基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

反重力铸造装备的模糊建模与预测控制

工业中的反重力装备在铸造过程中具有时滞性、强非线性和时变性的特点,传统的控制算法难以达到满意的效果,由此提出了一种基于T-S模型的模糊预测控制方法.该方法根据T-S模型的描述来设计神经网络结构,利用误差反传算法离线辨识前件参数和后件参数,使用加权最小二乘递推方法进一步在线修正模型的后件参数,并将T-S模型转化为状态空间模型,使用丢番图方程推导出预测控制律.仿真结果表明此方法具有良好的动态特性.     

一种简化的区间二型模糊系统辨识方法

KM降阶算法是目前区间二型模糊集合常用的降阶算法,针对其效率低、难以用于实时辨识与控制的缺点,提出了一种简化的区间二型模糊系统辨识方法。该方法采用二型T-S模糊模型,前件参数为区间二型模糊集合,后件参数为普通T-S模糊模型形式。二型T-S模糊模型的解模糊化采用简化的降阶算法,提高了模型的辨识效率,可用于实时辨识与控制。仿真实例表明,所提算法在不降低辨识精度的情况下能够有效提高辨识效率。     

参数未知系统直接广义预测控制

传统的广义预测控制(GPC)算法需要在线递推求解Diophantine方程及矩阵求逆,因此计算量很大,不适合对实时性要求高的控制系统.文中对参数未知线性系统提出一种直接广义预测控制(DGPC)方法.该方法直接辨识广义预测控制器参数θu,即基于广义误差估计值对控制器参数和广义误差估计值中的未知向量θu进行自适应调整.理论证明了该方法可使广义误差收敛到原点的一个小邻域内.仿真结果验证了此方法的有效性.由于实时性提高,并且不需要被控对象模型,该方法更利于实际应用.     

混沌系统的快速模糊控制算法

讨论了用模糊推理方法实现混沌系统的控制问题。利用递推模糊聚类算法实时对系统的输入空间进行模糊划分,利用卡尔曼滤波算法确定参数。在此基础上,给出了模糊模型的在线辨识算法。该方法不需要被控混沌系统的解析模型,控制的目标可以为周期轨道,也可以为连续变化的目标函数,在模型参数发生摄动和存在噪声情况下控制仍然有效。针对Henon吸引子的仿真结果,表明该方法的有效性和可行性。     

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．     

一种基于量子遗传算法的扩展T-S 模型辨识

在传统T-S模型的基础上,提出一种扩展T-S模型。该模型由一组模糊规则组成,由规则前件实现输入空间的划分,将成员函数及其函数变换引入规则后件以实现对输入子空间的非线性映射。对于该模型的建立,使用改进量子遗传算法优化规则前件,递推最小二乘法确定规则后件参数。通过对两个典型非线性系统辨识,仿真结果表明了该模型可以显著提高辨识精度,且具有很好的泛化性能。     

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。     

基于支持向量机回归的T-S模糊模型自组织算法及应用

结合模糊聚类算法和支持向量机回归算法提出了一种新的T-S模糊模型自组织算法. 该算法首先利用一种改进模糊聚类算法提取模糊规则和辨识前件参数,然后将T-S模糊模型后件变换为标准线性支持向量机回归模型,并利用支持向量机回归算法辨识后件参数. 仿真结果表明,相比现有的自组织算法,本文提出的T-S模糊模型自组织算法在规则数较少的情况下,仍然具有较高的辨识精度和较好的泛化能力. 最后,利用提出的T-S模糊模型自组织算法较好地建立了直拉硅单晶炉加热器和空气预热器的温度模型.     

规则可生长与修剪的非线性系统T-S模糊模型辨识

通常离线提取 T-S 模糊模型的规则后, 规则数无法在模型使用中进行调整, 而这成为表达非线性系统复杂性的一个瓶颈. 针对这一问题, 本文引入一种神经网络的生长和修剪方法, 从实时数据中提取 T-S 模型的规则, 并定义其对应局部模型对输出的影响, 以此作为在线调整规则数的依据, 从而更准确地表达了非线性系统的复杂性和运行中的变化. 再加上基于竞争性 EKF(Extended Kalman filter) 的模型参数在线学习, T-S 模型的建模精度也得到了保证. 整个算法完全实现了 T-S 模糊模型的在线辨识, 使模型的结构和参数具有很好的自适应能力. 对 CSTR(Continuously stirred tank reactor) 系统的辨识, 表明了该算法在处理非线性系统辨识问题上的优越性能.     

Chaos particle swarm optimization and T-S fuzzy modeling approaches to constrained predictive control

Predictive control of systems is very much related to the efficiency and cost of systems, as well as to the quality of systems outcomes. However, it is difficult to achieve optimal predictive control because most predictive controls for systems have characteristics of randomness, strong and complex constraints, large delay time, fuzziness, and nonlinearity. Conventional methods of solving constrained nonlinear optimization problems for predictive control are mainly based on quadratic programming, which is quite sensitive to initial values, easy to trap in local minimal points, and requires large computational effort. In recent years, T-S fuzzy modeling has been found to be an effective approach in performing predictive control. Intelligent optimization algorithms, such as chaos optimization algorithm (COA) and particle swarm optimization (PSO), have been shown to have faster convergence and higher iterative accuracy than those based on conventional optimization methods. In this paper, chaos particle swarm optimization (CPSO), which involves combining the strengths of COA and PSO, and T-S fuzzy modeling are proposed as approaches to perform constrained predictive control. Predictive control of temperature of continued hyperthermic celiac perfusion for medical treatment based on the proposed approaches was carried out. Simulation tests were conducted to evaluate the performance of temperature control based on T-S fuzzy modeling and CPSO. Test results indicate that the T-S fuzzy model based on CPSO outperforms models based on generalized predictive control, COA, and PSO.     

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.     

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.     

热轧带钢卷取温度的模糊神经网络预测函数控制

本文采用T S模糊神经网络建立了热连轧带钢卷取温度控制模型，并在该模型的基础上提出了一种在线计算量较小、计算速度较快的预测函数控制算法．应用该算法对热连轧带钢卷取温度的精冷区控制进行了仿真研究；结果表明，该控制器能够把带钢卷取温度控制在预定的范围内，控制精度能够满足生产要求．     

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.     

MULTIVARIABLE FUZZY GENERALIZED PREDICTIVE CONTROL

A Takagi-Sugeno (T-S) fuzzy model is used to express non-linear dynamic systems with time-delay in this paper, and an on-line identification algorithm is presented regarding its parameters and structures. A multivariable fuzzy generalized predictive control approach is proposed based on the identified fuzzy model by means of the generalized predictive control principle. The closed-loop stability is analyzed in detail. A simulation study for the multivariable load system of a boiler-turbine unit shows that the approach is superior to convention load control systems.