國立勤益科技大學 冷凍空調與能源系 實務專題成果展

Presentation on theme: "國立勤益科技大學 冷凍空調與能源系 實務專題成果展"— Presentation transcript:

1 國立勤益科技大學 冷凍空調與能源系 實務專題成果展
國立勤益科技大學 冷凍空調與能源系 實務專題成果展 模糊控制、類神經網路的系統模糊鑑別應用 指導老師：張雅羚 組別：23 專題學生：李忠穎 楊正宏 鄭守甫 賴君宇 二、系統說明 一、作品摘要 模糊模型架構圖 模糊控制理論系統鑑別: 模糊模型的建立陳敘系統靜態非線性輸出入關係，系統動態行為則藉由延遲迴授的輸出入訊號所得到。而模糊模型製作方法，其前鑑部是使用經驗法則與模糊理論之全近似定理來調整歸屬函數參數和規則。後鑑部使用T-S模糊模型來建立，並利用最小平方估測法自動鑑別出參數以得到模型，再將所得模型與真實系統比較。 本專題研究方向分為兩個部份: 模糊控制理論系統鑑別；類神經網路系統鑑別 專題一為利用模糊控制近似非線性系統之理論，希望能將其應用在各種不同的非線性系統上獲得其模糊模型；以便利用於其他控制法則中，並在MATLAB軟體上模擬比較。來達到最近似真實系統模型的參數，以驗證其理論的可用性。 專題二利用類神經網路控制理論來近似非線性系統，主要原因是由於類神經具建構完善之非線性模型能力、適應能力強…等優點；但次要目的是為了跟專題一實驗做比較，以更正確且快速的方式來呈現鑑別的效果。 研究成果是透過如下兩個非線性受控體方程式進行模擬，並由模擬結果可看出兩專題方向皆已得到極近似之模型。 <程式架構> 為獲得模糊模型後鑑部參數 ，設[BK*y(k) BK*y(k-1) BK*u(k-1)]為回歸器架構。將所有輸出入資料加入回歸器構成回歸矩陣，並與輸出資料向量作結合，最後利用最小平方最佳化法算出後鑑部參數值。以得到全域性模型 。 神經元模型圖 類神經網路系統鑑別: 類神經網路鑑別模型是藉由靜態的輸入和輸出資料給建立好的倒傳遞網路系統，利用倒傳遞網路演算法對網路系統作訓練，自動調整出適宜的權重值和偏權值，以得到系統的類神經網路模型，達到近似原本非線性方程式的目標。 [實作一] 受控體數學方程式: <程式架構> 創建一個具有輸入元素的2層前饋網路，其中實作一第一層(包 含隱藏層)也就是輸入層有1001個神經元而實做二輸入層則有202個神經元，第二層也就是輸出層有一個神經元；第一層的轉移函數是正切雙彎曲轉移函數tansig，第二層的轉移函數是線性轉移函數purelin。訓練函數是Levenberg­Marquardt演算法trainlm。 [實作二] 受控體數學方程式: 三、實驗成果 四、作品結論 模糊控制理論系統鑑別與類神經網路系統鑑別結果比較圖： 由下列系統模糊模型與系統類神經網路模型之各模擬圖表比較結果可得知，類神經系統在模擬實際系統方面比模糊控制系統來得優秀及精準(可由圖表中數值看出)。其原因為模糊控制之前鑑部歸屬函數的選擇方式使用人工的嚐試錯誤法訂定，可能未得到最佳的系統模型之故，且實作一之前鑑部歸屬函數範圍較不穩定，以致模糊控制實作一比實作二之實際與模型輸出有較大的鑑別最大誤差值。 模糊控制理論系統鑑別: 模糊控制應用於非線性模型之取得已有成熟技術，T-S模糊模型的好處在於有較簡單之解模糊化(單一中心值解模糊化法)方式。當前鍵部歸屬函數數值越精確，則鑑別出的系統與預定的理想系統越接近。 [實作一]後鑑部函數值 [實作二]後鑑部函數值 規則數 1 2 3 1.0058 4 0.6111 5 6 7 1.9871 8 1.9914 9 1.9944 10 2.0023 0.0000 11 2.0187 0.0004 12 13 14 1.9964 規則數 1 1.0274 0.0469 2 2.0460 3 2.1686 4 7.4755 5 1.3958 6 1.3575 7 1.8574 8 2.0896 0.0178 9 2.0124 0.0017 10 2.0109 [實作一]模糊控制理論系統鑑別前鑑部歸屬函數值圖 [實作一]模糊控制理論系統鑑別圖 [實作一]類神經網路系統鑑別圖 類神經網路系統鑑別: 類神經是不需要調整前鑑部歸屬函數值，只需要設定訓練的參數以及訓練次數，訓練次數越多則可以越接近理想的目標值。 實際與模型最大誤差值=2.7791 實際與模型最大誤差值= [實作二]類神經網路系統鑑別圖 [實作二]模糊控制理論系統鑑別前鑑部歸屬函數值圖 [實作二]模糊控制理論系統鑑別圖 [實作一]目標-輸出數據比較 [實作二]目標-輸出數據比較 資料數 目標值(h) 輸出值(a) 誤差值(E) 1 1.1124e-006 e-006 2 1.155e-006 254 19.146 1.498e-006 255 19.189 7.5672e-006 413 26.079 1.549e-006 415 26.166 5.536e-006 669 37.206 2.6502e-008 670 37.25 e-009 999 51.528 1000 51.571 51.593 1001 51.615 資料數 目標值(h) 輸出值(a) 誤差值(E) 2 1.0325e-006 3 -4.034e-006 4 55 3.7725e-013 56 e-013 112 e-016 113 e-016 200 4.1292 e-009 201 4.1766 9.7249e-009 202 4.2242 e-009 實際與模型最大誤差值=0.1042 實際與模型最大誤差值=0.0182