[发明专利]一种基于模糊神经网络的制氧机压力控制方法

摘要

本发明涉及一种基于模糊神经网络的制氧机压力控制方法，包括以下步骤：第一步，构建模糊神经网络控制器，该模糊神经网络控制器包括前件网络和后件网络；前件网络包含4层，该4层为：前件网络输入层，模糊化层，模糊规则匹配层，归一化层；后件网络包括3层，该3层为：后件网络输入层，规则后件计算层，控制器输出层。本发明涉及的基于模糊神经网络的制氧机压力控制方法，结合了模糊控制和神经网络控制的优势，用于对制氧机系统压力进行动态实时控制，能够解决以时间控制切换或固定压力限值方式工作制氧机的不足，利于稳定连续地制备高浓度的氧气。

主权项

1.一种基于模糊神经网络的制氧机压力控制方法，其特征在于，包括以下步骤：第一步，构建模糊神经网络控制器，该模糊神经网络控制器包括前件网络和后件网络；定义系统输入变量为x₁及x₂，x₁＝er＝p_d‑p，其中，p_d为压力设定值，p为压力测定值，er为压力误差，ec为压力误差变化率，即er对时间t的导数；所述前件网络包含4层，该4层分别为：第一层，为前件网络输入层，具有2个结点，分别将所述输入变量x1及x2传送至下述模糊化层；第二层，为模糊化层，将输入变量x1及x2各划分为mi个模糊子集，所述模糊子集的隶属度函数均采用高斯函数，表达式如下式一：其中，是输入变量x_i的第q_i(q_i＝1,2,…,m_i)个模糊子集的隶属度函数，i＝1,2为输入变量的序号，m_i为输入变量x_i的模糊分割数，和分别为隶属度函数的中心值和宽度，所述模糊化层的结点总数为第三层，为模糊规则匹配层，采用相乘运算计算每条规则的适用度αj，表达式如下式二：其中，q_1j∈{1,2,…,m₁}，q_2j∈{1,2,…,m₂}，j＝1,2,…,m，规则总数为第四层，为归一化层，计算归一化的规则适用度计算式如下式三：其中，j＝1,2,…,m；αs为每条规则的适用度，与αj所代表的意义相同，所述式三中αs用于表述对m条规则的适用度求和，s＝1,2,…,m；所述后件网络包括3层，该3层分别为：第一层，为后件网络输入层，具有3个结点，其中第0个结点的输入值为x0＝1，第1个和第2个结点分别输入变量x1及x2；第二层，为规则后件计算层，计算每一条规则的后件uj，表达式如下式四：其中，j＝1,2,…,m；x0＝1；l＝0,1,2；wjl为后件网络对应第j条规则与输入值xl之间的连接权；第三层，为控制器输出层，计算模糊神经网络控制器的输出u，表达式如下式五：其中，j＝1,2,…,m；为归一化的规则适用度；u_j为每一条规则的后件；第二步，采用误差反向传播的BP算法进行迭代计算，获取上述第一步所建立的控制器中规则后件连接权值、规则前件隶属度函数中心值及宽度学习算法，在线实时调整所述第一步中控制器的各参数，使制氧机系统压力稳定追踪基于专家经验的优化设定值；取误差代价函数E为如下式六：所述后件网络连接权值wjl的学习算法为如下式七：所述前件网络第二层各结点隶属度函数的中心值的学习算法为如下式八：所述前件网络第二层各结点隶属度函数的宽度的学习算法为如下式九：其中，j＝1,2,…,m；l＝0,1,2；η为学习速率；β为动量因子；(k)表示时间步；(k+1)表示下一时间步；(k‑1)表示前一时间步；wjl(k+1)、wjl(k)及wjl(k‑1)分别为第(k+1)时间步、第(k)时间步及第(k‑1)时间步的连接权值；p(k)为第(k)时间步的压力测定值，p(k‑1)为第(k‑1)时间步的压力测定值；u(k)为模糊神经网络控制器在第(k)时间步的输出，u(k‑1)为模糊神经网络控制器在第(k‑1)时间步的输出；及分别为隶属度函数在第(k+1)时间步、第(k)时间步及第(k‑1)时间步的中心值；及分别为隶属度函数在第(k+1)时间步、第(k)时间步及第(k‑1)时间步的宽度。