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.     

基于模糊模型的非线性内模控制策略研究

针对一类非线性动态过程提出了基于模糊模型的非线性内模控制算法(NFIMC)。NFIMC控制器包括逆模糊模型控制器和滤波器。过程的模糊模型和逆模糊模型均可由模糊辨识获得。CSTR的仿真结果表明:该算法可以对强非线性过程实现有效控制,并且具有结构简单、计算效率高等优点,有利于在线应用。     

基于模糊树模型的非线性系统内模控制

本文提出一种基于模糊树模型的非线性系统的内模控制方法,该方法采用模糊树建立非线性系统的内部模型和逆模型.仿真结果表明模糊树方法建立的非线性系统内部模型和逆模型均具有较高的建模精度,所提内模控制方法对非线性系统具有较好的控制性能、较强的抗干扰能力和鲁棒性能.     

基于T-S模型的内模控制算法及其应用

针对模糊内模控制算法中模型的建立及模型求逆困难的问题,对一种模糊建模方法进行了改进,在此基础上提出了一种基于T—S模型的内模控制方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,由模糊辨识获得过程的T—S模型和逆模型,并以此为基础建立内模控制算法。将该算法分别应用于慢时变非线性对象和具有大时延大惯性的热工系统主蒸汽温度的控制,仿真结果表明了该方法具有结构简单,计算效率高等优点,有利于在线应用。     

基于逆系统的赖氨酸发酵多变量解耦内模控制

针对赖氨酸发酵过程的时变、非线性和高耦合性,提出基于逆系统的赖氨酸发酵多变量解耦内模控制方法。根据动态递归模糊神经网络(DRFNN)的非线性辨识原理离线建立发酵过程的逆模型,将得到的逆模型串联在发酵系统之前,实现了发酵过程输入输出解耦线性化,从而得到伪线性系统;对复合后的伪线性系统采用内模控制。仿真结果表明,该方法能够适应赖氨酸发酵过程模型的不确定性和参数的时变性,具有较强的鲁棒性,且结构简单,易于实现。     

多变量非线性系统的模糊内模控制

大多数的先进控制器是基于线性模型的,它们对化学工业中常见的非线性过程的控制效果并不能达到最优.因此,考虑使用非线性模型,以使控制性能获得改善.用基于T-S模型的自适应模糊聚类辨识算法对系统进行辨识.T-S模型是用线性的方程来描述非线性系统,从而利于求出模型的逆.而模型逆又是IMC的关键一步,因此选用这种基于T-S模糊模型的控制器(FIMC)来实现对非线性多变量系统的控制.对2输入2输出的非线性系统进行仿真,结果表明FIMC在多变量系统中可以实现好的控制.     

模糊多模型协调控制系统设计及仿真

针对一个500 MW单元机组的仿真模型,首先依据滑压曲线对模型线性化得到其平衡工作点的线性化模型,并用隶属度函数连结成T-S模糊模型;然后针对各线性化模型设计了V-规范型多变量内模控制器;最后,依据T-S模糊模型结构设计了以多变量内模控制器作为局部模型控制器的模糊多模型协调控制系统.这种控制系统既可以克服模型工作点变化所带来的非线性问题,同时又可以保证控制回路间的有效解耦.仿真研究证明了控制系统设计的有效性.     

基于动态神经网络的非线性内模控制

针对一类不确定仿射非线性系统，提出一种基于动态神经网络的非线性内模控制方法。利用该网络模型存在相对阶时可以解析求得逆模型的特点，避免了普通神经网络内模控制方案中求逆的困难。并在有建模误差的情况下，通过将非线性对象输入输出线性化，分析了闭环系统的鲁棒稳定性和稳态性能。仿真试验表明该方法是可行和有效的。     

一类非线性互联系统的模型参考跟踪模糊H∞控制

对一类不确定非线性互联系统,给出了一种模型参考跟踪分散模糊H∞控制方法.采用模糊不确定T-S模型对非线性不确定互联系统进行模糊建模,应用并行分布补偿算法（PDC）给出了模型参考跟踪分散模糊H∞控制的设计及算法.应用李亚普诺夫方法证明了模糊闭环分散系统的稳定性分析.仿真结果进一步验证了该方法的有效性.     

基于支持向量机的非线性内模解耦控制

针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法.     

拓扑切换下IT2 T-S模糊非线性多智能体系统全局逆最优控制

针对连续非线性多智能体系统的全局最优协同控制问题,本文提出了模糊输出反馈和逆最优方法的分布式一致性最优控制律和相应的控制策略.首先,通过一种区间2型T-S (interval type 2 Takagi-Sugeno IT2 T-S)模糊模型将非线性系统等价转化为线性系统.其次,基于逆最优方法设计了全局最优协同控制律和相应的模糊输出反馈控制策略,智能体间仅仅通过局部通信,即可实现拓扑切换下非线性多智能体系统的二次性能全局最优控制,且系统的收敛速度大大提高.基于局部稳定性理论给出了全局逆最优控制的充要条件.最后,通过MATLAB算例验证所提方法的正确性和可行性.     

Discrete fuzzy covariance control for specified decay rate

This paper addresses the covariance control problem with decay rate for a class of nonlinear discrete stochastic systems using the Takagi-Sugeno (T-S) fuzzy models. A methodology is developed to find the discrete fuzzy controllers for achieving individual state variance constraints of discrete T-S fuzzy stochastic models. The approach developed in this paper is based on the concept of parallel distributed compensation (PDC) and covariance control. For each rule of the discrete T-S fuzzy model, it shows how to parameterize the static linear state feedback control gains to achieve a common covariance matrix and decay rate for each subsystem. Finally, a numerical example is provided to verify the effects of the proposed design method.     

基于模糊T-S模型的批过程建模与最优控制

基于模糊T-S模型,提出一种具有自学习能力的模糊方法用于批过程建模和最优控制.通过引入与均方误差相关的动态误差传递因子,使用改进的梯度下降法,本方法能够辨识模糊T-S预测模型.对于批过程的受限非线性最优控制,基于所辨识的预测模型,运用庞特里亚金最小值原理和平行分布补偿算法,本方法能够把一个复杂非线性系统最优控制设计问题转化为一些基于复杂T-S预测模型的局部线性系统的最优问题,从而给出一种有效和简单的模糊最优控制策略.所提方法用于一个半连续式反应器的建模和最优控制,仿真结果表明新方法是有效和准确的.     

Interval type-2 fuzzy inverse controller design in nonlinear IMC structure

In the recent years it has been demonstrated that type-2 fuzzy logic systems are more effective in modeling and control of complex nonlinear systems compared to type-1 fuzzy logic systems. An inverse controller based on type-2 fuzzy model can be proposed since inverse model controllers provide an efficient way to control nonlinear processes. Even though various fuzzy inversion methods have been devised for type-1 fuzzy logic systems up to now, there does not exist any method for type-2 fuzzy logic systems. In this study, a systematic method has been proposed to form the inverse of the interval type-2 Takagi-Sugeno fuzzy model based on a pure analytical method. The calculation of inverse model is done based on simple manipulations of the antecedent and consequence parts of the fuzzy model. Moreover, the type-2 fuzzy model and its inverse as the primary controller are embedded into a nonlinear internal model control structure to provide an effective and robust control performance. Finally, the proposed control scheme has been implemented on an experimental pH neutralization process where the beneficial sides are shown clearly.     

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．     

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.     

A weighted LS-SVM approach for the identification of a class of nonlinear inverse systems

In this paper, a weighted least square support vector machine algorithm for identification is proposed based on the T-S model. The method adopts fuzzy c-means clustering to identify the structure. Based on clustering, the original input/output space is divided into several subspaces and submodels are identified by least square support vector machine (LS-SVM). Then, a regression model is constructed by combining these submodels with a weighted mechanism. Furthermore we adopt the method to identify a class of inverse systems with immeasurable state variables. In the process of identification, an allied inverse system is constructed to obtain enough information for modeling. Simulation experiments show that the proposed method can identify the nonlinear allied inverse system effectively and provides satisfactory accuracy and good generalization. Supported by the National Natural Science Foundation of China (Grant No. 60874013) and the Doctoral Project of the Ministry of Education of China (Grant No. 20070286001)     

Adaptive sliding mode controller design based on T-S fuzzy system models

An adaptive sliding mode control (ASMC) technique based on T-S fuzzy system models is proposed in this paper for a class of perturbed nonlinear MIMO dynamic systems in order to solve tracking problems. A T-S fuzzy model is firstly formed by utilizing fuzzy theorem to amalgamate a set of linearized dynamic equations. The adaptive sliding mode controller is then designed based on this fuzzy model with perturbations. The proposed control scheme can drive the dynamics of controlled system into a designated sliding surface in finite time, and guarantee the property of asymptotical stability. It is also shown that the information of upper bound of modeling errors as well as perturbations, except the information of upper bound of input uncertainty, is not required when using the proposed controller.