基于T-S 模型的模糊预测控制研究

提出一种基于T—S模型的模糊预测控制策略．利用模糊聚类算法高线辨识T—S模型，采用带遗忘因子的递推最小二乘法进行模型参数的选择性在线学习；对模糊模型在每一采样点进行线性化，将T—S模型表示的非线性系统转化为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题，解决了非线性预测控制中如何获得非线性模型和非线性优化在线求解的难题．将预测域内的线性模型序列作为预测模型，减小了模型误差，提高了控制性能．pH中和过程的仿真验证了该方法的有效性．     

非线性系统基于T-S模型的广义预测控制

对一类非线性系统,采用一种快速的模糊辨识方法离线建立系统的T—S模型,在采样点处根据辨识模型进行动态线性化处理,进而采取广义预测控制策略,同时为了适应系统的不确定性和扰动引起的变化,进一步提高控制效果,提出以模糊补偿作为在线辅助修正的策略。仿真研究表明所提方法有效。     

基于T-S模型的内模控制算法及其应用

针对模糊内模控制算法中模型的建立及模型求逆困难的问题，对一种模糊建模方法进行了改进，在此基础上提出了一种基于T—S模型的内模控制方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构，由模糊辨识获得过程的T—S模型和逆模型，并以此为基础建立内模控制算法。将该算法分别应用于慢时变非线性对象和具有大时延大惯性的热工系统主蒸汽温度的控制，仿真结果表明了该方法具有结构简单，计算效率高等优点，有利于在线应用。     

基于满意优化的非线性预测控制

对多约束的非线性系统建立T—S模糊模型，采用局部线性化方法在每个采样点对非线性系统进行线性化，从而得到系统的线性化模型。针对传统的优化方法无法直接处理带有一定模糊不确定性的优化问题，该文在广义预测控制滚动优化的机制下把具有模糊边界约束的有限预测时域的优化问题，转化为等价的确定性规划问题，通过模糊规划方法来求解多约束的目标函数，从而用满意优化取代传统的二次型性能指标来求解模糊约束条件的预测控制。仿真结果表明了该方法的有效性。     

纯滞后过程模糊预测控制研究

针对复杂工业过程控制,提出一种基于T—S模糊模型的预测控制方法,从参考轨迹和可测的过程变量提取特征信息,并利用最优控制理论,构成了具有模糊模型的纯滞后预测控制系统。经过跟踪调节和定值干扰调节实验仿真,仿真结果表明基于T—S模糊模型的预测控制方法的有效性和可行性,系统的跟踪效果良好,调节品质优于单纯的线性调节器。     

一类非线性系统的模糊变结构控制

研究了一类非线性系统的模糊变结构控制问题，并给出了稳定性证明。通过将非线性系统化为多个精确T—S模型来建立非线性系统精确的T—S模糊模型，将模糊理论与成熟的线性变结构控制理论相结合设计一种模糊变结构控制器，用Lyapunov稳定性理论证明该控制器能确保模糊动态模型全局渐近稳定，从而使非线性系统稳定。仿真结果表明了该设计方法的有效性。     

基于C-R模糊模型的广义预测控制算法

该文对非线性系统的建模采用Cao-Ress(C-R)模糊模型，并用卡尔曼滤波算法在线辨识模糊模型的结论参数，从而减少了参数辨识的数量和避免了矩阵的求逆运算，然后在每一个采样点对该系统进行局部动态线性化，根据得到的系统线性化模型对系统采取广义预测控制(GPC)方法得到当前的控制动作。仿真结果表明了该方法的有效性。     

基于数据驱动的气动柔性关节Takagi–Sugeno模糊系统建模与预测控制

针对气动柔性关节动态特性复杂、难以实现高精度控制的问题,提出一种基于Takagi–Sugeno (T–S)模糊系统的预测控制方法.首先,应用MBGD–RDA算法对T–S模糊系统进行离线训练,该算法结合了机器学习中的小批量梯度下降算法、正则化、Droprule和AdaBound算法.其次,基于模糊集相似性度量方法,对训练得到的T–S模糊系统的模糊集进行剪枝,对模糊规则进行合并,简化T–S模糊系统结构.最后,设计了基于T–S模糊系统的单层神经网络预测控制器. T–S模糊系统参数和预测控制器参数均能实现在线更新,且基于李雅普诺夫理论的稳定性分析保证了系统的稳定性.仿真结果验证了基于数据驱动的T–S模糊系统的高精度预测性能,且结构简化后的T–S模糊系统在规则数减少的情况下仍能维持较高的预测精度.实际实验中,所提控制方法最大跟踪误差小于3°,而传统的模糊逻辑控制器最大跟踪误差大于5°,这表明所提控制算法显著提升了对柔性关节的跟踪控制精度.     

基于多模糊模型的非线性预测控制

研究了基于多模糊模型的非线性预测控制问题 ,提出了基于多模型融合的非线性预测控制方法 .首先根据实际对象在不同运行点附近的状态建立了非线性系统的线性多模糊模型表示 ,然后给出了基于多模糊模型的预测控制原理结构框图 .非线性多模糊模型被用来作为预测模型 ,CSTR过程的仿真研究表明是一种有前景的非线性预测控制方法 .     

一种基于T-S模型的模糊预测控制

提出了一种基于T-S模型的模糊预测控制策略。T-S模糊模型用来描述对象的非线性动态特性,通过当前的工况参数实时在线的修正每一时刻的阶跃响应模型参数,将模糊模型作为常规线性预测控制DMC方法的预测模型,从而把T-S模型对复杂的非线性系统的良好描述特性和预测控制的滚动优化算法相结合,来实现利用常规线性预测控制策略对非线性系统的有效控制,有效地解决了复杂工业过程的强非线性问题。pH中和过程的仿真结果表明其性能明显优于传统的PID控制器。     

Predictive functional control based on fuzzy T-S model for HVAC systems temperature control

In heating, ventilating and air-conditioning (HVAC) systems, there exist severe nonlinearity, time-varying nature, disturbances and uncertainties. A new predictive functional control based on Takagi-Sugeno (T-S) fuzzy model was proposed to control HVAC systems. The T-S fuzzy model of stabilized controlled process was obtained using the least squares method, then on the basis of global linear predictive model from T-S fuzzy model, the process was controlled by the predictive functional controller. Especially the feedback regulation part was developed to compensate uncertainties of fuzzy predictive model. Finally simulation test results in HVAC systems control applications showed that the proposed fuzzy model predictive functional control improves tracking effect and robustness. Compared with the conventional PID controller, this control strategy has the advantages of less overshoot and shorter setting time, etc.     

Predictive functional control based on fuzzy T-S model for HVAC systems temperature control

In heating, ventilating and air-conditioning （HVAC） systems, there exist severe nonlinearity, time-varying nature, disturbances and uncertainties. A new predictive functional control based on Takagi-Sugeno （T-S） fuzzy model was proposed to control HVAC systems. The T-S fuzzy model of stabilized controlled process was obtained using the least squares method, then on the basis of global linear predictive model from T-S fuzzy model, the process was controlled by the predictive functional controller. Especially the feedback regulation part was developed to compensate uncertainties of fuzzy predictive model. Finally simulation test results in HVAC systems control applications showed that the proposed fuzzy model predictive functional control improves tracking effect and robustness. Compared with the conventional PID controller, this control strategy has the advantages of less overshoot and shorter setting time, etc.     

基于T-S 模型和小世界优化算法的广义非线性预测控制

提出一种新型的基于T-S模糊模型和小世界优化算法的广义非线性预测控制策略.采用基于混沌遗传算法的T-S模糊模型描述复杂非线性系统的动态特性,构成模糊多步预报器.同时,针对现有基于二进制和十进制编码小世界优化算法运行时间长等缺点,提出一种新型的基于实数编码的小世界优化算法,函数测试和应用于非线性预测控制的滚动优化反映了其较强的寻优能力.最后,将其应用于基于实际数据的T-S模糊模型的广义非线性预测控制,满足了系统实时性和快速稳定性的要求.     

模糊预测控制在pH中和过程中的应用

针对pH中和过程,提出了一种基于T-S模型的模糊预测控制算法,以实现系统的滚动优化控制。T-S模糊模型的前件和后件参数分别采用模糊C均值聚类(FCM)和正交最小二乘法(OLS)进行离线或在线辨识。在每一个采样时刻以当前辨识出的T-S模型为基础实现系统的局部动态线性化,再根据线性化模型对pH过程实施广义预测控制(GPC),得到当前的控制量。仿真表明了该控制方法具有较小的超调性质,且在扰动作用下能快速跟踪到设定值,具有很强的鲁棒性。     

Boost变换器的T-S模糊建模与控制

针对Boost变换器的非线性特性,考虑变换器参数不同情况对系统模型的影响,分别建立了参数确定和参数不确定条件下Boost变换器的等价T-S模糊模型。基于建立的等价T-S模糊模型,利用Lyapunov函数方法和线性矩阵不等式方法,给出了Boost变换器并行分配补偿模糊控制器的参数化设计方法。仿真结果表明,所建立的Boost变换器T-S模糊模型是可靠的,所设计的模糊控制器与模糊PI相比具有较强的鲁棒性和抗扰性。     

Self-tuning of 2 DOF control based on evolving fuzzy model

In this paper we present a self-tuning of two degrees-of-freedom control algorithm that is designed for use on a non-linear single-input single-output system. The control algorithm is developed based on the Takagi-Sugeno fuzzy model, and it consists of two loops: a feedforward loop and feedback loop. The feedforward part of the controller should drive the system output to the vicinity of the reference signal. It is developed from the inversion of the T-S fuzzy model. To achieve accurate error-free reference tracking a feedback part of the controller is added. A time-varying error-model predictive controller is used in the feedback loop. The error-model is obtained from the T-S fuzzy model. The T-S fuzzy model of the system, required in the controller, is obtained with evolving fuzzy modelling, which is based on recursive Gustafson-Kessel clustering algorithm and recursive fuzzy least squares. It employs evolving mechanisms for adding, removing, merging and splitting the clusters.The presented control approach was experimentally validated on a non-linear second-order SISO system helio-crane in simulation and real environment. Several criteria functions were defined to evaluate the reference-tracking and disturbance rejection performance of the control algorithm. The presented control approach was compared to another fuzzy control algorithm. The experimental results confirm the applicability of the approach.     

基于T-S模糊模型的非线性预测控制策略

提出了一种新的基于T-S模糊模型的非线性预测控制策略. T-S模糊模型用于描述对象的非线性动态特性, 通过将模糊模型的输出反馈回来作为模型输入, 从而构成了模糊多步预报器. 由于T-S模糊模型每条规则的结论部分是一个线性模型, 因此整个模糊模型可以看作一个线性时变系统, 从而将模糊预测控制器中的非线性优化问题转化为一个线性二次寻优问题, 以方便求解. pH中和过程的仿真结果表明其性能优于传统的动态矩阵控制器.     

离散模糊系统分析与设计的模糊Lyapunov方法

研究离散T-S模糊控制系统基于模糊Lyapunov函数的稳定性分析及控制器设计问 题.首先,构造出离散型模糊Lyapunov函数,模糊Lyapunov函数是系数与T-S模糊系统的模糊 规则权重相对应的复合型Lyapunov函数.然后,得到了开环系统新的稳定性充分条件,与公共 Lyapunov方法的结果相比,这一条件更为宽松.进而,基于一系列线性矩阵不等式设计出模糊 控制器.最后,仿真实例说明了该方法的算法和本文条件的优越性.