基于ANFIS的振動篩控制系統設計

， ，，

(湖北大學 計算機與信息工程學院，武漢 430062)

0 引言

在礦石破碎篩分流程中，振動篩的的好壞直接關系到生產線的產量和成品品質。因此我們要選擇質量可靠、處理量大的篩分設備，在正常運行前應將其振動頻率和傾角進行調試。目前，篩分領域市場振動篩的振動頻率和傾角主要依賴于操作人員的經驗，而當礦漿粒度和濃度發生變化時，人工操作就會產生滯后，參數難以達到最佳狀態，降低了篩分效率。模糊控制可以模擬人類的實際經驗判斷生產狀況，輔以神經網絡的自主學習能力便可實現振動頻率與傾角的自動調節。本文將自適應神經模糊推理系統(ANFIS)應用于振動篩的控制，大大加強了系統的自適應能力，提高了生產效率。

1 振動篩工藝流程

振動篩是一種適用于細粒物料的濕式分級與固液分離的選礦設備，主要用在稀有、有色和黑色金屬礦山、非金屬礦山等領域。振動篩工作時，礦石經破碎機破碎后與水混合成流體進入振動篩，通過兩電機同步反向旋轉使激振器產生反向激振力使得物料隨篩體帶動篩網做縱向運而周期性向前拋出一個射程，從而完成礦料篩分作業，得到合格的篩下物料。

振動篩通過調節變頻器的電流來改變振動篩的振動頻率,達到調節振動篩振動頻率的目的；通過改變伺服電流來控制篩機固定架后作支撐用的升降裝置的左右兩個絲桿升降機，從而實現對篩機傾角的控制。由于振動篩的生產效率和振動頻率呈指數關系，生產效率隨著振動頻率的增加而迅速增加，能夠有效避免堵塞網眼的現象。但是如果振動頻率過大會加大振動電機轉軸兩端偏心塊的摩擦導致電機損壞。除此之外雖然篩面傾角越大，其處理量越大，但篩分效率會下降，因此需要合理調整頻率和傾角。

工作人員通過外部傳感器檢測到進料礦漿的粒度及濃度，根據進出料參數來調整篩機的工作傾角及振動頻率，使篩網的處理效率及處理質量達到最佳，以獲得最大篩分效率。PC機上的數據處理軟件將數據實時或篩選后保存于數據庫；如此反復模擬生產實際情況，得到大量的原始數據并保存到數據庫，通過開發的大數據分析處理軟件得出最佳工作傾角及振動頻率參數與粒度及濃度之間的關系，將其擬合為數學函數曲線并寫入控制程序，再次進行反復的模擬試驗對擬合的數據進行驗證，直至驗證與原試驗數據吻合。如圖1所示。

2 系統的整體設計

該系統分為五大部分：數據采集部分、振動篩頻率控制部分、傾角控制部分、控制信號I/O部分以及人機界面部分。試驗數據經外部傳感器進入采集板并通過TCP/IP端口協議與PLC控制器進行通訊，PLC實時返回相應的數據信息并保存到PC機的數據庫中。利用大數據處理軟件對數據進行分析篩選得到最佳頻率與角度數據組以供模糊神經網絡進行學習訓練。

設備的狀態通過S7-200PLC的DI輸入檢測，傾角通過PLC的高速計數輸入檢測，粒度及濃度經外部傳感器傳遞給PLC的AI接口，通過嵌入PLC的模糊神經網絡算法計算出調節振動篩頻率和傾角的信號，該信號經D/A轉換傳入PLC自帶的RS485接口來改變變頻速率以及伺服電機的電流，從而實現了自動調節振動篩頻率及傾角的功能。PC機上開發設備操作及數據采集記錄程序實現試驗所需功能；開發大數據分析處理軟件，依據篩分效率和處理量計算公式，得出最佳傾角及振動頻率參數與粒度及濃度之間的關系。如圖2。

圖2 控制系統硬件結構圖

2.1 ANFIS結構與原理

ANFIS是MATLAB自帶的一種模糊推理系統,可以將現場實際獲得的輸入輸出數據作為訓練樣本，是模糊推理系統能夠“學習”到從輸入映射到輸出之間的規律，從而在系統內部建立起實際應用的模糊規則。網絡首先將輸入量載入進行數據的正向傳播。第一層有2個神經元作為網絡的輸入清晰量；第二層神經元是將輸入的清晰量量化為模糊語言量，計算各輸入量的隸屬度并同時劃分出模糊子集；第三層神經元是將量化后的模糊量進行規則匹配，神經元節點內部執行“與”運算；第四層神經元將根據第三層網絡的規則匹配的結果計算每條規則的激活度；第五層神經元將根據加權平均法對輸出的模糊語言量一一進行清晰化。數據正向傳播完成后得到的實際信號將于事先給予的導師信號作比較，根據比較后得到的差值按照負梯度方向反向修改網絡的參數，此時網絡為反向傳播。

本文的ANFIS結構采用5層前饋網絡結合T-S模糊推理模型，根據篩選出的輸入-輸出數據進行結構、參數的辨識，從而建立相應的模糊規則及調整網絡隸屬度函數的參數。該控制模型的輸出量是輸入變量的線性函數。整個模糊神經網絡結構為5層，包括：輸入層、隸屬度函數層、模糊規則層、模糊判決層和輸出層。如圖3。

圖3 模糊神經網絡結構圖

2.2 網絡構成原理

第一層是輸入層，需要完成接收粒度與濃度參數并將其傳遞到下一層的功能，該系統有2個輸入量即節點數i等于2，x1為礦料粒度的參數，x2為濃度的參數。第一層輸出與輸入的關系為：

(1)

第二層是隸屬度函數層，本層需要完成輸入量模糊化的功能，兩個輸入量均采用高斯型隸屬度函數，將每個輸入量的基本論域劃分為4個模糊子集：{NS,ZO,PS,PL}，對應的模糊語言量為{稍小，不變，稍大，極大}。第二層節點數k等于模糊子集數，而隸屬度函數的形狀會在樣本訓練結束后有一定地改變。1,2層之間的權系數為1，第二層輸入為：

寶寶貧血一般都是缺鐵性貧血，需要補鐵。但是媽媽們要注意生理性貧血是正常的，無須任何治療和補鐵。寶寶出生時血紅蛋白高達 190 g/L,然后逐漸下降，2個月之后，寶寶的骨髓造紅細胞的功能才開始活躍。在2～3個月的時候為 90～110g/L，早產兒在3～6周的時候可以低到70～90g/L，這些都是正常的。

(2)

第二層輸出與輸入關系為：

(3)

第三、四層是模糊推理層，本層需要完成建立模糊規則及模糊規則匹配的功能。第三層根據推理規則產生前件的適合度，計算模糊規則的激勵強度；第四層產生推理結果，完成各條規則適合度的歸一化計算。因此第三層節點數j等于模糊規則數，節點內部執行“AND”運算。第四層完成規則后件且節點數等于第三層的數目j，計算出建立的每條規則的激活度。第二層和三、四層之間的權系數為1,其輸入輸出關系為:

(4)

(5)

第五層是輸出層，本層需要完成將模糊量轉化為精確量的功能。每個神經元節點代表著一個輸出量即節點數為2。由于本文采用的模糊推理模型為Sugeno型，其輸出函數為輸入函數的線性函數，Wj表示最后輸出各規則在總輸出中所占的權重。采用加權平均法去模糊化。加權平均法是將輸出量模糊集合中所有元素進行加權平均作為輸出量執行，即輸入乘以相應隸屬度的累加和與各隸屬度累加和的比值。如下式：

f=Ax1+Bx2+C

(6)

(7)

其中：f是模糊輸出函數，A、B、C為該函數的學習參數。

2.3 參數學習

該網絡采用BP學習算法，首先對隸屬度函數的2個參數和4、5層網絡之間的權系數進行初始化，然后根據教師信號與實際輸出相比較得到的誤差信號來修改隱層網絡的各參數。誤差公式為：

(8)

式中，xi為導師信號即期望信號，y(5)為網絡控制器的實際輸出，BP算法按誤差J的負梯度方向修改神經網絡的權系數和隸屬度函數中的參數，經過多次訓練使得誤差J的取值小于設定值。則4,5層權系數Wj及隸屬度函數參數的學習公式為：

(9)

(10)

(11)

3 MATLAB試驗仿真

將振動篩的不同狀態輸入數據作為離散點，根據振動篩最大篩分效率的公式，分別將每個離散點代入公式計算得到此輸入狀態下的最佳振動頻率和傾角的輸出，然后將對應的輸入輸出點存入數據庫作為備選的訓練樣本，并將訓練樣本嵌入自適應模糊神經推理系統用作訓練控制器的參數，從而得到控制器的控制規律。由于MATLAB的自適應模糊推理系統只能完成多輸入-輸出的結構，因此需要分別根據不同的輸出量進行仿真，最后得到振動頻率和傾角的絢麗按誤差-訓練次數的曲線。

3.1 基于ANFIS的系統建模

1)數據的載入 以DZSF-520型高頻振動細篩篩分赤鐵礦為例，通過現場試驗臺采集大量數據，從中篩選出14組數據作為網絡的樣本。如表1所示。赤鐵礦的粒度x1(mm)和濃度x2(%)為網絡的學習輸入，振動篩的最佳頻率y1(赫茲)和傾角y2(度)為網絡的輸出，每個輸入、輸出量有3個隸屬度。由于該模型為多輸入多輸出模型，而ANFIS只能提供多輸入單輸出模型的仿真，因此本文將兩個不同的輸出分別進行仿真。將篩選出的14組數據作為訓練樣本，后5組作為測試樣本，然后利用ANFIS編輯器數據載入MATLAB工作空間。如圖4。

2)生成初始FIS 用ANFIS構造FIS時必須有一個初始的FIS結構，ANFIS在此基礎之上才能根據已有的數據修改模糊結構直至該結構符合要求。本文采用相減聚類法(Genfis2函數)自動生成模糊推理系統的初始FIS。

表1 訓練樣本數據表

圖4 ANFIS數據載入界面

3)網絡的學習訓練 采用backpropa方法訓練網絡，從而建立了與網絡輸入輸出相適應的模糊規則(T-S型模糊模型的輸出為輸入的線性函數)，訓練結束后可以看到隸屬度函數的形狀發生了變化，這是由輸入輸出數據所決定的。圖5為訓練結束后得到的輸入隸屬度函數，圖6分別為系統振動頻率和傾角輸出的模糊規則觀測窗。

圖5 訓練后的輸入隸屬度函數

圖6 模糊規則觀測窗

將網絡目標輸出與實際輸出作差得到均方差E，判斷誤差E是否小于0.05，若不滿足條件，則加大訓練次數直至滿足要求，最后得到的誤差-訓練次數關系圖如圖7。從圖中可以看出：網絡經過150次訓練后的輸出振動頻率訓練誤差為0.046564，輸出傾角的訓練誤差為0.0084107。

從圖7可以看出，振動篩的振動頻率和傾角的輸出的訓練誤差較小好且具有較快的收斂速度，能夠滿足要求。

圖7 訓練誤差-訓練次數關系曲線

3.2 模糊推理數據表

根據圖5所示模糊規則觀測窗的顯示內容可知：當輸入量粒度x1=1.5，濃度x2=55.1時，相應的輸出量振動頻率y1=39.9，傾角y2=37.5。因此可以拖動觀測窗上的游標線得到表2，與現場采集到的數據表1內容基本吻合，這表明模糊神經網絡算法在振動篩輸入輸出量自動調節過程當中的應用史可行的。

4 結束語

本文將自適應模糊控制算法應用于振動篩工藝智能化控制系統，使得模糊系統更具靈活性，彌補了由于模糊控制系統過于依賴專家經驗而導致的經驗之外的失誤。這樣可以減少甚至消除現場使用時的工藝試驗，不依靠操作者的經驗積累就能使振動篩達到既定的使用效果和設備的處理能力,提高了篩網的篩分效率。仿真結果表明：利用模糊神經網絡算法可以獲得最佳參數，從而實現振動篩控制系統頻率和角度的自動調節,因此該算法具有一定的應用前景。

[1] 陳 洋，吳懷宇.基于ANFIS的焦爐火道溫度預報模型研究[J].計算機測量與控制，2007,15(2):462-464.

[2] 王 冷.基于模糊神經網絡信息融合的采煤機煤巖識別系統[J].現代電子技術，2015(12)：38.

[3] 席愛民.模糊控制技術[M].西安：西安電子科技大學出版社，2010.

[4] 石辛民，郝整清.模糊控制及其MATLAB仿真[M].北京：清華大學出版社，北京交通大學出版社，2008.

[5] 秦 海,劉清平.基于ANFIS的汽車主動懸架仿真[J].農機化研究，2007(12)：55-58.

[6] 吳江燎，易靈芝.開關磁阻電機自適應模糊神經網絡系統無位置傳感器控制[J].煤炭學報，2010(8):35.

[7] 劉 鳴，張寶鋼.基于ANFIS的蓄冷系統模糊控制設計[J].沈陽建筑大學學報(自然科學版)，2010(3):26.