基于S7-200 PLC的模糊神經網絡算法設計

摘要：隨著智能信息技術的發展，模糊神經網絡算法廣泛應用于工業控制。但該算法尚未應用于PLC。針對這種現狀，給出基于S7-200PLC的模糊神經網絡算法設計。利用模糊神經網絡算法的理論知識，在S7-200的平臺上采用梯形圖和指令表兩種模式編程設置。并利用PLC仿真軟件對其仿真，仿真結果達到預期目標。
關鍵詞：PLC；模糊神經網絡；神經網絡；模糊控制

1 引言
模糊神經網絡是模糊邏輯控制和神經網絡兩者結合的產物。這兩者單獨使用時存在一定缺陷。模糊邏輯在一定的論域上具有很好的收斂性，并具有模糊量運算優勢；而神經網絡具有強自學習、自適應、并行運算和精確計算的能力。因此，這兩者相結合可大大提高綜合能力。
PLC在工業控制中應用廣泛，因此，功能強大，使用方便。因此，將模糊神經網絡算法應用于PLC中具有實際應用價值，使PLC在機械、民用等領域廣泛應用。這里提出一種基于PLC的模糊神經網絡算法實現方法。

2 模糊神經網絡系統結構
模糊神經網絡具有很多種結構和算法，對于不同控制對象，綜合考慮運算速度和精度，模糊神經網絡結構也有所不同。由于該實現方法沒有實際控制對象，為了說明在PLC上能實現模糊神經網絡算法，故選擇模糊神經網絡，如圖1所示。假設其中輸入兩個變量X1、X2，輸出變量為Y。將每個輸入因子分為：NM，NS，ZO，PS，PM等5個模糊狀態。

3 模糊神經網絡的學習步驟
選擇在線學習，在線學習期間學習速度不變。在線學習終止條件是性能指標E小于等于某一數值。這個指標值隨控制對象的改變而改變的。當確定控制對象時，該指標值可根據經驗確定。但是為了便于說明問題這里設置該指標值為0．002。具體學習步驟是：①θji、σji、ωi及η的初始值在[0，1]之間隨機選取，η的值為恒定值，根據經驗決定。②根據模糊神經算法計算出比較理想的θji(k+1)、σji(k+1)、ωi(k+1)值。③根據模糊神經算法計算E，若E≤0．002，迭代結束。否則，令θji(k+1)、σji(k+1)、ωi(k+1)為初始值并返回②。

4 模糊神經網絡算法在PLC的應用
4．1 模糊神經網絡學習階段的實現
在學習階段實現過程中，利用上位機向下位機傳輸樣本數據，具體運算過程是由下位機實現。
4．1．1 學習階段上位機程序實現
根據模糊神經網絡理論知識可知，樣本值是根據實際控制對象的需要而定的。為了說明問題，采用含有兩個輸入值和一個輸出期望值的較為簡單的樣本值。學習過程中上位機程序設計流程如圖2所示，具體過程如下：
(1)初始化初始化樣本值和為后續傳輸樣本值做準備，通過PLC指令把樣本值寫入PLC的儲存地址，再次賦值給發送區的數據區，并把存儲第一個樣本值地址分別賦給VD712，VD716，VD720地址指針，這樣可為再次發送樣本值做準備。因為要發送的樣本值是不斷變化的，但是發送區不能變化，故使用地址指針達到兩者同步。
(2)接受請求接收下位機向上位機傳送的數據，該數據是告之上位機是否向下位機傳送樣本值。
(3)判斷VB703數據請求標志位VB703，對所接收的數據，判斷其值是否等于16#FF。而16#FF是通信協議中規定上位機給下位機傳送數據的標志。如果等于16#FF，則向下位機傳輸數據；否則就再次返回上一步。
(4)發送數據通過上位機通信程序向下位機發送樣本值，發送完后就結束第一次傳送樣本值，啟動新接收，等待下位機請求數據傳送信號。

4．1．2下位機程序實現
圖3為下位機程序流程，從中可以看到學習階段下位機程序的基本構想。