|
1 引言 模糊神經網絡是模糊邏輯控制和神經網絡兩者結合的產物。這兩者單獨使用時存在一定缺陷。模糊邏輯在一定的論域上具有很好的收斂性，并具有模糊量運算優勢；而神經網絡具有強自學習、自適應、并行運算和精確計算的能力。因此，這兩者相結合可大大提高綜合能力。 PLC在工業控制中應用廣泛，因此，功能強大，使用方便。因此，將模糊神經網絡算法應用于PLC中具有實際應用價值，使PLC在機械、民用等領域廣泛應用。這里提出一種基于PLC的模糊神經網絡算法實現方法。 2 模糊神經網絡系統結構 模糊神經網絡具有很多種結構和算法，對于不同控制對象，綜合考慮運算速度和精度，模糊神經網絡結構也有所不同。由于該實現方法沒有實際控制對象，為了說明在PLC上能實現模糊神經網絡算法，故選擇模糊神經網絡，如圖1所示。假設其中輸入兩個變量X1、X2，輸出變量為Y。將每個輸入因子分為：NM，NS，ZO，PS，PM等5個模糊狀態。 3 模糊神經網絡的學習步驟 選擇在線學習，在線學習期間學習速度不變。在線學習終止條件是性能指標E小于等于某一數值。這個指標值隨控制對象的改變而改變的。當確定控制對象時，該指標值可根據經驗確定。但是為了便于說明問題這里設置該指標值為0．002。具體學習步驟是：①θji、σji、ωi及η的初始值在[0，1]之間隨機選取，η的值為恒定值，根據經驗決定。②根據模糊神經算法計算出比較理想的θji(k+1)、σji(k+1)、ωi(k+1)值。③根據模糊神經算法計算E，若E≤0．002，迭代結束。否則，令θji(k+1)、σji(k+1)、ωi(k+1)為初始值并返回②。 4 模糊神經網絡算法在PLC的應用 4．1 模糊神經網絡學習階段的實現 在學習階段實現過程中，利用上位機向下位機傳輸樣本數據，具體運算過程是由下位機實現。 4．1．1 學習階段上位機程序實現 根據模糊神經網絡理論知識可知，樣本值是根據實際控制對象的需要而定的。為了說明問題，采用含有兩個輸入值和一個輸出期望值的較為簡單的樣本值。學習過程中上位機程序設計流程如圖2所示，具體過程如下： (1)初始化初始化樣本值和為后續傳輸樣本值做準備，通過PLC指令把樣本值寫入PLC的儲存地址，再次賦值給發送區的數據區，并把存儲第一個樣本值地址分別賦給VD712，VD716，VD720地址指針，這樣可為再次發送樣本值做準備。因為要發送的樣本值是不斷變化的，但是發送區不能變化，故使用地址指針達到兩者同步。 (2)接受請求接收下位機向上位機傳送的數據，該數據是告之上位機是否向下位機傳送樣本值。 (3)判斷VB703數據請求標志位VB703，對所接收的數據，判斷其值是否等于16#FF。而16#FF是通信協議中規定上位機給下位機傳送數據的標志。如果等于16#FF，則向下位機傳輸數據；否則就再次返回上一步。 (4)發送數據通過上位機通信程序向下位機發送樣本值，發送完后就結束第一次傳送樣本值，啟動新接收，等待下位機請求數據傳送信號。 4．1．2下位機程序實現 圖3為下位機程序流程，從中可以看到學習階段下位機程序的基本構想。 針對下位機程序流程這里需要說明的是： (1)初始化首先隨機選取[0，1]內θji、σji、ωi及η的初始值，通過PLC指令把這些值賦給存儲單元；其次對學習過程中用到的常數賦值，同樣賦給存儲單元；最后，要把請求數據傳送的標志位VB703置位。 (2)初始值計算由于初始化中請求數據傳送，首先通過下位機的通信程序取得數據，并且接收樣本數據后．復位VB703，告知上位機不再傳送數據。接著利用初始化已賦值的第一組權值，計算第一組樣本值為輸入時輸出值、輸出值與期望輸出值的差值以及后續計算所要用到的數據。 (3)權值、E(性能指標)值計算在第上一步的基礎上計算權值和E值。具體算法可參考模糊神經網絡算法．且易于在PLC平臺上實現。 (4)E值判斷把計算的E值與0．002相比較。如果E≤0．002，說明計算的函數變量、權值已達到預期目標，學習過程結束。結束的同時觸發外接設備的開關量，利用外接設備讀取這些計算結果。相反，則需繼續學習過程。并將不滿足性能指標第3步計算出的函數變量、權值賦給下一步重新計算y值所需的地址內，把請求數據標志位VB703置位．并向上位機發送，從而為新y值的計算做好準備。 (5)學習過程中Y值計算由于已把請求數據標志位置位，因此，首先通過通信程序先取樣本，取完樣本值后復位VB703，告知上位機不再傳樣本值，接著計算新的Y值，以便計算新的函數變量、權值以及E值。學習過程下位機主程序實現如圖4所示。 4．2 模糊神經網絡現場工作過程實現 當學習階段結束后，通過現場采集數據，建立數據庫并把采集的數據當做輸人，運用訓練好的權值和模糊神經網絡算法，得到控制對象所需的控制值。要實現以上工作步驟。仍然需要上下位機合作，故而程序設計分為上位機和下位機兩部分。 4．2．1上位機程序實現 現場工作中上位機程序設計功能與學習階段相一致，主要區別；在學習階段初始化的和需要給下位機傳送的樣本值變成了通過外接設備現場采集到的數值。在PLC程序的初始化中，把采集值從外接設備的地址中賦值到發送區的數據區。因為采集值是在一定的周期內變化的，所以是實時的。故無需地址指針使兩者工作同步。 4．2．2 下位機程序實現 由圖5現場工作過程中下位機程序流程可知．下位機在現場工作過程中的具體步驟： (1)初始化下位機初始化首先要把學習過程訓練好的θji、σji、η的值，通過PLc指令把其賦給存儲單元；其次要對后續Y值計算過程中用到的常數賦值，同樣也要賦給存儲單元；最后，要把請求數據傳送的標志位VB703置位。并發送給上位機。 (2)接收采集值 首先接收上位機的采集值，接著把采集的值賦給即將進行Y值運算的儲存地址。同時將請求數據傳輸標志位VB703復位，并傳送給上位機，要求停止繼續向下位機傳輸采集值。 (3)輸出y值計算利用上一步提供的采集數據、初始化步驟中的權值和模糊神經網絡算法，以PLC為平臺進行計算，將計算所得值賦給外接輸出設備的存儲地址．同時根據現場情況控制請求數據接收標志位VB703是否置位。 (4)VB703判斷若VB703=16#FF，那么啟動新的數據接收，即跳轉到第二步。如果VB703≠16#FF，則跳轉到結束。但要知道的是這兩種結果是工作人員根據現場情況在第3步中已確定的�，F場工作過程中下位機主程序實現如圖6所示。 5 結論 通過對模糊神經網絡學習過程和現場工作過程的PLC程序的仿真，結果表明：學習過程的PLC程序，利用模糊神經網絡自學習能力，當不滿足性能指標時，系統則根據梯度下降策略自動的調整權值、隸屬函數的和，直到輸出滿足要求為止。現場工作過程PLC程序，在采集值確定情況下．能夠得出確定的輸出值，達到預期效果。 |
