基于T—S模糊模型的多变量预测控制

提出一种基于T-S模糊模型的多输入多输出预测控制策略.T-S模糊模型用于描述对象的非线性动态特性,模糊规则将非线性系统划分为多个局部子线性模型.为提高预测控制性能,采用多步线性化模型构成多步预报器,从而将预测控制中的非线性优化问题转化为一个线性二次寻优问题.串接贮槽液位控制系统的仿真结果表明,多步线性化模型预测控制性能优于单步线性化模型预测控制性能.     

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.     

DBEST中基于模糊关系矩阵的推理

在故障诊断专家系统开发工具ＤＢＥＳＴ中运用模糊关系矩阵提出了一种模糊性知识的表示及推理方法，并且开发成功两个实用的故障专家系统，本文重点介绍了模糊关系矩阵的推理。     

多变量非线性系统的间接模糊输出反馈自适应控制

针对一类多输入多输出非线性不确定系统，提出一种基于观测器的模糊间接自适应控制方法，并基于李亚普诺夫函数方法，导出了输出反馈控制律以及参数的自适应律，证明了整个控制方案不但能保证闭环系统稳定，而且取得了良好的跟踪控制性能。     

模糊不确定时滞系统的静态输出的反馈镇定:迭代线性矩阵不等式方法

对一类不确定非线性时滞系统利用模糊T＿S模型进行建模,研究了静态输出反馈镇定问题.用矩阵不等式的形式给出了模糊T＿S不确定时滞系统可通过静态输出反馈镇定的充分条件.并将矩阵不等式的条件转化为迭代线性矩阵不等式(ILMI),并给出相应的算法.     

布尔网络的分析与控制——矩阵半张量积方法

布尔网络是描述基因调控网络的一个有力工具. 由于系统生物学的发展, 布尔网络的分析与控制成为生物学与系统控制学科的交叉热点. 本文综述作者用其原创的矩阵半张量积方法在布尔网络的分析与控制中得到的一系列结果. 内容包括: 布尔网络的拓扑结构, 布尔控制网络的能控、能观性与实现, 布尔网络的稳定性和布尔控制网络的镇定, 布尔控制网络的干扰解耦, 布尔 (控制) 网络的辨识,以及布尔网络的最优控制等.     

单输入单输出系统的模糊无模型自适应控制方法

根据无模型自适应技术的特点,提出了一种模糊无模型自适应控制方法.并对该方法的特点进行了分析.仿真结果表明,该方法原理简单、控制效果好,可应用于各种单输入单输出控制系统.     

动态矩阵控制在工业锅炉燃烧系统的应用

工业锅炉燃烧过程可以合理简化为一个双输入双输出的多变量系统。为提高动态矩阵控制算法 的实用性，对一般的控制算法进行改进，采用简化后的预测前馈控制，使计算量大为减少。     

Takagi-Sugeno模糊连续系统的模糊采样控制

研究了T-S模糊连续系统的模糊采样控制问题．利用广义系统的描述方法、Lyapunov-Krasovikii泛函以及线性矩阵不等式(LMI)方法,建立了LMIs形式的依赖于采样时间间隔的模糊采样镇定条件,同时给出了模糊采样控制律的设计方法．所设计的模糊采样控制律可以镇定T-S模糊系统．而且,当连续时间模糊控制律可以镇定T-S模糊系统时,对于足够小的采样时间间隔,带有同样增益矩阵的模糊采样控制律也可以镇定T-S模糊系统．最后,通过两个仿真实例说明了所给方法的有效性．     

基于矩阵半张量积的有限值动态系统的最新进展

布尔网络可以简洁有效地描述作用在有限集上的动态离散模型.然而,随着研究的深入以及一些实际问题的需要,传统的布尔网络已经不能满足建模的需求,由此衍生出多值逻辑网络以及混合值逻辑网络,统称为有限值动态系统.通过矩阵半张量积,有限值动态系统可以转化为便于处理的等价代数形式.鉴于此,对矩阵半张量积以及有限值动态系统的最新发展进...     

基于MIMO模糊控制的锂离子电池参数自适应等效电路模型及SOC估计

针对锂电池等效电路模型无法在荷电状态(SOC)全区间精确反映锂电池内部真实状态的问题,提出了基于多输入多输出(MIMO)模糊控制的参数自适应等效电路模型.该等效电路模型以新一代汽车伙伴关系(PNGV)模型为自适应原型,根据锂离子电池和PNGV模型的外特性参数差异,由MIMO模糊调节器动态实时修正模型参数,达到精确建模、反映电池内部真实状态的目的.实验验证了自适应参数对模型精度和自适应性能的影响及模型在变工况下的模拟效果.通过对比锂电池参数自适应模型和静态参数PNGV模型的扩展卡尔曼滤波算法估计SOC的误差,验证了参数自适应模型的有效性.     

Set-point-related indirect iterative learning control for multi-input multi-output systems

A form of iterative learning control (ILC) is used to update the set-point for the local controller. It is referred to as set-point-related (SPR) indirect ILC. SPR indirect ILC has shown excellent performance: as a supervision module for the local controller, ILC can improve the tracking performance of the closed-loop system along the batch direction. In this study, an ILC-based P-type controller is proposed for multi-input multi-output (MIMO) linear batch processes, where a P-type controller is used to design the control signal directly and an ILC module is used to update the set-point for the P-type controller. Under the proposed ILC-based P-type controller, the closed-loop system can be transformed to a 2-dimensional (2D) Roesser s system. Based on the 2D system framework, a sufficient condition for asymptotic stability of the closed-loop system is derived in this paper. In terms of the average tracking error (ATE), the closed-loop control performance under the proposed algorithm can be improved from batch to batch, even though there are repetitive disturbances. A numerical example is used to validate the proposed results.     

基于深度森林的高铁站室内热舒适度等级预测

对于高铁站这类半封闭半开放空间的室内环境热舒适度等级难以准确预测的问题,提出基于深度森林（DF）的深度学习方法对热舒适度等级进行科学预测。首先基于现场调研和Energy Plus平台对高铁站室的热交换环境进行建模;其次提炼出客流密度、多联机开行台数和多联机设置温度等8个影响因素,并设计424种工况以获取海量数据;最后采用DF挖掘热舒适度与影响因素之间的关系,以对高铁站室内热舒适度等级进行预测。采用深度神经网络（DNN）和支持向量机（SVM）作为对比算法进行验证。实验结果表明,在3种模型中,DF在预测正确率和weighted-F₁上表现最佳,DF的预测正确率最高达到99.76%,最低为98.11%。因此,DF能够有效预测高铁站室内的热舒适度等级。     

基于事件驱动深度强化学习的建筑热舒适控制

住宅暖通空调系统通常耗用大量能源,同时也极大地影响居住者的热舒适性。目前,强化学习广泛应用于优化暖通空调系统,然而这一方法需要投入大量时间和数据资源。为了解决该问题,提出了一个新的基于事件驱动的马尔可夫决策过程（event-driven Markov decision process,ED-MDP）框架,并在此基础上,提出了基于事件驱动的深度确定性策略梯度（event-driven deep deterministic policy gradient,ED-DDPG）方法,通过事件触发优化控制,结合强化学习算法求解最优控制策略。实验结果显示,与基准方法相比,ED-DDPG在提升学习速度和减少决策频率方面表现出色,并在节能和维持热舒适方面取得了显著成果。经过实验验证,该方法在优化住宅暖通空调控制方面展现出强大的鲁棒性和适应性。     

Application of an adaptive neural fuzzy inference system to thermal comfort and group technology problems

The Adaptive Neural Fuzzy Inference System (ANFIS) is used to design two vague systems, namely thermal comfort and group technologies in production and operations management. Results show that both systems can be modeled successfully by the combined use of a fuzzy approach and neural network learning.     

Adaptive sliding mode control for MIMO nonlinear systems based on fuzzy logic scheme

In this study an indirect adaptive sliding mode control (SMC) based on a fuzzy logic scheme is proposed to strengthen the tracking control performance of a general class of multi-input multi-output (MIMO) nonlinear uncertain systems. Combining reaching law approach and fuzzy universal approximation theorem, the proposed design procedure combines the advantages of fuzzy logic control, adaptive control and sliding mode control. The stability of the control systems is proved in the sense of the Lyapunov second stability theorem. Two simulation studies are presented to demonstrate the effectiveness of our new hybrid control algorithm.     

具有Hammerstein模型描述的非线性系统的基于混合神经网络的预测控制

本文针对多输入多输出Hamrnerstein模犁提出了一种基于混合神经网络的模犁预测控制策略,控制器采用线性优化机构和高斯径向基神经网络串联.该策略不需要假设Hammerstein模型的非线性部分由多项式构成,避免了已有研究在无根或重根情况下存在导致预测控制的优化特征丧失问题,而采用混合神经网络则避免了采用传统神经网络拟合动态映射时存在的网络规模大和实时性差的不足.     

基于ISSA-LSTM的热舒适短期预测模型

为解决在测试日内的短期预测过程中,农村城镇人体热舒适中建筑惰性及人员等随机因素使人体感受变化的样本对预测结果影响大而导致预测精准度低的问题,提出基于改进麻雀搜索算法（Improvement Sparrow Search Algorithm, ISSA）优化长短期记忆神经网络（Long Short-Term Memory Neural Network, LSTM）的方法建立新型户用空调热舒适短期预测模型。首先,对测试日气象数据进行动态性分析,对数据进行有效性验证并构建多种热舒适预测模型;随后选用新型户用热舒适短期预测模型（ISSA-LSTM）对热舒适进行预测。结果表明,模型的最高预测均方误差（Mean Squared Error,MSE）比麻雀搜索算法（Sparrow Search Algorithm,SSA）和蜣螂优化算法（Dung beetle optimizer,DBO）优化LSTM分别提高了0.02296和0.10827,采用ISSA-LSTM方法后改善了短期热舒适预测的精度问题,并提高了分体式空调通过热舒适来控制温度的性能。     

基于DFNN的动态矩阵网络控制系统的应用研究

针对网络控制系统中的随机时延,提出一种基于动态模糊神经网络的动态矩阵网络控制系统。利用动态模糊神经网络的特点,提高系统动态响应性能。在以太网的网络环境下,通过实验仿真结果表明,该方法响应快,提高了系统的跟踪精度,具有更理想的控制效果。