基于一种FGA–ANFIS技术的DMFC温度建模和控制

为了提高直接甲醇燃料电池(DMFC)的发电性能,采用自适应神经模糊推理技术(FGA-ANFIS)对电池的工作温度进行建模与控制.首先,基于实验的输入输出数据建立了DMFC电堆温度的自适应神经模糊辨识模型,避开了DMFC电堆的内部复杂性.然后,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法对神经模糊控制器的参数和模糊规则进行自适应调整.最后,通过仿真.将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能.     

基于系统辨识的燃料电池系统建模和自适应模糊控制

熔融碳酸盐燃料电池（MCFC）发电运行时，电堆的工作温度必须控制在一定的范 围内，否则将导致系统发电效率的降低或危及电堆寿命．因此，实现对MCFC运行温度的在线 控制势在必行．但由于MCFC系统的复杂性，已有模型均为复杂的非线性微分方程组描述的解 析模型，难以满足在线计算的实时控制的要求．因此，本文首先利用神经网络辨识技术基于 实验的输入（气体流量）输出（温度）数据建立起MCFC电堆的神经网络模型；然后，基于这 一电堆模型，设计了一个MCFC电堆工作温度的在线改进型自适应模糊控制器．该控制器对传 统的模糊控制方法存在的缺陷进行了改进，它一方面采用BP算法对模糊系统的参数进行修正 ，另一方面又通过聚类算法对模糊系统的结构进行自适应调整．最后，用神经网络辨识模型 代替实际的MCFC电堆进行了控制仿真，仿真结果证明对MCFC辨识电堆建模的有效性，以及所 设计的模糊控制器的性能优越性．     

基于在线系统辨识的DMFC模型预测与模糊控制

利用神经网络具有逼近任意复杂非线性函数的能力，以甲醇浓度为神经网络辨识模型的输入量，电池电压／电流密度为输出量．利用1000组实验数据，建立了DMFC电堆的神经网络模型。然后，基于电特性的输入输出关系设计了一个模糊控制器，且利用模糊控制器的输入输出样本训练神经网络。仿真结果表明，所设计的神经网络模糊控制器具有自学习、自适应等优点，达到了在线控制的目的。     

基于神经网络的燃料电池的辨识与模糊控制研究

利用神经网络辨识复杂非线性系统的能力,基于实验的输入输出数据,用神经网络辨识的方法建立起MCFC电堆的神经网络模型,然后基于温度特性输入输出关系设计一个模糊控制器,并用模糊控制器的输入输出样本训练神经网络.仿真结果表明,所设计的控制器用神经网络的计算结构代替模糊规则推理,在速度、自学习、自适应等方面具有灵活、高效的优势,它对不同的系统状态都能调节控制量,将温度较平滑地过渡到理想值.     

基于改进BP神经网络辨识的DMFC建模研究

针对直接甲醇燃料电池（DMFC）系统过于复杂,难以建模的特点,该文试图绕开DMFC的内部复杂性,基于实验数据。利用神经网络逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到DMFC这种高度非线性系统的建模。以1000组电池电压、电流密度实验数据作为训练样本,采用基于LM算法的改进BP神经网络,建立了不同温度下电池电压-电流密度动态响应模型。仿真结果表明这种方法是可行的,建立的模型精度较高,它使得设计DMFC的实时控制器成为可能。     

基于神经网络辨识的熔融碳酸盐燃料电池（MCFC）建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统过于复杂,难以建模以及已建立的模型过于复杂,难以满足工程上对MCFC系统控制设计特别是实时控制的需要,该文试图绕开MCFC的内部复杂性,提出利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到MCFC这种高度非线性系统的建模。以燃料气和氧化剂气体的流速为输入量,MCFC电堆的温度响应为输出量,根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型,给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性,建立的模型精度较高,它使得设计MCFC的实时控制器成为可能。     

基于IT2FIM的乙烯裂解炉温度控制方法研究

针对模糊控制方法应用到实际工业系统时遇到的一些问题,比如建立反映实际对象特性的隶属度需要试凑,但是实际系统不具备试凑条件等,本文提出了一种基于IT2FIM(区间二型模糊逆模型)的控制方案。该方案借助内模控制思想和区间二型模糊推理方法,首先由区间二型模糊系统辨识被控对象的逆模型,其次确定模糊内模控制器的隶属度约束范围,并通过优化得到精确的隶属度,最后设计实现对非线性、大滞后被控对象的有效控制。文中设计的控制系统首先在3个典型模型上进行了数值仿真,结果验证了其有效性,随后针对乙烯裂解炉对象,设计实现了其炉温的平稳高效控制。     

燃料电池温度模糊自适应控制

如何控制燃料电池温度性能是燃料电池的一个重要问题。首先基于模糊辨识建模方法建立质子交换膜燃料电池温度性能的T-S模型。模型结构简单,精度高,方便地应用于质子交换膜燃料电池系统控制中。其次针对该模型设计电堆温度的模糊自适应控制器。最后在Matlab平台进行仿真,模糊自适应控制器在较大幅度变化的系统参数下都得到较好的控制性能,证明模糊自适应控制系统具有很好的鲁棒性和良好的控制品质,能够满足质子交换膜燃料电池温度控制系统的要求。     

非线性动态系统神经模糊建模与内模/PID双重控制系统设计

非线性动态系统的内模控制要求建立精确的对象正模型和逆模型,这对于大多数实际对象是难以做到.提出了基于一类神经模糊模型的非线性动态系统建模方法,并在此基础上研究了基于神经模糊模型的非线性系统的内模控制设计.基于输入输出数据辨识的对象正模型和逆模型存在着模型失配问题,导致神经模糊内模控制范围变窄和控制鲁棒性降低,为了改善系统的性能,提出了神经模糊内模控制与PID控制结合的双重控制策略.对CSTR的反应物浓度控制研究表明,双重控制策略能有效地拓宽系统可控范围,改善系统性能.仿真结果证明该控制策略简单而有效.     

基于模糊网络的PEMFC系统建模

质子交换膜燃料电池(PEMFC)系统内部运行机理复杂,将其作为非线性复杂对象,基于T-S模糊网络算法,用模糊聚类和线性辨识方法建立PEMFC系统的模型,仿真实验结果表明该模型预测精度高,较传统机理模型具有优越性。研究结果对PEMFC系统的建模和控制具有一定的实用价值。     

Nonlinear modeling and adaptive fuzzy control of MCFC stack

To improve availability and performance of fuel cells, the operating temperature of molten carbonate fuel cells (MCFC) stack should be controlled within a specified range. However, the most existing models of MCFC are not ready to be applied in synthesis. In this paper, a radial basis function neural networks identification model of MCFC stack is developed based on the input–output sampled data. A novel adaptive fuzzy control procedure for the temperature of MCFC stack is also developed. The parameters of the fuzzy control system are regulated by back-propagation algorithm, and the rule database of the fuzzy system is also adaptively adjusted by the nearest-neighbor-clustering algorithm. Finally using the neural networks model of MCFC stack, the simulation results of the control algorithm are presented. The results show the effectiveness of the proposed modeling and design procedures for MCFC stack based on neural networks identification and the novel adaptive fuzzy control.     

基于变论域模糊增量理论的质子交换膜燃料电池温度控制

质子交换膜燃料电池(PEMFC)内部的电化学反应过程直接表现为温度的变化,所以有效的温度控制是保证燃料电池可靠性和耐久性的关键.本文将模糊增量控制用于PEMFC热管理系统中,将PEMFC的温度和电堆出入口温度差保持在设定值.首先,建立PEMFC热管理系统的动态模型,包括PEMFC电堆模型和辅助散热设备模型.然后,基于建立的系统模型,设计了一种变论域的模糊增量控制器.该控制器通过伸缩因子来动态调节模糊控制器中的量化因子和比例因子,实现对模糊论域的调节,从而提高控制的灵敏性和精确度.最后,将该温度控制方法用于10 kW燃料电池系统中,实验结果表明变论域模糊增量控制器相比于其他模糊控制方法,不仅具有更快的动态响应速度,还具有更强的鲁棒性和更高的控制精度.     

Chattering-free fuzzy variable structure control for multivariable nonlinear systems

In this paper, a fuzzy logic controller (FLC) based variable structure control (VSC) with guaranteed stability for multivariable systems is presented. It is aimed at obtaining an improved performance of nonlinear multivariable systems. The main contribution of this work is firstly developing a generic matrix formulation of the FLC-VSC algorithm for nonlinear multivariable systems, with a special attention to non-zero final state. Secondly, ensuring the global stability of the controlled system. The multivariable nonlinear system is represented by T-S fuzzy model. The identification of the T-S model parameters has been improved using the well known weighting parameters approach to optimize local and global approximation and modeling capability of T-S fuzzy model. The main problem encountered is that T-S identification method cannot be applied when the membership functions (MFs) are overlapped by pairs. This in turn restricts the application of the T-S method because this type of membership function has been widely used in control applications. In order to overcome the chattering problem a switching function is added as an additional fuzzy variable and will be introduced in the premise part of the fuzzy rules together with the state variables. A two-link robot system and a mixing thermal system are chosen to evaluate the robustness, effectiveness, accuracy and remarkable performance of proposed FLC-VSC method.     

模糊广义预测控制及其应用

本文将单变量广义预测控制原理应用到多变量模糊系统,提出了一种基于辨识模糊模型 的多变量预测控制方法.仿真研究表明,该模糊广义预测控制方法适用于工业过程的动态辨 识和控制,交能取得良好的效果.     

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进 行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.     

基于混合聚类算法的模糊函数系统辨识方法

针对传统模糊系统存在的结构难以确定和参数辨识复杂的问题,提出了一种基于混合聚类算法的模糊函数系统辨识算法.与一般的模糊函数系统相比,混合聚类算法结合模糊C均值和模糊C回归模型聚类算法的样本距离.在模型预测部分,采用高斯函数计算每个输入变量的隶属度,利用输入变量隶属度的模糊化算子得到输入向量的隶属度.应用于Box-Jenkins煤气炉数据、一个双入单出的非线性系统和Mackey-Glass混沌时间序列数据的试验结果表明,本文算法具有很好的辨识效果,从而验证了本文算法的有效性与实用性.