非线性离散系统的自适应PID控制器

针对非线性离散系统设计了利用TSK(Takagi Sugeno Kang)模糊模型的自适应PID控制器。利用模糊模型预测控制信号误差,通过控制信号误差自适应PID控制器参数。比较系统输出和模糊模型输出自适应模糊模型的参数。该方法可以弥补系统参数的模糊性、数学模型的模型误差和系统参数的变化。非线性离散系统的仿真实验验证了所设计的自适应PID控制器对非线性离散系统控制的有效性。     

利用模糊系统的直升机的自适应控制

针对直升机动力学为非线性,且存在不确定因素和状态变化,设计利用模糊系统的自适应控制器.设计的控制器是系统的输出跟踪参考模型输出的直接调整模糊控制器参数的自适应控制器.又利用Lyapunov函数保证了闭环控制系统的稳定性并推导最优的自适应规律.实验结果表明,有外部扰动的情况下所设计的自适应控制器比模糊控制器对直升机控制具有良好的动态响应和稳定性,是一种非常有效的控制方法.     

直升机的TSK模糊控制

针对直升机动力学为非线性的特点,且存在不确定因数和状态变化,利用线性控制很难得到好的控制结果,提出利用TSK(Takagi-Sugeno-Kang)模糊系统控制小模型直升机.所设计的TSK模糊控制器是一个基于TSK模糊模型的非线性控制器,能保证闭环控制系统的稳定性.直升机数学模型中线性部分设计状态反馈控制器非线性部分先求TSK模糊模型,然后设计TSK模糊控制器.仿真和实验结果表明,所设计的TSK模糊控制器比线性控制器对直升机控制具有良好的动态响应和稳定性,是一种非常有效的控制方法.     

卡车的TSK模糊控制

针对在保证一定精度的条件下,要求一次性完成卡车的倒车的情况,利用TSK (Takagi-Sugeno-Kang)模糊系统控制卡车,在TSK模糊控制器作用下让卡车从任意的初始位置一次性倒车到指定的位置。在卡车数学模型中,线性部分设计线性状态反馈控制器,非线性部分先求TSK模糊模型,然后设计基于TSK模糊模型的TSK模糊控制器。它是一个非线性控制器,可保证闭环系统的稳定性。仿真实验结果表明,所设计的TSK模糊控制器对卡车的倒车控制是非常有效的。     

机器人操作器的自适应模糊滑模控制器设计

针对机器人动力学系统提出了一种基于模糊逻辑的自适应模糊滑模控制方案.根据滑模控制原理并利用模糊系统的逼近能力设计控制器,基于李雅谱诺夫方法设计自适应律,证明了闭环模糊控制系统的稳定性和跟踪误差的收敛性.控制结构简单,不需要复杂的运算.该设计方案柔化了控制信号,减轻了一般滑模控制的抖振现象.仿真结果表明了所提控制策略的有效性.     

基于支持向量机的TSK模糊模型辨识与控制

研究非线性系统TSK模糊模型的辨识与控制,利用TSK模型,可以将线性控制理论应用于非线性系统控制。基于支持向量机和递推最小二乘法,辨识出TSK模糊模型,并且通过遗传算法优化隶属度函数参数,最小化辨识误差。针对TSK模型进行控制,控制器包括两个部分：权重最大子系统反馈控制及其监督控制,监督控制保证了系统的稳定性。辨识和控制仿真结果证明了算法的有效性。     

非线性离散时间系统的自适应模糊补偿控制

针对一类非线性离散时间系统,提出一种自适应模糊逻辑补偿控制方案.控制律由跟踪控制律和逼近误差补偿控制律两部分组成,利用模糊逻辑系统对系统参数扰动和外界干扰进行自适应补偿,由模糊滑模控制律实现对模糊逻辑系统逼近误差的进一步补偿.所设计的控制器可保证闭环系统一致最终有界.将该控制器用于月球探测车动态转向系统中,仿真结果表明了该方法的有效性.     

一类非线性系统的模糊直接自适应控制

针对一类单输入单输出仿射非线性系统,利用模糊基函数网络的逼近能力,并根据滑模控制原理在控制器中加入逼近误差和外部干扰补偿控制器,提出了一种模糊直接自适应控制方法。该方法不但实现了系统的鲁棒控制,还同时考虑了误差状态的位置信息和运动信息,较大地改善了系统的控制性能。通过Matlab仿真,证明了所设计的模糊直接自适应控制器不但具有鲁棒性,而且可以保证系统具有很好的跟踪性能。     

自适应模糊PID在温度控制系统中的应用

根据复杂锅炉温度系统,设计出一种自适应模糊PID控制器。其优点是应用模糊控制适应系统的不确定性,能够提高对象模型不确定时PID参数的自适应能力。很大程度上改善了系统的控制质量,提高了系统的鲁棒性。实际运行结果证明了该方法的有效性。     

基于模糊子空间聚类的0 阶岭回归TSK 模糊系统

经典数据驱动型TSK模糊系统在利用高维数据训练模型时,由于规则前件采用的特征过多,导致规则的解释性和简洁性下降.对此,根据模糊子空间聚类算法的子空间特性,为TSK模型添加特征抽取机制,并进一步利用岭回归实现后件的学习,提出一种基于模糊子空间聚类的0阶岭回归TSK模型构建方法.该方法不仅能为规则抽取出重要子空间特征,而且可为不同规则抽取不同的特征.在模拟和真实数据集上的实验结果验证了所提出方法的优势.     

Stable Adaptive Fuzzy Control with TSK Fuzzy Friction Estimation for Linear Drive Systems

This paper considers the control of a linear drive system with friction and disturbance compensation. A stable adaptive controller integrated with fuzzy model-based friction estimation and switching-based disturbance compensation is proposed via Lyapunov stability theory. A TSK fuzzy model with local linear friction models is suggested for real-time estimation of its consequent local parameters. The parameters update law is derived based on linear parameterization. In order to compensate for the effects resulting from estimation error and disturbance, a robust switching law is incorporated in the overall stable adaptive control system. Extensive computer simulation results show that the proposed stable adaptive fuzzy control system has very good performances, and is potential for precision positioning and trajectory tracking control of linear drive systems.     

采用遗传优化自适应模糊PID控制球杆系统

为解决球杆系统动态、静态性能不高的问题,提出了遗传算法优化自适应模糊PID控制器的控制方法.该模型在拉格朗日方程建立球杆系统数学模型的基础上,采用遗传算法优化模糊控制规则、隶属函数和自适应PID参数.在GBB1004系统中建立了遗传算法优化后的自适应模糊PID控制器以及控制模型,并对该控制器进行实验验证.实验结果证明了遗传算法优化后的模糊控制器有效地减小了系统的超调量,缩短了系统的调节时间,能够较好地控制球杆系统.     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

一种线性化模糊内模自适应控制算法

针对非线性对象，提出一种线性化模糊内模自适应控制算法。该算法以一组模糊规则作为非线性对象内部模型，一条模糊规则表示一个局部线性系统；根据对象输入与输出测量值，利用TSK建模方法在线辨识局部模糊内部模型；同时依据辨识模型设计局部H2最优模糊控制规则，所有规则构成H2最优模糊控制器。仿真实验显示：该算法适用于非线性对象的控制，具有较好的鲁棒性和抗干扰能力。     

A Highly Accurate Model-Free Motion Control System with a Mamdani Fuzzy Feedback Controller combined with a TSK Fuzzy Feed-forward Controller

In this paper, a new intelligent robot motion control architecture – a highly accurate model-free fuzzy motion control- is proposed in order to achieve improved robot motion accuracy and dynamic performance. Its architecture combines a Mamdani fuzzy proportional (P) and a conventional integral (I) plus derivative (D) controller for the feedback part of the system, and a Takagi-Sugeno-Kang fuzzy controller for the feed-forward, nonlinear part. The fuzzy P + ID controller improves the performance of the nonlinear system, and the TSK fuzzy controller uses a TSK fuzzy inference system based on extended subtractive- clustering method which integrates information on joint angular displacement, velocity and acceleration for torque identification. The advantage of this kind of model-free control is that it uses the information directly from the input/output of the nonlinear system, without any complex robot model computation, in order to decrease the control system’s sensitivity to any dynamical uncertainty. Furthermore, parametric search for clustering parameters in extended subtractive clustering secures the high accuracy of the system identification. Consequently, this proposed model-free fuzzy motion control benefits from the advantages of two kinds of fuzzy system. It not only incorporates flexible design, good performance and simple conception but also ensures precise motion control and great robustness. Comparisons with other intelligent models and results from numerical studies on a 4-bar planar parallel mechanism show the effectiveness and competitiveness of the proposed control.