混合智能控制在谷物干燥过程中的应用

（1.石河子大学机电工程学院，新疆石河子832000；2.中国农业大学工学院，北京10083；3.浙江大学农业工程与食品科学学院，浙江杭州提出了一套将模糊控制与神经网络和遗传算法相结合，形成混合智能途径用于谷物干燥过程的具体实施方案。
农业工程；谷物干燥；应用；模糊控制；神经网络；遗传算法养1模糊控制存在的缺陷模糊控制模拟人的模糊逻辑思维功能，把模糊语言逻辑用于过程控制，不需要知道控制对象的数学模型，能克服非线性、不确定性等因素的影响，是一种比较好的智能控制方法。从这个角度来看，对谷物干燥实施模糊控制是可行的，但经典模糊逻辑控制器在设计方法上存在的问题是不容忽视的。
由于输入输出模糊变量的隶属函数形状人为确定，主观性较强，设计出来的隶属函数不一定是对整个变量论域的优分划。用这样的隶属函数去参与控制，难以得到优或是较优的控制效果。
控制规则主要依赖于人工控制经验的总结，对于类似谷物干燥这种复杂的工业过程，往往难于获取实际应用中确实佳的控制规则，也难以用试凑的方法正确选取模糊变量的隶属度，从而影响模糊控制的效果。
这两种情形在模糊控制器的设计中普遍存在，它们直接影响到控制器的设计和终性能，并且这种经验性的、粗糙的部分，用以往的优化方法往往难于优化。因此，可以通过目前已有较多研究的神经网络的自学习功能进行优化。
2神经网络建模的原理和方法神经网络之所以能广泛用于控制领域，其主要吸引力在于：（1）多层前馈神经网络能以任意精度逼近非线性映射，给复杂系统的建模带来一种新的、非传统的表达工具。
（2）固有的学习能力降低了不确定性，增加了适应环境变化的能力。
并行处理问题的方式便于快速实现大量复杂的控制算法；分布式信息存储与处理结构具有的容错性。
多输入、多输出的结构模型可方便地应用于多变量控制系统。
对于谷物干燥这样一个多因素共同作用的非线性过程，用ANN建模无疑显得非常简便易行。
ANN由许多称为神经元的彼此高度连接、排列成层的处理单元组成，一般包括一个输入层、一个输出层和一个或一个以上隐层。它们之间的连接是任意的，连接方式也有若干种，如前向网络、后向网络。
每个神经元有多个输入和一个输出，通过计算输入权重和与阈值进行比较。如果权重和大于阈值，则处理单元被激发产生输出信号；否则没有输出。阈值由传递函数确定，常用的传递函数是S函数或S形曲线。此函数在全域内是连续的，因此大多数神经网络都选用此函数作为传递函数。计算时，由输入量的权重和减去阈值，得到净输入，对净输入进行一次非线性变换得到终的输出值，数学表达式为换函数，通常取fOl/G+e-1）；Wj为第/个神经元与第j个神经元的连接强度；0为偏置值；凡为神经元的输入。
目前，干燥领域的研究大多集中在BP算法的建模，一般采用多层完全连接前馈神经网络。所示即为一个有3个输入单元、9个隐单元和2个输浙江省科技计划项目（991101043）马蓉（1974-），女（回族），甘肃平凉人，讲师，中国农业大学博士生，主要从事农业机械化与自动化的教学与科研工作出单元的3层前向网络。
其运行一般要经过3个阶段，即训练阶段、回想阶段和预测阶段。在训练阶段，反复向ANN提供一系列的输入一输出模式，通过不断调整连接权值，直至特定输入产生所期望输出。由于神经网络是靠过去的经验来进行学习，建模不涉及过程内部机制，只要用大量数据对网络进行训练，网络就能找出输入与输出之间的映射关系，因此在设计网络之前，必须整理好如何训练网络的数据，注意训练样本各种可能模式之间的平衡，避免人为因素的干扰，这是神经网络应用的关键之一。回想阶段把训练网络的数据提供给网络来辨识，以增强网络的鲁棒性。
当训练到一定次数时，网络就能够很好地对过程进行模拟，预测输出含水量和排气温度参数。但BP网络的训练一般都有一个优值，容易训练过度，达到一定程度时，网络只是地记住训练数据，往往对其他数据的预测精度较差。虽然可通过正确的训练和检验来改善，但一方面训练时间长得往往令人难以接受，而且训练过程中，不收敛的情形是常有的。即便采取了许多提高学习效率的方法（如动量法、用高斯函数代替S函数等），学习速率有了提高，但总的来说，学习还是很慢。
3模糊控制与神经网络相结合的途径将模糊逻辑和神经网络结合在一起构成的模糊神经网络（FNN），一方面可利用模糊规则对人工神经网络的结构和参数训练进行指导，提供一种结构化控制框架来表示神经网络的输入/输出关系；另一方面可反过来利用神经网络的自学习和适应能力，来确定模糊规则中的隶属度函数及隶属度，将神经网络突出的计算和学习能力嵌入模糊控制器，通过调整隶属函数获得佳控制策略。这种控制器结构简单、易于实现。为用于物干燥过程控制的FNN拓扑结构图。系统共有5层，有两个输入变量和一个输出变量，每个输入变量划分为7个隶属函数，每个模糊量的词集为正大（PB）、正中（PM）、正小第1层：节点仅将输入信号传到下一层。
第2层：为输入变量隶属函数模糊语言变量的词集，连接权重都取为1.第3层：连接用来完成模糊规则的匹配，信号由2层传来，每个节点有两个输入值。采用小隶属函数原则来决定每条规则的激活量。该层节点的输出由模糊“并”运算决定，该层连接权重均取为1.第4层：节点执行模糊“或”运算，结合激活规则得到该层输出的语言变量。
第5层：节点计算FNN的控制信号、输出节点与第5层连接构成决策器，从而得到一个佳控制策略。连接权重是隶属函数中心值和宽度值的乘积。
其中，训练网络采用的BP算法用于减小期望输出与实际输出的误差值，从而得到优的隶属函数和模糊控制规则。为克服BP网络容易限于局部小的缺陷，可在神经网络训练环节引入遗传算法来实现结构和参数的快速、全局寻优，从而弥补BP算法基于梯度寻优易陷入局部优的缺点，提高寻优性能。
4模糊神经网络与遗传算法相结合的控制模糊控制系统虽然可读性强且简便易行，但由于它对专家知识依赖，所有参数都必须人为决定而不具备自主学习能力，从而不仅确定参数的工作十分耗时，而且所建成系统趋于僵化，缺乏对问题及环境变化的适应性。另外，在很多场合下，往往由于无法获得足够的专家知识，或者很难、甚至不能把专家对系统的认识和经验表达为“IF?THEN”的简单规则形式，这些都限制了模糊系统的应用。
为了提高模糊控制器的自适应性，可采用模糊神经网络这种已得到广泛认同的好方法。从仿生学的角度来看，模糊控制和神经网络都是通过模拟人脑达到控制的。它们在求解一类不确定系统的问题时，表现出了相似的求解能力，因而可将这两种方法结合使用，以提高系统的设计效率及设计性能并扬长避短。综合了这二者的模糊神经网络技术相当于将人脑的“软件”和“硬件”合为一体，既利用神经网络的自适应、自学习能力来确定模糊规则中的模糊隶属函数及隶属度，反之又利用模糊规则对神经网络的训练进行指导。但如果采用目前常用的BP算法，则要求模糊系统所包含的专家知识为神经网络的学习首先提供一个较好的出发点和指导方向，否则将无法保证BP算法的良好运行。
遗传算法（GA）是借鉴生物的自然选择和遗传进行机理而提出的一种自适应概率性的搜索和优化方法，是一种进化论的数学模型。它是一种高效的拟自然随机优化工具，不需要了解对象的内部机理，仅仅由适应值驱动，易于与其它技术结合用于智能控制的参数、结构或环境的优控制。它是一种全局优化算法，采用多点的方式并行搜索解空间，因此能够获得近似优的全局解，而不会陷入局部极小；它的另一个主要优点是它对优化问题的限制很少，不需要确切的系统知识（如梯度信息等），对问题的初始条件要求也很少，只要给出一个能评价解的优劣的目标函数（对这个目标函数既不要求连续也不要求可微）。
5结论基于以上思想，笔者认为，构造一种综合遗传算法和传统的梯度下降学习算法优势的混合遗传算法，将有助于解决上述矛盾。其基本思想是：先利用遗传算法的全局性对模糊控制器的参数进行“粗略的”大范围寻优，再利用梯度法的局部性对隶属函数和模糊规则进行“的”细化调整。在整个搜索进程中，每种方法的作用都被限定在一个“部分的”范围内，从而一方面克服梯度法对初始值的依赖和局部收敛问题；另一方面也克服单纯遗传算法所带有的盲目性和概率性问题，提高其搜索效率。
这样做的结果，将有望显著改善算法的收敛性，在弱化它对初始条件的依赖程度的同时，保证其收敛方向。即使在对问题所知有限的情况下，仍然能够得到比较满意的训练结果，利用GA全局寻优的特点来训练神经网络，以克服结合BP算法的模糊一神经网络技术常陷入局部优解的困境，并保证可得到优良的训练结果。将智能控制系统中的3个主要方面相互结合，构成一种将模糊控制、神经网络、遗传算法3者相结合的控制器，作为前期的理论研究。
这种方案对今后的理论及实际工作都会有一定的指导意义，是一条值得尝试的控制途径。
李士勇。模糊控制神经控制和智能控制论。哈尔滨：哈尔滨工业大学出版社，1996.方建军，曹崇文。利用人工神经网络建立谷物干燥模型。中国农业大学学报，1997，2（6）：35-38.张际先，宓霞。神经网络及其在工程中的应用。
北京：机械工业出版社，1996.