基于模糊神经网络的洗衣机水温控制方法、系统和介质技术方案

本发明专利技术公开了一种基于模糊神经网络的洗衣机水温控制方法、系统和介质，可广泛应用于工业洗衣机技术领域。本发明专利技术的方法通过先初始化神经网络模型内的矩阵参数和第一参数，并获取神经网络模型的实际输出温度数据，接着根据实际输出温度数据采用预先确定的模糊规则函数控制神经网络模型进行运算并更新矩阵参数和第一参数，并当神经网络模型的运算时长大于预设时长，输出神经网络模型的控制参数，然后根据控制参数控制洗衣机的水温调节工作状态，本实施例通过实时调节的控制参数来动态控制洗衣机的水温调节工作状态，从而提高控制精度。

【技术实现步骤摘要】
基于模糊神经网络的洗衣机水温控制方法、系统和介质
本专利技术涉及工业洗衣机
，尤其是一种基于模糊神经网络的洗衣机水温控制方法、系统和介质。
技术介绍
工业洗衣机型半自动洗衣机适用于宾馆、饭店、院校、医院及洗涤公司等区域。对服装、床单、被套、台布、毛巾、浴巾等织物进行洗涤、漂洗、消毒等加工。工业洗衣机在洗涤测试时，需要对水温进行控制。目前，水温控制系统是惯性、延时系统，其比例积分微分控制(PID)的参数不能动态调整，从而导致控制精度差。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于模糊神经网络的洗衣机水温控制方法、系统和介质，能够动态调整控制参数。第一方面，本专利技术实施例提供了一种基于模糊神经网络的洗衣机水温控制方法，包括以下步骤：确定神经网络模型的拓扑结构和模糊规则函数；初始化所述神经网络模型内的矩阵参数和第一参数；获取所述神经网络模型的实际输出温度数据；根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数；当所述神经网络模型的运算时长大于预设时长，输出所述神经网络模型的控制参数；根据所述控制参数控制洗衣机的水温调节工作状态。本专利技术实施例提供的一种基于模糊神经网络的洗衣机水温控制方法，具有如下有益效果：本实施例先初始化神经网络模型内的矩阵参数和第一参数，并获取神经网络模型的实际输出温度数据，接着根据实际输出温度数据采用预先确定的模糊规则函数控制神经网络模型进行运算并更新矩阵参数和第一参数，并当神经网络模型的运算时长大于预设时长，输出神经网络模型的控制参数，然后根据控制参数控制洗衣机的水温调节工作状态，本实施例通过实时调节的控制参数来动态控制洗衣机的水温调节工作状态，从而提高控制精度。可选地，所述神经网络模型的拓扑结构包括输入层、模糊化层、模糊推理层和输出层；所述输入层用于接收输入量；所述模糊化层用于将输入量划分成若干个区间并进行模糊处理；所述模糊推理层用于采用所述模糊规则函数对所述模糊化层的模糊结果进行处理，输出模糊推理结果；所述输出层用于求解所述模糊推理结果。可选地，所述获取所述神经网络模型的实际输出温度数据，包括：控制所述神经网络模型前向传播，得到实际输出温度数据。可选地，所述根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数，包括：获取预设温度数据；根据所述实际输出温度数据和所述预设温度数据确定偏差值；获取偏差变化率；根据所述偏差值和所述偏差变化率计算所述模糊规则函数中的函数参数；控制所述神经网络模型进行运算并以预设学习率更新所述矩阵参数和所述第一参数。可选地，在执行所述采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数这一步骤时，还包括以下步骤：采用激活函数控制所述神经网络模型进行运算。可选地，所述模糊规则函数如下：f(e(k),ec(k))＝αe(k)+(1-α)ec(k)其中，f()表示模糊推理层的输出函数，e(k)表示偏差值，ec(k)表示偏差变化率，α表示第一参数。可选地，所述输入层包括2个节点，所述输入层的每个神经元与所述输入量的各个分量连接；所述模糊化层包括14个节点，所述模糊化层的每个神经元表示一个高斯隶属函数；所述模糊推理层包括49个节点；所述输出层包括3个节点。第二方面，本专利技术实施例提供了一种基于模糊神经网络的洗衣机水温控制系统，包括：确定模块，用于确定神经网络模型的拓扑结构和模糊规则函数；初始化模块，用于初始化所述神经网络模型内的矩阵参数和第一参数；获取模块，用于获取所述神经网络模型的实际输出温度数据；更新模块，用于根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数；输出模块，用于当所述神经网络模型的运算时长大于预设时长，输出所述神经网络模型的控制参数；控制模块，用于根据所述控制参数控制洗衣机的水温调节工作状态。第三方面，本专利技术实施例提供了一种基于模糊神经网络的洗衣机水温控制系统，包括：至少一个存储器，用于存储程序；至少一个处理器，用于加载所述程序以执行第一方面实施例提供的基于模糊神经网络的洗衣机水温控制方法。第四方面，本专利技术实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行第一方面实施例提供的基于模糊神经网络的洗衣机水温控制方法。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明下面结合附图和实施例对本专利技术做进一步的说明，其中：图1为本专利技术实施例的一种基于模糊神经网络的洗衣机水温控制方法的流程图；图2为本专利技术实施例的神经网络模型的拓扑结构示意图；图3为本专利技术实施例的开环响应曲线示意图；图4为本专利技术实施例的基于模糊神经网络的PID控制器的原理示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。本专利技术的描述中，除非另有明确的限定，设置等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。本专利技术的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。由于目前的工业洗衣机在控制过程，无法实时调节控制参数，导致工作过程中的控制精度较低。基于此，本实施例提供了一种基于模糊神经网络的洗衣机水温控制方法，本实施例的方法通过实时调节的控制参数来动态控制洗衣机的水温调节工作状态，从而提高控制精度。具体地，如图1所示，本实施例包括以下步骤：S11、确定神经网络模型的拓扑结构和模糊规则函数。<本文档来自技高网...

【技术保护点】
1.一种基于模糊神经网络的洗衣机水温控制方法，其特征在于，包括以下步骤：/n确定神经网络模型的拓扑结构和模糊规则函数；/n初始化所述神经网络模型内的矩阵参数和第一参数；/n获取所述神经网络模型的实际输出温度数据；/n根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数；/n当所述神经网络模型的运算时长大于预设时长，输出所述神经网络模型的控制参数；/n根据所述控制参数控制洗衣机的水温调节工作状态。/n

【技术特征摘要】
1.一种基于模糊神经网络的洗衣机水温控制方法，其特征在于，包括以下步骤：
确定神经网络模型的拓扑结构和模糊规则函数；
初始化所述神经网络模型内的矩阵参数和第一参数；
获取所述神经网络模型的实际输出温度数据；
根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数；
当所述神经网络模型的运算时长大于预设时长，输出所述神经网络模型的控制参数；
根据所述控制参数控制洗衣机的水温调节工作状态。


2.根据权利要求1所述的一种基于模糊神经网络的洗衣机水温控制方法，其特征在于，所述神经网络模型的拓扑结构包括输入层、模糊化层、模糊推理层和输出层；
所述输入层用于接收输入量；
所述模糊化层用于将输入量划分成若干个区间并进行模糊处理；
所述模糊推理层用于采用所述模糊规则函数对所述模糊化层的模糊结果进行处理，输出模糊推理结果；
所述输出层用于求解所述模糊推理结果。


3.根据权利要求1所述的一种基于模糊神经网络的洗衣机水温控制方法，其特征在于，所述获取所述神经网络模型的实际输出温度数据，包括：
控制所述神经网络模型前向传播，得到实际输出温度数据。


4.根据权利要求2所述的一种基于模糊神经网络的洗衣机水温控制方法，其特征在于，所述根据所述实际输出温度数据，采用所述模糊规则函数控制所述神经网络模型进行运算并更新所述矩阵参数和所述第一参数，包括：
获取预设温度数据；
根据所述实际输出温度数据和所述预设温度数据确定偏差值；
获取偏差变化率；
根据所述偏差值和所述偏差变化率计算所述模糊规则函数中的函数参数；
控制所述神经网络模型进行运算并以预设学习率更新所述矩阵参数和所述第一参数。


5.根据权利要求4所述的一种基于模糊神经网络的洗衣机水温控制方法，其特征在于，在执行所述采用所述模糊规则函数控制所述神经网络模型进行运算并更新所...

【专利技术属性】
技术研发人员：陈建浩，王海涛，李明洲，韩泳仪，蔡楚艺，黄浩锦，邱李，许杨燏，
申请(专利权)人：广东机电职业技术学院，
类型：发明
国别省市：广东;44