??? 摘? 要: 闡述了洗衣機洗滌度及與之關聯密切的衣服臟污程度和性質等參數的模糊識別方法。采用長期學習和短期學習、有教師學習和無教師學習相結合的方法，實現了對洗衣機洗凈度等參數比例因子在模糊化過程中的自適應修正，以提高洗衣機的模糊控制品質。

　　關鍵詞: 模糊控制? 模糊化? 比例因子? 學習方法

?

　　美國加利福利亞大學控制論專家扎德(L.A.zcdoh)于1965年提出的模糊數學至今已廣泛地滲透到自然科學與社會科學的各個領域。由于它在多變量非線性系統中具有良好快捷的判斷能力，因此在精度要求不太高的工程控制系統中獲得廣泛應用。洗衣機則是其應用領域之一。

　　真正意義上的全自動洗衣機應能自動識別衣質、衣量、衣服臟污程度和性質(泥污為主，還是油污為主等)。據此自動決定進水量、洗滌和漂洗方式、冼 滌時間以及自動投入適量和適型的洗滌劑。而洗滌和漂洗方式、洗滌時間、洗滌劑數量和劑型與衣量、衣質、衣服臟污程度、性質、水溫有關；水溫又與衣質臟污性質有關，所以完備的洗衣機模糊控制器中的模糊推理機的輸入量和輸出量的信息流圖如圖1所示。眾所周知，模糊控制器通常由模糊化、模糊控制邏輯推理庫、解模糊等模塊組成。但無論其控制模式如何變化，其最終目的是確保衣服的洗滌干凈，因此洗凈度的檢測是任何真正意義上的全自動洗衣機所必需的，因受篇幅所限，本文僅闡述洗凈度及與之關聯較密切的衣服臟污程度和性質等參數的模糊識別方法的實現。

?

?

1 洗凈度的檢測

　　在洗衣機出水管放水閥前安裝一對發光元件和光敏器件的裝置，檢測出水透明度以實現模糊判斷衣服臟污程度和性質及漂洗干凈度。其檢測裝置示意圖如圖2所示。

?

　　顯然，V₀越大則出水的水質透明度越高，因此利用V₀的大小及其變化率即可模糊判斷衣服骯臟性質和程度及漂洗干凈度。其檢測過程和原理簡述如下:

　　(1)向洗衣桶灌水測V0，此時V0為最大值V_0max，并以此值為基準V_RF。

　　(2)浸潤衣服啟動滾筒。如衣服以泥污為主，那么V₀下降的速率遠大于以油污為主的衣服。

　　(3)根據V₀變化率，結合衣質衣量通過模糊推理確定洗滌劑的劑型、劑量和洗滌水溫、洗滌方式和洗滌時間。

　　(4)洗凈時間的確定:在理想情況下V₀和洗滌時間的關系如圖3所示。

　　顯然經t_H后衣服已洗凈。然而，實際上由于不少衣服均會褪色，經tH后的V0值具有如下特點:一是略小于V_RF；二是V₀隨漂洗時間的增長幾乎保持不變。所以，只有當這兩特點均具備時，才表明衣服已漂洗干凈。如僅具備第二個特點則表明漂洗液已處于飽和狀態，必須換水再次漂洗直至第一個特點也具備。至于圖3洗滌和漂洗的切換時間t_R，可通過洗滌過程中V₀的變化率大小來確定，當V₀變化率接近于零時，即為兩者的切換時刻。

2 自學習方法

　　采用自學習的目的是考慮到以下三點:一是不同系列洗衣機的光、機、電特性不同；二是即使洗衣機系列相同，由于裝配和調試差別，其光、機、電特性也會受影響；三是隨使用時間的增長，其光、機、電特性也要隨之變化。

2.1 學習內容

　　影響一個模糊控制器的控制品質，主要有模糊控制規則的合理性和模糊化的品質。而影響模糊化的品質主要有兩個因素:一是各物理量比例因子的取值；二是各模糊語言變量的取值范圍。所以自學習內容實際上應包含三個內容，一是對控制規則的學習修正；二是各物理量在模糊過程中比例因子的自修正；三是各模糊語言變量分檔及其取值范圍的修正。雖然洗凈度是確定控制規則的一個主要參數，但控制規則對洗凈度識別的反作用較弱；此外，就洗衣機而言，其對控制精度要求不高，所以語言變量分檔精度對洗衣機控制品質相對而言影響次之。因此本文僅討論對洗衣機控制品質影響較大的洗凈度及其關聯性較大的一些參數的比例因子自學習修正方法。

　　(1)隨著洗衣機使用時間的增長，出水透光性檢測器的管壁附著的污垢將隨之增加而降低VRF值。我們在信息調理模塊中，使用可編程放大器，以前次使用所測得的VRF值為基準，當此后測得V_RF低于前次使用測得V_RF的80%時，則通過調整放大器增益，使之接近首次使用VRF值。一旦調節增益無效則示警告知用戶應清洗檢測器管壁。

　　(2)通過自修正洗凈度模糊化比例因子的方法來提高洗凈度的測試品質。令V₀在精確量論域中的確定值為X，將它轉換成對應模糊語言變量論域中的相應量時，令其為Y。如采用CRI法，通常是將語言變量的論域轉換為有限整數論域，則有:

式中，q稱為比例因子。

　　由于對精確量的模糊化過程中所采用的語言變量的隸屬函數圖形的形狀對洗衣機模糊控制品質的影響不大，為簡化自學習算法，采用常見三角形形狀。且考慮到洗衣機控制精度不高，為節省模糊推理運算量和檢測裝置的硬件開銷，對洗凈度隸屬度和洗凈變化率隸屬度的語言變量檔數分別取4和3檔。如圖4所示。

?

2.2 學習方法

2.2.1 洗凈度比例因子

2.2.1.1 衣服臟污性質和程度比例因子

　　在浸潤洗滌過程中，不斷檢測V₀直至其達到飽和值V_oL。為此，可分別求得以泥污為主和油污為主的臟污程度比例因子q₁和q₂。

　　式中，V_OL1、V_OL2分別為泥污為主和油污為主V_OL值，m為語言變量中整數論域元素的個數。對于語言變量，檔數取3～4時通常取m=8。利用泥污的V₀平均變化率δ₁高于油污為主的V₀平均變化率δ₂，通過模糊推理，可對洗滌的衣服臟污性質進行模糊判斷，相應的臟污性質比例因子q₃為:

式中t₁、t₂分別為泥污為主和油污為主的衣服在浸潤工作時，V₀達到V_OL所用的時間。V₀隨時間t變化趨勢如圖5所示。

?

　　應該指出浸潤衣服的水溫也會影響圖5曲線和q₃，所以在構造模糊推理庫時應給予考慮。臟污性質的隸屬函數如圖6所示。

?

　　圖中δ定義為：

2.2.1.2 漂洗干凈比例因子

　　如第一次漂洗時所測V_OL值為V_OL3，由于隨漂洗的次數增加，V_OL將增大，所以可求得漂洗干凈度比例因子q₄:

2.2.1.3 漂洗干凈度平均變化率比例因子

　　令在每次漂洗中，從漂洗開始，經時間t后測得V0值為V_0tn(下標n為漂洗順序號)。那么在理想情況下，衣服漂洗干凈時，V_0tn不會隨漂洗時間的增加而增加，所以可求得漂洗洗凈度平均變化率比例因子q₅:

實驗表明t在3～5分鐘內較為合適。然而在漂洗過程中退色或多或少總存在，同時也會有少量纖維顆粒溶于水中，因而通常在滿足V_OL≈V_RF和V_Otn≈V_Ot(n+1)時，可認為已漂洗干凈。

2.2.2 比例因子自修正

　　由于布質的好壞、顏色的深淺、臟污的性質和程度、工作和生活環境均會影響上述各參數比例因子的取值，為此我們采用短期學習和長期學習相結合及有教師學習和無教師學習相結合辦法予以不斷修正，以達到提高識別精度的目的。下面僅以q₃為例說明之。

2.2.2.1 短期學習

　　在每次洗滌過程中不斷計算δ₁和δ₂，一旦出現浸潤洗滌時的δ₁值大于原先保存的δ₁時予以置換。同樣如出現浸潤洗滌時的δ₂小于原先保存的δ₂值也將予以置換。

2.2.2.2 長期學習

　　以一年為周期，將本年度的δ_1max和δ_2min作為下一年度的δ₁和δ₂的預置值。這主要考慮到隨著科技的進步和人們工作和生活環境的改善，δ_1max和δ_2min間差值也將隨之減少。所以可適當調節控制規則，以達到節能的目的。

2.2.2.3 有教師學習

　　上述兩種均為無教師學習。但考慮到洗衣機初次使用時，不同的家庭其比例因子初值設定有所不同，加之臟污程度也因人而異。為此在控制面板上設定7個開關值，第一個是進入學習工作狀態(“1”為自學習狀態)，第二、三個開關組成布質狀態(“11”硬質布為主，“00”為軟質布為主，“01”硬、軟質布各半)，第四、五個開關組成衣服臟污程度狀態(“11”為臟，“00”為基本干凈，“01”為稍臟)，第六、七個開關組成衣服臟污性質狀態(“11”為泥污為主，“00”為油污為主，“01”泥污、油污各半)。自然，只有在第一個開關為“1”時其余開關的設定才有效。顯然，如當臟污性質開關設定為“01”時，可以求得相應的臟污性質比例因子為δ₃，那么此時用式(10)可估算δ₁，從而實現有教師的學習修正。

　　δ₁=2δ₃-δ₂??????????????????????? (10)

　　以上論述了衣服臟污性質、洗凈度等參數的檢測及其模糊化過程中比例因子的確定方法。本文所提出的這一自適應學習方法雖然是針對洗衣機而言，但其設計思想和方法仍不失一般性。

?

參考文獻

1 朱林生，馮根良，余水寶. 一種自適應模糊化邏輯結構及其算法的研究.基礎自動化，1999；16(6)：1517

2 劉有才，劉增良.模糊專家系統原理與設計.北京:北航出版社1995.3