基于PLC的模糊神經網絡算法實現方法

　　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。

　　1、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。

　　2、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。

　　3、模糊神經網絡算法在PLC的應用

　　3.1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。

　　3.1.1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。

　　3.1.2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。

　　針對下位機程序流程這里需要說明的是：

　　(1)初始化首先隨機選取[0，1]內θji、σji、ωi及η的初始值，通過PLC指令把這些值賦給存儲單元；其次對學習過程中用到的常數賦值，同樣賦給存儲單元；最后，要把請求數據傳送的標志位VB703置位。

　　(2)初始值計算由于初始化中請求數據傳送，首先通過下位機的通信程序取得數據，并且接收樣本數據后．復位VB703，告知上位機不再傳送數據。接著利用初始化已賦值的第一組權值，計算第一組樣本值為輸入時輸出值、輸出值與期望輸出值的差值以及后續計算所要用到的數據。

　　(3)權值、E(性能指標)值計算在第上一步的基礎上計算權值和E值。具體算法可參考模糊神經網絡算法．且易于在PLC平臺上實現。

　　(4)E值判斷把計算的E值與0．002相比較。如果E≤0．002，說明計算的函數變量、權值已達到預期目標，學習過程結束。結束的同時觸發外接設備的開關量，利用外接設備讀取這些計算結果。相反，則需繼續學習過程。并將不滿足性能指標第3步計算出的函數變量、權值賦給下一步重新計算y值所需的地址內，把請求數據標志位VB703置位．并向上位機發送，從而為新y值的計算做好準備。