基于PLC的模糊神经网络算法实现方法

　　模糊神经网络是模糊逻辑控制和神经网络两者结合的产物。这两者单独使用时存在一定缺陷。模糊逻辑在一定的论域上具有很好的收敛性，并具有模糊量运算优势；而神经网络具有强自学习、自适应、并行运算和精确计算的能力。因此，这两者相结合可大大提高综合能力。

plc在工业控制中应用广泛，因此，功能强大，使用方便。因此，将模糊神经网络算法应用于PLC中具有实际应用价值，使PLC在机械、民用等领域广泛应用。这里提出一种基于PLC的模糊神经网络算法实现方法。

1、模糊神经网络系统结构

模糊神经网络具有很多种结构和算法，对于不同控制对象，综合考虑运算速度和精度，模糊神经网络结构也有所不同。由于该实现方法没有实际控制对象，为了说明在PLC上能实现模糊神经网络算法，故选择模糊神经网络，如图1所示。假设其中输入两个变量X1、X2，输出变量为Y。将每个输入因子分为：NM，NS，ZO，PS，PM等5个模糊状态。

2、模糊神经网络的学习步骤

选择在线学习，在线学习期间学习速度不变。在线学习终止条件是性能指标E小于等于某一数值。这个指标值随控制对象的改变而改变的。当确定控制对象时，该指标值可根据经验确定。但是为了便于说明问题这里设置该指标值为0．002。具体学习步骤是：①θji、σji、ωi及η的初始值在[0，1]之间随机选取，η的值为恒定值，根据经验决定。②根据模糊神经算法计算出比较理想的θji(k+1)、σji(k+1)、ωi(k+1)值。③根据模糊神经算法计算E，若E≤0．002，迭代结束。否则，令θji(k+1)、σji(k+1)、ωi(k+1)为初始值并返回②。

3、模糊神经网络算法在PLC的应用

3.1模糊神经网络学习阶段的实现

在学习阶段实现过程中，利用上位机向下位机传输样本数据，具体运算过程是由下位机实现。

3.1.1学习阶段上位机程序实现

根据模糊神经网络理论知识可知，样本值是根据实际控制对象的需要而定的。为了说明问题，采用含有两个输入值和一个输出期望值的较为简单的样本值。学习过程中上位机程序设计流程如图2所示，具体过程如下：

(1)初始化初始化样本值和为后续传输样本值做准备，通过PLC指令把样本值写入PLC的储存地址，再次赋值给发送区的数据区，并把存储第一个样本值地址分别赋给VD712，VD716，VD720地址指针，这样可为再次发送样本值做准备。因为要发送的样本值是不断变化的，但是发送区不能变化，故使用地址指针达到两者同步。

(2)接受请求接收下位机向上位机传送的数据，该数据是告之上位机是否向下位机传送样本值。

(3)判断VB703数据请求标志位VB703，对所接收的数据，判断其值是否等于16#FF。而16#FF是通信协议中规定上位机给下位机传送数据的标志。如果等于16#FF，则向下位机传输数据；否则就再次返回上一步。

(4)发送数据通过上位机通信程序向下位机发送样本值，发送完后就结束第一次传送样本值，启动新接收，等待下位机请求数据传送信号。

3.1.2下位机程序实现

图3为下位机程序流程，从中可以看到学习阶段下位机程序的基本构想。

针对下位机程序流程这里需要说明的是：

(1)初始化首先随机选取[0，1]内θji、σji、ωi及η的初始值，通过PLC指令把这些值赋给存储单元；其次对学习过程中用到的常数赋值，同样赋给存储单元；最后，要把请求数据传送的标志位VB703置位。

(2)初始值计算由于初始化中请求数据传送，首先通过下位机的通信程序取得数据，并且接收样本数据后．复位VB703，告知上位机不再传送数据。接着利用初始化已赋值的第一组权值，计算第一组样本值为输入时输出值、输出值与期望输出值的差值以及后续计算所要用到的数据。

(3)权值、E(性能指标)值计算在第上一步的基础上计算权值和E值。具体算法可参考模糊神经网络算法．且易于在PLC平台上实现。

(4)E值判断把计算的E值与0．002相比较。如果E≤0．002，说明计算的函数变量、权值已达到预期目标，学习过程结束。结束的同时触发外接设备的开关量，利用外接设备读取这些计算结果。相反，则需继续学习过程。并将不满足性能指标第3步计算出的函数变量、权值赋给下一步重新计算y值所需的地址内，把请求数据标志位VB703置位．并向上位机发送，从而为新y值的计算做好准备。

(5)学习过程中Y值计算由于已把请求数据标志位置位，因此，首先通过通信程序先取样本，取完样本值后复位VB703，告知上位机不再传样本值，接着计算新的Y值，以便计算新的函数变量、权值以及E值。学习过程下位机主程序实现如图4所示。

3.2模糊神经网络现