木材干燥過(guò)程溫濕度的T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

姜濱， 孫麗萍， 曹軍

(1.東北林業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150040；2.哈爾濱電工儀表研究所，黑龍江 哈爾濱 150028)

?

木材干燥過(guò)程溫濕度的T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

姜濱1，2， 孫麗萍1， 曹軍1

(1.東北林業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150040；2.哈爾濱電工儀表研究所，黑龍江 哈爾濱 150028)

木材干燥過(guò)程是一個(gè)強(qiáng)耦合、大滯后的非線性動(dòng)力系統(tǒng)，很難準(zhǔn)確建立被控對(duì)象的數(shù)學(xué)模型。為了準(zhǔn)確控制木材干燥過(guò)程的溫度和濕度，提高木材干燥質(zhì)量，將智能控制引入木材干燥控制系統(tǒng)是必然的發(fā)展趨勢(shì)。結(jié)合模糊控制和神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)，設(shè)計(jì)了一種木材干燥窯內(nèi)溫濕度的Takagi-Sugeno (T-S)型模糊神經(jīng)網(wǎng)絡(luò)控制器。該控制器無(wú)需對(duì)象的精確數(shù)學(xué)模型，適應(yīng)性強(qiáng)，利用模糊算法解除木材干燥窯內(nèi)溫度和濕度間的強(qiáng)耦合關(guān)系，采用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力來(lái)實(shí)現(xiàn)整個(gè)非線性過(guò)程的模糊邏輯推理。仿真和實(shí)驗(yàn)結(jié)果表明，T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器有效解決了木材干燥過(guò)程的溫濕度控制，控制器響應(yīng)速度快、超調(diào)小、魯棒性強(qiáng)、控制精確度高，可以滿足木材干燥控制系統(tǒng)要求。

木材干燥過(guò)程；T-S模型；模糊神經(jīng)網(wǎng)絡(luò)控制器；溫濕度控制；神經(jīng)網(wǎng)絡(luò)

0 引 言

木材干燥過(guò)程是木材加工生產(chǎn)中的重要環(huán)節(jié)，而且木材干燥質(zhì)量的好壞對(duì)木材利用率和木材產(chǎn)品質(zhì)量有直接影響[1]。木材干燥系統(tǒng)是強(qiáng)耦合、大滯后、時(shí)變的非線性系統(tǒng)，很難建立準(zhǔn)確的數(shù)學(xué)模型來(lái)描述該系統(tǒng)[2]。目前，我國(guó)的木材干燥窯還都是以傳統(tǒng)半自動(dòng)的方式進(jìn)行控制，控制干燥窯溫濕度的加熱閥、噴蒸閥和排濕閥的參數(shù)都是憑借個(gè)人經(jīng)驗(yàn)進(jìn)行調(diào)節(jié)[3]。這種傳統(tǒng)的憑借經(jīng)驗(yàn)調(diào)節(jié)參數(shù)的控制方式具有溫濕度控制精確度低、干燥效果不理想，難以適應(yīng)木材干燥的擴(kuò)大化生產(chǎn)。

模糊控制就是在被控對(duì)象模糊模型的基礎(chǔ)上，運(yùn)用模糊控制器近似推理手段，實(shí)現(xiàn)系統(tǒng)控制的一種方法。模糊控制的優(yōu)點(diǎn)是不需要建立系統(tǒng)的精確數(shù)學(xué)模型，可以方便地應(yīng)用專家知識(shí)、操作員經(jīng)驗(yàn)等語(yǔ)言模糊信息；缺點(diǎn)是模糊規(guī)則在很大程度上是依靠人的經(jīng)驗(yàn)制定的，診斷系統(tǒng)本身不具有自學(xué)習(xí)能力，難以進(jìn)行自適應(yīng)調(diào)整[4]。人工神經(jīng)網(wǎng)絡(luò)具有非線性、自學(xué)習(xí)和自適應(yīng)能力等特點(diǎn)，不依賴于模型的控制，且自身具有神經(jīng)網(wǎng)絡(luò)的非線性映射，但不能表達(dá)人腦的推理功能[5-7]。Takagi-Sugeno (T-S)型模糊推理則具有計(jì)算簡(jiǎn)單，利于數(shù)學(xué)分析的優(yōu)點(diǎn)，且易于和人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)方法結(jié)合，可使控制器具有優(yōu)化與自適應(yīng)能力[8-10]。因此，目前最常用的一種模糊神經(jīng)網(wǎng)絡(luò)模型是T-S模型。T-S模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，使系統(tǒng)既有模糊邏輯易于表達(dá)人類知識(shí)，又有神經(jīng)網(wǎng)絡(luò)采用分布式信息存儲(chǔ)并具有學(xué)習(xí)能力的優(yōu)點(diǎn)，是復(fù)雜系統(tǒng)建模和控制的有效工具[11]。

木材干燥模糊控制系統(tǒng)可以直接使用專家經(jīng)驗(yàn)知識(shí)，實(shí)現(xiàn)木材干燥過(guò)程的溫度和濕度控制，降低兩者間的耦合關(guān)系，輸出相對(duì)準(zhǔn)確的溫度和濕度數(shù)據(jù)。但由于木材干燥窯內(nèi)環(huán)境復(fù)雜多變，木材干燥過(guò)程受非線性、時(shí)變性以及隨機(jī)干擾等因素影響，使得專家主觀提出的模糊控制規(guī)則不能完全適應(yīng)當(dāng)前的木材干燥系統(tǒng)，影響木材干燥過(guò)程的溫度和濕度控制效果。木材干燥的T-S型模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，在基于木材干燥模糊控制的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力，采用后件網(wǎng)絡(luò)自動(dòng)調(diào)整模糊運(yùn)算規(guī)則，提高整個(gè)控制器的魯棒性和適應(yīng)性。在木材干燥窯內(nèi)復(fù)雜多變環(huán)境下，T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器能夠自適應(yīng)樣本數(shù)據(jù)，保證溫度和濕度的控制精確度，實(shí)現(xiàn)木材干燥過(guò)程的全自動(dòng)控制，對(duì)提高木材干燥產(chǎn)品質(zhì)量具有重要研究意義。

1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

1.1 T-S型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

T-S型模糊神經(jīng)網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)組成[12-13]，其結(jié)構(gòu)如圖1所示。

圖1 T-S型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of T-S fuzzy neural network

1)前件網(wǎng)絡(luò)

前件網(wǎng)絡(luò)由四層組成。第一層為輸入層。它的每個(gè)節(jié)點(diǎn)直接與輸入向量的各分量xi連接，將輸入值x=[x1,x2,…,xn]T傳送到下一層。該層節(jié)點(diǎn)數(shù)N1=n。

(1)

式中：i=1,2,…,n，j=1,2,…,mi。n是輸入量的維數(shù)，mi是xi的模糊分割數(shù)。

第三層每個(gè)節(jié)點(diǎn)都代表一條模糊規(guī)則。第三層是用來(lái)匹配模糊規(guī)則的前件，進(jìn)行運(yùn)算獲得每條規(guī)則的適應(yīng)度。該層節(jié)點(diǎn)數(shù)N3=m。

(2)

在給定輸入的情況下，僅在鄰近輸入點(diǎn)的語(yǔ)言變量值擁有較大隸屬度值，其余點(diǎn)的隸屬度可能很小，如高斯隸屬函數(shù)，也有可能為0，如三角型隸屬函數(shù)。在隸屬函數(shù)較小的情況下，即小于0.05時(shí)，可以任務(wù)隸屬函數(shù)近似等于0。所以，αj內(nèi)僅存在少數(shù)節(jié)點(diǎn)輸出不是0，大部分節(jié)點(diǎn)的輸出均是0，這與局部逼近網(wǎng)絡(luò)具有相似性。

第四層進(jìn)行歸一化計(jì)算。該層節(jié)點(diǎn)數(shù)N3=N4=m。

(3)

2)后件網(wǎng)絡(luò)

后件網(wǎng)絡(luò)由r個(gè)結(jié)構(gòu)相同的子網(wǎng)絡(luò)所組成，每個(gè)子網(wǎng)絡(luò)產(chǎn)生一個(gè)輸出量。第一層子網(wǎng)絡(luò)是輸入層，它將輸入變量傳送到第二層。

第二層子網(wǎng)絡(luò)計(jì)算每一條規(guī)則的后件。該層有m個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一條規(guī)則，即

(4)

第三層子網(wǎng)絡(luò)計(jì)算系統(tǒng)的輸出，yi是各規(guī)則后件的加權(quán)和。

(5)

1.2 網(wǎng)絡(luò)自學(xué)習(xí)過(guò)程

(6)

(7)

式中：j=1,2,…,m;i=1,2,…,n;l=1,2,…,r。

(8)

令最后一層的連接權(quán)yij=wij。輸出層的權(quán)值由后件網(wǎng)絡(luò)對(duì)應(yīng)節(jié)點(diǎn)的輸出值來(lái)代替，不用學(xué)習(xí)。誤差直接反向傳遞到歸一化層。

(9)

(10)

(i=1,2,…,n;j=1,2,…,mi)。

(11)

最終能夠獲取一階梯度為：

(12)

最后給出的參數(shù)學(xué)習(xí)算法如下：

(13)

(14)

式中：β>0為學(xué)習(xí)速率，i=1,2,…,n;j=1,2,…,mi。

2 木材干燥窯T-S型模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

木材干燥窯溫濕度控制模型是一個(gè)典型的3輸入2輸出的非線性控制系統(tǒng)，系統(tǒng)結(jié)構(gòu)可以用式(15)表示。

Ch(k-1)]+G(k)。

(15)

式中：Ct(k)和Ch(k)分別表示當(dāng)前時(shí)刻控制模型的溫度輸出量和濕度輸出量；Ct(k-1)和Ch(k-1)分別表示前一時(shí)刻控制模型的溫度輸出量和濕度輸出量；S1(k)、S2(k)和S3(k)分別表示木材干燥窯當(dāng)前時(shí)刻加熱閥門(JR)的開度、噴蒸閥門(PZ)的開度以及排濕閥門(PS)的開度；G(k)表示木材干燥窯溫濕度控制模型的噪聲干擾。

木材干燥窯溫濕度控制模型的目標(biāo)函數(shù)W可以用式(16)表示

W=min∑[(Ct-Rt)2+(Ch-Rh)2]。

(16)

式中：Ct為溫度實(shí)際值，Rt為溫度設(shè)定值；Ch為濕度實(shí)際值；Rh為濕度設(shè)定值。

木材干燥過(guò)程溫濕度控制系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 木材干燥過(guò)程溫濕度控制系統(tǒng)結(jié)構(gòu)Fig.2 Structure of temperature and humidity control system in wood drying process

3 木材干燥窯T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

在模糊神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)中，輸入量的模糊分割數(shù)決定了神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)數(shù)，直接關(guān)系到模糊神經(jīng)網(wǎng)絡(luò)控制器的運(yùn)行速度和控制精確度[14-15]。在模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)時(shí)，例如：系統(tǒng)是2輸入1輸出，每個(gè)變量的模糊分割數(shù)都為7，則前件網(wǎng)絡(luò)第二層節(jié)點(diǎn)數(shù)就為7×2=14個(gè)，第三層節(jié)點(diǎn)數(shù)就為72=49個(gè)。如果網(wǎng)絡(luò)的輸入增加，以上數(shù)字將會(huì)增長(zhǎng)的更快，例如：一個(gè)4輸入1輸出的系統(tǒng)，每個(gè)變量的模糊分割數(shù)都為7，則前件網(wǎng)絡(luò)第二層節(jié)點(diǎn)數(shù)為7×4=28個(gè)，第三層節(jié)點(diǎn)數(shù)為74=2 401個(gè)。在這樣的網(wǎng)絡(luò)中，不論是前向計(jì)算還是反傳修正的運(yùn)算量都是很大，嚴(yán)重影響網(wǎng)絡(luò)的運(yùn)算速度。另外，對(duì)于這種網(wǎng)絡(luò)，由于結(jié)構(gòu)復(fù)雜，需要優(yōu)化調(diào)整的參數(shù)太多，很難進(jìn)行網(wǎng)絡(luò)的初始化和結(jié)構(gòu)設(shè)計(jì)工作，而網(wǎng)絡(luò)初始化不合理直接影響到網(wǎng)絡(luò)的學(xué)習(xí)速度和收斂性，而且設(shè)計(jì)性能不佳的網(wǎng)絡(luò)很難在應(yīng)用中達(dá)到理想的控制效果。因此，對(duì)于具有4個(gè)輸入和3個(gè)輸出的木材干燥模糊神經(jīng)網(wǎng)絡(luò)控制器，為了提高模糊神經(jīng)網(wǎng)絡(luò)控制器的運(yùn)算速度，并且保證控制器精度的前提下，將輸入輸出量論域選擇及模糊賦值設(shè)置如下：

圖3 模糊控制Et和的隸屬函數(shù)Fig.3 Membership functions Et and in fuzzy control

圖4 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練后Et的隸屬函數(shù)Fig.4 Membership function Et trained by fuzzy neural network

圖5 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的隸屬函數(shù)Fig.5 Membership function by fuzzy neural network

4 仿真實(shí)驗(yàn)與結(jié)果分析

木材干燥過(guò)程溫濕度控制器的仿真實(shí)驗(yàn)是在SIMULINK環(huán)境下進(jìn)行的，木材干燥窯的初始溫度為25℃，終了溫度為60℃；初始濕度為15%，終了濕度為35%。在初始條件相同的情況下，利用T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器和經(jīng)典模糊控制器分別進(jìn)行木材干燥過(guò)程的溫濕度控制，并將兩者的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析。模糊控制溫度仿真曲線如圖6(a)所示，模糊神經(jīng)網(wǎng)絡(luò)控制溫度仿真曲線如圖6(b)所示；模糊控制濕度仿真曲線如圖7(a)所示，模糊神經(jīng)網(wǎng)絡(luò)控制濕度仿真曲線如圖7(b)所示。

由圖6(a)可知，木材干燥窯模糊控制器溫度輸出曲線的最大偏差量為10℃，超調(diào)量為16.7%，調(diào)節(jié)時(shí)間將近150 s。由圖6(b)可知，木材干燥窯模糊神經(jīng)網(wǎng)絡(luò)控制器溫度輸出曲線的最大偏差量為5℃，超調(diào)量為8.3%，調(diào)節(jié)時(shí)間約為100 s。

由圖7(a)可知，木材干燥窯模糊控制器濕度輸出曲線的最大偏差量為8%，超調(diào)量為22.9%，調(diào)節(jié)時(shí)間約為100 s。由圖7(b)可知，木材干燥窯模糊神經(jīng)網(wǎng)絡(luò)控制器濕度輸出曲線的最大偏差量為6%，超調(diào)量為17.1%，調(diào)節(jié)時(shí)間約為50 s。

通過(guò)比較模糊控制器和模糊神經(jīng)網(wǎng)絡(luò)控制器的控制效果可知，T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器不論是溫度還是濕度輸出曲線都具有較小的超調(diào)量和調(diào)節(jié)時(shí)間，T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器相比較于模糊控制器具有更好的控制效果。

圖6 溫度仿真曲線Fig.6 Simulation curves of temperature

圖7 濕度仿真曲線Fig.7 Simulation curves of humidity

3 結(jié) 論

在強(qiáng)耦合和大滯后的非線性木材干燥過(guò)程中，針對(duì)溫濕度難以精準(zhǔn)控制的問(wèn)題，設(shè)計(jì)了一種木材干燥過(guò)程溫濕度的T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器，把模糊邏輯與神經(jīng)網(wǎng)絡(luò)有機(jī)地組合在一起，充分發(fā)揮各自優(yōu)點(diǎn)，使得控制器對(duì)非線性系統(tǒng)逼近能力更強(qiáng)、訓(xùn)練收斂速度更快、算法更穩(wěn)定。仿真研究結(jié)果表明，T-S型模糊神經(jīng)網(wǎng)絡(luò)控制器比模糊控制器更適合木材干燥過(guò)程的溫濕度控制，溫濕度的最大偏差小、超調(diào)量小、調(diào)節(jié)時(shí)間快、穩(wěn)定性好，能夠滿足木材干燥系統(tǒng)對(duì)溫濕度的控制要求，對(duì)逐步實(shí)現(xiàn)木材干燥過(guò)程的全自動(dòng)控制，提高木材干燥產(chǎn)品質(zhì)量具有重要研究意義。

[1] 王克奇,杜尚豐,白雪冰.智能控制及其在林業(yè)上的應(yīng)用[M].北京: 中國(guó)林業(yè)出版社,2009: 1-66.

[2] 孫麗萍,曹軍,李志輝.木材干燥微波-真空木材干燥過(guò)程ARMA模型建立及其控制器仿真[J].電機(jī)與控制學(xué)報(bào),2011,15(9): 86-91.

SUN Liping,CAO Jun,LI Zhihui.Modeling and simulation of microwave-vacuum wood drying process controller based on ARMA[J].Electric Machines and Control,2011,15(9): 86-91.

[3] 孫麗萍,曹文華,李志輝.優(yōu)化微波木材干燥模糊控制器的仿真研究[J].自動(dòng)化儀表,2009,30(12): 65-67.

SUN Liping,CAO Wenhua,LI Zhihui.Research onsimulation of optimized fuzzy controller for microwave timber drying process[J].Process Automation Instrumentation,2009,30(12): 65-67.

[4] 陳延偉,史富斌.鉆機(jī)恒鉆壓自動(dòng)送鉆系統(tǒng)模糊控制器的設(shè)計(jì)[J].電氣傳動(dòng)自動(dòng)化,2011,33(5): 33-36.

CHEN Yanwei,SHI Fubin.Design of fuzzy controller for electric rig constant WOB automatic drilling fuzzy system[J].Electric Drive Automation,2011,33(5): 33-36.

[5] LEE C H.Identification and control of dynamic systems using recurrent fuzzy neural networks[J].IEEE Transaction Fuzzy Systems,2000,8(4): 349-366.

[6] 王麗梅,武志濤,左濤.永磁直線電機(jī)自構(gòu)式模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)[J].電機(jī)與控制學(xué)報(bào),2009,13(5): 643-647.

WANG Limei,WU Zhitao,ZUO Tao.PMLSM self-constructing fuzzy neural network controller design[J].Electric Machines and Control,2009,13(5): 643-647.

[7] SHIH K S,LI T H S,TSAI S H.Novel adaptive fuzzy neural network controller for a class of uncertain non-linear systems[J].Proceedings of the Institution of Mechanical Engineers,2012,226(3): 364-378.

[8] 靖永志,肖建.基于T-S模糊神經(jīng)網(wǎng)絡(luò)的齒槽效應(yīng)補(bǔ)償方法研究[J].傳感技術(shù)學(xué)報(bào),2013,26(8): 1121-1125.

JING Yongzhi,XIAO Jian.Study on slot effect compensation based on T-S fuzzy neural network[J].Chinese Journal of Sensors and Actuators,2013,26(8): 1121-1125.

[9] 梁霄,張均東,李巍,等.水下機(jī)器人T-S型模糊神經(jīng)網(wǎng)絡(luò)控制[J].電機(jī)與控制學(xué)報(bào),2010,14(7): 99-104.

LIANG Xiao,ZHANG Jundong,LI Wei,et al.T-S fuzzy neural network control for autonomous underwater vehicles[J].Electric Machines and Control,2010,14(7): 99-104.

[10] WANG W Y,CHIEN Y H,LI I H.An on-line robust and adaptive T-S fuzzy-neural controller for more general unknown systems[J].International Journal of Fuzzy Systems,2008,10(1):33-43.

[11] 王蘭,郭迎清.基于T-S模糊神經(jīng)網(wǎng)絡(luò)的渦流發(fā)動(dòng)機(jī)加速控制[J].計(jì)算機(jī)仿真,2010,27(2): 26-29.

WANG Lan,GUO Yingqing.T-S fuzzy neural network based control of accelerating process of turbo-fan engine[J].Computer Simulation,2010,27(2): 26-29.

[12] CHEN J Y,TSAI P S,WONG C C.Adaptive design of a fuzzy cerebella model arithmetic controller neural network[J].Control Theory and Applications,2005,152(2): 133-137.

[13] LIANG X,LI Y,XU Y.Fuzzy neural network control of underwater vehicles based on desired state programming[J].Journal of Marine Science and Application,2006,5(3): 1-4.

[14] 孫麗萍,霍然.北方蔬菜溫室系統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2014,45(4): 113-117.

SUN Liping,HUO Ran.Design of fuzzy-neural network control system for northern vegetables greenhouse[J].Journal of Northeast Agricultural University,2014,45(4): 113-117.

[15] 王暑,楊曉京.基于模糊神經(jīng)網(wǎng)絡(luò)的煙葉烘烤溫濕度監(jiān)控系統(tǒng)研究[J].計(jì)算機(jī)測(cè)量與控制,2009,17(2): 342-344.WANG Shu,YANG Xiaojing.Monitor and control system of temperature and humidity on fuzzy neural network in tobacco drying[J].Computer Measurement & Control,2009,17(2): 342-344.

(編輯：賈志超)

Design of T-S fuzzy neural network controller for temperature and humidity in wood drying process

JIANG Bin1，2， SUN Li-ping1， CAO Jun1

(1.College of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin 150040,China;2.Harbin Research Institute of Electrical Instrument,Harbin 150028,China)

Wood drying process presents normally the non-linear characteristics of strong coupling and large lagging,therefore,it is hardly to build the math model of controlled object.In order to control more precisely the temperature and humidity of the wood drying process so as to improve the drying quality,it is necessary to apply the intelligent controller in wood drying control system.Combining the merits of fuzzy control and neural control,a Takagi-Sugeno (T-S) fuzzy neural network controller is designed to control the inner temperature and humidity of wood drying kiln.This controller has strong adaptability and did not depend on the precise math model.With fuzzy algorithm,the coupling relationship was removed between inner temperature and humidity of wood drying kiln.The self-learning and adaptive ability of neural network was used to accomplish the fuzzy logic of the whole non-linear process.The simulation reveales that T-S fuzzy neural network controller solves the problem of low control precision of temperature and humidity in wood drying process.And this controller has fast response speed,low overshoot,strong robustness and high control precision.It might fulfill the demand of wood drying control system.

wood drying process; Takagi-Sugeno model; fuzzy neural network controller; control of temperature and humidity; neural network

2015-02-01

國(guó)家林業(yè)公益性行業(yè)科研專項(xiàng)(201304502)

姜 濱(1985—)，男，博士研究生，研究方向?yàn)閺?fù)雜系統(tǒng)建模與控制；

孫麗萍(1958—)，女，博士，教授，博士生導(dǎo)師，研究方向?yàn)槟Ｊ阶R(shí)別、復(fù)雜系統(tǒng)建模與控制；

孫麗萍

10.15938/j.emc.2016.10.015

TP 273.4

A

1007-449X(2016)10-0114-07

曹 軍(1956—)，男，博士，教授，博士生導(dǎo)師，研究方向?yàn)槟Ｊ阶R(shí)別、復(fù)雜系統(tǒng)建模與控制。