自适应模糊控制器设计

VIP免费

3.0 陈辉 2024-11-19 6 4 2.62MB 72 页 15积分

侵权投诉

摘要

传统的控制理论对于明确系统有强而有力的控制能力，但对于复杂或难以精

确描述的系统，其控制精度往往难以达到较高的水平。然而模糊控制主要通过模

仿人的控制经验而不是依赖控制对象的模型，因此，模糊控制为解决复杂系统的

控制难点提供了一种新的思路。

随着智能控制领域的发展，将模糊控制与神经网络的相结合使得智能控制展

现出更大的魅力。然而智能控制虽然取得了一些可喜的成绩和进展，但是还需要

加强几方面的研究，尤其是对算法的自适应性的研究。而通过模糊控制与神经网

络的结合，是提高模糊控制自适应能力的一种有效方法。另外影响智能控制算法

研究的就是仿真技术，目前鉴于算法的多样性、控制对象的复杂性，在研究算法

时要更好地分析算法的可行性，多数情况下需要依靠仿真技术，利用仿真技术不

仅可以模拟出复杂对象而且能够更好地分析算法的特性，帮助改进、优化算法。

本文研究了基于 Takagi-Sugeno 模型的模糊神经网络的控制算法，针对算法的

自适应性进行改进，采用共轭梯度法代替常用的最速下降法，同时对学习速率进

行调整，使模糊神经网络算法得到优化，从而得到有较强自适应性的基于

Takagi-Sugeno 模型的模糊控制算法，称为自适应模糊控制算法。同时为了达到更

接近于实际的仿真效果，本文提出了使用两台工控机分别作为控制对象与控制器

来模拟实时环境下的对象与控制器，从而方便进行仿实时性控制实验，这无论对

复杂对象的研究还是对复杂控制算法的研究都具有实际意义。对象算法与控制器

算法采用 MATLAB 语言编写，使用 LabVIEW 作为对象与控制器的开发平台，并

且利用混合编程技术使两者很好的结合。利用 MATLAB 仿真环境对算法的可行性

与有效性进行验证与分析。通过与模糊 RBF 神经网络控制器和混合型 Pi-Sigma 神

经网络控制器的仿真对比，证明了自适应模糊控制器对不同的对象具有更好的自

适应性。通过流量实时控制实验验证了基于 LabVIEW 的自适应模糊控制器具有良

好的实时控制效果。

关键词：模糊神经网络自适应模糊控制算法共轭梯度法仿真技术

ABSTRACT

Traditional control theory has the great control capability to clear system, but it is

hard to get a high control accuracy level to complex or hard to accurately described one.

However, fuzzy control is primarily through imitating people’s control experience

instead of depending on the plant model. So there has been a new method to use fuzzy

control to resolve the control difficulty of complex issues.

With the development of this field, intelligent control shows the greater charm due

to combination with fuzzy control and neural network. Although intelligent control

makes delightful progress, it also need enhance some side especially study for algorithm

adaptability. And the simulation technology is another side affects the intelligent control

research. At the present, whereas the variety of the algorithm and the complexity of the

plant model, it should depends on simulation to analysis the feasibility of the algorithm.

It can not only simulate the complex plant model but also analysis the control

characteristic much better to help, improve and optimize the algorithm.

This paper raises the fuzzy neural network control algorithm based on

Takagi-Sugeno mode. Aiming at the enhancement of the algorithm’s adaptability, it will

use conjugate gradient method instead of steepest descent method. And at the same time,

adjust the learning rate to optimize the fuzzy neural network control algorithm in order

to get the better adaptability, that’s named adaptive fuzzy control in this paper. To get

the better simulation result, this paper raises a simulation system that’s made up of two

industrial computers to simulate the plant mode and the controller. This is meaningful to

research complex control algorithm. The algorithm of plant mode and controller are

programmed by MATLAB language, and then use LabVIEW as the development

platform. Through simulation and experiment of fuzzy RBF neural network controller

and mixed Pi-Sigma neural network which proves adaptive fuzzy controller has the

much better adaptability to different plant mode. Make use of mixed programming

technology making them good integration, through experiment to validate the validity

of the simulation system. Through flux real-time control experiment, it shows adaptive

fuzzy controller based on LabVIEW has good real-time performance.

Key Word: Fuzzy Neural Network, Adaptive Fuzzy Control, Conjugate

Gradient Method, Simulation Technology

摘要

ABSTRACT

第一章绪论 .................................................................................................................1

§1.1 智能控制的产生 ..................................................................................................1

§1.2 自适应模糊控制的发展状况与研究方向 ..........................................................2

§1.2.1 自适应模糊控制的主要研究方向 ................................................................2

§1.2.2 模糊控制与神经网络的发展及特点 ............................................................3

§1.3 课题研究的主要内容与意义 ..............................................................................5

第二章模糊控制与神经网络控制原理 .........................................................................7

§2.1 模糊控制的基本结构与原理 ..............................................................................7

§2.1.1 模糊控制器的组成 ........................................................................................7

§2.1.2 模糊推理系统模型 ........................................................................................9

§2.2 神经网络的基本结构与原理 ............................................................................10

第三章自适应模糊控制器原理及算法研究 ...............................................................13

§3.1 自适应模糊控制原理 ........................................................................................13

§3.1.1 基于 Mamdani 模型的模糊神经网络 ........................................................ 14

§3.1.2 基于 Takagi-Sugeno 模型的模糊神经网络 ............................................... 18

§3.2 模糊神经网络学习方法研究 ............................................................................21

§3.2.1 基于梯度的算法思想 ..................................................................................22

§3.2.2 最速下降法 ..................................................................................................22

§3.2.3 共轭梯度法 ..................................................................................................23

§3.2.4 学习速率的更新方法 ..................................................................................27

第四章自适应模糊控制算法在 MALTAB 中的实现 ................................................ 29

§4.1 MATLAB 语言功能简介 ................................................................................... 29

§4.2 基于 MATLAB 的自适应模糊控制算法实现 ................................................. 29

§4.3 自适应模糊控制算法仿真分析 ........................................................................31

第五章自适应模糊控制器及实验平台的设计 ...........................................................47

§5.1 基于 LabVIEW 的自适应模糊控制器的设计 .................................................47

§5.1.1 LabVIEW 简介 .............................................................................................47

§5.1.2 自适应模糊控制器的输入输出通道 ...........................................................48

§5.1.3 自适应模糊控制器在 LabVIEW 中的实现 ...............................................49

§5.1.4 自适应模糊控制器的扩展功能 ..................................................................51

§5.1.5 自适应模糊控制器用户界面 ......................................................................52

§5.2 仿真系统的结构与工作原理 ............................................................................53

§5.2.1 对象平台在 LabVIEW 中的实现 ...............................................................53

§5.2.2 实时仿真系统的工作原理 ..........................................................................58

第六章自适应模糊控制系统的仿真与流量实时控制 ...............................................60

§6.1 仿真实验结果与分析 ........................................................................................60

§6.2 流量控制系统及其实验结果与分析 ................................................................61

§6.2.1 流量控制系统简介及其工作原理 ..............................................................62

§6.2.2 流量控制实验结果与分析 ..........................................................................63

第七章总结 ...............................................................................................................64

参考文献 .........................................................................................................................66

在读期间公开发表的论文和承担科研项目及取得成果 .............................................69

致谢 .............................................................................................................................70

第一章绪论

§1.1 智能控制的产生

自从 1932 年奈奎斯特（H. Nyquist）发表有关反馈放大器的稳定性论文以来，

控制理论的发展已经走过 70 多年的历程，其中前 30 年是经典控制理论的成熟和

发展阶段，后 40 年是现代控制理论的形成与发展阶段。经典控制理论主要处理一

些单输入-单输出（SISO）的线性定常反馈控制系统，系统的模型采用传递函数表

示，主要采用根轨迹法和频率响应法作为系统分析的手段。到了 60 年代，经典控

制理论已经进入了成熟期。同时随着科学技术和计算机技术的迅速发展，以及控

制对象已不再是简单的 SISO 的线性定常系统，这一转变促使控制理论从经典控制

理论向现代控制理论过渡。现代控制理论是以庞特里亚金（Pontryagin）的极大值

原理、贝尔曼（Belman）的动态规划和卡尔曼（Kalman）的线性滤波和估计理论

为基石的，形成了以最优控制、系统辨识和最优估计等为代表的现代控制理论分

析和设计方法。系统分析的对象已经由 SISO 的线性定常系统转向多输入-多输出

（MIMO）线性系统。系统的模型主要是状态空间表达式[1]。随着研究的对象和系

统越来越复杂，以单纯数学模型描述和分析为基础的传统控制理论，其局限性在

以下几个方面逐渐体现出来：

其一，受控对象日益复杂，例如在航空、航天、航海及各种工业部门，受控

对象不仅规模大，运动学结构复杂，而且各种运动变量之间严重耦合，同时还带

有严重的不确定性（包括结构和参数两个方面的不确定性）和非线性。这样复杂

的受控对象使得需要有确定受控对象模型的传统控制理论方法难以适用。

其二，控制任务日益复杂，例如对于智能机器人系统、社会经济管理系统、

环保及能源系统等，传统控制理论难于胜任。

其三，复杂的系统工作环境也使传统的控制理论产生麻烦。

由于上述三点原因促使人们开辟新的控制理论途径、研究新的控制方式来实

现有效控制，特别是摆脱对对象数学模型的依赖，将人类的经验知识结合有效的

控制理论来解决复杂系统的控制问题。另一方面，人工智能和计算机技术为智能

控制的发展提供了物质条件，它们的高速发展，使控制工具也发生了很大的变化。

智能控制的概念主要是针对受控系统的高度复杂性、高度不确定性以及人们

对控制效果的要求越来越高所提出的。面对这样的要求，一个理想的智能控制系

自适应模糊控制器设计

统应具备学习能力、适应性、容错性、鲁棒性和组织功能[2]。

§1.2 自适应模糊控制的发展状况与研究方向

在模糊控制理论中，模糊控制的自适应性是一个普遍关注的焦点。实现模糊

控制的自适应性的方法有多种，其中将模糊控制与神经网络结合是一种能够从本

质上解决该问题的办法。由于神经网络的万能逼近学习能力，可使模糊控制的参

数能够具备在线学习能力，从而实现模糊控制的自适应性。

§1.2.1 自适应模糊控制的主要研究方向

虽然模糊控制理论取得了很大的进展，同时由于模糊控制器自身的众多优点，

使得模糊控制器至今仍在广泛应用，但是其自适应能力还是有待提高，不少学者

开始对自适应模糊控制器进行研究，研究方向主要集中在以下方面：

（1）自校正模糊控制器

自校正模糊控制器是在常规模糊控制的基础上，采用加权推理决策，并引入

协调因子构成的。根据系统偏差和偏差变化的大小，通过在线自动调整协调因子，

改变模糊控制规则，从而提高模糊控制器的控制精度和鲁棒性能。

目前这种自校正模糊控制器是根据系统偏差和偏差变化在线选取最佳控制规

则及控制决策的，而对于一些复杂的生产过程，其生产工艺和环境因素都较为复

杂，往往不能只考虑系统的偏差和偏差变化率来确定其控制策略，因此难于总结

出比较完整的控制经验，此时模糊控制规则可能比较粗糙，并且当被控对象参数

发生变化或受到随机干扰影响时，会影响模糊控制的效果[3]。

（2）自组织模糊控制器

自组织模糊控制器能自动对系统本身的参数或者控制规则进行调整，使系统

不断完善，以适应不断变化的情况，从而保证控制达到所希望的效果。它能够根

据测量得到的系统偏差，确定输出响应的校正量并转化为控制校正量，调整模糊

控制规则，作用于被控对象。其基本特征是：控制算法和规则可以通过在线修改，

变动某几个参数可以改变控制结果。它不仅仅是局限于某个对象，而是通过自组

织适应几类对象。其中具有代表性的自组织模糊控制器为以下两种类型：

1）自调整量化因子模糊控制器：通过调整系统偏差及偏差变化率的量化因子

来控制模糊控制器中的输出量的比例系数，即改变系统的增益。它充分体

现了操作者手动控制的思维特点和控制策略，保证了系统有良好的动态性

和稳态精度[4]；

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要传统的控制理论对于明确系统有强而有力的控制能力，但对于复杂或难以精确描述的系统，其控制精度往往难以达到较高的水平。然而模糊控制主要通过模仿人的控制经验而不是依赖控制对象的模型，因此，模糊控制为解决复杂系统的控制难点提供了一种新的思路。随着智能控制领域的发展，将模糊控制与神经网络的相结合使得智能控制展现出更大的魅力。然而智能控制虽然取得了一些可喜的成绩和进展，但是还需要加强几方面的研究，尤其是对算法的自适应性的研究。而通过模糊控制与神经网络的结合，是提高模糊控制自适应能力的一种有效方法。另外影响智能控制算法研究的就是仿真技术，目前鉴于算法的多样性、控制对象的复杂性，在研究算法时要更好地分析算...

展开>> 收起<<

自适应模糊控制器设计.pdf

共72页,预览8页

还剩页未读，继续阅读

自适应模糊控制器设计

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: