 Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2013, 2, 43-47 http://dx.doi.org/10.12677/airr.2013.21007 Published Online February 2013 (http://www.hanspub.org/journal/airr.html) The Applications of Fuzzy Neural Network Used in Network Center Room Temperature Control Hao Mu, Kaichun Ren, Di Wen, Kai Qin 1Key Laboratory of Engineering, Chongqing Institute of Communication, Chongqing 2Institute of Automotive Electronic and Embedded System, Chongqing University of Posts and Telecommunications, Chongqing Email: muhaos@qq.com Received: Jan. 9th, 2013; revised: Jan. 24th, 2013; accepted: Feb. 2nd, 2013 Abstract: The temperature of network center room is large time delay, great inertia controlled object. In view of the characteristics, combined with fuzzy control and neural network, a kind of fuzzy neural network controller was de- signed. On the basis of T-S fuzzy model, five-layers fuzzy neural network structure was established. The improved BP algorithm and least square method for fuzzy neural network learning algorithm was used. The simulation results show that system response time is short and small overshoot and steady state of high accuracy, good dynamic quality and sta- bility and anti-jamming. Keywords: Fuzzy Neural Network; BP Algorithm; Temperature Control 模糊神经网络在网络中心机房温度调节中的应用研究 牟 浩1，任开春 1，文 迪2，秦 恺1 1重庆通信学院控制工程重点实验室，重庆 2重庆邮电大学汽车电子与嵌入式系统研究所，重庆 Email: muhaos@qq.com 收稿日期：2013 年1月9日；修回日期：2013年1月24 日；录用日期：2013 年2月2日 摘 要：网络中心机房的温度是大延时、大惯性的被控对象，针对此特点，以模糊控制和神经网络结合的思想， 设计了一种基于模糊神经网络的控制器。建立了以 T-S 模糊模型为基础的5层模糊神经网络结构，并采用改进 的BP 算法和最小二乘法为模糊神经网络的学习算法。仿真结果表明，该方法下系统响应时间短、超调量小且 稳态精度高，有较好的动态品质、稳定性和抗干扰性。 关键词：模糊神经网络；BP 学习算法；温度调节 1. 引言 网络中心机房在控制网络、促进网络系统安全应 用和保持网络高效运行方面起到至关重要的作用。机 房内有大量计算机、服务器和交换机等发热设备长时 间不间断运行，将导致机房温度升高从而影响机器运 行，同时冬季气温低于一定值时机房内机器中的某些 硬件也将受到影响无法正常工作，为保证机房内的温 度在不同季节和外界温度条件下达到国家规定标准， 温度的智能控制十分重要。在实际运行中，需要机房 空调全功率长时间开机，实际空调热负载在绝大部分 时间远比设计负载低，这样既浪费能源且不能对机房 温度进行很好的控制调节[1,2]。 由于机房温度是大惯性、纯滞后、非线性和时变 性的复杂控制对象，难以建立精确的数学模型，因而 采用常规PID 很难实现理想的控制效果。模糊神经网 络FNN(Fuzzy Neural Network)是近年来基于模糊集 Copyright © 2013 Hanspub 43  模糊神经网络在网络中心机房温度调节中的应用研究 理论发展起来的一种新方法．它具有很强的鲁棒性、 非线性映射能力及自学习能力。采取神经网络技术进 行模糊信息处理，可以及时调整模糊控制的隶属函 数，使模糊系统成为一种自适应模糊系统[3-5]。 基于以上分析，本文提出了一种利用模糊控制和 神经网络控制的综合控制方法，设计了FNN 控制器。 模糊控制和神经网络的结合，不但保留了模糊控制的 全部功能，而且拥有神经网络非线性拟合和泛化能 力，能够体现调节的非线性特性，控制效果更佳。 2. 模糊神经网络控制器结构 FNN 是一种根据模糊控制系统构造的人工神经 网络，将信息和控制功能融入到神经网络的权值中， 这样既可以用语言描述的方式进行知识采集，建立模 糊控制机制，又可以通过学习来提高其编码的精度， 还可以利用其并行处理能力来加速推理的过程[6-8]。本 文设计了一种综合利用模糊控制和神经网络技术来 实现温度智能控制的新方法。该方法设计的 FNN 控 制器，使神经网络内部的权值记忆了模糊推理规则， 具有模糊控制的全部功能．而且神经网络自身具有很 强的非线性能力和拟合能力，有很好的控制效果和很 强的适应能力。模糊神经网络控制器的结构如图 1。 图1中 rt为参考输入信号，即预先设定的温度， y t为温度检测值， 为温度控制信号。误差 u r t e ekt y ，误差变化率 dd ec ek et 。 为比例因子， 为量化因子。 , ee kk cu k 3. 模糊神经网络结构 模糊模型主要有 2种重要形式：Mamdani 模型和 T-S 模型。前者推理计算复杂，直接应用语言模型形 式，其前、后件均为模糊语言值，应用较少。后者前 件为模糊语言值，后件为输入变量的线性组合，其计 算结果为一精确值，结构简单，计算快速，简化了推 理过程[9,10]，故本系统采用 T-S模糊模型。模糊神经 网络结构如图2。 图2中，第一层为输入层，该层有两个节点，完 成接收误差 和误差变化率，分别输出到下一层的 任务。 ee 第二层为模糊化层，该层共有 10 节点，输入输 出变量模糊集为“很好”(表示 e和 很小)、“好”(表 e 温度调节 温度检测 e k de dtec ku k BP学习算法 模糊神经网络 rt e * uu y t Figure 1. Structure of fuzzy neural network controller 图1. 模糊神经网络控制器结构 e e Figure 2. Structure fuzzy neural network 图2. 模糊神经网络结构 Copyright © 2013 Hanspub 44  模糊神经网络在网络中心机房温度调节中的应用研究 示 和小)、“中等”(表示 和中等)、“差”(表 示 和大)和 “很差”(表示 e和 很大)，隶属度函 数用高斯函数表示，则输出为： e e e e ee e 2 2 exp iij ij ij xm (1) 其中分别表示输入量的维数为2和 模糊分割集数为 5。 和 1, 2,1, 2,,5ij ij mij 分别表示高斯函数的平 均值和标准方差，也就是隶属函数的中心和宽度。高 斯隶属函数中参数和 ij mij 采用“k-均值聚类算法” 确定，算法原理步骤如下： 1) 选择 k个初始化聚类中心点 ； ,1,2,, j mj k 2) 将所有的数据集合按最近聚类中心分组，如果 j j x m偏差最小，则将 i x 分配给 j N， j N表示聚集 在聚类中心 j m周围的训练数据集合； 3) 重新计算聚类中心： 1 1j M j i i j m M x (2) 式中 j M 为 j N中元素个数； 4) 重复步骤2)和步骤 3)直到聚类中心 j m不再变 化为止。 聚类算法完成后，可以直接确定参数 2 ij ，它 表 示 和每个中心相联系的数据分布的一种测度，可以用很 多方法确定，本文中取聚类中心和训练数据之间距离 之和的平均值： T 21 ijj j j x mxm M (3) 第三层为推理层，该层节点数为 5，每个神经元 节点代表一条模糊规则，采用Sum-Product模糊推理 规则，即： 1 π N j ij i i x (4) 其中 表示规则数。 1, 2,, 5j 第四层为解模糊层，该层的作用是实现归一化计 算，避免在学习过程中由于各修正量过大而产生振 荡。该层的输出可表示为： 5 1 π π π j j j j (5) 第五层为输出层，该层采用加权线性求和法，求 出清晰的输出值，即： 5 1 π kjk j y j (6) 其中 j k 表示解模糊层与输出层之间的连接权值，输 出层只有一维故 1k 。 由以上五层神经元组成的模糊神经网络具有很 强的学习能力。 4. 模糊神经网络学习算法 BP 算法是目前神经网络中使用的最多的方法[11]， 本文将改进的BP 算法与最小二乘算法结合起来用来 修正 ,m 和权值 ，从而完成隶属函数规则的自我学 习和完善。 网络的误差函数 p E为： 2 11 1 ,2 TM ppk k ik EEE Yy (7) 其中： 为实际输出； 为理想输出；T为训练样本 个数。 yY 输出层权值的加权调节公式： 1 1 jkjk jk jk jk nn nn (8) 式中： ππ j kjkk Yy j (9) 其中：n是迭代次数； 是学习速率； 是冲量系数。 模糊化层的加权调节公式： 11 ijijij ijij mnmnmmn mn (10) 11 ijijij ijij nn nn (11) 其中： 2 2 2iij p ij ij ij x m E mm (12) 2 3 2iij p ij ij ij x m E (13) 其中： 23 j jij i x (14) Copyright © 2013 Hanspub 45  模糊神经网络在网络中心机房温度调节中的应用研究 4 2 3 4 2 π, π, k k k jk k k kj s skj s (15) 可得，其中参数和 4π j kkj Yy k (16) 在训练中，规则数从 1开始增加，直到找到一个 满意的网络性能。选择适应的参数 和 不是很容易 的事：为了让目标函数极小，学习速率 的选择应该 足够小，但小的学习率将使收敛很慢；反之，若选择 大的学习率，又可能引起学习过程的振荡，会收敛不 到期望的值，另外由于目标函数是非线性的，会存在 局部极小值。 因此，本文采用变步长的方法使得计算量不会增 加太多，又使得变步长得到合适的调整。步长调整关 系为： ,0 ,0 , E E 当且 当且 其它 1 1 (17) 其中： , 为常数， 1EEn En p 。 5. 在温控系统中的实现及仿真 5.1. 模型参数设定 模糊神经网络控制器FNNC采用图 2所示的网络 结构，模型描述为： 112 1 :ifandthen ri j RxA xBuC 其中，输入 1 x 对应误差 ，e2 x 对应误差变化 e 。 1 1 ,,,, ,,,, i j , . A NMNS ZO PSPM BNMNSZOPSPM 训练参数设置如下，各变量的论域分别为： 1 2 ,4,4, ,1, ,1,1. xee xee Uuu 1, 初始学习率： 0.5 ，平滑因子： 0.8 。 语言变量各模糊子集的初始隶属函数由(1)式： 2 2 exp iij ij ij xm ij mij 采用“k-均值聚类算法”确 定。对应的误差语言变量隶属度函数曲线如图 3所示。 ab 软件中 Simulink工具进行了单位 阶跃响应试验研究。 出，经过 3500 此训练后，误差 为0 5.2. 仿真试验 为了验证模糊神经网络控制方法的有效性和实 用性，采用 Matl 首先对设计的温度模糊神经网络控制器进行训 练，网络学习过程流程图如图 4所示。误差曲线如图 5所示，从图中可以看 .00047，达到期望的误差值 0.001。仿真试验结果 表明，此模糊神经网络控制器在温度控制中的应用具 有良好的效果。 Figure 3. Membership function of error variable 图3. 误差语言变量隶属度函数 开始 修正输出层和隐含层权 值 提供输入输出训练集 计算误差平方和 初始化最大训练次数及 期望误差最小值 误差小于期望值？ 计算网络误差 初始化隐含层和输出层 的权值与学习率 训练次数达到最大？ 自适应调整学习率 绘制训练过程中的误差 曲线 N Y Y N 结束 Figure 4. Learning flow chart of fuzzy neural network 图4. 模糊神经网络学习流程图 Copyright © 2013 Hanspub 46  模糊神经网络在网络中心机房温度调节中的应用研究 Copyright © 2013 Hanspub 47 Figure 5. Error curve of network 图5. 网络误差曲线 Figure 6. PID control 图6. 常规 PID控制 Figure 7. Fuzzy neural network control 图7. 模糊神经网络控制 由于机房温度是大惯性、纯滞后、非线性和时变 的复杂控制对象， 简化为一个带有 滞后的一阶惯性环节，设其传递函数为[12,13]： 根将据此特点， 其 纯 20 2e 180 1 s o Gs s (18) 选择单位阶跃信号为输入量分别实现了模糊神 经网络控制和常规PID 控制的仿真。如图 6和图 7所 示，设定温度值为 40℃时，假定系统温度响应从0℃ 开始。常规 PID 控制下系统在 3000 秒处基本稳定， 但响应超调量较大、响应时间长，虽然能实现对温度 的控制但是效果不理想。相比之下模糊神经网络控制 下系统在 1500 秒处基本稳定在设定的温度值处，并 且响应较常规PID 控制，时间短、超调量小，稳态精 度高，无振荡，响应曲线较好。说明此模糊神经网络 控制器能很 到网络中 机房温度智能控制的目的。 6. 结 ， 本文提出了模糊神经网络控制策略，实现了机房温度 的智能控制，同时也克服了常规P 响应时间 13(3): 78-80. 韦巍, 何衍. 智能控制基础[M]. 北京: 清华大学出版, 2008: 11. . 信息智能处理[M]. 北京: 电子工业出版社, 2010: 3. [5] 牛培峰, 张密哲, 陈贵林等. 自适应模糊神经网络控制在锅 PGI National Multi [12] 李秀梅, 赵春江, 乔晓军等. 基于改进遗传算法的温湿度模 糊神经网络控制器[J]. 农业工程学报, 2004, 20(1): 259-262. 控系统中的应用[J]. 化工自动 429. 好的实现预期的功能，很好地达 心 语 针对网络中心机房温度对象的大延时、大惯性 ID 控制超调量大、 长和自适应能力差的缺点。文中使用改进的 BP 算法与最小二乘算法结合起来的算法修改神经网 络权值，克服了学习过程收敛过慢和学习过程振荡等 缺点。该控制方法对于复杂的被控对象也能取得良好 的控制效果，表现出较好的动态品质、稳定性和抗干 扰性等优点，具有较高的应用价值。 参考文献 (References) [1] 周云海. 机房温度远程监测技术 探索[J]. 科技创新导报, 2011, 32: 50. [2] 金星. 基于LabVIEW 和DS18B2O的网络中心机房温度测控 系统[J]. 遵义师范学院学报, 2011, [3] [4] 毕晓君 炉过热汽温控制中的应用[J]. 动力工程学报, 2011, 31(2): 47- 49. [6] 张照生, 罗健旭. 基于差分进化算法的模糊神经网络控制器 [J]. 计算机与应用化学, 2011, 28(12): 1549-1552. [7] 刘凤霞, 刘前进. 基于模糊神经网络的故障类型识别[J]. 继 电器, 2006, 34(3): 12-19. [8] 苏海滨, 王光政, 王继东等. 基于模糊神经网络的地图匹配 算法[J]. 北京科技大学学报, 2012, 34(1): 43-47. [9] 肖爱林. 模糊控制和自适应模糊神经网络控制在太阳能新风 系统中的应用研究[D]. 北京邮电大学, 2011. [10] 殷桂梁, 孙海宁, 张志华等. 模糊神经网络光伏功率调节系 统[J]. 电力自动化设备, 2012, 32(1): 24-28. [11] R. Kshirsagar. Artificial neural network. M Conference, 2012: 12-16. [13] 王春艳. 模糊PID 在加热器温 化及仪表, 2012, 39(3): 366-369, |