基于T-S模糊模型的鲁棒自适应滑模控制

针对一类具有时滞的非线性连续时间系统,基于T—S模糊模型,考虑系统的外界干扰和建模误差不存在的理想情况,并利用滑模控制理论和LMI方法,设计了滑模控制器;考虑系统的外界干扰和建模误差存在的情况,采用神经网络逼近建模误差,引入自适应控制鲁棒项,设计了自适应滑模控制器,根据Lyaponuv稳定性理论,证明了系统状态渐近稳定。仿真示例表明了所提方法的有效性。     

基于v-支持向量回归的T-S模糊模型辨识

结论参数对T-S模糊模型的泛化能力有重要影响。该文引入v-支持向量回归机(v-SVRM),把T-S模型结论参数的辨识问题转化为一个约束优化问题,并推导了新的迭代求解算法。该方法通过一个参数v控制支持向量的数目和落在ε不灵敏带外样本点的数目,并自动计算合适的ε。针对典型负荷被控对象的仿真结果表明:该方法比通常采用最小二乘法进行结论参数辨识的方法具有更好的泛化能力;此外,由于采用了ε不灵敏损失函数,该方法具有更好的噪声适应能力。     

基于超平面的T-S模糊模型辨识

针对多输入多输出(MIMO)的非线性热工动态对象,基于超平面的建模思想,提出了一种新的T-S模糊模型建模方法,既能够统一前、后件的参数辨识,又能防止过多增加计算量。介绍了通用的T-S模糊模型,详细推导出点到超平面的距离公式,据此,提出基于平均线性度的有效性能指标函数S(c),从而避免了规则数确定的盲目性。针对T-S模糊模型分段线性的特点,得出了输入、输出联合空间中的点到各后件子模型所对应的超平面距离,归纳出具体的建模步骤,同时给出了平均线性度D(c)的计算公式。新的建模算法可解释性好,不仅具有良好的精度,而且具有较好的泛化能力。最后,针对典型负荷被控对象的仿真结果证实了该方法的有效性。     

水下机器人T-S型模糊神经网络控制

针对水下机器人模糊神经网络控制器运算量大和对强外界扰动的鲁棒性差及存在滞后性的问题,提出基于混合学习算法的水下机器人T-S型模糊神经网络控制方法.采用免疫遗传算法离线优化和神经网络自学习在线调整隶属函数的参数,从而减少神经网络的运算量,增强水下机器人对环境变化的反应能力.采用T-S模型,由后件网络动态调整模糊规则,提高控制系统的适应性.通过某微小型水下机器人的仿真和外场实验验证方法的可行性和优越性.实验结果表明,控制器对外界扰动具有较强的鲁棒性,保证即使在恶劣情况下,控制性能仍保持在较高水平.     

基于T-S模糊模型的多变量非线性预测控制

针对多变量非线性系统预测控制的实时性问题,提出一种基于T-S模糊模型的预测控制快速算法.通过辨识建立非线性系统的T-S模糊模型,依据系统的运动特性和实际中控制输入增量的变化趋势选取特定基函数,将广义预测控制和预测函数控制相结合设计多变量预测控制律.该算法相比已有基于T-S模糊模型的多变量非线性广义预测控制算法大幅度减少了计算量,显著提高了控制的实时性.仿真结果验证了该算法的有效性.     

基于模糊T-S模型的最优励磁控制

采用传统线性化方法,将单机无穷大系统线性化,求 得多个平衡点的线性化模型,再通过隶属度函数把各个子 系统联系起来,建立系统的全局模型--模糊T-S模型. 设计各个子系统线性最优励磁控制器以后,采用并行分配 补偿技术设计全局系统的控制规律,将原来的固定系数反 馈改进为随系统状态变化而变化的动态反馈.利用Matlab 进行了仿真,结果表明本文设计的控制器能较好改善系统 的静态和暂态稳定性能.     

基于T-S模型的磨煤机存煤量的模糊辨识

针对火电厂磨煤机存煤量无法直接测量的问题,应用模糊聚类算法来辨识磨煤机存煤量的T-S模糊模型,在Matlab上仿真.计算机仿真结果表明,其预测结果的准确度与适应工况变化的能力均优于硬件在线仪表的性能,对于实现火电厂经济运行有益.     

基于T-S模糊模型的球磨机负荷控制系统

球磨机负荷控制系统通过调节给煤机的转速控制存煤量在给定值附近。针对其存在非线性、参数时变和大延迟等难以控制的特性,提出基于T-S模糊模型的预测函数控制新方法。用T-S模糊模型描述对象的非线性动态特性,根据模糊规则将非线性模型分解为若干个局部线性模型,并依据球磨机负荷对象的特性,将线性模型简化为一阶纯滞后环节。对辨识后得到的每个局部线性模型采用预测函数控制算法。仿真研究结果表明:系统响应速度变快、超调量较小,表现出较好的动态响应特性,同时还避免了PID控制器3个参数难以整定的困难。     

基于T-S模糊模型的油气悬架保性能控制

建立了1/2车四自由度油气悬架的T-S模糊模型。采用并行分布补偿器(PDC)结构,基于线性矩阵不等式处理方法,提出了模糊保性能控制方案,导出最优保性能控制律,针对含有参数不确定的油气悬架系统进行了仿真与实车道路试验。结果表明,与被动油气悬架相比,采用了保性能控制的油气悬架在减少振动、提高车辆行驶平顺性方面性能更优。     

采用T-S模糊模型的TCSC多目标控制器设计

在电力系统中装设可控串联补偿(TCSC)可以改善系统的稳定性,抑制次同步谐振和区域间的低频振荡,提高远距离联络线的传输能力。为更好地发挥TCSC效益,利用模糊T-S模型无限逼近非线性系统的特性,提出了一种多目标TCSC控制器设计方法。建立了一类含TCSC的两机电力系统的模糊T-S模型,把闭环系统的稳定性、H∞性能、极点配置的要求统一到一个线性矩阵不等式组中,基于线性矩阵不等式理论实现了TCSC多目标控制器设计,采用并行分配补偿技术,设计出了全局非线性系统的控制规律。最后,利用MATLAB进行了仿真,结果表明所设计的控制器能有效提高电力系统的功角稳定性,保证系统具有良好的动态性能,能满足多个目标要求,具有比TCSC非线性H∞鲁棒控制器更优越的性能,且易于工程实现,它将会在电力系统稳定控制中得到更多应用。     

感应电机模糊滑模控制器的新型设计方法

针对感应电机定子电阻和转子时间常数受外界因素干扰影响其矢量控制系统稳定性和精确度的问题,提出了一种感应电机模糊滑模矢量控制方法。根据感应电机的模型,设计了滑模速度控制器和转子时间常数观测器。利用模糊控制方法改进了滑模切换函数,从而实现切换函数的连续化实时整定,削弱了符号切换函数的高频抖动效果。仿真和dSPACE实验结果表明,控制系统能够稳定运行,动、静态性能良好,抗参数变化和负载突变能力强。     

一种改进共轭梯度在线学习滑模控制算法

对于一类基于T-S模糊模型描述的非线性不确定系统,滑模控制算法的稳态误差和动态品质与T-S模糊算法描述模型的准确度相关,利用最小二乘支持向量机算法(LSSVM)学习T-S模糊模型可以很好的逼近实际系统.但是由于LSSVM算法对数据量有一定要求,而且学习速度比较慢,对要求动态响应较高或者内存较小的系统不适用.提出了一种基于改进共轭梯度在线学习算法学习T-S模型,可以实时逼近实际模型,配合滑模控制算法可以达到控制系统的渐进稳定.在不同误差条件下对该控制算法进行仿真实验,在随机误差幅值100以内,系统稳态误差为0.01,同时对时变误差表现出快速的稳定特性,显示了该控制算法较强的鲁棒性.最后,实验还对随机误差幅值为500的系统验证了T-S模型对于系统学习数据的随机误差具有去噪能力.     

燃料电池汽车用电磁铁的优化设计

对于氢燃料电池汽车,高压储氢瓶中电磁铁的吸合面的形状和位置对电磁力影响很大,而且呈现复杂的非线性关系。在有限元分析基础上,为了提高优化效率,提出基于吸合面支持向量机模型的优化设计方法。利用均匀设计方法在设计空间中选择建模样本点,用有限元方法计算建模样本点的电磁力,构成建模样本。基于支持向量机建立吸合面形状和位置与电磁力的非线性模型。对该模型采用遗传算法优化,计算出了最优吸合面形状和位置,并对优化结果进行了仿真和样机对比试验。结果证明了优化设计方法的有效性。     

谷物干燥过程模糊支持向量机控制器的设计

为了准确控制谷物干燥过程的温度和湿度,设计了一种基于改进遗传算法和最小二乘算法的干燥过程模糊支持向量机控制器。利用模糊算法解除温湿度的耦合作用,采用支持向量机实现模糊逻辑控制的全过程和信号的非线线处理,同时采用混合学习算法优化控制器参数,即先采用最小二乘算法离线优化支持向量机性能参数,再采用改进遗传算法在线优化支持向量机性能参数和模糊比例因子,以使其控制性能适应对象的变化而达到最优。仿真结果表明,设计的模糊支持向量机控制器比常规PID控制器和经典模糊控制器具有更好的控制性能,能够满足谷物干燥工艺要求。     

一类不确定非线性系统的自适应模糊滑模控制

针对一类不确定非线性系统自适应模糊控制中,为了保证系统稳定性而附加监督控制问题,根据滑模控制原理并利用模糊系统的逼近能力,提出了一种Ⅰ型间接自适应模糊滑模控制方法。该方法取消了监督控制,用滑模控制器增加了逼近误差的自适应补偿,李雅普诺夫稳定性理论分析证明,控制系统全局稳定且跟踪误差收敛到零。将这种控制器应用到过程控制的典型对象液位控制中,仿真结果表明了该控制器的有效性和可行性。     

混沌系统的一种模糊变结构控制方案

研究了复杂非线性系统（如混沌非线性系统）的稳定控制问题。采用T－S模糊动态模型描述非线性系统，将将非线性系统模糊化为局部线性模型。用Lyapunov稳定性理论设计出确保模糊动态模型全局渐近稳定的变结构控制器，将模糊控制与成熟的线性系统变结构控制相结合，来解决非线性系统控制问题。应用到两类混沌系统的稳定控制中，验证了方案的有效性。     

一种基于T-S云模型的非线性系统控制

将云模型与T-S模糊系统结合,利用隶属云代替模糊系统的前件,提出一种T-S云模型.T-S云模型综合考虑模型的精确性和可解释性,不但可以利用专家的知识和经验建立系统模型,而且还可以通过输入/输出数据设计云模型系统.详细分析T-S云模型的系统结构.基于云模型和模糊系统对模糊概念表述的一致性,在不考虑超熵的情况下,使用梯度下降法辨识T-S云模型前件参数.利用递推最小二乘法辨识T-S云模型后件参数.设计了基于T-S云模型的控制器,实现了将卡车后倒至指定的卸车位置,体现了T-S云模型的不确定处理能力.仿真研究验证了算法的有效性.     

双馈风力发电系统终端滑模控制研究

针对双馈风力发电系统最大风能跟踪与功率解耦问题,采用非线性逆系统方法实现反馈线性化和解耦.考虑建模误差和系统参数变化等影响,利用核岭回归支持向量机(SVM)方法来辨识逆系统,并在线调整自适应参数,对解耦后的双馈发电机系统设计终端滑模控制器.分析结果表明,系统状态实现了有限时间收敛,具有较好的动态特性,且有功功率和无功功率实现了解耦控制.仿真结果验证了该方法对双馈风力发电系统控制的可行性和有效性.     

Reference model based discrete time sliding mode control of communication networks

In this work, we propose a new sliding mode controller based on a reference model for controlling data transmission rates in a connection-oriented communication network. In the proposed approach, we build a model of the network, which is controlled by a linear quadratic (LQ) optimal controller. Then, the sliding variable of the real network is forced to follow the reference sliding variable generated by this model. This method enables us to preserve the favorable properties of the optimal controller, such as reducing and smoothing out the initial flow rates. Moreover, once the reference model attains the vicinity of the desired state, the designed sliding mode controller is able to react more rapidly to changes in the available bandwidth, ensuring better robustness. Due to this fact, the considered controller can ensure full bottleneck link bandwidth utilization with smaller memory buffers than the LQ optimal one. This important advantage is shown both analytically, and in computer simulations     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。