基于模糊神经网络的洗衣机水温控制方法、系统和介质

本发明涉及工业洗衣机技术领域，尤其是一种基于模糊神经网络的洗衣机水温控制方法、系统和介质。

背景技术：

工业洗衣机型半自动洗衣机适用于宾馆、饭店、院校、医院及洗涤公司等区域。对服装、床单、被套、台布、毛巾、浴巾等织物进行洗涤、漂洗、消毒等加工。工业洗衣机在洗涤测试时，需要对水温进行控制。目前，水温控制系统是惯性、延时系统，其比例积分微分控制(pid)的参数不能动态调整，从而导致控制精度差。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于模糊神经网络的洗衣机水温控制方法、系统和介质，能够动态调整控制参数。

第一方面，本发明实施例提供了一种基于模糊神经网络的洗衣机水温控制方法，包括以下步骤：

确定神经网络模型的拓扑结构和模糊规则函数；

初始化所述神经网络模型内的矩阵参数和第一参数；

获取所述神经网络模型的实际输出温度数据；

根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数；

当所述神经网络模型的运算时长大于预设时长，输出所述神经网络模型的控制参数；

根据所述控制参数控制洗衣机的水温调节工作状态。

本发明实施例提供的一种基于模糊神经网络的洗衣机水温控制方法，具有如下有益效果：

本实施例先初始化神经网络模型内的矩阵参数和第一参数，并获取神经网络模型的实际输出温度数据，接着根据实际输出温度数据采用预先确定的模糊规则函数控制神经网络模型进行运算并更新矩阵参数和第一参数，并当神经网络模型的运算时长大于预设时长，输出神经网络模型的控制参数，然后根据控制参数控制洗衣机的水温调节工作状态，本实施例通过实时调节的控制参数来动态控制洗衣机的水温调节工作状态，从而提高控制精度。

可选地，所述神经网络模型的拓扑结构包括输入层、模糊化层、模糊推理层和输出层；

所述输入层用于接收输入量；

所述模糊化层用于将输入量划分成若干个区间并进行模糊处理；

所述模糊推理层用于采用所述模糊规则函数对所述模糊化层的模糊结果进行处理，输出模糊推理结果；

所述输出层用于求解所述模糊推理结果。

可选地，所述获取所述神经网络模型的实际输出温度数据，包括：

控制所述神经网络模型前向传播，得到实际输出温度数据。

可选地，所述根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数，包括：

获取预设温度数据；

根据所述实际输出温度数据和所述预设温度数据确定偏差值；

获取偏差变化率；

根据所述偏差值和所述偏差变化率计算所述模糊规则函数中的函数参数；

控制所述神经网络模型进行运算并以预设学习率更新所述矩阵参数和所述第一参数。

可选地，在执行所述采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数这一步骤时，还包括以下步骤：

采用激活函数控制所述神经网络模型进行运算。

可选地，所述模糊规则函数如下：

f(e(k),ec(k))＝αe(k)+(1-α)ec(k)

其中，f()表示模糊推理层的输出函数，e(k)表示偏差值，ec(k)表示偏差变化率，α表示第一参数。

可选地，所述输入层包括2个节点，所述输入层的每个神经元与所述输入量的各个分量连接；

所述模糊化层包括14个节点，所述模糊化层的每个神经元表示一个高斯隶属函数；

所述模糊推理层包括49个节点；

所述输出层包括3个节点。

第二方面，本发明实施例提供了一种基于模糊神经网络的洗衣机水温控制系统，包括：

确定模块，用于确定神经网络模型的拓扑结构和模糊规则函数；

初始化模块，用于初始化所述神经网络模型内的矩阵参数和第一参数；

获取模块，用于获取所述神经网络模型的实际输出温度数据；

更新模块，用于根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数；

输出模块，用于当所述神经网络模型的运算时长大于预设时长，输出所述神经网络模型的控制参数；

控制模块，用于根据所述控制参数控制洗衣机的水温调节工作状态。

第三方面，本发明实施例提供了一种基于模糊神经网络的洗衣机水温控制系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行第一方面实施例提供的基于模糊神经网络的洗衣机水温控制方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行第一方面实施例提供的基于模糊神经网络的洗衣机水温控制方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

下面结合附图和实施例对本发明做进一步的说明，其中：

图1为本发明实施例的一种基于模糊神经网络的洗衣机水温控制方法的流程图；

图2为本发明实施例的神经网络模型的拓扑结构示意图；

图3为本发明实施例的开环响应曲线示意图；

图4为本发明实施例的基于模糊神经网络的pid控制器的原理示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

由于目前的工业洗衣机在控制过程，无法实时调节控制参数，导致工作过程中的控制精度较低。基于此，本实施例提供了一种基于模糊神经网络的洗衣机水温控制方法，本实施例的方法通过实时调节的控制参数来动态控制洗衣机的水温调节工作状态，从而提高控制精度。

具体地，如图1所示，本实施例包括以下步骤：

s11、确定神经网络模型的拓扑结构和模糊规则函数。

在本申请实施例中，如图2所示，神经网络模型的拓扑结构包括输入层、模糊化层、模糊推理层和输出层。

其中，输入层包括2个节点，该层的每个神经元与输入量i1＝[e(k),ec(k)]的各个分量连接，其作用是接收误差值e(k)和误差变化率ec(k)并传输到模糊化层。具体地，i1表示输入层的输入向量(1行2列)，o1＝i1表示输入层的输出向量(1行2列)。

模糊化层包括14个节点，该层的每个神经元表示一个高斯隶属函数，其作用是将输入量划分成若干个区间并进行模糊处理。例如，划分成7个模糊区间并分别进行模糊化处理。具体地，用i2表示模糊化层的输入向量(1行2列)，o2表示模糊化层的输出向量(2行7列)，b和c均为高斯隶属函数的参数矩阵(1行7列)，则有如下关系：i2＝o1、

模糊推理层包括49个节点，该层的每个神经元代表模糊规则库的一条模糊规则，其作用是模糊化层的模糊结果经过模糊规则函数f()处理后得到模糊推理结果。具体地，采用i3表示模糊推理层的输入矩阵(2行7列)，o3表示模糊推理层的输出矩阵(1行49列)，则有如下关系：i3＝o2、在具体的应用过程中，模糊规则函数f()的表达式为：

f(e(k),ec(k))＝αe(k)+(1-α)ec(k)

其中，f()表示模糊推理层的输出函数，e(k)表示偏差值，ec(k)表示偏差变化率，α表示第一参数。第一参数α的取值直接影响控制的品质和效果。当e(k)越大时，首先应考虑快速消除偏差，e(k)的权重系数应该较大；当e(k)较小时为了系统尽快稳定，这时ec(k)的权重系数应该较大。将列向量α(1*49)也作为神经网络需要在线实时调整的参数，让α值沿着梯度下降的方向变化，进而得到实时状态下使规则函数最小的α值。

输出层包括3个节点，该层的3个神经元代表3个计算节点，其作用是用于求解模糊推理结果，以得到pid的3个控制参数kp、ki和kd。具体地，i4表示输出层的输入矩阵(1行3列)，w表示模糊推理层和输出层之间的连接矩阵(49行3列)，g()表示激活函数，o4表示输出层的输出矩阵(1行3列)，则得到如下关系：i4＝o3×w、o4＝g(i4)。其中，激活函数g()的表达式如下所示：

其中，本实施例的激活函数是为了实现对非线性系统的有效控制，通过激活函数将非线性因素融入到神经网络中去，避免输入与输出的纯线性关系，以提高神经网络模型的表达能力，解决线性模型所不能解决的问题。在本实施例的激活函数中，函数的敏感区间较sigmoid函数和tanh函数要宽很多，从而有效避免了梯度的消失；同时g(x)函数的负半轴梯度不全为零，可以保留信号的负数特征，从而有效避免了神经元的死亡。所以g(x)在避免梯度消失和保存全部信号特征之间取得了折中的平衡。

s12、初始化神经网络模型内的矩阵参数和第一参数。本步骤具体是初始化高斯隶属函数的参数矩阵b和c、连接矩阵w和参数α。

s13、获取神经网络模型的实际输出温度数据。

在本申请实施例中，通过控制神经网络模型前向传播，从而得到实际输出温度数据。即通过反馈的方式，获取神经网络模型的输出值。

s14、根据实际输出温度数据，采用模糊规则函数控制神经网络模型进行运算并更新矩阵参数和第一参数。

在本申请实施例中，步骤s14可通过以下方式实现：

获取预设温度数据；该预设温度数据可以根据工业洗衣机的设备参数进行设置。接着根据实际输出温度数据和预设温度数据确定偏差值e(k)；并获取偏差变化率ec(k)；然后根据偏差值和偏差变化率计算模糊规则函数中的函数参数；在本步骤中，还要计算函数参数矩阵的偏导；并控制神经网络模型进行运算并以预设学习率更新矩阵参数a、b和w和第一参数α。

s15、当神经网络模型的运算时长大于预设时长，输出神经网络模型的控制参数。

在一些实施例中，将上述步骤s11-s15应用于实际处理过程时，首先确定洗衣机水温的控制传递函数，其通常采用一阶惯性滞后环节来描述。其中，传递函数表达式如下：

k表示静态增益，t表示时间常数，t为纯滞后时间。

采用曲线测量法确定控制对象的数学模型，将测量的温度数据拟合得到如图3所示的系统开环响应曲线。根据曲线求出时间常数t、纯滞后时间t和静态增益k。

然后对模糊神经网络pid控制器进行处理，如图4所示，其具体为：

步骤一、先确定神经网络拓扑结构和模糊规则函数，并随机初始化向量b、向量c、矩阵w和参数α。即随机初始化参数矩阵b和c、连接矩阵w和参数α。

步骤二、控制神经网络前向传播过程，得到控制参数kp、ki和kd。

步骤三、计算输入输出误差。

步骤四、计算模糊规则函数中各个参数及参数矩阵的偏导。

步骤五、以设定学习率β更新向量b、向量c、矩阵w和参数。

步骤六、控制神经网络模型进行运算并判断运算时长是否达到预设运算总时长，若没有达到，则重复执行步骤二至步骤六，若达到，则输出最优的控制参数kp、ki和kd。

s16、根据最优的控制参数控制洗衣机的水温调节工作状态。

综上可知，上述实施例通过在工作过程中，动态调节pid控制参数，以提高pid对工业洗衣机的水温控制过程，提高控制精度。

本发明实施例提供了一种基于模糊神经网络的洗衣机水温控制系统，包括：

确定模块，用于确定神经网络模型的拓扑结构和模糊规则函数；

初始化模块，用于初始化神经网络模型内的矩阵参数和第一参数；

获取模块，用于获取神经网络模型的实际输出温度数据；

更新模块，用于根据实际输出温度数据，采用模糊规则函数控制所述神经网络模型进行运算并更新矩阵参数和第一参数；

输出模块，用于当神经网络模型的运算时长大于预设时长，输出神经网络模型的控制参数；

控制模块，用于根据控制参数控制洗衣机的水温调节工作状态。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例提供了一种基于模糊神经网络的洗衣机水温控制系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载程序以执行图1所示的基于模糊神经网络的洗衣机水温控制方法。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于执行图1所示的基于模糊神经网络的洗衣机水温控制方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。