自适应模糊控制器设计
VIP免费
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
目 录
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
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
2
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]；
第一章 绪 论
3
2） 模糊自整定 PID 参数控制器：应用模糊数学的基本方法和理论，把规则的
条件与操作用模糊集表示，并且把这些模糊控制规则及初始 PID 参数等信
息作为知识存入计算机知识库中，然后计算机根据控制系统的实际响应情
况，运用模糊推理来自动实现 PID 参数（KP、KI、KD）的在线调整。由于
模糊自整定参数 KP、KI、KD与偏差及其变化率间建立起在线自整定函数
关系，且这种关系是根据人的经验和智慧积累起来的，因此能够使系统在
不同的运动状态下对 PID 控制器参数实现智能调节。该方法能明显改善被
控过程的动态性能和稳定性能，提高抗干扰能力和鲁棒性[3]。
（3） 模糊神经网络控制
在实际应用中基本的模糊控制器无法适应时变过程，而自校正模糊控制器与
自组织模糊控制器虽然能部分解决时变问题，但是它们的适应性还是有限的，往
往允许参数调整的范围不是很大。因此，从根本上解决自适应性还是要寻求新的
模糊控制方法，这也是实现具有高度自适应性系统的大势所趋。模糊神经网络控
制是将模糊控制与神经网络融合在一起，实现一种自适应的控制系统。神经网络
是由大量的简单处理单元构成的非线性动力系统，能映射任意函数关系，且具有
学习能力，但是不擅长知识的表达，而模糊控制善于处理模糊信息。可见模糊控
制与神经网络之间具有很强的互补性，因此它们的结合使得各自的优点发挥得更
出色。
§1.2.2 模糊控制与神经网络的发展及特点
模糊控制是以模糊集合论作为其数学基础的，它的诞生是以 L.A.Zadeh 在1965
年提出的模糊集理论为标志的，正是这一理论的提出，开辟了模糊控制这一新领
域。模糊控制经历了 40 多年的研究和发展，正在逐步完善中。模糊理论在控制领
域里的应用开始于 1974 年。1975 年以后，模糊控制已经逐渐得到了广泛的发展。
模糊理论在我国的研究起步较晚，但是发展速度较快，而且在模糊理论方面的研
究成果令世人瞩目，并且引起了国际模糊界的特别关注和重视[5]。虽然模糊控制理
论的提出距今只有 40 多年，但是在模糊控制的理论研究和实际应用方面，都取得
了很大进展，其主要表现在：
（1） 在理论研究方面，随着模糊辨识的兴起，逐步产生了两种模糊辨识模型：
一是 Pedrycz 提出的基于参考模糊集的被控系统关系模型——P模型；二是
Takagi 和Sugeno 提出的模糊语言多项式模型——T-S 模型，为基于模糊模
型的自适应模糊控制技术的发展提供了有效的工具；1992 年，Yager 提出了
自适应模糊控制器设计
4
模糊控制隶属函数的神经网络学习，1993 年，L.X.Wang 提出了自适应模糊
控制器。
（2） 在工程应用方面，何钢成功研制出了碱熔釜反应温度模糊控制器；熊秋思
等人研制出气炼机模糊复合控制系统；于旭亮对化工过程大滞后系统进行
了模糊研究；刘浪舟，李友善等人相继将模糊控制方法成功应用玻璃窑炉
和甜菜制糖系统等。
（3） 在硬件研究方面，进一步研制模糊控制器、模糊推理专用芯片，随着面向
特定对象的控制系统开发的迅速增长，以通用为目标的开发也逐渐迫切，
目前对小型、高速、使用简单的模糊器件与通用化为目标的模糊控制系统
的需求也迅速增长[6]。
模糊控制的特点是：
（1） 无需知道被控对象的数学模型；
（2） 模糊控制是一种反映人类智慧思维的智能控制；
（3） 模糊规则用语言表示，容易被人们所接受；
（4） 模糊控制系统构造简便，易于软件实现；
（5） 具有良好的鲁棒性和适应性。
模糊控制是一种计算机控制技术。目前模糊控制技术在化工、机械、冶金工
业炉窑、食品生产等多个领域中发挥着重要的作用[7]。
人工神经网络，也称为神经网络，是一种模仿人脑思维方式的思维模型。神
经网络的研究始于 20 世纪 40 年代。从 1943 年美国芝加哥大学的生理学家麦克
洛奇（W.S. McCulloch）和皮兹（W.A. Pitts）提出 M-P 神经元模型开始，至今已
有六十多年。在这六十年中，神经网络的发展走过了一段曲折的道路。1957 年罗
森布拉特（Rosenblatt）提出感知器模型 。1965 年明斯基（M. Minsky）和派普特
（S. Papert）在《感知机》一书中指出感知机的缺陷并表示出对这方面研究的悲观
态度，使得神经网络的研究从兴起期进入了停滞期。到了 20 世纪 80 年代初，霍
普菲尔德（J.J. Hopfield）所做的工作和鲁姆哈特（D. Rumelhart）等人的《Parallel
Distributed Processing》报告显示出神经网络的巨大潜力，使得该领域的研究从停
滞期进入了繁荣期。
人工神经网络的优越性主要表现在以下三个方面：
（1） 具有自学习功能 例如在实现图像识别时，只需把许多不同的图像样板和
对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢
学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来
的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其
摘要：
展开>>
收起<<
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...
相关推荐
-
新能源项目融资计划VIP免费
2024-12-31 12 -
新能源汽车运营服务公司商业计划书VIP免费
2024-12-31 8 -
上海xxx新能源股份有限公司商业计划书VIP免费
2024-12-31 47 -
绿特新能源商业计划书VIP免费
2024-12-31 10 -
关于新能源充电项目创业计划VIP免费
2024-12-31 13 -
太阳能充电器创业计划书模板VIP免费
2025-01-09 7 -
中国新能源及节能环保材料项目商业计划书VIP免费
2025-01-09 5 -
中国(陕西)xxxx新能源股份有限公司VIP免费
2025-01-09 5 -
阳光新能源公司创业计划书VIP免费
2025-01-09 5 -
新型纯电动安全汽车项目商业计划书VIP免费
2025-01-09 7
作者：陈辉
分类：高等教育资料
价格：15积分
属性：72 页
大小：2.62MB
格式：PDF
时间：2024-11-19
