的追加学习能力引起时间的浪费。 的输出值，是神经网络的输出值，Ｑ（ｆ）也即是整个专 收稿日期：２０１０一Ｏ１—１１ 作者简介：马红英（１９７４一），女，山东菏泽人，讲师，学士，研究方向为机械制造及自动化。 第３２卷第３期２０１０－３ ［１５１］ 、Ｉ 訇 ｂ ｕ（ｋ）：ｕ（ｋ一１）＋ＫＰ［Ｐ（ ）一ｅ（ｋ—１）】＋Ｋ，ｅ（ｋ） ＋ 。［Ｐ（ ）一２Ｐ（ 一１）＋ｅ（七一２） （１） ｏ（０ 棼簪季 ＋匮 ，． 式中，Ｋ、Ｋ 、Ｋ。分别为比例、积分、微分系 图１神经网络专家系统控制器的结构框图 家系统神经网络的输出值，是前馈部分的输出值。 整个控制器的设计思想是：对系统的任一位 置，首先求得误差Ｅ（ｔ）￣ｌｌ ＡＥ（ｔ）误差变化，这两个值 同时进入专家系统和神经网络部分。专家系统根据 位置的误差和误差变化求得一个输出值，这个输出 值随后进入神经网络部分。神经网络部分根据误差、 误差变化和专家系统的输出值，经过运算之后得到 一个数值，这个数值就是系统需要的控制量。 ２．１神经网络控制 基于ＢＰ神经网络的ＰＩＤ控制系统如图２所示。 图２基于ＢＰ网络的ＰＩＤ控制系统 隐含层 ｌ Ｋ Ｐ 输 输 入 Ｋ Ｉ出 层 层 Ｋ Ｄ 图３基于ＢＰ网络的ＰＩＤ控制系统 控制器由两部分组成：１）经典的ＰＩＤ控制器， 它直接对被控对象过程闭环控制，并且３个参数Ｋｐ、 ＫＩ、ＫＤ为在线整定式；２）神经网络ＮＮ，根据系 统的运行状态，调节ＰＩＤ控制器的参数，以期达到 某种性能指标的最优化。 数字ＰＩＤ的控制算式为： ［１５２１ 第３２卷第３期２０１０—３ 数。 ＢＰ神经网络ＮＮ采用的是一个三层（３—４．３）ＢＰ 网络，其结构如下图所示，有三个输入节点、４个隐 含节点、三个输出节点。 ２．２专家系统控制 专家系统部分主要实现对于神经网络权值的调 整，通过系统输入的误差和误差变化量调整神经网 络学习的步长。 学习规则如下： ｉｆ（ｆａｂｓ（ｐｅｒｒｏｒ）＞０．８）ｄｅｌｔａ＝１．０： ｅｌｓｅ ｉｆ（ｆａｂｓ（ｐｅｒｒｏｒ）＞Ｏ．４）ｄｅｌｔａ＝Ｏ．６： ｅｌｓｅ ｉｆ（ｆａｂｓ（ｐｅｒｒｏｒ）＞Ｏ．２）ｄｅｌｔａ＝Ｏ－３： ｅｌｓｅ ｉｆ（ｆａｂｓ（ｐｅｒｒｏｒ）＞０．１）ｄｅｌｔａ＝Ｏ．１； ｉｆ（ｐｅｒｒｏｒ ｄｅｒｒｏｒ＞ＯＩＩｄｅｒｒｏｒ＝＝Ｏ） ｛ ｉｆ（ｆａｂｓ（ｐｅｒｒｏｒ）＞＝Ｏ．０５）ｄｅｌｔａ＝Ｏ．１； ｅｌｓｅ ｄｅｌｔａ＝Ｏ．０５； ｌ ｉｆ（ｐｅｒｒｏｒ ｄｅｒｒｏｒ＜Ｏ＆＆ｄｅｒｒｏｒ ｄｅｒｒｏｒｌａｓｔ＞ ＯＩＩｐｅｒｒｏｒ＝－＝Ｏ） ｄｅｌｔａ＝Ｏ．Ｏ１； ｉｆ（ｐｅｒｒｏｒ ｄｅｒｒｏｒ＜Ｏ＆＆ｄｅｒｒｏｒ ｄｅｒｒｏｒｌａｓｔ ＜０１ ｛ ｉｆ（ｆａｂｓ（ｐｅｒｒｏｒ）＞＝Ｏ．０５）ｄｅｌｔａ＝Ｏ．１； ｅｌｓｅ ｄｅｌｔａ＝Ｏ．０２； ｝ ｉｆ（ｆａｂｓ（ｐｅｒｒｏｒ）＜＝Ｏ．００１） ｄｅｌｔａ＝Ｏ．０ １： ２．３前馈控制部分 为避免在工程实际中结构过于复杂，常常采用 微分近似的形式。在保证控制效果的前提下，采用 一阶导数，使编程简练，容易实现。 ．－ｆ■ ］ （２） 。．Ｑ ）一 一ＱＧ）一２１一．ｚ ．丽 一一Ｔ 、Ｉ造 訇 化 ・２） ＡＷ，ｊ（ｋ＋０＝，７‘６’ ）＋ ’△ ） （３） ．．Ｑ ）＝ ・ ）一 一１）］一Ｑ 一１） ｆ一 式中ｋ是学习次序。 ２．４控制器的学习方法 在实际应用中，ｒ７取为０．３５， 取为Ｏ．０５，根据 采用改进了的ＢＰ学习算法，加快了运算速度， 控制效果再适当进行增减。 在应用中收到了比较良好的效果。改变的方法是， ３神经网络专家系统控制器的控制流 让网络中每一层的权值都有一个不同的学习速率。 程设计 入口Ｕｏ 』 １ｒ １）根据系统的误差和误差变化量，采用专家 系统的控制规则，决定学习步长；２）神经网络的权 求得误差Ｅ和误差变化 值由专家系统提供的步长来决定，再通过ＢＰ算法得 到相应的输出量；３）依据输出量得到系统的控制 确定学习步长 １ｒ 量；４）重复以上过程，直到满足需要的结果为止。 控制器的控制流程图如４所示。 ，Ｅ，Ｕ进入神经网络计算Ｃ 参考文献： ［１］沈世镒．神经网络系统理论及其运用【Ｍ】．北京：科学出版社 ｝根据规则，得ｕ １９９８． ’ ［２】张建民．智能控制原理及应用［Ｍ】．北京：冶金工业出版社， ２００３． 输出控制值Ｃ ［３】冯国楠．现代伺服系统的分析与设计【Ｍ】．北京：机械工业 出版社，１９９０． １ 学习修正权值 ［４】李人厚．智能控制理论和方法［Ｍ】．西安：西安电子科技大 ；．一．———————ｊ 学出版社，１９９９． —— 宰—— ［５】何新贵．人工智能新进展【Ｍ】．北京：清华大学出版社，１９９４． Ｊ 出口 ［６】许利娜．神经网络控制【Ｍ】．哈尔滨：哈尔滨工业大学出版社， 【 Ｊ ｌ９９９． 如４控制器的控制流程图 【７１谭浩强．Ｃ程序设计ｌＭ］．北京：清华大学出版社，１９９１． ｛毒 盎・｛高 霸‘｛是‘． ｛是 盎÷ ． ．每竞 是‘ ＆‘ 每囊‘ 品｝ 氐 ＥＩ Ｉ 是 蠢● ＆‘ 【上接第９４页】 该滤波装置对某系列的数控机床进行了测试， ４结束语 图３上图为没有安装滤波器时开关电源输入端的电 压波形图，其谐波含量达到８．１％；下图为安装滤 通过以上对单相开关电源整流和逆变的的理论 波器装置后的测试的电压波形图，其谐波含量仅为 分析可知，数控机床控制系统中一定存在谐波含量， １．２％，显然滤波器达到了非常好的效果。 通过测试可看出谐波含量较大，因此抑制谐波已是 当务之急，作者设计出一套三相无源滤波器装置， 通过对焊机的测试可看出接入滤波器装置后三相电 源的电压的纹波减少能达到满意的效果。同时接入 该滤波器后能提高功率因素，该滤波器对数控机床 控制系统中起到抑制谐波的作用，并且成本低，当 然也适用于其他开关电源设备中。 参考文献： 【１】曹太强，许建平，徐顺刚．开关电源谐波的研究『Ｊ】．电焊 机，２００７，５（３７）：５８—６０． ［２】徐政，译．电力系统谐波一基本原理、分析方法和滤波器设 计［Ｍ］．机械工业出版社，２００３． ［３］钱照明，等．电磁兼容设计基础及干扰抑制技术［Ｍ］．浙江 图３接入滤波器电压波形图 大学出版社，２０００。 第３２卷第３期２０１０—３ ［１５３１
