一种解析的模糊PI自整定方法

针对模糊PID控制器缺乏系统的整定方法的问题,提出了一种解析的基于增益裕度和相位裕度的模糊PI控制器的参数自整定方法。首先推导出模糊PI控制器的解析模型,该解析模型包括线性控制器和非线性补偿控制器2个部分。参数整定时,将非线性补偿控制器看作过程的扰动,由线性控制器和被控对象的一阶纯时滞模型,基于系统的增益裕度和相位裕度,导出模糊PI控制器的参数。仿真结果表明,对于时变高阶系统,和传统的PI控制器相比,模糊PI控制器具有鲁棒性强,超调小,调整时间短等优点。     

基于T-S模型的模糊神经网络PID控制

针对在非线性、时变不确定系统中，常规PID控制器难以获得满意效果的问题，仿照传统PID控制器结构，设计了一种基于T-S模型的模糊神经网络PID控制器。该控制器基于T-S模糊模型，将PID结构融入模糊控制中，充分发挥了模糊系统非线性、可解释性的特点；然后又利用神经网络的学习算法，实现了对模糊控制器的参数调整，使控制器具有了适应时变、不确定系统的自学习和自组织能力。针对非线性、时变系统，将此控制器与传统PID控制器对比进行了仿真研究，并应用于啤酒发酵领域，其结果表明，该控制器取得了令人满意的效果。     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素，而难以建立精确的数学模型的情况，提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器，模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点，该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明，该方案可以实现模糊控制和神经网络的优势互补，对不确定非线性系统具有很好的控制效果。     

小型无人直升机反步自适应控制

针对具有强非线性、高度耦合以及参数不确定性特点的小型无人直升机系统,提出一种基于小脑模型关节控制器（Cerebellar Model Articulation Control,CMAC）神经网络的自适应反步控制方法,该方法采用小脑模型关节控制器神经网络在线学习系统不确定性以及反步控制中各阶虚拟控制量的导数信息,设计鲁棒控制项克服CMAC神经网络在线学习系统不确定性的误差,控制律由反步法回归递推得到。仿真结果表明,在模型参数不确定和存在较大误差的情况下,所设计的控制律具有理想的姿态跟踪性能以及良好的鲁棒性。     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

基于模糊神经网络大容量输油泵多变量控制

大容量输油泵系统是一个时变非线性复杂系统,生产要求对输油泵的流量、入口压力和出口压力进行协调控制.根据大容量输油泵系统实际控制要求,提出了基于模糊神经网络大容量输油泵多变量控制策略,设计了控制系统和模糊神经网络控制器的结构,给出了模糊神经网络控制器、模型辨识网络参数的修正算法.仿真结果表明该系统能根据流量、入口压力和出口压力给定值与实际值之间的偏差,在线修正控制器参数,实现对大容量输油泵流量、入口压力和出口压力的协调控制.     

非线性时延网络控制系统的模糊建模与控制

针对时变网络诱导时延小于一个采样周期的非线性时延网络控制系统,讨论系统的稳定性及控制器的设计方法.利用基于“IF-THEN”规则的模糊模型近似系统中的非线性,将时延的不确定性转化为系统参数的不确定性,从而将此类非线性网络控制系统建模为一类具有参数不确定性的离散Takagi-Sugeno（T-S）模糊模型.基于建立的模型,利用Lyapunov方法和线性矩阵不等式方法,分析了系统的稳定性及模糊状态反馈控制器的设计方法,最后通过仿真实例验证了所提出方法的有效性.     

基于智能自动化复合PID控制技术的研究

针对具有时滞一阶非最小相位系统的被控对象,提出了一种基于智能复合PID控制方法,推导出复合PID控制器控制参数的整定方法.考虑到被控对象的不确定性、慢时变等特点,以神经网络元构造基于智能自动化复合PID控制器,解决了基于智能自动化复合PID控制参数在线调整的问题,使复合PID控制器适用范围更广泛.对闭环控制系统模拟结果表明,该系统控制参数整定方法简单,具有非常好的控制效果.     

不确定非线性时滞系统的广义H_2控制

对连续时间非线性系统的广义H2控制问题进行了研究。针对系统具有时变状态时滞和范数有界不确定性的特点,基于T-S模型,采用Lyapunov函数和线性矩阵不等式方法,得出此类非线性系统存在鲁棒H2模糊控制器的充分条件。该条件等价于两类线性矩阵不等式的可解性。仿真结果验证了算法的有效性。     

模糊神经网络控制器在伺服系统中的在线应用

基于神经网络的结构，结合模糊控制的理论，提出了一种模糊神经网络在线学习自适应结构，针对模糊神经网络控制器一般存在着在线修正权值计算量大。权值过度修正容易导致系统振荡等缺点，采用变结构变速率的学习方法对网络结构参数权值进行修正。将参数调整后的控制器模型应用于伺服系统中，并与传统的ITAE三阶无静差最优控制进行比较，仿真试验表明该控制器不但能够提高系统的控制品质，同时可以消除输出力矩对被控对象的扰动，具有很好的控制效果。     

时滞不确定飞行系统神经网络非脆弱H∞控制

针对具有参数摄动和状态时延的时滞不确定飞行系统,提出了一种神经网络非脆弱H_∞控制方案。该方案将鲁棒H_∞控制和神经网络控制结合起来,利用径向基神经网络的非线性逼近能力,对飞行系统的非线性不确定项进行逼近。由线性矩阵不等式（LMI）设计系统标称部分的鲁棒控制器,然后利用神经网络的输出来消除系统控制输入中的不确定部分。Lyapunov稳定性分析中,综合考虑了系统参数摄动、时延和神经网络逼近误差的影响,并证明了在所设计的飞行控制器作用下,闭环系统的稳定性。仿真实例验证了提出的飞行控制方案的可行性和有效性。     

Sliding mode neural network inference fuzzy logic control foractive suspension systems

In the automotive industry, suspension systems are designed to provide desirable vehicle ride and handling properties. This paper presents the development of a robust intelligent nonlinear controller for active suspension systems based on a comprehensive and realistic nonlinear model. The inherent complex nonlinear system model's structure, and the presence of parameter uncertainties, have increased the difficulties of applying conventional linear and nonlinear control techniques. Recently, the combination of sliding mode, fuzzy logic, and neural network methodologies has emerged as a promising technique for dealing with complex uncertain systems. In this paper, a sliding mode neural network inference fuzzy logic controller is designed for automotive suspension systems in order to enhance the ride and comfort. Extensive simulations are performed on a quarter-car model, and the results show that the proposed controller outperforms existing conventional controllers with regard to body acceleration, suspension deflection, and tire deflection     

Multi‐Variable Direct Self‐Organizing Fuzzy Neural Network Control for Wastewater Treatment Process

A multi‐variable direct self‐organizing fuzzy neural network control (M‐DSNNC) method is proposed for the multi‐variable control of the wastewater treatment process (WWTP). In this paper, the proposed control system is an essential multi‐variable control method for the WWTP. No exact plant model is required, which avoids the difficulty of establishing the mathematics model of WWTP. The M‐DSNNC system is comprised of a fuzzy neural network controller and a compensation controller. The fuzzy neural network is used for approximating the ideal control law under a general nonlinear system. Moreover, the neural network is designed in a self‐organizing mode to adapt the uncertainty environment. Simulation results, based on the international benchmark simulation model No.1 (BSM1), demonstrate that the control accuracy is improved under the proposed M‐DSNNC method, and the controller has a much stronger decoupling ability.     

基于Elman神经网络的浓相输送模糊控制系统

由于粉末物料的浓相输送系统存在严重的非线性和时变性,故要想建立其准确数学模型难度非常大,本文提出了使用模糊神经网络控制系统,并对于模糊控制规则由Elman神经网络联想记忆后提取,它不但可以获得最佳控制规则,而且响应速度快并能够进行在线进行规则的修正。经仿真实验,该控制器能够对粉末物料流量在一定范围内进行协调优化时实控制。     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

无级变速汽车的自适应模糊控制研究

为提高无级变速汽车控制系统对外界负荷扰动和各种运行工况的自适应能力,本文在简单的无级变速系统模型的基础上,设计了无级变速汽车的自适应模糊控制系统.所设计的自适应模糊控制系统由参数自调节油门模糊控制器和混合型模糊-PID的无级变速器速比和制动控制器构成,该控制系统只与汽车的瞬时运行状态有关而与汽车的参数无关,因此它对不确定的汽车参数和外界负荷的扰动具有良好的鲁棒性.仿真结果表明所设计的模糊控制系统具有良好的自适应能力.     

Self-organizing adaptive fuzzy neural control for the synchronization of uncertain chaotic systems with random-varying parameters

This paper proposes a self-organizing adaptive fuzzy neural control (SAFNC) for the synchronization of uncertain chaotic systems with random-varying parameters. The proposed SAFNC system is composed of a computation controller and a robust controller. The computation controller containing a self-organizing fuzzy neural network (SOFNN) identifier is the principle controller. The SOFNN identifier is used to online estimate the compound uncertainties with the structure and parameter learning phases of fuzzy neural network (FNN), simultaneously. The structure-learning phase consists of the growing of membership functions, the splitting of fuzzy rules and the pruning of fuzzy rules, and thus the SOFNN identifier can avoid the time-consuming trial-and-error tuning procedure for determining the network structure of fuzzy neural network. The robust controller is used to attenuate the effects of the approximation error so that the synchronization of chaotic systems is achieved.All the parameter learning algorithms are derived based on the Lyapunov stability theorem to ensure network convergence as well as stable synchronization performance. To demonstrate the effectiveness of the proposed method, simulation results are illustrated in this paper.     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。