基于不确定T-S模型的模糊滑模自适应控制

提出一种不确定T-S模型的模糊滑模自适应控制方法。通过变换将该模型转换成3个组成部分：线性标称系统,已知非线性部分和未知不确定部分。针对它们设计3个控制器,其作用分别为：强迫系统沿着滑模面运动,消除已知扰动对线性标称系统的影响,克服不确定扰动(采用模糊滑模自适应控制,无需知道不确定的界限)。该方法无需求正定矩阵就能保证系统全局稳定。     

基于T-S模糊双线性模型的事件触发滑模控制

针对模糊双线性系统,研究一类事件触发滑模控制;求出使控制器分母为零的奇异区域,选定事件触发阈值,确定事件触发需满足的条件区域,使奇异区域包含于条件区域;构造积分滑模面,得出常规滑模控制律,并在此基础上,结合事件触发机制,对控制律进行增广,设计辅助控制律,使得系统状态临近奇异区域时,得以平稳过渡,保证系统稳定性,同时保证状态正常到达滑模面;根据设计的事件触发滑模控制律,考虑系统状态趋近奇异区域的不同情况,结合李雅普诺夫稳定性条件,分别对系统状态的可达性和稳定性进行证明;最后,以数值仿真验证所提方法的有效性.     

含有输入时滞的不确定T-S模糊系统的滑模控制

研究同时包含输入时滞和状态时滞的不确定T-S模糊系统的滑模控制问题,其中非线性不确定项是未知的,并且不满足匹配条件.针对被控对象的T-S模糊模型,设计一种基于积分型切换面的滑模控制器,并利用线性矩阵不等式技术和李亚普诺夫稳定性理论,给出滑模动态渐近稳定的充分条件,设计滑模控制律使系统状态保持在切换面上.仿真结果表明,该方法能有效消除非线性不确定性和输入时滞给系统带来的影响.     

T-S模糊系统H∞ 跟踪控制设计

提出一种新的控制方法,以使T-S模糊控制系统达到H∞跟踪性能指标.首先提出一个新的H∞跟踪性能指标,该指标考虑了受控输出变量中控制系数不为零的情况,比以往的性能指标更具一般性;然后给出了H∞跟踪控制器增益存在的充分条件,该条件可表示为线性矩阵不等式问题;最后通过一个仿真实例说明了所提出算法的有效性.     

基于T-S模糊模型非线性网络控制系统改进H∞跟踪控制

研究一类非线性网络控制系统改进H∞跟踪控制问题, 该类网络控制系统中非线性被控对象和被跟踪对象分别采用Takagi-Sugeno(T-S)模糊模型和线性稳定参考模型描述. 首先通过综合考虑网络中的数据传输时滞和数据丢包影响, 采用输入时滞法和并行分布补偿技术, 建立基于零阶保持器刷新时刻的系统状态跟踪误差模型. 然后利用改进的自由权矩阵方法, 并结合Lyapunov直接法给出系统满足H∞跟踪性能的充分条件以及模糊控制器的设计方法. 最后仿真实例表明本文方法的有效性和相比已有方法的优越性.     

基于离散模糊滑模的飞行器角度跟踪控制

为解决某型飞行器的角度跟踪控制问题,设计了离散模糊滑模角度跟踪控制算法.以飞行器在空间的姿态运动方程为基础建立了其短周期运动模型.基于离散时间模糊滑模算法,设计了双入双出的模糊控制器,将滑模切换函数及其变化率作为模糊控制器的输入,以模糊控制器的二维输出信号为依据调整滑模趋近律的参数,该算法在减小了系统的抖振同时,保持了...     

基于T-S模糊模型的状态反馈预测控制

将T-S模糊模型和状态反馈预测控制相结合,提出了一种基于T-S模糊模型的预测控制算法.该算法把T-S模糊模型作为预测模型得到状态和输出的预估值,并利用可测的过程变量对输出预估值进行反馈修正,然后利用最优控制理论,由修正后的预估值和给定值计算出控制整个系统的控制律.本文还对串级CSTR控制系统的不同的初态、设定值及干扰情况下进行了仿真,仿真结果表明了该方法的有效性和可行性.     

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。     

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。     

基于模糊树模型的自适应模糊滑模控制方法

本文针对单输入–单输出仿射非线性系统提出了一种基于模糊树模型的具有监督控制器的模糊滑模控制方法. 该方法用模糊树模型逼近非线性系统中的未知非线性函数, 得到初始的控制器, 然后在线调节模糊树模型中的线性参数, 改善控制器的性能, 实现对有界参考输入信号的跟踪控制. 模糊树辨识方法自适应划分输入空间, 大大减少模糊规则的数目, 在一定程度上可以缓解困扰模糊控制中的”规则爆炸”问题. 该方法通过监督控制器保证闭环系统所有信号有界. 通过理论分析, 证明了跟踪误差收敛到零. 用倒立摆进行仿真验证, 结果表明该方法用较少的模糊规则, 就能得到满意的控制效果, 有推广应用价值.     

Sliding Mode Control for T-S Fuzzy Systems

A sliding mode control scheme for a class of complex nonlinear systems with T-S fuzzy models is proposed in this paper. It is shown that, by using the concept of extreme matrices to determine the upper bound information of the interactions of the fuzzy subsystems, a simple, yet constructive sliding mode control scheme can be developed to guarantee the asymptotic stability and robustness of the closed-loop system. Simulation results are presented in support of the proposed scheme.     

基于T-S模型的非线性系统的最终滑动模态控制

采用T_S模糊动态模型逼近非线性系统, 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T-S模型全局渐近稳定的变结构控制器. 采用单位向量控制形式的最终滑动模态控制器, 对满足匹配条件和不满足匹配条件的不确定性均适用. 以倒立摆为模型的仿真实验, 验证了方案的有效性.     

基于量子遗传算法的模糊滑模控制

针对一类具有不确定性的非线性系统,提出了一种新的基于量子遗传算法的模糊滑模控制器的设计方法.将模糊控制与滑模控制相结合,利用滑模控制使系统跟踪误差进入边界层内;启用模糊控制替代切换控制,并在边界层上通过监督函数平滑控制作用.在滑动模态产生条件下,通过量子遗传算法优化模糊控制器的控制规则,有效地解决了模糊滑模控制中模糊控制规则的确定问题,从而削弱了系统的抖振,改善了控制器的控制性能.仿真结果表明了该方法的有效性.     

一种基于T-S模糊模型的自适应预测函数控制

针对离散时间非线性系统,提出了一种基于T-S模糊模型的自适应预测函数控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型后件参数,以克服模型失配对系统性能的影响。根据辨识得到的模型参数直接递推计算模型的预测输出,而不需要求解Diophantine方程,进而直接递推求解预测控制律,而不需要求解矩阵逆。仿真结果表明,该算法具有良好的跟踪性能和较强的鲁棒性。     

基于模糊逻辑的连续滑模控制

针对一类具有不确定性的非线性系统，根据滑模控制原理，提出了一种基于模糊逻辑的连续滑模控制设计方法。由于使用了适当的模糊逻辑切换，避免了滑模控制所固有的颤动现象．仿真结果表明，本文设计的模糊控制，对模型不确定性和外来干扰具有较强的鲁棒性和良好的跟踪性能．     

基于模糊逻辑的滑模控制设计方法

针对一类具有不确定性的单输入非线性系统，根据滑模控制原理。采用趋近律方法优化的滑模控制设计方法，以满足控制系统的鲁棒性和趋近运动品质的要求；同时根据模糊理论将切换函数模糊化，并且通过模糊规则自适应调整切换函数的模糊量化因子，以消除变结构控制系统固有的抖振和进一步改善系统偏差。仿真结果表明．设计的模糊滑模系统，具有对模型不确定性和外来干扰较强的鲁棒性以及良好的跟踪性能。避免了系统固有的颤动现象，控制的效果良好，性能满意；可应用于此类不确定非线性系统的设计综合问题。     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提     

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。