毕业设计洗衣机模糊控制器.doc

实用标准文案 精彩文档 第4章 神经模糊控制洗衣机设计 20世纪90年代初期，日本松下公司推出了神经模糊控制全自动洗衣机。这种洗衣机能够自动判断衣服的质地软硬程度、衣量多少、脏污程度和性质等，应用神经模糊控制技术，自动生成模糊控制规则和隶属函数，预设洗衣水位、水流强度和洗涤时间，在整个洗衣过程中实时调整这些参数，达到最佳的洗衣效果。 4.1 洗衣机的模糊控制 洗衣机的主要被控参量为洗涤时间和水流强度，而影响这一输出参量的主要因子是被洗物的浑浊程度和浑浊性质，后者可用浑浊度的变化率来描述。在洗涤过程中，油污的浑浊度变化率小，泥污的浑浊度变化率打。因此，浑浊度及其变化率可以作为控制系统的输入参量，而洗涤时间和水流强度可作为控制量，计系统的输出，实际上，洗衣过程中的这类输入和输出之间很难用一定的数学模型来描述。系统运行过程中具有较大的不确定性，控制过程在很大程度上依赖操作者的经验，这样一来，利用常规的方法进行控制难以奏效。但是，如果利用专家知识进行控制决策，往往容易实现优化控制，这是在洗衣机中引入模糊控制技术的主要原因之一。 根据上述的模糊控制基本原理，可得出确定洗涤时间的模糊推理框图如图4-1所示。其输入量为洗涤水的浑浊度及其变化率，输出量为洗涤时间。考虑到适当的控制性能需要和简化程序，定义输入量浑浊度的模糊词集为清、较浊、浊、很浊；定义浑浊度变换率的模糊词集为零、小、中、大；定义输出变量洗涤时间的模糊词集为短、较短、标准、长。描述输入输出变量的词集都具有模糊特性，可以用模糊集合表示。因此，模糊概念的问题就转化为求取模糊集合的隶属函数的问题。 图4-1 确定洗涤时间的模糊推理框图 通常定义一个模糊子集，实际上就是确定模糊子集隶属函数形状的过程。将确定的隶属函数曲线离散化，就得到了有限个点上的隶属度，构成了一个相应的模糊子集。如图4-2所示，定义的隶属函数曲线表示论域x对模糊变量A的隶属程度。设定该隶属函数的论域x为： x=(-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6) 则有： 图4-2 模糊变量A的隶属度函数 论域x中除了2,3,4，5,6外，各点的隶属度均为0.那么模糊变量A的模糊子集为A=0.2/2+0.7/3+0.7/5+0.2/6。 通过这个例子可以看出，在隶属函数的曲线确定后，就可以很容易的定义出一个模糊变量的模糊子集。洗衣机模糊控制的输入和输出变量的隶属函数如图4-3所示，由此可以相继确定它们的模糊子集。 图4-3 洗衣机模糊变量隶属函数（a.浑浊度；b.浑浊度变化率；c.洗涤时间t） 洗衣机的模糊控制规则可以归纳16条，如表4-2所示。 表4-2 洗衣机的模糊控制规则表 洗涤时间 浑浊度 清 较浊 浊 很浊 变化 率 零 很小 中 大 短 标准 标准 标准 较短 标准 长 标准 标准 标准 长 长 标准 标准 长 长 4.2 洗衣机的神经网络模糊控制器的设计 洗衣机模糊控制的空脏部分框图如图4-4所示。模糊控制如图中虚线所示。模糊控制的过程是这样的，首先洗衣机获取的浑浊度信息由传感器送到信息处理单元，分为浑浊度和浑浊度变化率进入模糊控制器，对于输入的模糊量，需要将其转换成模糊变量。通过单片机，利用查表法按照模糊推理法则做出决策，结果被认为是模糊变量，经过去模糊化处理单元，再由执行机构去修改洗涤时间，这样就完成了一次模糊控制算法过程。 图4-4 模糊控制的控制部分框图 一般的模糊控制洗衣机将“专家经验”通过模糊控制规则表现出来，运行中通过查表做出控制决策，这比需要操作者设定程序的电脑控制洗衣机前进了一大步。但是，这种洗衣机由于规则进行控制，因此不够理想。而把神经网络和模糊控制相结合，则能够解决这些问题。 洗衣机的神经网络模糊控制是利用离线训练好的网络，通过在线计算即可得到最佳输出。这种控制模式的反应速度快，而且神经网络又具有自学习功能和联想能力，对于未在训练中出现的样本，也可以通过联系记忆的功能，做出控制决策，表现非常灵活。 洗衣机的神经网络模糊控制器的控制系统中含有多个神经模糊环节，下面介绍本设计中以浑浊度和浑浊度变化率为输入参量来确定洗涤时间的控制器。控制器的控制框图如图4-5所示，浑浊度神经网络结构如图4-6所示。 图4-5 神经网络模糊控制器的控制框图 图4-6 浑浊度神经网络结构 神经模糊控制器在输入和输出参量的选择，以及模糊论域和模糊子集的确定方面，与一般模糊控制器没