材料成型控制工程基礎(chǔ) PPT學(xué)習(xí)教案

1、會計學(xué)1 材料成型控制工程基礎(chǔ)材料成型控制工程基礎(chǔ) PPT課件課件 2 第1頁/共33頁 3 第2頁/共33頁 4 第3頁/共33頁 5 第4頁/共33頁 4.1.1. PID控制器數(shù)字化控制器數(shù)字化 1. 模擬PID控制器 PID控制器的理想化方程為： t te Ttte T teKtu t d )(d d)( 1 )()( d 0 i p PID控制算法的數(shù)字實現(xiàn) 采用單片微機作為控制器核心的自動控制系統(tǒng)簡化框圖，如圖4.1所示。 圖4.1 單片微機閉環(huán)控制系統(tǒng)框圖 第5頁/共33頁 )1()()()()( d 0i p keke T T ie T T keKku k i （4-2） )2

2、() 1() 1() 1() 1( d 1 0i p keke T T ie T T keKku k i )2() 1()() 1()( 210 keqkeqkeqkuku T T T T Kq d i p0 1 T T Kq d p1 21 T T Kq d p2 根據(jù)式（4-2）可寫出k-1次采樣的輸出為： 用式（4-2）減去式（4-3）得： 式中， （4-3） （4-4） 第6頁/共33頁 如果用梯形積分形式逼近連續(xù)積分，則得： )1()()( 2 )()0( )()( d 0i p keke T T ie kee T T keKku k i （4-6） 減去相應(yīng)的u(k-1)后，又得到

3、一個如下的遞推關(guān)系式： )2() 1()() 1()( 210 keqkeqkeqkuku （4-7） T T T T Kq d i p0 2 3 1 i d p1 2 21 T T T T Kq T T Kq d p2 式中， 第7頁/共33頁 1. PID積分分離控制 在一般的PID控制方式中，在開始或停止工作的瞬間，或者大幅度地給定量時， 由于偏差較大，故在積分項的作用下，將會產(chǎn)生一個很大的超調(diào)，如圖4.3中曲線2所示。 圖4.3 積分分離作用曲線比較 第8頁/共33頁 2.模糊PID控制 1）混合型模糊PID控制器 圖4.4所示模糊控制器結(jié)構(gòu)是由一個常規(guī)積分控制器和一個二維模糊控制器相

4、并聯(lián) 而構(gòu)成的。 圖4.4 混合型模糊PID控制器 2）誤差e模糊積分的PID模糊控制器 它是一種對誤差e的模糊值進行積分的PID控制器，這種對誤差e的模糊值進行積分的 PID模糊控制器可用來消除大的系統(tǒng)余差。 在模糊PID控制中，為了進一步完善PID控制器的自適應(yīng)性能， 還有一些其他形式的模糊PID控制器。 圖4.5 誤差e模糊積分的PID模糊控制器 第9頁/共33頁 3.專家PID控制 專家PID控制系統(tǒng)原理框圖如圖4.6所示 圖4.6 專家PID控制系統(tǒng)原理框圖 4.智能PID自學(xué)習(xí)控制 智能PID自學(xué)習(xí)控制系統(tǒng)的結(jié)構(gòu)如圖4.7所示 圖4.7 智能PID自學(xué)習(xí)控制系統(tǒng)結(jié)構(gòu)框圖 第10頁/

5、共33頁 5.基于神經(jīng)網(wǎng)絡(luò)的PID控制 基于神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖4.8所示 圖4.8 基于神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)框圖 第11頁/共33頁 專家系統(tǒng)定義 專家系統(tǒng)（Expert Systems，簡記ES）也稱為基于知識的系統(tǒng)，是人工智能的一個最為重要 的應(yīng)用領(lǐng)域。所謂專家系統(tǒng)就是利用存儲在計算機內(nèi)的某一特定領(lǐng)域內(nèi)人類專家的知識， 來解決過去 需要人類專家才能解決的現(xiàn)實問題的計算機系統(tǒng)。 從結(jié)構(gòu)組成的角度來看，專家系統(tǒng)是一個由存放專門領(lǐng)域知識的知識庫， 以及一個能選擇和運用知識的推理機制組成的計算機系統(tǒng)。 第12頁/共33頁 模糊控制器設(shè)計 1.模糊系統(tǒng)結(jié)構(gòu) 一般模糊控制系統(tǒng)（如Fu

6、zzy控制系統(tǒng)）的基本結(jié)構(gòu)組成如圖4.20所示 圖4.20 Fuzzy控制系統(tǒng)框圖 第13頁/共33頁 2. 精確量Fuzzy化 1）模糊控制器的語言變量 Fuzzy控制器的語言變量是指其輸入變量和輸出變量而言， 它們是以自然語言形式，而不是以數(shù)值形式給出的變量 2）量化因子與比例因子 3）語言變量值的選取 4）語言變量論域上的Fuzzy子集 語言變量論域上的Fuzzy子集由隸屬函數(shù) (x)來描述。 Fuzzy子集當中，具有最大隸屬度“1”的元素人們習(xí)慣取為： PB(x) =1x = +6 PM(x) =1x = +4 PS(x) =1x = +2 P0(x) =1x = +0 N0(x) =

7、1x = -0 NS(x) =1x = -2 NM(x) =1x = -4 NB(x) = 1x = -6 又根據(jù)人們對事物的判斷往往沿用正態(tài)分布的思維特點，還常采用正態(tài)函數(shù)： 2 )( b ax ex A （4-37） 第14頁/共33頁 3.模糊控制算法設(shè)計 1）單輸入單輸出Fuzzy控制器 圖4.22為單輸入單輸出Fuzzy控制器的方框圖， 這類輸入和輸出均為一維的Fuzzy控制器，其控制規(guī)則通常由Fuzzy條件語句： if A then B （4-38） if A then B else C （4-39） 圖4.22 單輸入單輸出Fuzzy控制器方框圖 2）雙輸入單輸出Fuzzy控制器

8、 圖4.23為雙輸入單輸出Fuzzy控制器的方框圖， 這類Fuzzy控制器的控制規(guī)則通常由Fuzzy條件語句： if E and EC then U （4-40） 圖4.23 雙輸入單輸出Fuzzy控制器方框圖 第15頁/共33頁 3）多輸入單輸出Fuzzy控制器 圖4.24為具有輸入A, B, , N以及輸出U的多輸入單輸出Fuzzy控制器的方框圖 ， 其控制規(guī)則通常由Fuzzy條件語句： if A and B andand N then U （4-41） 圖4.24 多輸入單輸出Fuzzy控制器方框圖 4）雙輸入多輸出Fuzzy控制器 圖4.25為具有雙輸入多輸出的Fuzzy控制器方框圖

9、， 這類Fuzzy控制器的控制規(guī)則可由一組Fuzzy條件語句： if E and EC then U and if E and EC then V and （4-42） and if E and EC then W 圖4.25 雙輸入多輸出Fuzzy控制器方框圖 第16頁/共33頁 由一組若干條Fuzzy條件語句表達的控制規(guī)則， 還可寫出一種稱為Fuzzy控制狀態(tài)表的表格，它是控制規(guī)則的另一種表達形式。 在設(shè)計Fuzzy控制器時，采用二者當中任何一種關(guān)于控制規(guī)則的表達形式都是可以的， 如表4-4所示。 表4-4 Fuzzy控制狀態(tài)表 第17頁/共33頁 5）反映控制規(guī)則的Fuzzy關(guān)系 在計算

10、出每一條Fuzzy條件語句決定的Fuzzy關(guān)系Ri（i=1, 2, , m） （其中m為一組Fuzzy條件語句中的語句數(shù)）之后，考慮到此等Fuzzy條件語句間的“或”關(guān)系， 可得描述整個系統(tǒng)的控制規(guī)則的總Fuzzy關(guān)系R為： i m i m RRRRR 1 21 （4-43） 第18頁/共33頁 4.輸出信息的Fuzzy判決 Fuzzy控制器的輸出是一個Fuzzy集合，它反映了控制語言的不同取值的一種組合， 如果被控過程只能接受一個控制量，這就需要從輸出的Fuzzy子集中判決一個精確的控制量， 也就是設(shè)計一個由Fuzzy集合到普通集合的映射，這個映射稱為判決。判決的方法很多， 較常用的有下列幾

11、種。 1）最大隸屬度法 這個方法是在輸出Fuzzy集合中選取隸屬度最大的論域元素作為判決結(jié)果。 如果在多個論域元素上同時出現(xiàn)隸屬度最大值，則取它們的平均值作為判決結(jié)果。 2）取中位數(shù)法 為充分利用輸出Fuzzy集合所包含的信息，可將描述輸出Fuzzy集合的隸屬函數(shù)曲線與 橫坐標圍成區(qū)域的面積均分點對應(yīng)的論域元素作為判決結(jié)果。這種方法稱為取中位數(shù)法。 3）加權(quán)平均法 該法針對論域中的每個元素xi（i = 1, 2, , n），以它作為待判決輸出Fuzzy集合U1的隸屬度 )( 1 iu x 的加權(quán)系數(shù)，即取乘積 )( 1 iui xx （i = 1, 2, , n），再計算該乘積和 n i iu

12、i xx 1 )( 1 對于隸屬度和 n i iu x 1 )( 1 的平均值x0，即： n i iu n i iui x xx x 1 1 0 )( )( 1 1 （4-44） 平均值x0便是應(yīng)用加權(quán)平均法為Fuzzy集合U1求得的判決結(jié)果。 第19頁/共33頁 5.Fuzzy控制器查詢表建立 表4-5是焊接過程控制的一個典型Fuzzy控制器查詢表。 表4-5 Fuzzy控制器查詢表 第20頁/共33頁 6. Fuzzy控制器的設(shè)計 1）Fuzzy控制器的語言變量 2）輸入語言變量誤差E，誤差變化EC和輸出語言變量控制量變化U的賦值表 表4-6 語言變量E的賦值表 通過操作者的實踐經(jīng)驗總結(jié)，

13、可確定出在論域X上 用以描述Fuzzy子集PB, , NB的隸屬函數(shù)(x)，并據(jù)此建立語言變量E的賦值表（見表4-6） 第21頁/共33頁 通過操作者的實踐經(jīng)驗總結(jié)， 在確定出Fuzzy子集PB, , NB的隸屬函數(shù)(x)之后，便可建立語言變量EC的賦值表（見表4-7） 表4-7 語言變量EC的賦值表 第22頁/共33頁 表4-7 語言變量EC的賦值表 通過操作者的實踐經(jīng)驗總結(jié)， 在確定出Fuzzy子集PB, , NB的隸屬函數(shù)(x)之后，便可建立語言變量EC的賦值表（見表4-7）。 第23頁/共33頁 3）Fuzzy控制狀態(tài)表 表4-9 Fuzzy控制狀態(tài)表 基于操作者手動控制策略的總結(jié)，得

14、出一組由49條Fuzzy條件語句構(gòu)成的控制規(guī)則： 1 if E=NB and EC=PB then U=PB 2 or if E =NM and EC =PB then U =PM 3 or 47 or 48 or if E =PM and EC =NB then U =NM 49 or if E =PB and EC =NB then U =NB 將上述49條Fuzzy條件語句加以歸納， 可建立反映焊縫溫度場控制系統(tǒng)控制規(guī)則的Fuzzy控制狀態(tài)表（見表4-9）。 表中有“”號的空格代表不可能出現(xiàn)的情況，稱為死區(qū)。 4）查詢表 第24頁/共33頁 4.4.1神經(jīng)網(wǎng)絡(luò)控制的優(yōu)越性神經(jīng)網(wǎng)絡(luò)控制的優(yōu)

15、越性 從控制角度看，神經(jīng)網(wǎng)絡(luò)用于控制的優(yōu)越性主要表現(xiàn)為： （1）神經(jīng)網(wǎng)絡(luò)可以處理那些難以用模型或規(guī)則描述的過程或系統(tǒng)。 （2）神經(jīng)網(wǎng)絡(luò)采用并行分布式信息處理方式，具有很強的容錯性。 （3）神經(jīng)網(wǎng)絡(luò)是本質(zhì)的非線性系統(tǒng)。 （4）神經(jīng)網(wǎng)絡(luò)具有很強的信息綜合能力。 （5）神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)愈趨方便。 目前已被廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)種類大致如圖4.26所示。 圖4.26 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分類示意圖 第25頁/共33頁 4.4.2神經(jīng)元模型 神經(jīng)元一般是多輸入一單輸出的非線性器件，如圖4.27所示。 圖4.27 神經(jīng)元結(jié)構(gòu)模型 常用的神經(jīng)元非線性特性有以下四種： (1) 閾值型（見圖4.28） 0 0 0 1

16、 )( i i i Net Net Netf 圖4.28閾值函數(shù) (4-48) 第26頁/共33頁 （2）分段線性型（見圖4.29） 1 010 0 max 0 )( ii ii ii ii NetNet NetNetNet NetNet f kNetNetf (4-49) 圖4.29線性函數(shù) （3）Sigmoid函數(shù)型（見圖4.30） T Net i i e Netf 1 1 )( (4-50) （4）Tan函數(shù)型（見圖4.31） T Net T Net T Net T Net i ii ii ee ee Netf )( (4-51) 圖4.30 Sigmoid函數(shù) 圖4.31 Tan函數(shù)

17、第27頁/共33頁 4.4.3神經(jīng)網(wǎng)絡(luò)的模型分類 神經(jīng)網(wǎng)絡(luò)模型可分為： （1）神經(jīng)元層次模型。 （2）組合式模型。 （3）網(wǎng)絡(luò)層次模型。 （4）神經(jīng)系統(tǒng)層次模型。 根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)可分為以下四種形式： （1）前向網(wǎng)絡(luò)。如圖 4-32（a）所示 （2）反饋網(wǎng)絡(luò)。如圖4-32（b）所示。 （3）相互結(jié)合型網(wǎng)絡(luò)。如圖4-32（c）所示。 （4）混合型網(wǎng)絡(luò)。如圖4-32（d）所示 圖4-32 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖 第28頁/共33頁 4.4.4神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 學(xué)習(xí)的過程實質(zhì)上是針對一組給定輸入p（p=1,2,，N）使網(wǎng)絡(luò)產(chǎn)生相應(yīng)的期望輸出的過程。 總的來說，神經(jīng)網(wǎng)絡(luò)的學(xué)

18、習(xí)算法分為兩大類：有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)，分別如圖4.33和圖4.34所示。 圖4.33有導(dǎo)師指導(dǎo)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式 圖4.34 無導(dǎo)師指導(dǎo)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式 學(xué)習(xí)規(guī)則根據(jù)連接權(quán)系數(shù)的改變方式不同又可分為如下二類： （1）相關(guān)學(xué)習(xí)。 （2）糾錯學(xué)習(xí)。 （3）無導(dǎo)師學(xué)習(xí)。 第29頁/共33頁 4.4.5神經(jīng)網(wǎng)絡(luò)的泛化能力神經(jīng)網(wǎng)絡(luò)的泛化能力 神經(jīng)網(wǎng)絡(luò)的泛化又可以看作是一種多維插值。 為了說明這一點，我們先來看一個例子。假設(shè)給定5個樣本點，如圖4.35所示。 圖 4.35 多項式插值示意圖 第30頁/共33頁 綜合目前各國專家的分類法， 我們將一些典型的神經(jīng)網(wǎng)絡(luò)的控制結(jié)構(gòu)和學(xué)習(xí)方式歸結(jié)為以下七類。 4.4.6 神經(jīng)網(wǎng)絡(luò)控制方案神經(jīng)網(wǎng)絡(luò)控制方案 （1）導(dǎo)師指導(dǎo)下的控制器。結(jié)構(gòu)示意圖如圖4.36所示。 （2）逆控制器。圖4.37給出了這種控制結(jié)構(gòu)的示意圖。 圖4.36 導(dǎo)師指導(dǎo)下的神經(jīng)控制結(jié)構(gòu)圖 圖4.37逆控制器的結(jié)構(gòu)圖 （3）自適應(yīng)網(wǎng)絡(luò)控制器。圖4.38給出了自適應(yīng)網(wǎng)絡(luò)控制器的系統(tǒng)結(jié)構(gòu)。 圖4.38 自適應(yīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)圖 第31頁/共33頁