多模型传感器故障软闭环容错控制研究

针对一类非线性系统建立精确机理模型困难、且仅用单一模型进行故障检测与容错不甚可靠等问题,提出一种基于数据驱动的多模型传感器故障软闭环容错控制方法,并对非线性系统中卡死、恒增益、恒偏差等常见传感器故障进行了研究。首先采用历史数据建立了系统的RBF神经网络、最小二乘支持向量机和核部分最小二乘三种预测模型,并基于序贯概率比检验算法同时以多个模型产生的残差对传感器进行故障检测;当检测出传感器发生故障时,则用系统多个预测模型的融合值代替传感器的输出,从而以软闭环方式实现对传感器故障的容错控制。最后将所提出的方法应用于一阶水箱液位控制系统,实验结果表明多残差与序贯概率比检验算法的结合能够可靠诊断传感器故障,多预测值优化融合的软闭环可对传感器故障实现安全、高性能容错。     

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。     

基于事件触发的网络化T-S模糊系统容错控制

研究了基于事件触发的网络化T-S模糊系统容错控制问题．首先针对一类具有随机执行器故障的网络化T-S模糊系统,提出一种有效减少数据传输量的事件触发机制．然后在综合考虑事件触发机制和控制器与T-S系统前件变量的异步的情况下,建立一种能同时描述事件传送策略、执行器失效、网络诱导时延和异步前件变量的新颖模型．利用李亚普诺夫泛函方法,得到保守性较小的闭环T-S系统均方渐近稳定条件和相应的容错控制器设计方法．实例表明了本文所得结果的有效性．     

执行器饱和T-S模糊系统的鲁棒耗散容错控制

研究了一类执行器饱和状态变时滞T-S模糊系统的鲁棒容错控制问题. 通过时滞相关Lyapunov函数和对状态的椭球域约束, 基于线性矩阵不等式技术, 提出了非线性系统稳定的不变集条件和模糊鲁棒耗散容错控制器存在的充分条件. 控制方案的设计结果不仅为执行器饱和状态变时滞T-S模糊系统的无源控制和H1鲁棒控制建立了统一框架, 而且保证了闭环控制系统对执行器故障的稳定性和容错性. 最后以时滞倒车系统的控制仿真验证了方法 的有效性.     

基于T-S模糊模型的非线性网络化控制系统H∞鲁棒容错控制

针对一类具有参数不确定的非线性网络化控制系统,同时考虑网络延时和丢包的影响,基于T-S模糊模型建模,通过构造Lyapunov-Krasovskii泛函,推证出了确保非线性网络化控制系统在执行器或传感器发生失效故障时具有H_∞鲁棒完整性的时滞依赖充分条件,并以求解线性或非线性矩阵不等式的方式给出了控制器的设计方法.最后,仿真算例验证了所提方法的可行性和有效性.     

基于T-S模糊模型的滑模跟踪控制

基于T-S模糊模型设计跟踪控制器,它包括两个部分:权重最大子系统局部反馈控制和采用滑模控制设计的全局监督控制,能保证系统稳定.倒立摆跟踪控制结果证明了算法的有效性.     

基于模糊逼近的一类不确定非线性系统的容错控制

针对一类不确定非线性系统,提出了一种模糊容错控制方案.采用模糊T-S模型来逼近非线性系统,由线性矩阵不等式设计模糊模型的控制律.构建了模糊逻辑系统作为补偿器来抵消对非线性系统的建模误差和因故障引起的不确定性,并证明了闭环系统能够满足期望的跟踪性能.仿真实例表明了所提出容错控制方案的有效性.     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

T-S模糊神经网络应用于变参数系统的控制研究

针对基于模型的传统控制策略在线性时变系统中的应用受到系统的时变性和不确定性限制,通常难以获得理想的控制性能这一问题,提出了线性时变系统的一种变参数系统模型。该模型具有有界性和不确定性特点,利用模糊神经网络具有的自学习能力强、模型依赖性小以及鲁棒性强的优点,提出一种基于遗传算法的T-S模糊神经网络控制器对其进行控制研究,并通过仿真实验证明了该模糊神经网络控制器对变参数系统控制的可行性与有效性,为线性时变系统的控制问题提供了一种新思路。     

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络（Fuzzy Neural Network—FNN）自适应控制策略和通用模型控制（Common Model Control—CMC）方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制（FNNC—CMAC）。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。     

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.     

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模糊神经网络的智能轮椅避障控制策略

针对传统智能轮椅避障策略的路径规划效率差、功耗高等缺点,提出一种基于模糊神经网络的环境深度分区控制策略;利用红外、超声波和激光传感器的测量信息将待识别环境分为3个不同的深度区间,同时,利用T-S模糊神经网路算法融合异质传感器的测量信息,然后设计模糊控制规则,实现智能轮椅避障动作;最后建立智能轮椅的运动学模型和测量模型,并进行Simulink仿真测试;经仿真可知,该方法控制可靠,可快速无碰撞地通过障碍区,并能减少功耗,提高续航能力。     

DE优化T-S模糊神经网络的交通流量预测

提出了一种差分进化算法优化T-S模糊神经网络预测交通流量的算法方法.该算法利用差分进化来弥补T-S模糊神经网络连接权值和阂值选择上的随机性缺陷,从而能发挥T-S模糊神经网络泛化的映射能力,而且能使T-S模糊神经网络具有较快的收敛性以及较强的学习能力.将该算法应用到实测交通流进行算法的有效性验证,并与传统的T-S模糊神经网络进行比较,仿真结果表明,该算法具有更好的非线性拟合能力和更高的预测准确性,在交通流量预测领域具备可行性和有效性.     

基于模糊BP神经网络的模拟电路实时故障诊断

以进行模拟电路实时故障诊断为主要目的,对BP神经网络故障字典法进行了深入研究,针对传统BP算法收敛速度慢、易产生局部最优等不足,采用神经网络与模糊理论相结合的方法,根据模式识别原理实现模拟电路故障的实时诊断。实验结果表明:该算法在网络收敛速度和识别精度上较传统的BP算法均有明显的改善。     

基于模糊聚类的模糊神经网络控制

对于复杂的非线性离散系统,提出将模糊聚类算法同神经网络相结合,使用衡量聚类有效性的S函数确定模糊规则数目,进而确定模糊神经网络的结构;控制器的设计应用LMI方法。以典型的非线性系统二级倒立摆为例,在Matlab中进行仿真实验,结果表明,基于聚类算法的神经网络控制能够在较大范围的初始状态下使系统获得稳定。     

基于T-S模糊神经网络模型的汉中段汉江流域水质评价与分析

为了有效对汉中段汉江流域水质进行监控和评价,采用一种智能T-S模糊神经网络模型进行水质综合评价。利用建立的T-S模糊神经网络模型对水质评价标准进行训练;利用训练好的神经网络模型,选取汉江流域汉中段18个监测点的7项评价指标的监测数据,对该段水质进行综合评价。结果显示,汉水流域汉中段水质相对较好,除濂水河濂水桥监测站外,其余站点均属于Ⅰ类或Ⅱ类水质。通过计算机实验发现,该模型具有避免人工干预、提高水质评价精确度的优势。     

基于EKF 的自组织T-S 模糊Elman 网络

针对模糊神经网络结构设计问题及模糊集在语言描述上存在的不足, 提出一种基于扩展的卡尔曼滤波(EKF)的自组织T-S 模糊Elman 网络, 并推导了网络训练算法. 分别采用递归最小二乘法和EKF 对线性参数和非线性参数进行更新; 基于模糊规则生成准则和误差下降率修剪策略实现了模糊规则的增删减. 最后通过系统辨识和污水处理建模实验, 表明了该算法在保证网络精度和泛化能力的同时, 可以有效地简化网络结构.