基于T-S模型的模糊预测控制在聚合釜中的应用
基于T—S模糊模型的网络控制系统稳定性分析
基于T—S模糊模型的网络控制系统稳定性分析一、引言随着网络控制系统在工业自动化领域的广泛应用，其稳定性分析成为了一个重要研究领域。
Takagi-Sugeno（T-S）模糊模型是一种有效的描述非线性系统的方法，已经在控制系统领域得到了广泛的应用。
本文将基于T-S模糊模型，对网络控制系统的稳定性进行深入研究和分析。
文章主要分为五个部分，首先介绍了网络控制系统的基本概念和T-S模糊模型的基本理论，然后对T-S模糊模型在网络控制系统中的应用进行了详细介绍，接着提出了基于T-S模糊模型的网络控制系统稳定性分析方法，并且针对该方法进行了具体的数学推导和例子分析，最后对整个研究工作进行了总结和展望。
二、网络控制系统的基本概念网络控制系统（Networked Control System，NCS）是一种由传感器、执行器、控制器和通信网络组成的控制系统，其特点是传感器信号和执行器信号通过网络进行传输和交换。
NCS的出现为工业自动化系统带来了很多优势，如降低了系统的成本、提高了系统的灵活性和可靠性等。
网络传输的时延、丢包等问题也给NCS的稳定性分析和控制带来了挑战。
三、T-S模糊模型的基本理论Takagi-Sugeno（T-S）模糊模型是20世纪80年代提出的一种描述非线性系统的方法，其基本思想是将非线性系统分解成一系列局部模型，并通过模糊规则进行整合。
T-S模糊模型的基本形式如下：如果x是一个关于输入向量u和输出向量y的非线性系统，那么T-S模糊模型可以表示为：规则1：如果u是A1，v是B1，则y=f1(u,v)规则2：如果u是A2，v是B2，则y=f2(u,v)规则n：如果u是An，v是Bn，则y=fn(u,v)其中A1、A2、...、An和B1、B2、...、Bn是输入向量u和输出向量y的模糊集合，f1、f2、...、fn是对应的线性函数。
四、T-S模糊模型在网络控制系统中的应用T-S模糊模型在网络控制系统中的应用主要有以下几个方面：1.描述非线性系统：NCS中由于网络时延、丢包等问题导致系统的非线性行为变得更加复杂，T-S模糊模型提供了一种有效的描述非线性系统的方法。
基于T-S模糊模型的非线性时滞随机系统控制的开题报告
基于T-S模糊模型的非线性时滞随机系统控制的开题报告一、研究背景非线性时滞随机系统在实际工程中具有广泛应用。
然而，由于其复杂的系统特性，难以通过传统的控制方法进行稳定控制。
因此，开发一种高效的控制方式是非常必要的。
模糊控制是一种可以针对非线性、时滞、不确定性等复杂系统情况下的控制方法，自20世纪70年代中期问世以来，引起了广泛关注。
传统的模糊控制方法基于模糊逻辑的思想，对系统控制进行建模和设计，能够处理到一定程度的非线性和时滞系统。
然而，这种方法在处理系统的复杂动态特性时存在较大的局限性。
T-S模糊模型是模糊控制的一种新兴方法，具有较强的适应性和灵活性。
该模型通过将整个非线性系统分解为多个线性子系统并进行模糊控制，以达到全局控制目标的目的。
同时，该模型还可以利用时滞信息，有效地处理时滞系统。
因此，基于T-S模糊模型的控制方法在工程实践中得到了广泛应用。
二、研究内容本论文的研究重点是基于T-S模糊模型的非线性时滞随机系统控制方法。
具体来说，将对以下内容进行研究：1. 建立基于T-S模糊模型的非线性时滞随机系统模型。
2. 设计基于T-S模糊模型的非线性时滞随机系统控制器，并分析控制器的稳定性与收敛性。
3. 利用数值仿真方法验证基于T-S模糊模型的非线性时滞随机系统控制方法的有效性，并与传统的模糊控制方法进行比较分析。
三、研究意义本论文的研究意义在于：1.提出了一种基于T-S模糊模型的非线性时滞随机系统控制方法，该方法能够处理非线性、时滞和随机的复杂系统特性。
2.通过建立模型和分析控制器的稳定性与收敛性，提高了对非线性时滞随机系统的全局控制能力。
3.数值仿真结果表明，该控制方法具有较好的控制效果和鲁棒性，验证了该控制方法的实用性和有效性。
四、研究方法本论文将采用如下研究方法：1.阅读相关文献，掌握T-S模糊模型的基本原理和方法；2.建立非线性时滞随机系统的数学模型，并应用T-S模糊模型对系统进行分解和控制；3.分析T-S模糊模型控制器的稳定性和收敛性，并在Matlab中进行数值仿真；4.将仿真结果与传统模糊控制方法进行比较分析，并探讨T-S模糊模型的优势和局限性。
基于T-S模糊神经网络的Hammerstein模型预测控制
基于T-S模糊神经网络的Hammerstein模型预测控制摘要模型预测控制（Model Predictive Control,MPC）是一种在工业过程中产生的控制算法，经过几十年的发展，无论在理论研究还是在工业应用中，线性模型预测控制都已经发展成熟，然而实际生产过程中普遍存在的非线性，使得线性模型预测控制效果大打折扣，因此对非线性模型预测控制的研究十分必要。
非线性预测控制主要包括基于机理模型的非线性模型预测控制，基于实验模型的非线性模型预测控制，基于智能模型的非线性模型预测控制和基于特殊模型的非线性模型预测控制等。
随着科学技术理论研究的不断深入，应用T-S模糊神经网络建模思想和模型预测控制相结合的控制方法，并结合Hammerstein模型结构，成为研究典型非线性系统的重要控制手段。
T-S模糊神经网络不仅具有局部逼近功能，而且具有神经网络和模糊逻辑两者的优点。
本文针对Hammerstein模型描述的非线性系统进行基于T-S模糊神经网络的预测控制研究。
首先应用最小二乘支持向量机（LSSVM）辨识非线性系统得到非线性系统的Hammerstein模型，利用T-S模糊神经网络辨识静态非线性部分的逆模型。
采用非线性控制分离策略，应用动态矩阵控制算法计算Hammerstein模型动态线性部分的中间变量，作为T-S模糊神经网络的输入，进而通过T-S模糊神经网络逆映射出控制量，以实现基于T-S模糊神经网络的Hammerstein模型预测控制。
最后将提出的控制方法应用到pH中和过程的控制中，仿真结果表明本文所提方法控制效果良好，具有良好的可行性和实施性。
关键词：模型预测控制，非线性，T-S模糊神经网络，Hammerstein 模型IPredictive Control of Hammerstein Model Based on T-S FuzzyNeural NetworkABSTRACTModel Predictive Control(MPC)as a kind of produced in industrial process control algorithm,after decades of development,both in theoretical research and in industrial applications,the linear model predictive control has been mature,but still widespread nonlinear in the process of actual production,makes the effect of the linear model predictive control,so we think the study of nonlinear model predictive control has the necessity very much.The nonlinear predictive control mainly includes mechanism model-based nonlinear model predictive control,experimental model-based nonlinear model predictive control,intelligent model-based nonlinear model predictive control and special model-based nonlinear model predictive control.With the deepening of scientific and technological research,the combination of T-S fuzzy neural network modeling and model predictive control,as well as the control method of Hammerstein model structure,has become an important control method to study typical nonlinear systems.The T-S fuzzy neural network not only has the function of local approximation, but also has the advantages of neural network and fuzzy logic.This paper mainly studies the predictive control based on T-S fuzzy neural network for Hammerstein model-based nonlinear systems.First,the least square support vector machine(LSSVM)is applied to identify the nonlinear system to obtain the Hammerstein model of the nonlinear system, and the inverse model of the static nonlinear part is identified by the T-S fuzzy neural network.The nonlinear control separation strategy is adopted, and the dynamic matrix control algorithm is used to calculate the intermediate variable of the dynamic linear part of Hammerstein model,IIwhich is taken as the input of t-s fuzzy neural network,and then the control quantity is mapped out by T-S fuzzy neural network,so as to realize the predictive control of Hammerstein model based on T-S fuzzy neural network. Finally,the control method proposed in this paper is applied to the control of pH neutralization process.The simulation results show that the control effect of the method proposed in this paper is good,with good feasibility and implementation.KEYWARDS:Model predictive control,Nonlinear,T-S fuzzy neural network,Hammerstein modelIII目录1绪论 (1)1.1引言 (1)1.2模型预测控制（MPC）的基本原理 (2)1.2.1模型预测 (3)1.2.2滚动优化 (3)1.2.3反馈校正 (4)1.3非线性模型预测控制的研究概述 (4)1.3.1非线性模型预测控制的简单描述 (4)1.3.2非线性模型预测控制算法 (6)1.4预测控制在工业中的应用 (9)1.5本文研究的内容及结构 (10)2基于T-S模型的模糊神经网络 (12)2.1模糊系统与神经网络的一般描述 (12)2.1.1模糊系统原理及特征 (12)2.1.2神经网络的原理及特征 (15)2.1.3模糊系统与神经网络的结合 (16)2.2模糊系统的T-S模型 (17)2.3模糊神经网络结构 (18)2.3.1前件网络设计 (18)2.3.2后件网络设计 (19)2.4T-S模糊神经网络的学习算法 (19)2.5本章小结 (20)3Hammerstein模型的辨识 (21)3.1Hammerstein模型及表示 (21)3.2基于LSSVM的Hammerstein模型辨识方法及建模 (23)3.2.1最小二乘支持向量机（LSSVM）的简介 (23)3.2.1.1支持向量机理论 (23)3.2.1.2支持向量机算法 (25)3.2.1.3最小二乘支持向量机理论 (28)IV3.2.2Hammerstein模型的辨识 (30)3.3Hammerstein模型静态非线性部分逆模型的T-S模糊神经网络建模 (31)3.4本章小结 (33)4基于T-S模糊神经网络的Hammerstein模型预测控制及其在pH中和过程中的应用 (34)4.1DMC算法 (34)4.2基于伪线性化的Hammerstein模型的DMC控制 (36)4.3pH中和过程的介绍 (37)4.4仿真研究 (39)4.5本章小结 (41)5总结和展望 (42)5.1总结 (42)5.2展望 (42)参考文献 (43)致谢 (48)攻读硕士学位期间发表的学术论文目录 (49)攻读硕士学位期间参与的科研项目情况 (49)基于T-S模糊神经网络的Hammerstein模型预测控制1绪论1.1引言预测控制（Predictive Control）是一种基于模型的控制算法，它产生于实际工业背景并应用于实际生产过程。
T-S模糊时滞系统的稳定性分析与控制问题研究
研究t-s模糊时滞系统的稳定性分析及其控制问题，有助于提 高模糊控制系统的稳定性和鲁棒性，为工程实践提供理论支 持和技术指导。
研究现状与问题
现状
目前，针对t-s模糊时滞系统的稳定性分析已经取得了一定的研究成果，但大多数研究集中在特定的模糊逻辑 系统或时滞范围较小的情况下。
问题
然而，在实际应用中，时滞因素和模糊逻辑系统的复杂性往往会导致系统的不稳定性和控制性能下降。因此， 需要进一步研究t-s模糊时滞系统的稳定性及其控制问题。
t-s模糊时滞系统的稳定性 分析与控制问题研究
2023-10-30
目录
• 引言 • t-s模糊时滞系统模型 • t-s模糊时滞系统的稳定性分析 • t-s模糊时滞系统的控制问题研究 • 数值模拟与实验验证 • 结论与展望
01
引言
研究背景与意义
背景
t-s模糊时滞系统是一种广泛应用于工程领域的模糊控制系统 ，其稳定性对于系统的性能和可靠性具有重要影响。
研究内容与方法
要点一
研究内容
本研究旨在研究t-s模糊时滞系统的稳定性分析及其控 制问题，主要内容包括：建立t-s模糊时滞系统的数学 模型；分析系统的稳定性和鲁棒性；设计有效的控制器 并对其进行优化。
要点二
方法
本研究采用理论分析和数值模拟相结合的方法，首先建 立t-s模糊时滞系统的数学模型，然后利用Lyapunov方 法、Razumikhin技巧等稳定性理论对系统进行稳定性 分析。同时，利用模糊控制理论、最优化方法等设计有 效的控制器并对其进行优化。最后，通过数值模拟验证 所提出方法的可行性和有效性。
06
结论与展望
研究结论
本文研究了t-s模糊时滞系统的稳定性分析与控制 问题，通过理论推导和仿真实验，得出了一些重 要的结论。
基于T-S模型的模糊辨识方法及其应用研究
基于T-S模型的模糊辨识方法及其应用研究随着工业自动化技术的快速发展，越来越多的复杂系统被应用于现实生活中。
这些系统的复杂性使得传统的模型预测和控制方法难以胜任。
模糊辨识方法作为一种新兴的非线性系统建模和控制技术近年来得到了广泛应用。
其中，基于 T-S 模型的模糊辨识方法是一种常用的方法，它将系统的状态空间划分为一系列的子空间，并通过构建模糊规则来实现系统的建模。
一、T-S 模型简介T-S 模型是由 Takagi 和 Sugeno 在 1985 年提出的，它是一种特殊的前向神经网络。
T-S 模型是基于线性子模型的一种混合系统建模方法，它将非线性系统划分为一系列的线性子模型，并在每个子模型上进行线性建模，然后将所有的线性子模型通过模糊规则进行组合，从而得到一个全局的非线性模型。
在T-S 模型中，每个子模型包含了一个线性输出和一组参数，这些参数通过模糊规则进行调节。
T-S 模型的主要优点是可以有效地处理非线性系统，并且可以对系统中的不确定性进行建模和控制。
二、T-S 模型的模糊辨识T-S 模型的模糊辨识通常包括以下五个步骤：1. 确定 T-S 模型的结构：包括模糊集的选择、模糊规则的生成、模糊子系统的数量等。
2. 确定模糊子系统的参数：包括模糊规则的隶属度函数、模糊子系统的输入变量和输出变量、模糊子系统的权重系数等。
3. 构建初始模型：通过 T-S 模型的线性化方法得到初始模型。
4. 模型训练和优化：通过仿真和实验数据的反馈，利用最小二乘法、遗传算法等方法对模型进行优化。
5. 模型验证和应用：对模型进行验证并应用于实际工程问题。
如控制、诊断等领域。
三、应用案例基于 T-S 模型的模糊辨识方法已经应用于许多领域，如控制、诊断、故障检测等。
下面以控制领域中的应用为例。
某工厂生产过程中需要对裁切机进行控制，以确保产品的质量和生产效率。
但是由于生产过程中存在各种不确定性，传统的PID 控制方法不够精确。
因此，研究人员采用了基于 T-S 模型的模糊辨识方法来建立控制模型。
基于T-S模糊建模的广义预测控制系统在热工过程中的应用
2 系统建模及应用
为使 y(k) 尽可能平稳地到达设定值 w，选用如下参考 ： （15） （16）
2）输出预测 为了预测 j 步以后的输出，引入 Dioaphantine 方程 ：
第 28 卷 第 7 期 2021 年 7 月
仪器仪表用户 INSTRUMENTATION
Vol.28 2021 No.7
基于T-S模糊建模的广义预测控制系统在热工过程 中的应用
孙 涛，何同祥
（华北电力大学 控制与计算机工程学院，河北 保定 071003）
摘 要 ：由于过热汽温系统具有大惯性、大迟延和时变性的特性，传统的 PID 串级控制策略很难达到理模法，并利用广义预测控制算法对过热汽温系统进 行控制。针对该算法在火电厂过热汽温控制系统中进行了仿真，仿真结果表明，该算法较常规 PID 控制方法具有更 好的控制性能。
（19）
由于 ω(k+j) 都是 k 时刻以后的白噪声，则 k+j 时刻的 最优预测是 ：
写成向量形式即为 ：
（20）
（21）
采用改进模糊聚类算法的 T-S 模糊辨识方法辨识过热 汽温系统输出参数，如图 1 所示。 1.3 广义预测控制算法 1.3.1 预测模型
假设被控对象 CARIMA 模型为 ：
图3 对比两种控制方法示意图 Fig.3 Comparison of two control methods
e-100s 作为被控对象进行仿真研究，并与常规 PID（Kp=1.25， Ki=0.5）串级控制对比来评估本文所用方法的性能，得到 的仿真图如图 3 所示。
基于T-S模型的模糊控制系统设计
毕业设计基于T-S模型的模糊控制系统设计姓名：黄大雕学号：01010203班级：07 自动化1专业：自动化所在系：自动化工程系指导老贾穆尔师：基于T-S模型的模糊控制系统设计摘要模糊控制系统的稳定性分析和设计方法是模糊理论的重要研究课题。
模糊系统本质上是非线性的，其稳定性分析比较困难。
到目前为止虽然已经存在许多关于模糊系统稳定性的理论，但仍未形成完善的理论体系，还有许多理论问题有待进一步深入研究。
在模糊控制文献中，大多数方法是基于Lyapunov 的稳定性理论，Lyapunov 系统稳定形式是以观测系统中的能量平衡为基础的。
根据Lyapunov 原理，连续能量损耗的系统最终将进入平衡状态。
因此利用某个系统能量函数能够评价系统的稳定性，这个函数通常称为Lyapunov 函数或Lyapunov 候选函数。
最常用的Lyapunov 函数形式是广义二次型，由于把Lyapunov定义为广义二次型，因此系统稳定性的问题就转换为寻找一个恰当的矩阵的问题。
基于以上分析，本文针对T-S模型利用Matlab实现模糊控制系统的设计，并用一个非线性的弹簧阻尼机械系统进行仿真保证系统的稳定性关键词：Lyapunov函数法；T-S模型；模糊控制系统Model Based on the T-S Fuzzy Control System DesignABSTRACTThe stability an alysis and desig n of fuzzy con trol systems have bee n the most importa nt problems in fuzzy theory. The research of fuzzy con trol theory in cludes a series of mai n problems, such as the stability an alysis, the system desig n approaches and the improveme nt of system performa nee.In the fuzzy con trol literature, most methods are based on Lyap unov stability theory, Lyap unov system is stable form is the observ ing systems in the en ergy bala nee based. Accordi ng to Lyap unov theory, the con ti nu ous en ergy loss of the system will eve ntually en ter theory.Therefore, the use of the energy function of a system able to evaluate the stability of the system, This fun cti on is ofte n referred to as the Lyap unov fun cti on or Lyap unov can didate fun cti on. The most com monly used form of Lyap unov function is a gen eralized quadratic. Since the Lyap unov is defi ned as the gen eralized quadraticSystem stability problem is conv erted to the problem of finding an appropriate matrix.Based on the above an alysis, for the TS model using Matlab fuzzy con trol system desig n, and a non li near spri ng-damper mecha ni cal system simulatio n to en sure stability of the systemKey Words: Lyapunov Function; Fuzzy Control System; T-S Model目录第一章绪论 (1)1.1模糊控制系统的产生与发展 (1)1.1.1模糊控制理论的产生 (1)1.1.2模糊控制理论的发展概况 (2)1.1.3模糊控制的研究成果 (3)1.1.4有待解决的问题 (4)1.2本文的研究课题 (4)1.2.1选题意义 (4)1.2.2论文内容安排 (5)1.3 本章小结 (5)第二章模糊控制理论基础. (7)2.1模糊数学基础 (7)2.1.1模糊集合 (7)2.1.2模糊运算 (8)2.2模糊逻辑与近似推理 (10)2.3模糊逻辑系统 (11)2.4T-S 模糊系统 (15)2.4.1T-S 模糊模型描述 (15)2.4.2T-S 模糊系统特点 (16)2.5本章小结 (16)第三章运用Matlab 实现T-S 模型模糊系统的设计 (18)3.1Matlab 介绍 (18)3.1.1Matlab 的优点 (18)3.1.2Matlab 的缺点 (19)3.2模糊控制系统的设计 (19)3.2.1FIS 编辑器 (19)3.2.2隶属度函数 (22)3.2.3根据模糊规则表编辑规则 (25)3.2.4形成系统系统模型 (26)第四章仿真实例 (28)第五章结论和展望 (32)5.1主要结论 (32)5.2展望 (32)参考文献 (33)致谢错误！未定义书签第一章绪论1.1模糊控制系统的产生与发展1.1.1模糊控制理论的产生美国数学家维纳在四十年代创立控制论以来，自动控制理论已经历经经典控制理论、现代控制理论两个发展阶段，现在已进入智能控制理论发展时期。
基于T—S模糊模型的网络控制系统稳定性分析
基于T—S模糊模型的网络控制系统稳定性分析在现代控制领域中，网络控制系统（NCS）已经成为一种被广泛研究和应用的控制方法。
由于网络传输的时延、丢包等因素的存在，网络控制系统的可靠性和性能难以保证。
对网络控制系统的稳定性进行分析和研究变得尤为重要。
传统的控制系统稳定性分析方法无法直接应用于网络控制系统，因为NCS中存在时延和丢包等网络因素。
研究者们提出了基于T-S模糊模型的网络控制系统稳定性分析方法。
T—S（Takagi-Sugeno）模糊模型是一种常用的非线性系统建模方法，利用T—S模糊模型可以将非线性系统转化为一组线性子系统的结合。
在网络控制系统中，T—S模糊模型可以用来建模时延和丢包等网络因素对系统性能的影响。
根据实际的网络控制系统，建立T—S模糊模型。
将非线性系统表示为一组简单的线性子系统的组合，每个线性子系统由一个与之对应的模糊子系统表示。
模糊子系统由一组模糊规则和模糊规则的权值矩阵组成。
然后，根据所建立的T—S模糊模型，分析模糊子系统的稳定性。
通过线性矩阵不等式（LMI）方法，可以得到模糊子系统的稳定性条件。
通过求解这些LMI条件，可以得到T—S 模糊模型的稳定性条件。
接下来，根据网络传输的特点，将时延和丢包等网络因素引入到T—S模糊模型中。
这些网络因素可以通过一些标量变量来表示，并通过T—S模糊模型中的模糊规则进行描述。
将网络因素引入到T—S模糊模型中，可以得到基于网络因素的T—S模糊模型。
基于T—S模糊模型的网络控制系统稳定性分析方法可以有效地考虑网络传输的时延和丢包等因素对系统性能的影响。
通过建立T—S模糊模型，并引入网络因素，可以得到网络控制系统的稳定性条件，从而评估系统的稳定性并指导控制策略的设计。
这种方法为网络控制系统的研究和应用提供了一种可行的稳定性分析方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｐ ｅ ｉｔｖ ｕ ｃ ｉ ｎ ｌ ｏ ｔ ｏ （ Ｃ ） ｍ ｅ ｈ ｄ ｂ ｓ ｄ ｎ ｒ ｄ ｃ ｉ ｅ ｆ ｎ ｔｏ ａ ｃ ｎ ｒ ｌ ＰＦ ｔ ｏ ａ ｅ ｏ Ｔａ ａ ｉ ｕ ｅ ｏ （ Ｓ） Ａ Ｆ ｚ ｙ ｐ ｅ ｉｔｖ ｋ ｇ— ｇ ｎ Ｔ— ． Ｓ ｕ ｚ ｒｄ ｃｉｅ ｃ ｎ ｒ ｌ ｒ ｉ ｅ ｉ ｎ ｄ ｏ ｔ ｅ ｏ ｙ ｅ ｉ ｒ ｗｈ ｒ ｅ ｅ ｙ ｅ ｔ ｎ ｓ ｅ ｉ ｅ ａ ａ ｕ ｓ ａ ｅ ｏ ｔｏｌ ｓ ｅ ｄ ｓｇ ｅ ｆ ｒ ｈ ｐ ｌ ｍ ｒｚ ， ｅ ｅ ｅ ｖ ｒ ｓ ｃ ｉ ｉ ｏ ｄ ｆｎ ｄ ｓ ｓ ｂ ｐ ｃ ｗｈ ｃ ｉｈ
Ａｂ ｔａ ｔ ｓ ｒ ｃ ：Ｆｏ ｔ ｌ ｎｇ ｒ ｈｅ ｏ ｄｅａ ｌｙ， ｌ ｒ ｅ ｎｅ ｔａ ａ ｄ ｔ ｏｎ ｎ ｌｎｅ ｒ ｎ ｓ ｒ ｐ ｏｃ ｓ ａ ｇ ｉ ｒ ｉ ｌ ｎ ｓ ｒ ｇ ｏｎ ｉ ａ ｉ ｄｕ ｔ ｙ ｒ ｅ ｓ， ｗｅ ｒ ｐｏ ｅ ｐ ｏ ｓ ａ
— —
— —
Ｖ ｏＩ２９． ｏ ． Ｎ ．５ ０ｃ ．２ ０８ ｔ ０
基 于 ＴＳ模 型 的模糊 预 测控 制在 聚 合 釜 中的应 用 —
吕秀江 王 德 元 ， 王鹏 翔 陈洪 军 吕翘 楚 ’ ’
１０１ ； ３ ０ ２
（． １ 长春 工 业 大 学 电气 与 电子 工 程 学 院 ，吉 林 长春
糊预 测控制器 ； 将各 分 阶段定义 为 多个 子 空 间， 个子 空 间对应 一个 预测模 型 。仿真 结果验证 每
了该控 制器具 有较好 的适 应性和 鲁棒 性。 关键 词 ： 合釜 ；温度 控制 ；预 测 函数 ；Ｔ Ｓ模 型 ；模 糊控 制 聚 — 中图分类号 ：Ｔ ２ ３ Ｐ ７ 文 献标识 码 ：Ａ 文章编 号 ： ６ ４１ ７ （０ ８ ０ —５ ００ １ ７—３ ４ ２ ０ ）５０ ３ —６
பைடு நூலகம்
Ｔ Ｓ ｍｏ ｅ ｕ ｚ ｒ ｄｃ ｉｅ ｃ ｎ ｒ ｌｉ ｐ ｌｍｅ ｉｅ — ｄ ｌ ｚ ｙ ｐ ｅ ｉｔ ｏ ｔｏ ｎ ｏｙ ｒ ｒ Ｆ ｖ ｚ
Ｌ Ｘｉ—ａ ｇ Ｗ ＡＮＧ — ｕ ｎ ， Ｗ ＡＮＧ ｅ ｇｘａ ｇ ， Ｖ ｕｊ ｎ ， ｉ Ｄｅｙ ａ Ｐ ｎ — ｉｎ ＣＨＥ Ｈｏ ｇｊ ｎ ． Ｌ Ｑｉｏｅ ｕ Ｎ ｎ — Ｖ ａ —ｈ ｕ
Ｋｅ ｒ ｓ ｏ ｙ ｒｚ ｒ ｅ ｅ ａ ｕ ｅ ｃ ｎ ｒ ｌ ｒ ｄ ｃ ｉ ｅ ｆ ｎ ｔ ｎ ｌ ｙ ｗｏ ｄ ：ｐ ｌ ｍｅ ｉｅ ；ｔ ｍｐ ｒ ｔ ｒ ｏ ｔ ｏ ；ｐ ｅ ｉｔｖ ｕ ｃ ｉ ａ ；Ｔ— ｄ ｌ ｏ Ｓ ｍｏ ｅ ；Ｆｕ ｚ ｏ ｔｏ ． ｚ ｙｃ ｎ ｒ １
０ 引
模 糊控制 和预 测控制 是各 自独立 发展 起来 的 两类控 制方 法 ， 糊 控 制特 别 适 用 于非 线 性 系统 模 对象数 学模 型未知 的复杂 系统 ， 它属 于“ 后控制 事 型” 即根据 当前可 以测量 的被控 量 的偏差 信息来 ， 确 定控 制量 ， 于大滞 后被 控对象 ， 对 由于被控 量 的 偏 差不 能及时 反 映控 制 量 的 变化 趋 势 ， 而控 制 因
（ ． ｈ ｏ ｅ ｔｉｉｙ ＆ Ｅｌｃｒ ｎｃ＆ Ｅｎ ｉｅ ｒｎ １ Ｓｃ ｏ ｌ Ｅｌｃ ｒｃｔ ｏｆ ｅｔｏ ｉ ｇｎ ｅｉｇ，Ｃｈ ｎ ｃ ｎ Ｕｎｉｅｓｔ ｆＴｅｈ ｌｇ ａ ｇ ｈｕ ｖ ｒｉｙ ｏ ｃ ｎｏｏ ｙ，Ｃｈ ｎ ｈ ｎ １ ０ １ ．Ｃｈｉａ ａ ｇｃ ｕ ３ ０ ２ ｎ； ２ Ｓ ｈ ｏ ｆＣｏ ｐ ｔｒＳ ｉｎ ｅ ８ ｇｎ ｅｉ ． ｃ ｏ ｌｏ ｍ ｕ ｅ ｃｅ ｃ ＬＥｎ ｉｅ ｒｎｇ，Ｃｈ ｎ ｃ ｕ ｎｖ ｒ ｉｙｏ ｃ ｎ ｌｇ ａ ｇ ｈ ｎＵ ｉｅ ｓｔ ｆＴｅ ｈ ｏｏ ｙ，Ｃｈａ ｇ ｈｕ ３ ０１ ｎ ｃ ｎ １ ０ ２，Ｃｈｎ ） ｉａ
ｃ ｒｓｏ ｏｒ ｅ ｐ ｎｄｓｔ ａ ｏ ｐｒ ｄ ｃ ｉ ｅ ｅ ｉ ｔｖ ｍｏ ｅ ． Ｔｈ ｓｍｕｌｔｏ ｅ ｕ ｔ ｈ ｄ１ ｅ ｉ ａ ｉ ｎ ｒ ｓ ｌｓ ｓ ｏｗ ｈ ｔ ｈｅ ｃ ｎｔｏｌｅ ｓ ａ ａ ｉ ｅ ａ ｔ ａ ｔ ｏ ｒ ｌｒ ｉ ｄ ｐｔｖ ｎｄ ｆｅ ｉ ｌ ． ｌ ｘ ｂ ｅ
效果 较差 。而预 测 函数 控制 （ Ｆ ） Ｐ Ｃ 是通 过对 被 控
过程 未来输 出的预 测来 实 现 控 制 ， 可解 决大 滞后 问题 。因此 ， 糊 和预 测 控 制相 结 合 会 进一 步 提 模
高控 制效 果 。
聚合 反应釜 温度控 制一 直是 控制界 的一个 研 究热 点 ， 主要 原 因有 ： 其 （） １ 其对 反应 温度要 求严格 ， 按照一 定 的温 需 度 轨迹 运行 ；
第２ ９卷第 ５期 ２０ ０ ８年 ｌ Ｏ月
长 春 工 业 大 学 学 报（ 自然 科 学 版 ）
Ｊ ｕ ｎ ｌｏｆＣｈ ｎｇ ｈ ｎ Ｕｎ ｖ ｒ ｉｙ ｏ ｃ ０ ｏｏ ｙ Ｎａ ｕ ａ ｃｅ ｃ ｄ ｔ ｎ ｏ ｒ ａ ａ ｃ ｕ ｉｅ ｓｔ ｆＴｅ ｈ ｎ １ ｇ （ ｔ ｒ ｌＳ ｉ ｎ ｅ Ｅ ｉ ｏ ） ｉ
２ 长春 工 业 大 学 计 算 机 科 学 与 工 程学 院 ，吉 林 长 春 １ ０ １ ） ． ３０ ２
摘 要 ：针对具 有大 滞后 、 大惯性 、 强非 线性 的＿ 业过 程 ， 出 了基 于 Ｔ ｋ ｇ— ｕ ｅ ｏ Ｔ Ｓ 模 Ｔ － 提 ａ ａｉ ｇｎ （ —） Ｓ 型 的预测 函数控 制（ ｒｄｃｉｅＦ ｎ ｔ ｎ ｌ ｏ ｔｏ ， Ｆ 方 法。设计 了一种适用 于聚合 釜 的模 Ｐ ｅ ｉ ｖ ｕ ｃｉ ａ Ｃ ｎｒ ｌＰ Ｃ） ｔ ｏ