[发明专利]一种基于双聚类自适应模糊神经网络的重量控制方法

权利要求书

1.一种基于双聚类自适应模糊神经网络的重量控制方法，其特征是应用于由称重仓、称重传感器、皮带秤和控制器所构成的装置中，并按如下步骤进行：

步骤1、利用所述称重传感器实时采集所述称重仓中均匀混合物料的重量数据，从而得到时间段t₁～t_d的重量数据{y₁，…，y_i，…，y_d}；其中，y_i为t_i时刻的物料重量，i＝1，…，d；

利用所述皮带秤实时采集称重仓的进料量，从而得到时间段t₁～t_d的进料量信息{u₁，…，u_i，…，u_d}，其中，u_i为t_i时刻称重仓的进料量；

步骤2、给定聚类数k的取值范围为{k₁，…，k_v…，k_n}，其中，k_v表示第v个取值；

基于聚类数k的取值范围{k₁，…，k_v…，k_n}，利用K-means聚类对时间段t₁～t_d的重量数据{y₁，…，y_i，…，y_d}分别进行聚类，得到不同取值所对应的簇，其中，令第v个取值k_v所对应的簇记为其对应的聚类中心为C_vj表示第v个取值k_v对应的第j个簇，c_vj表示第v个取值k_v对应第j个簇的聚类中心，h_v表示第v个取值k_v所对应的簇的数量；

步骤3、在聚类数k取值为k_v时，计算t_i时刻的物料重量y_i与所属的第j个簇C_vj中其他物料重量的平均值并计算t_i时刻的物料重量y_i与其他一个簇中所有物料重量的平均值，从而得到t_i时刻的物料重量y_i到所有簇物料重量的平均值，并选取最小平均值记为从而利用式(1)得到t_i时刻的物料重量y_i的轮廓值S_vi，进而得到时间段t₁～t_d的重量数据的轮廓值{S_v1，…，S_vi，…，S_vd}，并求取第v个取值k_v对应的平均轮廓值S_v；

步骤4、按照步骤3的过程得到聚类数k在不同取值下所对应的平均轮廓值{S₁，…，S_v，…，S_n}；

步骤5、在聚类数k取值为k_v时，利用式(2)得到簇内误差平方和SSE_v：

步骤6、按照步骤5的过程得到聚类数k在不同取值下所对应的簇内误差平方和{SSE₁，…，SSE_v，…，SSE_n}；

步骤7、利用双评价标准取得最佳聚类数；

步骤7.1、对平均轮廓值{S₁，…，S_v，…，S_n}进行降序排序，得到排序后的平均轮廓值{S′₁，…，S′_v，…，S′_n}；

步骤7.2、对簇内误差平方和{SSE₁，…，SSE_v，…，SSE_n}进行曲线拟合，并将下降幅度变缓时出现的拐点定义为聚类数k_{max_SSE}；

步骤7.3、初始化v＝1；

步骤7.4、将S′_v所对应的聚类数记为k_{max_S}；

步骤7.5、判断k_{max_S}＝k_{max_SSE}是否成立，若成立，则将k_{max_SSE}即为最佳聚类数目k_best，并执行步骤8；否则，将v+1赋值给v后，判断v＞n是否成立，若成立，则执行步骤7.6；否则，返回步骤7.4顺序执行；

步骤7.6、改变拐点k_{max_SSE}后返回步骤7.3顺序执行，直至求出时间段t₁～t_d的重量数据{y₁，…，y_i，…，y_d}在给定聚类数范围{k₁，…，k_v…，k_n}内的最佳聚类数目k_best；

步骤8、根据最佳聚类数k_best求出所对应各个簇的聚类中心c_best，对聚类中心c_best进行筛选处理，得到筛选后的k′_best个聚类中心并作为各个簇的目标重量值；

步骤9、计算各个簇的目标重量值与各自簇内的物料重量的重量偏差、偏差变化率并分别进行归一化处理，得到归一化后的重量偏差{e₁，…，e_i，…，e_d}、归一化后的偏差变化率{ec₁，…，ec_i，…，ec_d}；其中，e_i表示归一化后t_i时刻的重量偏差，ec_i表示归一化后的t_i时刻的重量偏差变化率；

计算进料偏差并进行数据归一化处理，得到归一化后的进料偏差{eu₁，…，eu_i，…，eu_d}，其中，eu_i表示归一化后的t_i时刻的进料量偏差；

步骤10、利用减法聚类求出重量偏差的聚类中心{c_e1，…，c_ea，…，c_ef}、偏差变化率的聚类中心{c_ec1，…，c_eca，…，c_ecf}以及进料偏差的聚类中心{c_eu1，…，c_eua，…，c_euf}，重量偏差的密度半径{σ_e1，…，σ_ea，…，σ_ef}、偏差变化率的密度半径{σ_ec1，…，σ_eca，…，cσ_ecf}、进料偏差的密度半径{σ_eu1，…，σ_eua，…，σ_euf}，其中，c_ea表示重量偏差的第a个聚类中心，σ_ea表示重量偏差的第a个密度半径，c_eca表示重量偏差变化率的第a个聚类中心，σ_eca表示重量偏差变化率的第a个密度半径，c_eua表示进料量偏差的第a个聚类中心，σ_eua表示进料量偏差的第a个密度半径；

利用式(3)-式(5)得到与模糊语言对应的隶属度：

式(3)-式(5)中，μ_ea表示重量偏差的第a个聚类中心对应的隶属度，μ_eca表示重量偏差变化率的第a个聚类中心对应的隶属度，μ_eua表示进料量偏差的第a个聚类中心对应的隶属度；

建立模糊规则：如果e_i的隶属度为μ_ea且ec_i的隶属度为μ_eca，则eu_i的隶属度为μ_eua；

步骤11、利用模糊神经网络在模糊规则上对归一化后的重量偏差{e₁，…，e_i，…，e_d}、归一化后的偏差变化率{ec₁，…，ec_i，…，ec_d}和归一化后的进料偏差{eu₁，…，eu_i，…，eu_d}进行学习，得到双聚类自适应模糊神经网络控制器；

步骤12、设定称重仓的目标值y_goal；

步骤13、利用称重传感器采集t时刻所述称重仓的重量y_t，并与设定的目标值y_goal比较后得到实时偏差e_t以及偏差变化率ec_t，并经过双聚类自适应模糊神经网络控制器的处理后得到进料量偏差eu_t；

步骤14、对进料量偏差eu_t进行反归一化，再与t-1时刻的进料量u_t-1相加后得到t时刻的进料量u_t并传输给皮带秤，返回步骤13。