一种基于模糊神经网络的制氧机压力控制方法与流程

本发明属于医疗器械领域，具体而言，主要涉及一种制氧机压力控制方法，尤其涉及一种基于模糊神经网络的制氧机压力控制方法。

背景技术：

目前，康复类中小型制氧机大多采用分子筛变压吸附技术进行制氧。制氧系统的压力稳定与否对于制氧浓度的高纯及制氧机系统的长期稳定运行影响显著。由于分子筛材料特性的原生离散差异、现有工业技术水平的工艺能力分布概率、制氧机应用地区的电网波动及环境变化等多种因素的共同作用，制氧机运行的系统压力具有非线性及时变的特性，即容易导致制氧不稳定。

现阶段国内及国际上的康复类中小型制氧机采用的主要是以时间控制切换双侧分子筛吸附塔运行。由于制氧机系统压力具有上述的非线性及时变的特点，时间控制无法保证制氧机长期连续的高性能运行，易出现分子筛吸附塔压力过高造成穿透，或双侧分子筛吸附塔负荷不均(即当其中一侧分子筛超负荷时，不能吸附氮气，导致氧气浓度降低)、低效运行。少部分的压力控制切换双侧分子筛吸附塔运行制氧机机型，采用的也是固定的压力限值设定，难以针对系统个体的性能及工况差异以及在复杂应用环境中的运行波动相应地进行调整，也限制了制氧机系统的高性能工作。

鉴于此，如何找到一种适合制氧机系统特性并能适应复杂运行环境的智能控制方式，提出一种基于模糊神经网络的制氧机压力控制方法是本发明所要研究的课题。

技术实现要素：

本发明提供一种基于模糊神经网络的制氧机压力控制方法，其目的是为了解决现有技术无法保证制氧机长期连续的高性能运行，易出现分子筛吸附塔压力过高造成穿透，或双侧分子筛吸附塔负荷不均、低效运行的问题。

为达到上述目的，本发明采用的技术方案是：一种基于模糊神经网络的制氧机压力控制方法，包括以下步骤：

第一步，构建模糊神经网络控制器，该模糊神经网络控制器包括前件网络和后件网络；

定义系统输入变量为x1及x2：x1＝er＝pd-p，其中，pd为压力设定值，p为压力测定值，er为压力误差，ec为压力误差变化率，即er对时间t的导数；

所述前件网络包含4层，该4层分别为：

第一层，为前件网络输入层，具有2个结点，分别将输入变量x1及x2传送至模糊化层；

第二层，为模糊化层，将输入变量x1及x2各划分为mi个模糊子集，所述模糊子集的隶属度函数均采用高斯函数，表达式如下式一：

其中，是输入变量xi的第qi(qi＝1,2,…,mi)个模糊子集的隶属度函数，i＝1,2为输入变量的序号，mi为输入变量xi的模糊分割数，和分别为隶属度函数的中心值和宽度，所述模糊化层的结点总数为

第三层，为模糊规则匹配层，采用相乘运算计算每条规则的适用度αj，表达式如下式二：

其中，q1j∈{1,2,…,m1}，q2j∈{1,2,…,m2}，q1j中的下标内的j代表输入变量x1的第q1个模糊子集的隶属度函数对应于第j条规则，q2j中的下标内的j代表输入变量x2的第q2个模糊子集的隶属度函数对应于第j条规则；

αj中的下标内的j代表适用度对应于第j条规则；

j＝1,2,…,m，规则总数为

第四层，为归一化层，计算归一化的规则适用度计算式如下式三：

其中，j＝1,2,…,m；αs为每条规则的适用度，与αj所代表的意义相同，在式三中αs用于表述对m条规则的适用度求和，s＝1,2,…,m，采用与αj不同的符号以对式三的计算方式表述清晰；

所述后件网络包括3层，该3层为：

第一层，为后件网络输入层，具有3个结点，其中第0个结点的输入值为x0＝1，第1个和第2个结点分别输入变量x1及x2；

第二层，为规则后件计算层，计算每一条规则的后件uj，表达式如下式四：

其中，j＝1,2,…,m；x0＝1；wjl为后件网络对应第j条规则与输入值xl之间的连接权；此处，l＝0,1,2，xl分别为x0、x1及x2；

第三层，为控制器输出层，计算模糊神经网络控制器的输出u，表达式如下式五：

其中，j＝1,2,…,m；为归一化的规则适用度；uj为每一条规则的后件；

第二步，采用误差反向传播的bp算法进行迭代计算，获取上述第一步所建立的控制器中规则后件连接权值、规则前件隶属度函数中心值及宽度的学习算法，在线实时调整所述第一步中控制器的各参数，使制氧机系统压力稳定追踪基于专家经验的优化设定值；

取误差代价函数e为如下式六：

所述后件网络连接权值wjl的学习算法为如下式七：

所述前件网络第二层各结点隶属度函数的中心值的学习算法为如下式八：

所述前件网络第二层各结点隶属度函数的宽度的学习算法为如下式九：

其中，j＝1,2,…,m；l＝0,1,2；η为学习速率；β为动量因子；(k)表示时间步，(k+1)表示下一时间步，(k-1)表示前一时间步；

wjl(k+1)、wjl(k)及wjl(k-1)分别为第(k+1)时间步、第(k)时间步及第(k-1)时间步的连接权值；

p(k)为第(k)时间步的压力测定值，p(k-1)为第(k-1)时间步的压力测定值；

u(k)为模糊神经网络控制器在第(k)时间步的输出，u(k-1)为模糊神经网络控制器在第(k-1)时间步的输出；

及分别为隶属度函数在第(k+1)时间步、第(k)时间步及第(k-1)时间步的中心值；

及分别为隶属度函数在第(k+1)时间步、第(k)时间步及第(k-1)时间步的宽度。

上述技术方案中的有关内容解释如下：

1、上述方案中，所述前件网络输入层结点i的输入函数及输出函数分别为：

其中，下标i为前件网络输入层结点的序号，i＝1,2；

中的i表示输入(input)，中的o表示输出(output)；fi^(a1)中的f代表对应的输入函数关系，中的g代表对应的输出函数关系；上标(a1)表示前件(antecedent的首字母a)网络第一层。

2、上述方案中，所述模糊化层内与输入变量xi的第qi个模糊子集相对应的结点的输入函数及输出函数分别为：

其中，下标iqi中qi之前的i为输入变量xi的序号，i＝1,2；下标iqi中的qi表示对应输入变量xi的第qi个模糊子集，qi＝1,2,…,mi；

与分别代表与输入变量xi的第qi个模糊子集相对应的结点的输入函数关系及输出函数关系。

3、上述方案中，所述模糊规则匹配层结点j的输入函数及输出函数分别为：

其中，j＝1,2,…,m；

fj^(a3)及中的下标j各自代表对应模糊规则匹配层的结点j；

的下标1q1j中q1j之前的1代表输入变量x1的序号,q1j中的q1代表对应于输入变量x1的第q1个模糊子集，q1j中的j表示为模糊规则匹配层第j个结点的输入；的下标2q2j中q2j之前的2代表输入变量x2的序号,q2j中的q2代表对应于输入变量x2的第q2个模糊子集，q2j中的j表示为模糊规则匹配层第j个结点的输入。

4、上述方案中，所述归一化层结点j的输入函数及输出函数分别为：

其中，j＝1,2,…,m。

fj^(a4)及中的下标j各自代表对应归一化层的结点j；

为模糊规则匹配层结点的输出函数，与所代表的意义相同，在归一化层结点j的输入函数表达式中用于表述对模糊规则匹配层m个结点的输出函数求和，s＝1,2,…,m，采用与不同的符号以对归一化层结点j的的输入函数计算表述清晰。

5、上述方案中，所述后件网络输入层结点i的输入函数及输出函数分别为：

其中，下标i为后件网络输入层结点的序号，i＝0,1,2；x0＝1。

6、上述方案中，所述规则后件计算层结点j的输入函数及输出函数分别为：

其中，j＝1,2,…,m；

fj^(c2)及中的下标j各自代表对应规则后件计算层的结点j。

7、上述方案中，所述控制器输出层结点的输入函数i^(c3)及输出函数o^(c3)分别为：

其中，j＝1,2,…,m。

8、上述方案中，关于描述本发明所采用的数学符号与公式的说明：

本发明内容所采用的数学符号及公式，按照中国国家标准gb3102.11-93《物理科学和技术中使用的数学符号》之规定进行选择及应用。对本发明中选择的数学符号所进行的说明附列于如下表1。

9、上述方案中，采用数学符号说明：

为描述本发明内容所采用的数学符号及公式，按照中国国家标准gb3102.11-93《物理科学和技术中使用的数学符号》之规定进行选择及应用。

表1所列为本说明书及权利要求书中所采用的数学符号及其在gb3102.11-93中所规定的项号及意义。符号排列按gb3102.11-93中项号顺序。

表1描述本发明所用数学符号

10、上述方案中，本发明设计的控制方法为智能控制，所基于的模糊神经网络结构为takagi-sugeno(ts)模型。

智能控制的学习功能和适应功能，在控制模型不确定、非线性及时变的系统中能取得理想的效果，可以用于解决制氧机系统压力控制中所面临的问题。

智能控制中的模糊控制以模糊集理论、模糊语言变量和模糊逻辑推理为基础，从行为上模仿人的模糊推理和决策。可以利用专家经验所形成的模糊规则，对动态时变的系统进行控制。但是模糊控制不便于控制参数的学习和调整。

智能控制的另一重要分支神经网络控制，模仿人脑生理系统，能学习与适应非线性不确定系统的动态特性。但人工神经网络的映射规则不可见，不擅长利用专家规则。

本发明设计的基于模糊神经网络的制氧机压力控制方法，结合了模糊控制和神经网络控制的优势，用于对制氧机系统压力进行动态实时控制，能够解决以时间控制切换或固定压力限值方式工作制氧机的不足，利于稳定连续地制备高浓度的氧气。

附图说明

附图1为本发明的基于模糊神经网络的制氧机压力控制系统结构图；

附图2为本发明采用的takagi-sugeno(ts)模糊神经网络结构示意图。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

实施例：一种基于模糊神经网络的制氧机压力控制方法

包括以下步骤：

第一步，构建模糊神经网络控制器，该模糊神经网络控制器包括前件网络和后件网络。

参见附图1中所示,fnnc为模糊神经网络控制器，u(k)表示控制量，k为模糊神经网络控制量的系数。

本实施例中模糊控制器采用双输入(二维)单输出结构。

所述前件网络用于匹配模糊规则前件，后件网络产生模糊规则后件。模糊神经网络控制器结构示意图参见附图2。

前件网络有四层。

第一层，前件网络输入层。前件网络输入层结点总数为na1＝2，分别与输入变量x1及x2相连，将输入值x1及x2传送至下述模糊化层。

本实施例中，前件网络输入层结点i的输入函数及输出函数分别为：

其中，下标i为前件网络输入层结点的序号，i＝1,2。

以上两式所采用的函数符号及上标的含义为：

中的i表示输入(input)，中的o表示输出(output)；fi^(a1)中的f代表对应的输入函数关系，中的g代表对应的输出函数关系；上标(a1)表示前件(antecedent的首字母a)网络第1层。

此处关于输入i、输出o、输入函数关系f和输出函数关系g、以及用上标表示所属网络层的含义的表达方式，同样适用于本发明之说明书及权利要求书中用以表述前件网络所有层以及后件网络所有层，各层相对应函数符号具体表述之区别仅在于不同的层在上标中以各自所对应的阿拉伯数字表示，而后件网络在上标(如(c1))中以c(后件consequence的首字母)表示。

输入变量x1及x2本身不属于模糊神经网络，但在系统结构上位于前件网络第1层之前，所以用第0层表示，符号表示为中的上标(0)。

第二层，模糊化层。将输入变量x1及x2各划分为7个模糊子集{nb,nm,ns,o,ps,pm,pb}。

所述模糊子集的隶属度函数均采用高斯函数如下式一：

其中，是输入变量xi的第qi(qi＝1,2,…,mi)个模糊子集的隶属度函数，i＝1,2为输入变量的序号，mi为输入变量xi的模糊分割数，本实施例中m1＝m2＝7。和分别为隶属度函数的中心值和宽度。所述模糊化层的结点总数为

本实施例中，模糊化层内与输入变量xi的第qi个模糊子集相对应的结点的输入函数及输出函数分别为：

其中，下标iqi中qi之前的i为输入变量xi的序号，i＝1,2；下标iqi中的qi表示对应输入变量xi的第qi个模糊子集，qi＝1,2,…,mi；与分别代表与输入变量xi的第qi个模糊子集相对应的结点的输入函数关系及输出函数关系。

第三层，模糊规则匹配层。该层每个结点代表一个模糊规则，采用相乘运算计算每条规则的适用度。

第j条规则适用度αj的表达式为如下式二：

其中，q1j∈{1,2,…,m1}，q2j∈{1,2,…,m2}，q1j中的下标内的j代表输入变量x1的第q1个模糊子集的隶属度函数对应于第j条规则，q2j中的下标内的j代表输入变量x2的第q2个模糊子集的隶属度函数对应于第j条规则。

αj中的下标内的j代表适用度对应于第j条规则；

j＝1,2,…,m，规则总数为

该层结点总数为na3＝49。

本实施例中，所述模糊规则匹配层结点j的输入函数及输出函数分别为：

其中，j＝1,2,…,m；

fj^(a3)及中的下标j各自代表对应模糊规则匹配层的结点j；

的下标1q1j中q1j之前的1代表输入变量x1的序号,q1j中的q1代表对应于输入变量x1的第q1个模糊子集，q1j中的j表示为模糊规则匹配层第j个结点的输入；的下标2q2j中q2j之前的2代表输入变量x2的序号,q2j中的q2代表对应于输入变量x2的第q2个模糊子集，q2j中的j表示为模糊规则匹配层第j个结点的输入。

第四层，归一化层。实现规则适用度的归一化计算。

对应第j条规则的归一化适用度计算式如下式三：

其中，j＝1,2,…,m。

该层结点总数为na4＝49。

本实施例中，归一化层结点j的输入函数及输出函数分别为：

其中，j＝1,2,…,m；fj^(a4)及中的下标j各自代表对应归一化层的结点j；

为模糊规则匹配层结点的输出函数，与所代表的意义相同，在归一化层结点j的输入函数表达式中用于表述对模糊规则匹配层m个结点的输出函数求和，s＝1,2,…,m，采用与不同的符号以对归一化层结点j的的输入函数计算表述清晰。

后件网络由3层组成，包括：

第一层，后件网络输入层。后件网络输入层结点数目为nc1＝3。其中第0个结点的输入值为x0＝1，其作用是提供模糊规则后件中的常数项；第1个和第2个结点分别输入变量x1及x2。

本实施例中，后件网络输入层结点i的输入函数及输出函数分别为：

其中，下标i为后件网络输入层结点的序号；i＝0,1,2；x0＝1。

输入变量x1及x2本身不属于模糊神经网络，但在系统结构上位于后件网络第1层之前，所以用第0层表示，符号表示为中的上标(0)。

第二层，规则后件计算层，计算每一条规则的后件。共有nc2＝m＝49个结点，每个结点代表一条规则。

规则后件表达式如下式四：

其中，x0＝1；wjl为后件网络对应第j条规则与输入值xl之间的连接权，j＝1,2,…,m。

本实施例中，规则后件计算层结点j的输入函数及输出函数分别为：

其中，j＝1,2,…,m；fj^(c2)及中的下标j各自代表对应规则后件计算层的结点j。

第三层，控制器输出层，计算模糊神经网络控制器的输出u。

输出u的表达式如下式五：

式中，m＝49。

该层有nc3＝1个结点。

本实施例中，控制器输出层结点的输入函数i^(c3)及输出函数o^(c3)分别为：

其中，j＝1,2,…,m；为归一化的规则适用度；uj为每一条规则的后件。

第二步，学习算法，采用误差反向传播的bp算法，进行迭代计算，获取上述第一步中所建立的控制器中规则后件连接权值wjl。

本实施例中，所述模糊神经网络控制器的学习采用在线学习，应用误差反向传播bp算法。

因为输入变量x1及x2的模糊分割数都已预先确定，所以需要学习的参数主要是后件网络的连接权值wjl以及前件网络第二层各结点隶属度函数的中心值和宽度

取误差代价函数e如下式六：

按照链式求导法则，得到

式中，

后件网络连接权值wjl的学习算法如下式七：

其中，

j＝1,2,…,m；l＝0,1,2；

η为学习速率，η∈[0,1]；

β为动量因子，β∈[0,1]；

(k)表示时间步；(k+1)表示下一时间步，(k-1)表示前一时间步。

所述后件网络连接权值经计算得出后，可将各连接权参数wjl固定，以计算所述前件网络第二层各结点隶属度函数的中心值和宽度

前件网络第二层各结点隶属度函数的中心值的学习算法如下式八：

前件网络第二层各结点隶属度函数的宽度的学习算法如下式九：

式八和式九中，i＝1,2；qi＝1,2,…,mi；

η为学习速率，η∈[0,1]；

β为动量因子，β∈[0,1]。

隶属度函数的中心值学习算法表达式(式八)中的及隶属度函数的宽度学习算法表达式(式九)中的可以采用误差反向传播的bp算法按如下迭代计算(链式法则求偏导数，进行迭代计算)：

前件网络第三层的输入函数为相乘运算，当是代表第j条规则的结点的一个输入时，

上式中采用v表示输入变量的标号，用于与式中代表第j条规则的结点输入的隶属度函数标号i进行区分，以表述清晰，v＝1,2；

否则，

从而得到：

将式十所得结果代入式八，即可经迭代计算得出隶属度函数的中心值

将式十一所得结果代入式九，即可经迭代计算得出隶属度函数的宽度

本发明涉及的基于模糊神经网络的制氧机压力控制方法，结合了模糊控制和神经网络控制的优势，用于对制氧机系统压力进行动态实时控制，能够解决以时间控制切换或固定压力限值方式工作制氧机的不足，利于稳定连续地制备高浓度的氧气。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。