酒泉公路管理局在G215线阿克塞当金山…

摘要：随着智能信息技术的发展，模糊神经网络算法广泛应用于工业控制。但该算法尚未应用于PLC。针对这种现状，给出基于S7-200PLC的模糊神经网络算法设计。利用模糊神经网络算法的理论知识，在S7-200的平台上采用梯形图和指令表两种模式编程设置。并利用PLC仿真软件对其仿真，仿真结果达到预期目标。
关键词：PLC；模糊神经网络；神经网络；模糊控制

1 引言
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。

2 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。

3 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。

4 模糊神经网络算法在PLC的应用
4．1 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。
4．1．1 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。

4．1．2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。