颗粒机配件新闻动态
富通新能源 > 动态 > 颗粒机配件新闻动态 > > 详细
BP神经网络算法在球磨机控制系统中的应用研究（二）
发布时间：2013-01-21 14:57 来源：未知
化指标也是随设备条件、煤质（特别是可磨系数）、运行工况而变化的，这对于实时控制在实现的方法上提出了很高的要求。
(4)球磨机制粉系统的模糊控制
模糊控制(FC)算法是本世纪70年代才发展起来的一种新型控制算法，其本质是一种非线性控制，它不需要知道被控对象的数学模型，并具有比常规控制系统更好的稳定性、更强的鲁棒性和良好的抗噪性能，而且容易跟人工操作经验相结合，可以有效地实现对非线性系统的控制。
模糊控制利用模糊语言规则，将运行人员的经验归纳后，存储到计算机中进行数值计算，实现模糊控制，首先通过调整给煤量、热、再循环风门，使磨煤机的磨负荷、出口温度和入口负压控制在给定范围内，即将磨煤机调整到最佳工况；其次，在负压、温度都正常的情况下，调整给煤量使磨煤机内存煤量最佳，达到出力最大和单耗最小。
另一种则是利用模糊控制的特点，认为当偏差较大时，控制的主要矛盾是要尽快减小偏差，使系统输出接近稳定值，即采用一种变结构的控制方案，大偏差时采用模糊控制方案，小偏差时采用PID控制，接近稳态时则为保持方式。
模糊控制方案无需磨煤机精确的数学模型，这对经典的控制方法是一个很犬的进步。但对于球磨机这种三输入三输出系统而言，由于模糊控制规则数太多，采用模糊控制查询表的方式来实现会带来很多不便。对于工程实际而言，将难以实现。如果采用递阶模糊控制，即将控制系统分为两级，第一级由三个并行的模糊控制器组成，第二级为协调级，相当于一个解耦器。通过这种递阶结构将原来的117649条规则减少到了490条，大大降低了模糊控制器设计和计算的复杂度，非常有利于工程的实现。
(5)球磨机制粉系统的预测控制
由于常规的模糊控制规则集中并没有包含对象纯滞后的信息，因此，寻找克服大纯滞后对象的模糊控制规则也是人们正在努力的一个方向。
有些学者提出了将球磨机的传递函数矩阵转换为球磨机的脉冲响应矩阵，根据系统的现在时刻和过去时刻的控制输入预测系统输出的未来值，实现预测控制。蔡松波提出采用模型算法控控制(MAC)对制粉系统进行控制，通过引入输出反馈消除误差。具体的模型算法控制由被控对象的内部模型、参考模型和控制变量的计算三大部分组成，其中参考模型用于生成参考轨迹，引导被控对象的输出沿着期望的、平滑的曲线无超调地收敛到给定值。采用预测二步控制算法求解三个回路的最优控制方案。针对MAC算法在对多变量耦合系统解耦时需要求解大量线性方程组的问题，王东风提出一种新型解耦思想，其核心思想是设，已被解耦，是独立给出的，这样就可使预测时域，和控制时域，均可根据具体情况而具有不同值。有些学者采用了动态矩阵控制(DMC)，同样是利用系统的脉冲响应曲线进行动态矩阵控制。DMC在控制量计算中加入了过程动态特性、多步预测系统输出，可以及时识别系统异常进行超前调节。而预测控制的难点在于预测传递函数的获取，特别对于像球磨机这种复杂的时变对象。
(6)球磨机制粉系统的神经网络控制
神经网络因其具有自学习、自适应的优点，并且不依赖具体数学模型，非常适合动态特性随运行工况大范围变化的对象。而球磨机就属于这类对象，因此一些学者已经开始尝试将神经网络应用在球磨机制粉系统中。姚钢等提出对温度和负压回路采用神经元解耦控制器，神经元采用Hebb学习规则和学习规则相结合，通过关联搜索对外界的变化做出相应的反应，从而达到了自学习的功能，并且具有较佳的解耦性能。但神经网络种类繁多并存在训练时间长、计算量大和训练收敛等问题。
(7)球磨机制粉系统的混合／集成控制
以上所提到的算法各有其优缺点，对于球磨机中储式制粉系统用单一控制方法很难同时解决所有问题。因此，学者们想到将多种控制理论结合使用，如PID与模糊结合、自适应与模糊结合、解耦控制与模糊控制结合、预测控制与模糊控制结合、自寻优控制与模糊控制结合、仿人智能控制与模糊控制绪合、专家与模糊结刽、预测控制与神经网络结合、模糊控制与神经网络结合等。但这些方法存在着随意性、不成熟性和应用性等方面问题，还有很多问题值得进一步探讨和研究。
1.2神经控制的历史及现状
在长期的科学技术发展中，人们也曾对人本身进行了很多研究；这些研究主要体现在医学和心理学上。后来，随着信息学的产生和发展，信息学家也介入了对人的研究，而这种研究主要是对人的智能的研究。各种学科的科学家对人脑的理解和探索角度是不一样的。
生物医学家企图从解剖学的角度来说明人的行为和人脑在这种行为中的作用。
心理学家则希望从人的记忆、思维、联想等心理活动的物征上来解释人脑的思想活动机理。
信息学家就试图从脑的拓扑结构，信息的传递，信息的存储方式，信息的加工方式来阐述脑的功能，并模拟人脑的工作功能。
生物、心理和信息这三个学科的科学家不断地对人脑的研究和互相影响，渐渐形成了一个新的学科，也就是神经网络。
19世纪中叶，西班牙解剖学家Cajal创建神经元学。Cajal等人发现在人脑中是由大量神经细胞组成了神经网络的。神经细胞是构成神经网络的最基本单元，故而也把神经细胞称为神经元。神经元的形状呈根状向两极伸展，其中含有细胞体和树突，细胞体和树突从其他神经元接收刺激，并由轴突把神经元冲动信号传到其端部的神经末梢。
但是，神经元在较长的一段时间内并没有很大的进展。直到1943年，美国的心理学家麦卡洛克(W,5．Mculloch)和数学家皮茨(W.A．Pitts)共同合作提出了神经元的数学模型，即M-P模型；从而开创了神经网络理论研究的历史。M-P模型把神经元看作一个逻辑元件，并以此来描述神经网络的功能；因此，M-P模型称为二值神经元阀值模型。
1949年，霍布(D.0．Hebb)根据心理学中条件反射的机理，对人工神经网络的学习方式进行了研究：并提出了改变神经元之间结合强度来进行学习的方法，即是Hebb学习法。这个学习法则认为：两个同时处于兴奋状态的神经元之间，它们的突触连接强度得到加强。这一法则是和心理学中的“条件反射”观点相一致的，同时，也在神经细胞学中得到了证实。Hebb学习法则的基本思想至今仍在各种神经网络的研究之中起重要作用。
50年代初期，生理学家Hodykin和数学家Huxley对神经细胞膜的等效电路进行了研究，并把细胞膜上离子的迁移变化的分别用可以变化的Na+电阻和K+电阻进行等效：当时给出了有重大的影响的Hodykin-Huxley方程。
人工智能的网络系统研究是从50年代中期开始的。
1954年，Farley和Clark提出了随机网络中自适应的激励一响应关系模型。这是神经网络中智能式模型研究的最早探讨。
1957年，罗森布拉特(F. Rosenblatt)提出T感知机(Perceptron)概念，它由阀值性神经元构成，用以模拟人脑的感知和学习能力：这是第一个学习型的神经网络模型。
1962年，温德罗(B.Windrow)提出了一种可以学习的自适应线性元件(Adaline)，它是一种连续取值的线性网络，能够学会识别一些简单的图形，如字母等。这种神经网络模型主要用于自适应系统。它的连续取值特点和当时占了主导地位的以顺序离散符号推理为基本特征的人工智能AI的研究途径完全不同；故而引起了人们的极大兴趣，但也由其产生了大量的争议。
1969年，人工智能的创造人之一明斯基(M. Minsky)和佩珀特出版一本叫做《感知机》(PercePtron)的书。这是他们对感知机的功能及局限性从数学角度进行了较长时间深入研究的结果。明斯基是麻省理工学院著名的人工智能专家，他认为感知机这一类单层神经网络的功能十分有限，甚至对一些十分简单的逻辑运算也无法解决；而大量的模式是不可能由简单的单层网络训练；同时，对多层网络的可行性尚未有把握，故而，把感知机引入到多层网络的研究是没有意义的。明斯基在人工智能研究领域中的崇高威望使他的言论对当时的人工智能领域研究人员有极大影响，因此，他在《感知机》一书中的悲观结论无疑给神经网络在感知机方向上的研究打上一个休止符。在此后多年中，神经网络的研究一直处于低潮状态。其中当然有多个原因。第一个原因是明斯基的低调论述影响研究人员的研究方向；第二个原因是当时尚未能找到一种神经网络有效的算法；第三个原因是集成电路正处于高速发展阶段，以冯·诺依曼(vonNeumann)结构为基础的数字电子计算机的运算及存储水平大大提高；以数字电子计算机为基础的人工智能得到了迅速发展，并取得了令人触目的成绩。大多数研究人员都以为只要进一步改进数字电子计算机的性能和发展优良的软件，就可以使人工智能向人脑的功能逼近。这种偏向使人们减轻了对神经网络的重视，也掩盖了人工智能技术研究的其它方向。
十分难能可贵的是，在神经网络的低潮中仍有部分研究人员坚持不懈地进行神经网络研究。他们没有受当时世界上学术界潮流的影响，而是刻心致力于神经网络这门学科的探索。同时，也取得了不少有用的结果。格罗伯格(Grossberg)在此期间提出了自适应共振理论；甘利俊- (Amari)对神经网络的数学理论进行了研究：安德森(Anderson)提出了BSB模型；韦伯斯(Webos)提出了反向传播算法；芬兰的Kohonen则提出了自组织映射理论；而Fukushima提出了神经认知网络理论等。也正是因为这些学者的潜心研究，他们的研究结果为神经网络发展奠定了理论基础。
1982年，美国加州理工学院的生物物理学家霍普菲尔德(J.J．Hopfield)提出了全互连型的模仿人类思维的神经网络模型，并利用所定义的计算能量函数，成功地解决了复杂性为NP完全型的旅行商问题TSP(Travelling Salesman Problem)。这项突破性的研究结果震惊了当时的学术界，使人们对神经网络的潜在功能力有了一个新的认识，并且重新掀起了研究神经网络的热潮。此后，神经网络的研究浪潮又卷土重来，并且，不断取得各种新的成果。
Feldmann和Ballard提出了连接网模型，同时，指出生物计算和传统人工智能计算之间的区别，给出了并行分布处理的计算原则。
1984年Hintont和Sejnowski共同提出Boltzman机模型，它借用了统计物理学中的有关概念和方法，并采用了多层网络的学习算法，也就是在学习的过程中采用模拟退火技术，使整个系统能保证趋于全局的稳定点。不过退火过程需要较长的时间，这是该模型的不足之处。
1986年，Rumelhart和McClelland提出了并行分布处理在认知微观结构中的功用；同时发展了用于多层网络的反向传播学习算法，即BP算法；这种算法把学习的结果反馈到中间层次的隐单元，改变其权系矩阵，进而达到预期学习的目的。它系统地解决了多层网络中隐单元连接权的学习问题，从而向人们展示了多层网络的良好前景。同时，也回答了明斯基等人在《感知机》-书中对多层网络提出的怀疑。
1988年，Kosko根据Soffer等人使用离散双向联想记忆网络DBAM (Discrete
Bidirectional Assocative Memory)的情况，提出了双向联想记忆网络DBAM。
同年，美国加州大学的Chua等人提出了细胞神经网络模型。它是一个大规格非线性系统，但是同时具有细胞自动机的动力学特性。
随着神经网络科学的发展，美国和日本等国家对神经网络给予很大的重视。世界上这方面的活动也频繁开展。
1987年6月，首届国际神经网络学术会议在美国加州的圣迪戈(San Diego)召开，并成立了国际神经网络学会。
1988年，世界上三名著名神经网络学家：东就大学的甘利俊教授(ShunichiAmari)波士顿大学的Stephen Grossberg教授和芬兰赫尔辛基技术大学的TeuvoKohonen教授主持创办了《神经网络》杂志。
美国电子电气工程师协会IEEE在1988年开始，每年和国际神经网络学会联合召开一次国际学术会议；IEEE并成立了神经网络委员会。
1990年，由IEEE主办的神经网络会刊在3月份问世。
我国在神经网络的研究中起步较迟，1986年才开展这方面的讨论会。但是，研究工作也开展较快。1989年10月和11月，在北京和广州分别召丌了神经网络及其应用学术会和第一届全国信号处理——神经网络学术会议。1990年在北京召开了神经网络首届全国学术会议。1991年12月在南京召丌了全国第二届神经网络学术会议。
现在世界上又掀起以神经网络为基础的神经计算机(Neurocomputer)的研究。这是～种具有自组织，自学习功能的智能计算机。它在文字，图形或其它模式识别方面有着比数字计算机强劲得多的能力。它在这些方面会取代数字计算机。
三门峡富通新能源销售球磨机、雷蒙磨粉机、饲料颗粒机等机械设备。
