自适应模糊控制几个基本问题的研究进展
控制系统中的自适应模糊神经网络控制算法研究
控制系统中的自适应模糊神经网络控制算法研究一、引言控制系统在工程领域中扮演着至关重要的角色。
随着技术的不断发展，人们对于控制系统的性能和效果的要求也越来越高。
为了提高控制系统的稳定性、精确性和适应性，自适应模糊神经网络控制算法应运而生。
本文旨在研究探讨控制系统中的自适应模糊神经网络控制算法。
二、自适应模糊神经网络控制算法的原理自适应模糊神经网络控制算法是一种基于模糊控制和神经网络的控制算法。
它通过对控制系统输入和输出的模糊化处理，建立模糊规则库，并利用神经网络的学习能力，通过不断调整神经网络参数来优化控制系统的性能。
三、自适应模糊神经网络控制算法的实现步骤1. 数据预处理：将控制系统的输入和输出数据进行归一化处理，消除数据间的量纲影响，使其具有相同的范围。
2. 模糊化处理：将预处理后的输入和输出数据通过模糊化方法转换为模糊集合，建立模糊规则库。
模糊化处理的关键是选择合适的隶属函数和模糊化算法。
3. 神经网络学习：将模糊规则库作为训练数据，通过神经网络的学习算法优化神经网络的权重和偏置。
常用的神经网络学习算法有误差逆传播算法和遗传算法。
4. 控制输出计算：将模糊规则库和神经网络的输出结合起来，通过解模糊化方法计算最终的控制输出。
5. 参数调整：根据控制系统的性能指标，通过反馈机制不断调整模糊规则库和神经网络的参数，以提高控制系统的性能。
四、自适应模糊神经网络控制算法的优势1. 适应性强：自适应模糊神经网络控制算法能够根据控制系统的工作状态和环境变化自动调整参数，具有较强的适应性。
2. 鲁棒性好：由于模糊规则库的建立和神经网络的学习算法，自适应模糊神经网络控制算法具有较好的鲁棒性，能够应对各种复杂的干扰和系统变化。
3. 精度高：通过优化神经网络的权重和模糊规则库的参数，自适应模糊神经网络控制算法能够提高控制系统的输出精度，实现更精确的控制效果。
五、自适应模糊神经网络控制算法的应用展望自适应模糊神经网络控制算法已广泛应用于各个领域的控制系统中，如机械控制系统、电力系统、交通系统等。
关于基于近似逼近的自适应模糊控制几个问题的研究 项目
关于基于近似逼近的自适应模糊控制几个问题的研究项目1. 引言1.1 概述自适应模糊控制作为一种新兴的控制方法，结合了自适应算法和模糊控制理论的优势，已被广泛应用于各个领域。
其基本思想是通过不断调整模糊规则和参数，使控制系统具备对未知环境的自适应能力，并实现对复杂非线性系统的有效控制。
然而，自适应模糊控制仍面临着诸多问题与挑战，例如参数选择与调整策略、非线性系统建模、性能评价指标等方面存在待解决的难题。
1.2 文章结构本文分为五个部分进行论述。
第一部分为引言，主要介绍文章的目的和大纲；第二部分阐述了自适应模糊控制的概念和原理；第三部分详细介绍了近似逼近方法在自适应模糊控制中的研究现状；第四部分深入研究了自适应模糊控制几个关键问题；最后一部分是结论部分，总结并展望了本文所涉及问题的未来发展前景。
1.3 目的本篇文章旨在对基于近似逼近的自适应模糊控制几个问题进行深入研究，探讨和解决自适应模糊控制中存在的难题。
通过对参数选择与调整策略优化、非线性系统建模与优化算法设计以及控制器稳定性分析与性能评价指标改进等问题的研究，旨在提高自适应模糊控制在实际工程中的应用效果，并为相关领域提供可借鉴和推广的理论和技术支撑。
以上是关于“1. 引言”部分内容的详细介绍，接下来将继续撰写其他章节的内容。
2. 自适应模糊控制的概念和原理:2.1 自适应模糊控制简介:自适应模糊控制是一种基于模糊逻辑和自适应算法相结合的控制方法，能够有效地处理非线性、不确定性和复杂性问题。
它通过对系统的输入输出关系建立模糊规则，利用自适应算法对这些规则进行优化来实现系统的稳定和性能优化。
2.2 模糊逻辑与控制理论基础:模糊逻辑是一种可以处理不精确、不确定信息的推理方法。
它基于隶属度函数来描述变量的隶属度，并利用模糊规则库来推导出系统的响应。
模糊控制就是利用模糊逻辑来设计和实现控制器。
在模糊控制中，通常需要定义输入变量和输出变量的隶属度函数，以及一组针对不同情况下的模糊规则。
自适应模糊控制的新进展_金晓明
1996年8月 Information and Control Aug.,1996自适应模糊控制的新进展金晓明 荣 冈 王骥程(浙江大学工业控制技术研究所 杭州 310027)摘 要 回顾了自适应模糊控制的发展过程,着重介绍了近年来出现的一些新情况,最后,对自适应模糊控制研究领域中有待解决的研究课题进行了展望.关键词 模糊控制,自适应控制,模糊模型,递阶控制,神经网络1 引言从60年代中期开始,由于L.A.Zadeh和E.H.M amdani等人分别在模糊集理论和模糊控制中的开创性工作及一大批先驱者的推动,模糊控制逐渐发展成颇具吸引力而又富有成果的研究领域[1,2].从应用的角度看,模糊控制主要是为了对付那些因过程本身的不确定性、不精确性以及噪声而带来的困难,特别在处理复杂系统(如大时滞、时变、非线性系统)时显示出它的优越性.近年来,随着模糊逻辑处理芯片及相应硬件系统的实用化和模糊控制理论研究的进一步深入,模糊系统、现代控制、知识工程和神经网络共同被视为开创高级过程控制新体系的驱动力[3].然而,不难发现普通的模糊控制并不具有适应过程持续变化的能力.这是因为在采用启发式规则实现模糊控制时,已隐含地假设过程不会产生超出操作者经验范围的显著变化,从而使模糊控制器仅限于在操作者富于经验的工况下应用.为了克服这种局限性,就必须使模糊控制器具有自适应和自学习的能力.早在1979年,Mamdani和他的学生T.J.Pr ocy k[4]就注意到这一问题,他们把自组织的功能引入模糊控制器的结构,在较高的起点上研究了一类语义自组织模糊控制器如何在较短的时间内学会控制好一大类过程.这一开创性工作为后来的自适应模糊控制的研究奠定了基础.在这之后,我国学者龙升照和汪培庄[5]从另一个角度探讨了模糊控制规则的自调整问题,他们在定义模糊输入变量和其变化率变量的一个凸组合的基础上,设计了一个只依赖于少量可调整参数的模糊规则集.上述两种规则自适应模糊控制器在整个80年代都经过了反复验证,并得到了发展和完善[6-10].此外,人们还探讨了模糊控制器中比例因子自调整对于改善控制系统性能的作用[11,12];调整隶属函数对于提高模糊控制适应过程和环境变化能力的作用[13];基于被控对象的规则模型自动生成控制器的规则模型[14]以及模糊模型的辨识和自学习等问题[15].J.Ragot和motte[16]将上述的自适应模糊控制方法归纳成如图1所示的递阶结构.从图中,可以清楚地看到各种方法在递阶结构中所处的地位.该结构的上层是自适应机构,其下层是基本模糊控制器.从自适应模糊控制的实现方式来看,可将其分为直接的和间接的两种形式.直接自适应模1994-10-18收稿,1995-02-10修回218信 息 与 控 制25卷 图1 自适应模糊控制系统糊控制是在无过程模型作为中介的情况下,直接根据对系统闭环性能的观测来调整控制规则库;另一方面,间接自适应模糊控制则借助用观测数据辨识所得到的过程模型在线实现控制器的调整.[17]以下各节将扼要介绍目前新出现的几种自适应模糊控制器的原理及结构.2 基于模糊模型的自适应模糊控制80年代以来,模糊辨识是模糊系统理论中较为活跃的分支之一.W.Pedr ycz[18]提出了基于参考模糊集的系统模糊关系模型的辨识方法;T.T akag i和M.Sugeno[19]在R.M.To ng[20]的研究工作的基础上,发展了用模糊集理论辨识系统模糊模型的语言化方法.这两种具有代表性的模糊辨识方法均成功地应用于工业过程的建模,同时为自适应模糊控制的研究提供了有效的工具.以下分别将这两种模型简称为P(Pedry cz)模型和TS(T akag i&Sug eno)模型.在文[17]中,C.G.M oore和C.J.Har ris提出了一种基于过程模糊模型的间接自适应模糊控制的新思路.通过自动联想记忆的方法解决了求解逆模糊关系的难题,最终实现了类似自校正调节器的功能.由于受处理能力的限制,目前这种控制器尚局限于单输入、单输出过程.与上述思路相类似,陈建勤等[21]在Pedr ycz工作的基础上给出了模糊关系模型的在线辨识方法,并利用模糊模型求取控制规则,从而实现了基于P模型的自适应模糊控制,其结构如图2所示.图2 基于P模型的自适应模糊控制系统图中,参考轨迹的作用是使输出x 沿一条期望的光滑轨线引导到设定值c ;模糊模型的在线辨识采用了带遗忘因子的递推算法;而模糊控制规则的求取则是基于模糊变量的贴近度的概念,将其转化成一类极值问题.仿真结果表明:该算法的控制效果明显优于常规PI 控制.有待进一步完善的工作是考核它在应用于时变、非线性以及时滞过程时的有效性以及抗干扰、抗噪声的能力;同时有关辨识算法的收敛性以及闭环系统的稳定性还有待于验证.此外,B.P.Graham 等[22]也在基于模糊模型的自适应控制器的研究中做了有益的工作.由于在间接自适应模糊控制系统中模型的收敛性和闭环性能指标是分开考虑的,因而该系统具有:(1)能够控制只具有少量先验知识的过程;(2)对大的、不可测的过程参数变化具有快速自适应能力等特点.另一方面,张化光等[23]提出了一种基于T S 模型的模糊自校正控制的新思路.其控制器采用了广义预测控制律,可完善地处理具有不确定时滞问题,并能顾及系统模型失配的影响,有较好的鲁棒性.具有新意的是作者将其应用于多变量模糊系统.由于在T S 模型中诸规则的结论部分都采用线性方程式来描述,这样在通过模糊辨识获取TS 模型之后,可以很方便地将模糊模型转换成其等价的线性形式.其后,就可以按常规方法进行控制器设计.仿真研究表明,这种模糊自校正控制方法应用于火电机组负荷系统的控制,可以收到良好的控制效果.但是如何提高该算法的计算效率以及怎样确定其闭环稳定性尚需进一步研究.3 模糊模型参考自适应控制1982年,郑维敏等[24]基于现代控制理论中的模型参考自适应控制的思想,提出了用模糊集理论设计模糊模型参考自适应控制系统的方法,这是较早期的工作.由于PID 控制广泛地应用于工业过程控制,为改善其处理非线性或时变特性的能力,C .L.Chen 等[25]提出了一种如图3所示的模糊模型跟踪控制系统.图3 模糊模型跟踪控制系统图中,u m 是参考输入,x m 是模型输出,参考模型可根据实际情况设置. 是跟踪误差变量,u p 是模糊自适应控制器的输出,y 是过程的输出.为了使模糊控制获得期望的性能而引入的模糊自适应控制器是整个模糊模型跟踪控制系统的核心.这个模糊自适应控制器是利用模糊运算来实现模糊PID 控制器,而其自适应功能的实现则是因为在每个采样间隔控制器的比例增益K *p 、积分增益K *i 和微分增益K *d 都会随着系统状态的变化而改变;与此同时,输出比例因子GU 随跟踪误差 的变化而调整,从而使系统能获得较好的控制性能.2194期金晓明等:自适应模糊控制的新进展220信 息 与 控 制25卷 不难发现作者较好地将模糊PID控制器和参考模型结合起来,使得控制器成为增益可调整的模糊PID控制器.该控制系统应用于气动伺服系统的结果表明:它对于非线性系统的控制效果良好,同时,还有较好的抗干扰能力并对系统参数变化不敏感.另一种思路是将参考模型与自组织模糊控制器相结合y ne和K.M.Passino[26]在自组织模糊控制的基础上,引入了参考模型.提出一种模糊模型参考学习控制器(简称FM-RLC).作者将其与两种基于不同方法设计出的模型参考自适应控制器(简称M RAC)作了仿真对比,结果表明:FMRLC比M RAC有更好的收敛性,更强的抗干扰能力,更少的对数学模型的依赖性以及更少的控制能量消耗等.至于其在实际过程中的控制效果尚有待考核.由于FM RLC的研究刚刚起步,在收敛性的数学分析,学习理论的研究,算法的性能分析等许多方面还是空白.如何借助在M RAC中业已成熟的理论来评价和分析FM RLC也是在本领域中有待解决的一个课题.作为普通MRAC的推广,FM RLC是具有潜力和希望的.采用模糊模型参考自适应控制的一个重要原因在于过程输出对于参考模型输出的跟踪性能.只要选择稳定的参考模型,同时确保上述的跟踪性能,就可以获得闭环稳定的控制效果.从而简化了模糊控制的稳定性问题.4 自适应递阶模糊控制S.Daley和K.F.Giu[27]曾将自组织模糊控制器应用于复杂的多变量过程,其结果表明:自组织模糊控制可以较好地对付那些仅有少量过程知识的复杂系统;但是,在自组织模糊控制算法中,对适当的过程模型仍有依赖性.为解决这一问题,G.V.S.Raju和J.Zhou[28,29]先后提出了递阶模糊控制和自适应递阶模糊控制,后者是在前者基础上的发展.自适应递阶模糊控制采用一些模糊变量来衡量和表达系统的性能,在此基础上构造了监督模糊规则集,可用它来调整递阶规则基模糊控制器的参数,使系统对过程参数的未可预知的变化具有适应能力.该控制系统如图4所示.图4 自适应递阶模糊控制系统由于在规则基模糊控制器中,规则数是系统变量数的指数函数,因此,对于多维系统,实现模糊控制器存在一定的困难[30].利用递阶的模糊控制规则可以解决这一问题.其基本思路是:选择最有影响的要素作为第一层系统变量,次重要的要素作为第二层系统变量,依此类推;形成递阶模糊控制规则.在递阶结构中,第一层规则给出的近似的输出将在第二层规则集中得到修正.这是因为在第二层变量中除该层的系统变量外,还有第一层的近似输出.这样的处理过程在递阶结构的各层中依次进行.采用递阶结构后,可以使完备规则集中规则的数目减少至系统变量数的线性函数,便于实现多维系统的模糊控制.作者在确定性能指标时选择了4个变量,即:拟衰减率、振荡度、残差和超调量;其中前两个变量表征了系统当前和未来的性质,而后两个变量则反映了系统过去的状态.控制器的自适应功能是通过引入与上述性能指标相关的自适应函数来实现的.递阶模糊控制的每一层都采用“比例型”和“积分型”两类控制规则,比例增益K p 和积分增益K i 在系统参数变化时可以自调整.K p 和K i 的调整是由监督规则集中的两个子集来完成的,子集1是基于反映当前系统状态的拟衰减率和振荡度来调整权系数K p ,而子集2则是通过反映系统过去性能的残差和超调量来完成调整K i 的工作.最终实现的是递阶自适应模糊PI 控制器的功能.该控制方法在蒸汽发生器液位控制的实际应用结果表明:在模糊控制器中引入自适应功能可增强系统的鲁棒性;而本方法采用了递阶的模糊控制规则,可以很方便地处理多变量过程.不足之处在于对于系统变量依据重要性进行分层是由主观确定的,缺乏一致性;而且有关此类自适应模糊控制的稳定性也有待进一步研究.自适应递阶模糊控制是自组织模糊控制的一种延伸和发展.它的出现显示了现代控制理论与模糊控制相结合的前景,同时也表明自组织模糊控制仍是自适应模糊控制的一种重要形式.事实上,近几年自组织模糊控制也取得了很大的进展[31,32].5 基于神经网络的自适应模糊控制尽管神经网络与模糊系统的结合还只是最近几年的事,但是它很快成为研究的热点[33,34].究其原因主要在于两者之间的互补性,神经网络和模糊系统均属于一类数值化的和非数学模型的函数估计器和非线性动力学系统,但是两者之间仍存在着很大的差异,如:对神经网络来说知识抽取和知识表达比较困难,而模糊信息处理方法对此却很有效;另一方面,模糊系统很难从样本中直接学习规则,且在模糊推理过程中会增加模糊性,但是神经网络却能进行有效地学习,并且因采用联想记忆而降低模糊熵.正如B.Kosko [34]所指出的那样,神经网络适合于处理非结构化信息,而模糊系统对处理结构化的知识更有效.神经网络在自适应模糊控制中的应用之一是增强了自组织模糊控制器的学习能力.T .Yamaguchi 等[32]提出了用模糊联想记忆系统(简称为FAM OUS)来实现自组织模糊控制的方法.FAM OUS 能有效地采用模糊规则来表达专家知识,并利用神经网络的自学习能力来提炼知识;这样,在模糊规则的if 部分可以获得较好的隶属函数分布,而在then 部分可单独训练控制器使其在特定条件下达到最优,同时满足稳定化的约束.通过对有两个可变参数的模型直升飞机飞行控制的实验,可发现学习后直升机的稳定飞行效果明显地优于学习前的效果.因此,FAM OUS 系统可以推广到其他形式的模糊控制中.C.L.Chen [35]等直接借鉴了自组织模糊控制的设计思想,用两层前向网络构造了反馈控制器,同时保留与自组织模糊控制相似的自组织机制,从而实现了自组织神经网络控制.这种结构改善了原有语义模糊控制器的冗长的自调整这一不足.由于神经网络特有的自学习能力,在模糊系统的规则生成部分采用神经网络,还可以得到一类基于神经网络的自适应模糊系统[36].当我们难以获得足够的结构化知识(if-then 规则)2214期金晓明等:自适应模糊控制的新进展222信 息 与 控 制25卷 时,通过神经网络,可以向训练样本学习、产生、修正并高度概括输入、输出之间的模糊规则.这样,根据输入模糊集合的几何分布及由过去经验产生的那些模糊规则,就可以推理得出结论. Kosko系统地研究和总结了神经网络和模糊系统的一般原理和方法,对于自适应模糊系统的应用研究起了很大的推动作用.S.G.Ko ng和B.Kosko[37]的研究结果表明:采用模糊联想记忆(FAM)规则的模糊控制系统具有很好的鲁棒性;当把微分竞争学习(DCL)机制引入FAM 中就形成了自适应FAM(AFA M),这样获得的自适应模糊控制系统可以在不太完整的输入、输出样本条件下,以相对较小的计算量,获得较好的系统性能.J.R.Jang[38]采用暂存反向传播算法实现了模糊神经网络控制器的自学习.其基本思想是利用自适应神经网络实现模糊控制器,而反传梯度方法用于修改以极小化期望值与实际值之差,倒立摆仿真的结果证明了这一方法的有效性和控制器的鲁棒性.H.R.Bernji等[39]还利用动态系统的增强式学习方法实现了模糊控制器的学习和整定,同时提出了一种基于近似推理的智能控制结构.Ber nji的系统由3个神经网络作为主体,它们分别是作用选择网络(ASN)、作用评价网络(AEN)和随机作用修改(SAM).ASN起到普通模糊控制器作用,AEN对系统进行评价,而SAM则随机综合ASN和AEN的作用,然后产生控制信号.事实上,模糊-神经网络的混合系统就是一种自适应模糊系统.目前,实现模糊控制的神经网络从结构上看主要有两类,其一是在神经网络结构中引入模糊逻辑,使其具有直接处理模糊信息的能力.如把普通神经元中的加权求和运算转变为“并”和“交”等形式的模糊逻辑运算,以构成模糊神经元.其二是直接利用神经网络的学习功能及映射能力,去等效模糊系统中的各个模糊功能块,如:模糊化、模糊推理、模糊判决等.此外,还可以将模糊系统和神经网络集成在一个系统中,发挥各自的特长[40].6 结束语自适应模糊控制系统能够在系统运行过程中不断修改自己的控制规则,改善了系统的性能.它也可以看成是一类简单的学习控制系统.神经网络的引入使学习功能进一步增强,而且为原有的模式带来了一种新的和有效的实现手段.当前在学术界对于模糊控制还有不同的看法,争论的焦点集中在稳定性、鲁棒性和算法收敛性等这样一些至今尚无突破性进展的问题上.因此,加强对模糊控制理论的研究是十分必要的,而且理论上的突破也会大大增强工程界应用模糊控制的信心.由于模糊-神经网络混合系统的出现,给自适应模糊控制的研究注入了新的生机,但是研究工作的难度也比过去增大,不仅要在局部范围内考虑问题,还要从整体上考虑问题.混合系统模式代表了自适应模糊系统的发展方向,应当引起重视.此外,遗传算法[41]也开始应用于模糊控制中的模糊推理,这将是一个很有潜力的新领域.参 考 文 献1 Lee C C.Fuzz y Logic in Control System:Fu zzy Logic Controller—PartⅠ,Ⅱ.IEEE Tr ans S yst M an C ybern,1990, SMC-20(2):404～4352 S ugeno M.An Introductory Survey of Fu zzy Control.In form Sci,1985,36:59～833 L u Y Z.T he New Generation of Advanced Pr oces s Control.Control Engineerin g,1992,M id-M arch:21～234 Procyk T J,M amdan i E H.A Lin guistic S elf-Organizing Process Controller.Automatica,1979,15:15～305 龙升照,汪培庄.Fuzzy控制规则的自调整问题.模糊数学,1982,2:105～1126 Linkens D A,Hasnain S B.Self-Organising Fuzzy L ogic C on tr ol and App lication to M uscle Relaxan t Anaes th esia.IEEE Proc D,1991,138(3):274～2847 Zhang B S ,Edm unds J M.Self-Organ ising Fuzzy Logic Controller.IEE Pr oc D,1992,139(5):460～4648 Wakileh B A M ,Gill K F.Robot Control Us ing S elf-Organising Fuzzy Logic.C om puter in Indus try,1990,15(1):175～1869 He S Z ,T an S H ,Hang C C .Design of an On -L ine Rule -Adaptive Fuz zy Control System .In Pr oc IE EE Int Con f onFuzzy Sys tems ,San Diego,C alifornia,1992:83～9110 W u Z Q,W ang P Z,Teh H H ,Song S S.A Ru le Self-Regulating Fuzzy Controller.Fuzz y Sets and S ys tems ,1992,47(1):13～2211 鲍新福,都志杰,王芳君.自调整比例因子模糊控制器.自动化学报,1987,13(2):129～13312 毛宗源,狄净.自调整比例因子模糊控制器控制锅炉燃烧过程.自动化学报,1991,17(5):611～61413 Batur C,Kas parian V.Ad aptive Expert C on tr ol.Int J Control,1991,54(4):867～88114 胡少华,刘少民.Fuzz y 控制规则的自生成及其自校正方法.自动化学报,1991,17(5):606～61015 Xu C W ,Lu Y Z.Fuzzy M odel Identification and Self-Learnin g for Dynam ic Systems.IE EE T rans Syst M an Cybern,1987,SMC -17(4):683～68916 Ragot J ,Lamotte M .Fuzzy Logic Control .Int J Sys tem Sci ,1993,24(10):1825～184817 M oore C G,Harris C J.Indirect Adaptive Fuzzy Control.Int J Control,1992,56(2):441～46818 Pedrycz W.An Identification Algor ith m in Fuz zy Relational Sys tem.Fuzzy Sets and Sys tems ,1984,13:153～16719 Takagi T,Sugeno M.Fu zzy Identification of S ystem s and Its Ap plications to M odeling and Control.IE EE T rans SystM an C ybern ,1985,SMC -15(1):116～13220 Ton g R M .S ynthes is of Fuzzy M odel for Indus tr ial Process es .Int J Generating Sys tems ,1978,4:143～16221 陈建勤,陈来九.适应性模糊控制系统的研究.控制与决策,1993,8(6):444～44822 Grah am B P,New ell R B.Fu zzy Adaptive Control of a Firs t-Order Process.Fuzzy S ets and S ystems,1989,31:47～6523 张化光,吕剑虹,陈来九.模糊广义预测控制及其应用.自动化学报,1993,19(1):9-1624 郑维敏,张洪良,黄圣乐.用模糊集理论设计模型参考自适应系统.信息与控制,1982,11(3):8～1425 Ch en C L ,et al .A Pneumatic M odel -Followin g Control S ystem Usin g a Fu zzy Adaptive Controller .Autom atica ,1993,29(4):1101-110526 Layne J R,Pas sino K M .Fuzzy M odel Refer ence Learning Control for a Car go Sh ip Steerin g.IEEE Control S ystems,1993:23～3427 Daley S ,Gill K F.A Design Stud y of a S elf-Organizing Fuzzy Logic Control.Proc In stn M ech E ngrs,1986,200(1):59～6928 Raju G V S,Zh ou J ,Kis ner R A.Hierarch ical Fuzzy Control.In t J Control,1991,54(5):1201～121629 Raju G V S,Zhou J.Adaptive Hierarchical Fu zzy Controller.IEE E Tr ans Sys t M an Cyber n,1993,SMC -23(4):973～98030 Raju G V S ,Zhou J,Kisn er R A.Fuzzy Logic Control for Steam Generator Feedw ater C on trol.In Proc Am er ContrConf ,S an Diego ,CA ,1990:1491～149331 Chen C L ,Chen Y M .Self-Organizing Fuzzy Logic Controller p uters in Indus tr y,1993,22:249～26132 Yamaguchi T,et al .S elf-Organizing Control Us ing Fu zzy Neural Netw orks.Int J Control,1992,52(2):415～43933 Lee C C.A Self-L earning Rule-Bas ed C on tr oller Employing Approximate Reas on ing and Neu ral Net Concepts.Int J In-telligent Sys tems ,1991,5(3):71～9334 Kosk o B .Neural Network s and Fuzzy S ystems :A Dyn amical S ystems Approach to M ach ine Intelligence .PrenticeHall ,Englew ood Cliffs ,NJ ,199235 Chen C L ,Ch en W C.Self-Or ganiz ing Neural Control S ystem Design for Dynam ic Pr oces ses.Int J S ystem Sci,1993,24(8):1487～150736 Cox E.Adaptive Fuzzy Sys tem.IEEE Spectrum,1993:27～31(下转第251页)2234期金晓明等:自适应模糊控制的新进展4 M arzuki Ket.A Neural Netw ork Control for a T emperature Control S ys tem.IEEE Control Sys tem,1990,10:18～235 Wang Y N.A Neur al Netw ork Fuz zy Self-Organizing C on tr ol for M anipulator.Int T Advances in M odeling &Analys is,1995,47(2):8～196 王耀南,童调生.人工神经网络模糊推理控制及其在过程控制中的应用.第二届全国智能控制论文集(上册),1994:230～235APPLICATION OF NEURAL NETWORK ADAPTIVE FUZZY CONTROLIN TEMPERATURE C ONTROL SYSTEMWANG Yaonan(Dep artment of Electrical Eng ineering ,H unan Univ ersity ,Chang sh a 410082)Abstract Integr ating neural netw or k w ith fuzzy system ,an adaptive fuzzy contr oller using neur al net-wo rk is pro posed in this paper .T his co nt ro l system consists o f a fuzzy neural co ntro ller (FN C )and mo del netw or k(M N N ).A w eig ht-learning a lg or ithm is pr esent ed using the gr adient descent metho d w ith a v ari-able-slo pes,w hich is useful to accelerat e lear ning and impro ve conver gence.Simulatio n and temper ature con-tr ol result s show that t he pr oposed co ntro ller has g oo d co ntro l per for mance .Key words neural netw or k ,fuzzy system ,fuzzy adapt ive co nt ro l ,temperat ur e contr ol作者简介王耀南,男,38岁,教授,博士生导师.研究领域为计算机视觉,工业自动化,智能控制理论及应用,模式识别,神经网络理论及应用,图象处理等. (上接第223页)37 Kong S G,Kosko B.Adaptive Fu zzy Sys tems for Backing up a T rack-and-T railer.IE EE T ran s Neural Network s,1992,NN -3(2):211～233.38 Jang J R .Self -Learning Fuzzy Controller Bas ed on T emporal Back Propagation .IEE E T rans Neural Netw orks ,1992,NN -3(5):714～723.39 Bernji H R,Khedk ar P.Lear ning and Tu ning Fuzz y Logic Controllers through Rein forcements.IEEE T rans NeuralNetw orks ,1992,NN -3(5):724～740.40 Gupta M M ,et al .On th e Principle of Fuzz y Neural Netw or ks.Fuzzy Sets and Sys tems ,1994,61:1～18.41 Par k D ,Kand el A ,Langholz G .Genetic -Bas ed New Fuzzy Reas oning M odels w ith Application to Fuzzy Con trol .IEEETr ans S yst M an Cybern,1994,SMC -24(1):39～47.THE RECENT DEVELOPMENT ON ADAPTIVE FUZZY CONTROLJIN Xiao ming RONG Gang WANG Jicheng(Institute of Ind ustrial Pr ocess Contr ol ,Zhej iang Univ ersity ,H ang z hou )Abstract A t first,this paper briefly ov er v iew s the histo ry of adaptiv e fuzzy contr ol.Secondly ,the pa-per emphasizes some new development presented in the last few year s .Finally ,the paper discusses sev eral unso lv ed pr oblems in adaptiv e fuzzy co ntr o l r esearch.Key words fuzzy contr ol,adaptiv e co ntro l,fuzzy model,hier archical co ntro l,neur al netwo rks作者简介金晓明,男,29岁,博士研究生.研究领域为自适应模糊控制,工业过程智能控制.荣 冈,男,32岁,博士,副教授.研究领域为过程故障诊断,模糊控制,智能控制,系统辨识等.王骥程,男,67岁,教授,博士生导师.研究领域为过程动态学、生化过程的建模和计算机优化控制等.2514期王耀南:神经网络自适应模糊控制在温度控制系统中的应用。
自适应模糊控制几个基本问题的研究进展
自适应模糊控制几个基本问题的研究进展谢振华程江涛耿昌茂(海军航空工程学院青岛分院航空军械系青岛 266041 )周德云(西北工业大学西安 710072 )[摘要] 综述了模糊控制系统的稳定性分析、系统设计及系统性能提高三个基本问题的研究 ,简述了应用研究 ,最后对自适应模糊控制的理论和应用进行了展望。
关键词模糊控制自适应控制鲁棒性稳定性1 引言自从 L. A. Zadeh提出模糊集合论以来 ,基于该理论形成一门新的模糊系统理论学科 ,在控制、信号处理、模式识别、通信等领域得到了广泛的应用。
近年来 ,有关模糊控制理论及应用研究引起了学术界的极大兴趣 ,取得了一系列成功的应用和理论成果 ,与早期的模糊控制理论和应用相比有了很大的发展。
模糊控制理论成为智能控制理论的一个重要分支。
一般来讲 ,模糊控制理论研究的核心问题在于如何解决模糊控制中关于稳定性和鲁棒性分析、系统的设计方法 (包括规则的获取和优化、隶属函数的选取等 )、控制系统的性能 (稳态精度、抖动及积分饱和度等 )的提高等问题 ,这己成为模糊控制研究中的几个公认的基本问题。
其中 ,稳定性和鲁棒性问题的研究最为热烈 ,从早期基于模糊控制器的“多值继电器”等价模型的描述函数分析法 ,扩展到相平面法、关系矩阵分析法、圆判据、L yapunov稳定性理论、超稳定理论、基于滑模控制器的比较法、模糊穴 -穴映射及数值稳定性分析方法等非线性理论方法。
设计方法的研究也倍受关注 ,主要表现在对规则的在线学习和优化、隶属函数参数的优化修正等应用了多种思想 ,如最优控制的二次型性能指标、自适应、神经网络、遗传算法等思想。
稳态性能的改善一直是模糊控制学者所关注。
围绕上述几个基本问题 ,出现了多变量模糊控制[1 ,2 ] 、模糊神经网络技术 [3 ] 、神经模糊技术 [4 ] 、自适应模糊控制 [5] 、模糊系统辨识[6 ] 等热点研究领域。
在模糊控制理论与应用方面 ,日本学者取得了很大的成就[7] ,我国学者在这方面也付出了不懈的努力 ,并取得了许多重要的成果。
电气电子毕业设计365模糊自适应控制研究
摘要PID控制由于其算法简单、鲁棒性好及可靠性高，被广泛应用于过程控制和运动控制中，尤其适用于可建立精确数学模型的确定性系统。
然而实际工业生产过程往往具有非线性、时变不确定性，难以建立精确的数学模型，应用常规PID控制器不能达到理想的控制效果。
为了克服传统PID控制的弱点,控制界已经提出了大量的对PID控制的改进方案。
但这些方案一般是针对某些具体问题，缺乏通用性，附加的结构或算法也增加了控制器的复杂性，使它们的广泛应用受到限制将模糊决策理论与常规PID控制技术结合，研制出模糊自适应PID 控制器，并利用VB的ActiveX技术创建了模糊自适应PID控件，将该空间嵌入组态软件中进行实时控制，结果表明该控制策略具有较强的鲁棒性和适应性。
针对实际工业过程控制的难点，借鉴生物免疫系统中的免疫反馈原理，结合模糊控制可以逼近非线性函数的特点，分析了积分系数在系统响应过程中的非线性变化规律，提出了一种模糊免疫非线性PID控制方法。
这种方法具有量小，调整时间短，抗干扰能力和鲁棒性强等优点，理论分析和仿真研究证明了该方法的可行性和有效性。
关键词：自适应，模糊控制，PID控制，模糊免疫非线性PID控制Adaptive Fuzzy Control ResearchABSTRACTPID control is widely used in motion control and process control because of its simple algorithm, good robust and reliability, particularly applicable to the certain systems of establish a precise mathematical model. Nevertheless, the actual production process are often nonlinear, uncertain time-varying, it is difficult to establish a precise mathematical model, the conventional PID control can not achieve the desired effect.To overcome the weaknesses of traditional PID control, a lot of improve projects of the PID control have been put forward in the control industry. However, these projects are generally targeted at certain specific issues, the lack of universality. Additional structural or algorithm increased the complexity of the controller,restrict their wide use.This paper puts forward a technology which combinate the fuzzy decision theory and conventional PID control, researches and makes out a adaptive fuzzy PID controller (AFPID), by use of ActiveX of VB create a ActiveXof AFPID, embeds this ActiveX into configuration software to real-time control, the result shows this control tactic has stronger robust and adaptivity.A fuzzy immune nonlinear PID control method is presented in order to solve the difficulties of actual industry process control. This method is based on the immune feedback principle in the biological immune system, the approaching ability for nonlinear function of fuzzy controller and the nonlinear change law of the integral gain in the response process of the system. This method has low overshoot, short regulate time, strong anti-disturbance ability and great robustness. The theoretical analysis and simulation results show the feasibility and effectiveness of this method.Key words:self-adaption，fuzzy control，PID control，fuzzy immune nonlinear PID control模糊自适应控制研究0 引言自从L.A.Zadeh提出模糊集合论以来，基于该理论形成一门新的模糊系统理论学科，在控制、信号处理、模式识别、通信等领域得到了广泛的应用。
自适应模糊系统在嵌入式控制中的应用研究
自适应模糊系统在嵌入式控制中的应用研究嵌入式系统是现代工业控制中的重要组成部分，它通过自动化技术和计算机技术的结合，可以实现对制造过程的实时监控和自动控制，提高了工业生产的效率和品质。
在嵌入式控制系统中，采用自适应模糊控制算法可以实现对复杂系统的高效控制，因此在工业生产和机器人控制等领域有着广泛的应用。
一、自适应模糊控制算法的原理自适应模糊控制算法是指通过对系统内部的错误进行修正，使得系统能够不断适应外部环境的变化，从而实现对嵌入式控制系统的高效性能控制。
该算法以一定的规则对系统的变化趋势进行评估，并进行模糊量化处理，从而实现对系统控制的自适应性。
在自适应模糊控制算法中，主要包含模糊集合、模糊推理、模糊控制等三个方面。
其中，模糊集合是指通过对输入量和输出量之间的关系进行模糊化处理，从而实现对系统控制量之间化的模糊集合表示；模糊推理是指通过对已知数据进行模糊化处理，从而实现对未知数据的推理分析；模糊控制是指通过对系统控制量进行模糊化处理，从而实现对系统控制的自适应性控制。
二、自适应模糊控制算法的应用研究在工业生产和机器人控制等领域中，自适应模糊控制算法具有广泛的应用研究价值。
采用该算法可以实现对复杂系统的高效控制，从而提高工业生产的效率和品质，减少生产过程中的错误发生概率。
例如，在钢铁生产过程中，通过控制温度变化、加热时间和质量等参数，实现对钢铁生产过程中的控制和监控；在机器人控制中，通过对机器人运动轨迹、姿态和力量等参数的控制，对机器人进行高效的控制和操作。
三、自适应模糊控制算法的优势自适应模糊控制算法具有以下几个优势：（1）对于实时控制系统，不需要进行大量的离线训练，可以快速实现在线优化控制；（2）在复杂环境下，仍能够保持高效控制，不会受到外部干扰的影响；（3）可以有效地控制信息的模糊性，从而实现对系统的高效可控性。
四、自适应模糊控制算法的研究进展目前，自适应模糊控制算法的研究进展得到了持续的发展和引用。
非线性系统控制的自适应模糊控制算法研究
非线性系统控制的自适应模糊控制算法研究在现代控制领域中，非线性系统控制一直是一个重要的研究方向。
由于非线性系统的复杂性和不确定性，传统的控制方法通常无法满足系统的性能要求。
因此，自适应模糊控制算法（Adaptive Fuzzy Control，AFC）应运而生。
本文将重点探讨非线性系统控制的自适应模糊控制算法以及相关研究进展。
首先，我们需要了解什么是非线性系统控制。
非线性系统是指系统的输入和输出之间存在着非线性关系的系统。
与线性系统不同，非线性系统的特点在于其输出与输入之间的关系不可简单表示为一个线性函数。
这使得非线性系统在分析和控制上具有更大的困难。
因此，非线性系统控制是一个极具挑战性的研究领域。
为了解决非线性系统控制的难题，自适应模糊控制算法应运而生。
自适应模糊控制算法结合了自适应控制和模糊控制的优点，通过模糊逻辑推理和参数自适应机制来实现非线性系统的控制。
其中，模糊逻辑推理能够模拟人类的思维方式，在不确定性和模糊性较强的情况下，为系统提供合理的控制策略。
而参数自适应机制能够根据系统的变化和不确定性，自动调整控制器的参数以达到更好的控制效果。
近年来，许多学者们对自适应模糊控制算法进行了深入的研究和探讨。
其中包括模糊推理机构、参数自适应机制、控制策略优化等方面的改进和创新。
例如，研究人员们通过改进模糊推理机构，提出了一种“基于改进模糊规则库的自适应模糊控制算法”。
该算法通过考虑模糊规则库中的因素权重和匹配度，优化了系统的控制性能。
同时，研究人员们还通过改进参数自适应机制，提出了一种“基于改进自适应机制的自适应模糊控制算法”。
该算法通过引入自适应学习率和自适应规模因子，提高了系统的适应能力和稳定性。
除了算法的改进和优化，研究人员们还开展了一些具体应用方面的研究。
例如，在机械工程领域，研究人员们利用自适应模糊控制算法，设计并实现了一种基于自适应模糊控制算法的机器人运动控制系统。
该系统能够根据外部环境和目标要求，自动调整机器人的运动轨迹和速度，实现精确的运动控制。
模糊控制技术发展现状及研究热点
模糊控制技术发展现状及研究热点引言：模糊控制技术是一种基于模糊逻辑的控制方法，它能够应对系统模型不确定、非线性和复杂等问题，因此在工业自动化、机器人、交通运输等领域得到了广泛应用。
本文将详细介绍模糊控制技术的发展现状，包括其基本原理、应用领域和优势。
同时，还将探讨当前模糊控制技术研究的热点，包括模糊控制器的设计方法、模糊集合的建模技术和模糊控制系统的性能优化等方面。
一、模糊控制技术的基本原理模糊控制技术是基于模糊逻辑的一种控制方法，它通过将模糊集合和模糊规则引入控制系统，实现对非精确和不确定性问题的处理。
模糊控制系统由模糊化、模糊规则库、模糊推理和去模糊化四个基本部分组成。
其中，模糊化将输入变量映射为模糊集合，模糊规则库存储了专家知识，模糊推理根据规则库进行推理，最后通过去模糊化将模糊输出转化为实际控制信号。
二、模糊控制技术的应用领域模糊控制技术在众多领域中得到了广泛应用，以下是其中几个典型的应用领域：1. 工业自动化：模糊控制技术可以应用于工业过程控制、机械控制和电力系统控制等领域，通过处理非线性和不确定性问题，提高系统的控制性能和稳定性。
2. 交通运输：模糊控制技术可以应用于交通信号控制、智能交通系统和自动驾驶等领域，通过优化交通流量和减少交通拥堵，提高交通运输效率和安全性。
3. 机器人：模糊控制技术可以应用于机器人路径规划、运动控制和智能决策等领域，通过处理环境变化和感知不确定性，提高机器人的自主性和适应性。
4. 医疗设备：模糊控制技术可以应用于医疗设备的控制和监测，例如麻醉机、呼吸机和心脏起搏器等，通过精确控制和监测，提高医疗设备的安全性和效果。
三、模糊控制技术的优势相比于传统的控制方法，模糊控制技术具有以下几个优势：1. 鲁棒性：模糊控制技术能够处理系统模型不确定、非线性和复杂等问题，具有较强的鲁棒性，适用于各种复杂环境和工况。
2. 知识表达：模糊控制技术通过模糊集合和模糊规则库来表示专家知识，使得控制系统更易理解和调整。
模糊控制技术发展现状及研究热点
模糊控制技术发展现状及研究热点综合介绍丁模糊控制技术的基本原理和发展状况，重点总结丁近年来该研究领域的热点问题，并对今后的发展前景进行了展望。
标签：模糊控制结构分析稳定性白适应控制1模糊控制的热点问题模糊控制技术是一项正在发展的技术，虽然近年来得到了蓬勃发展，但它也存在一些问题，主要有以下几个方面：（1）还投有形成完挫的理论体系，没有完善的稳定性和鲁棒性分析，系统的设计方法(包括规则的获取和优化、隶属函数的选取等)；（2）控制系统的性能小太高(稳态精度牧低，存在抖动及积分饱和等问题)：（3）自适应能力有限。
目前，国内外众多专家学者围绕着这些问题展开了广泛的研究，取得了一些阶段性成果，下面介绍一下近期的主要研究热点。
2模糊控制系统的稳定性分析任何一个自动控制系统要正常工作，首先必须是稳定的。
由于模糊系统本质上的非线性和缺乏统一的系统描述，使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计。
因此，模糊控制理论的稳定性分析一直是一个难点课题，未形成较为完善的理论体系。
正因为如此，关于模糊系统的稳定性分析近年来成为众人关注的热点，发表的论文较多，提出了各种思想和分析方法。
目前模糊控制系统稳定性分析方法主要有以下几种：（1）李亚普诺夫方法（2）基于滑模变结构系统的稳定性分析方法（3）描述函数方法（4）圆稳定性判据方法模糊控制系统的稳定性分析还有相平面法、关系矩阵分析法、超稳定理论、Popov判据、模糊穴——穴映像、数值稳定性分析方法以及最近出现的鲁棒控制理论分析方法和LMI（矩阵不等式）凸优化方法等。
3自适应模糊控制器的研究为了提高模糊控制系统的自适应能力，许多学者对自适应模糊控制器进行了研究，研究方向主要集中在以下方面。
（1）自校正模糊控制器自校正模糊控制器是在常规模糊控制的基础上，采用加权推理决策，并引入协调因子，根据系统偏差e和偏差变化ec的大小，预测控制系统中的不确定量并选择一个最佳的控制参数或控制规则集，在线自动调整保守和大胆控制的混合程度，从而更全面确切地反映出入对诸因素的综合决策思想，提高系统的控制精度和鲁捧性能。
基于模糊控制的自适应系统研究
∑ｂ ， （） ｎ ． ） （ ，
ｆｘ ， ， … ， ） （ Ｘ ， ＝ — ～
，： １ｉ＝ １
∑兀 （）
对 于 每 一 个 域 ［ ． １， １ ２ … ， ， 义 Ｎ 个 模 糊 集 ． ， Ｏ， ］ｉ ， ， ｎ 定 Ｌｐ ＝ ｉ ＝１ ２， ， 并 且 该 模 糊 集 相对 于 ［ ， １ 完 整 的。 … Ｎ， ． ］ Ｂ是
Ｋｅ ｗｏｒｓ： ｎａ ｉ ａ ｐｔ ｎ， ｚ ｙ ｒ ｌ． ｇｏ ｉ ｍ ｉ ｐｒ ｅ ｙ ｄ ｄｙ ｍ ｃ ｄａ ｉ ｆ ｚ ｕｅａｌ ｒ ｈ ｏ ｕ ｔ ｍ ｏｖ ｄ
１ Ａ ｕ 提 出 的动 态 自适 应 算 法 ｇｓ
假 设 使 用 单 模 糊 器 ，产 出 型模 糊 推 理 器 ， 中心 平 均 反 模 糊
，
第 二 个 输 入 空 间定 义 模 糊 集 Ｃ 和 Ｃ ， 到 模 糊 条 件组 合 为 ： 得
第三步 ： 定模糊规则。 确
Ａ１ａｎ Ｃ１Ａ１ ｄ ｄ ； ａｎ Ｃ２ ； ｄ Ａ２ａｎ Ｃ１Ａ２ａ Ｃ２ ； ｎｄ
（” ” ”， ， ， ） （ ， ） ｔ ， ， ） ， ｔ ， 《 （ …，
了系统 响 应 的 准 确 率 ， 降低 了构 造 系统 的 复 杂性 。 并
关 键 词 ： 态 自适 应 ， 糊 规 则 ， 法改 进 动 模 算
Ａｂ ｔａ ｔ ｓ ｒｃ
Ｗｈ ｎ ａ ｓ ｓｅ ｈ ｓ ｂ ｅ ｃ ｏ ｌｈ ｄ， ｏ ｅ ｉ ｃ ｎ ａ ｊｓ ｔｅｆｔ ｄ ｐ ｅ ｈ ｎ ｅ ｃ ｏｄｎ ｏ ｎ ｗ ｅ ｎ ｓ ｅ ｙ ｔｍ ａ ｅ ｎ ａ ｃ ｍｐｉ ｅ ｗｅ ｈ ｐ ａ ｄｕ ｔｉ ｌ ｏ ａ ａ ｔｎ ｗ ｃ ａ ｇ ｓ ａ ｃ ｒ ｉｇ ｔ ｅ ｄ ｍａ ｄ ｓ ｔ ｓ
- 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)。
自适应模糊控制几个基本问题的研究进展谢振华 程江涛 耿昌茂(海军航空工程学院青岛分院航空军械系 青岛 266041)周德云(西北工业大学 西安 710072)[摘要] 综述了模糊控制系统的稳定性分析、系统设计及系统性能提高三个基本问题的研究,简述了应用研究,最后对自适应模糊控制的理论和应用进行了展望。
关键词 模糊控制 自适应控制 鲁棒性 稳定性A Survey of Some Essential Research Problems ofAdaptive Fuzzy ControlXie Zhenhua Cheng Jiang tao Geng Changmao(Qingdao Branch of N avy A viation Engineering College Qingdao 266041)Zho u Deyun(N orthw estern P oly technical Univer sity X i 'an 710072)Abstract : A sur vey o f som e essential research problems of adaptive fuzzy co ntrol is given .The essential pr oblem s abo ut the stability analysis,the sy stem design and its performanceimprovement are focused on.Its applications are br iefly intro duced.In the end,some pr ospects ofadaptive fuzzy contro l theo ry and its applicatio ns are presented .Key Words :fuzzy contro l , adaptive contro l , r obustness , stability1 引言自从L.A.Zadeh 提出模糊集合论以来,基于该理论形成一门新的模糊系统理论学科,在控制、信号处理、模式识别、通信等领域得到了广泛的应用。
近年来,有关模糊控制理论及应用研究引起了学术界的极大兴趣,取得了一系列成功的应用和理论成果,与早期的模糊控制理论和应用相比有了很大的发展。
模糊控制理论成为智能控制理论的一个重要分支。
一般来讲,模糊控制理论研究的核心问题在于如何解决模糊控制中关于稳定性和鲁棒性分析、系统的设计方法(包括规则的获取和优化、隶属函数的选取等)、控制系统的性能(稳态精度、抖动及积分饱和度等)的提高等问题,这己成为模糊控制研究中的几个公认的基本问题。
其中,稳定性和鲁棒性问题的研究最为热烈,从早期基于模糊控制器的“多值继电器”等价模型的描述函数分析法,扩展到相平面法、关系矩阵分析法、圆判据、Lyapunov 稳定性理论、超稳定理论、基于滑模控制器的比较法、模糊穴-穴映射及数值稳定性分析方法等非线性理论方法。
设计方法的研究也倍受关注,主要表现在对规则的在线学习和优化、隶属函数参数的收稿日期:1999-12-21№.1(Series 78)M ay 2000 电光与控制EL ECT RO NI CS O PT ICS &CO NT RO L 2000年第2期(总第78期)优化修正等应用了多种思想,如最优控制的二次型性能指标、自适应、神经网络、遗传算法等思想。
稳态性能的改善一直是模糊控制学者所关注。
围绕上述几个基本问题,出现了多变量模糊控制[1,2]、模糊神经网络技术[3]、神经模糊技术[4]、自适应模糊控制[5]、模糊系统辨识[6]等热点研究领域。
在模糊控制理论与应用方面,日本学者取得了很大的成就[7],我国学者在这方面也付出了不懈的努力,并取得了许多重要的成果。
所有这些工作促进了模糊控制的理论和应用的快速发展。
本文拟对近几年自适应模糊控制几个基本问题的研究现状作一总结,希望能从这一侧面反映其研究情况和发展动向。
主要内容包括:(1)稳定性分析问题的研究;(2)系统设计方法的研究;(3)系统性能提高的研究;(4)应用研究情况。
2 稳定性分析众所周知,任何一个自动控制系统,首先必须是稳定的,否则这个系统就无法工作。
因此,在控制系统的分析和设计中,系统的稳定性研究占有重要的地位,模糊控制系统也是如此。
由于模糊系统本质上的非线性和缺乏统一的系统描述,使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计,因此,模糊控制理论的稳定性分析一直是一个难点课题,仍未形成较为完善的理论体系,还有许多理论问题有待于进一步解决。
正因为如此,近年来关于模糊系统的稳定性分析已经成为众人关注的焦点,发表的论文较多,采用了各种思想和分析方法,主要有:描述函数分析法、相平面法、关系矩阵分析法、Ly apunov 稳定性理论、超稳定理论、Popo v 判据、圆判据、基于滑模控制器的比较法、模糊穴-穴映射、数值稳定性分析方法以及最近出现的鲁棒控制理论分析方法和LM I (矩阵不等式)凸优化方法等。
在模糊控制系统的稳定性分析和设计中,采用的模糊逻辑系统大致有三种类型:(a)纯模糊逻辑系统;(b)T akagi-Sug eno(简记为T -S )模糊逻辑系统[8];(c)具有模糊产生器和模糊消除器的模糊逻辑系统[9]。
基于纯模糊逻辑系统的分析方法主要有:描述函数分析法、相平面法、关系矩阵分析法、圆判据等,是较早期的稳定性分析方法;基于T -S 系统的分析方法主要为Lyapuno v 稳定性理论、鲁捧控制理论分析方法和LM I 凸优化方法;基于类型(c)的模糊逻辑系统的分析方法主要为自适应控制理论方法;最近还出现了超稳定理论、Popov 判据、基于滑模控制器的比较法、模糊穴-穴映射、数值稳定性分析等方法。
其中,Lyapunov 稳定性理论、自适应控制理论、关系矩阵分析法占有很重要的地位,尤其是Lyapunov 稳定性理论和自适应控制理论方法;数值计算分析方法与模糊穴-穴映射具有相通之处,但是穴-穴映射借助于新的数学工具正显示出新的研究活力。
另外,[9]提出了一种解决智能多层次复杂系统的建模和稳定性分析的原理和思路。
最后要提到的是模糊逻辑控制系统鲁棒稳定性问题的研究[10、11],由于其与灵敏度分析和鲁棒多变量反馈控制器的紧密联系,可望为模糊逻辑控制的系统设计和稳定性分析、性能评估等提供系统的设计方法。
下面是近几年国内外学者在此领域进行的研究情况。
需要指出的是,虽然目前的研究成果和文献较多,模糊控制的应用十分成功和广泛,但是迄今为止模糊控制系统的稳定性分析和控制系统设计仍缺乏一个强有力的数学工具和统一的方法,仍未形成较为完善的理论体系,还有许多理论问题有待于进一步探索。
2.1 关系矩阵分析方法[13]提出利用模糊关系矩阵分析闭环控制系统稳定性方法,给出了闭环系统稳定的充分条件。
[14]基于被控对象的规则模型,推导出闭环控制系统的语言关系模型,用语言关系矩阵讨论了系统的稳定性,给出了充分条件。
2.2 Lyapunov 稳定性理论[15]在T -S 模型基础上建立了一类较实用的模糊控制模型,对该模型的连续和离散形式下的稳定性给出了各自渐近稳定的充分条件,并给出了构造Lyapunov 函数(正定矩阵)的存在条件。
使对复杂时变模糊系统的稳定性研究,转变为对每个模糊蕴涵较简单的线性定常子系统的稳定性研究。
[16]提出了非线性系统19 谢振华等: 自适应模糊控制几个基本问题的研究进展20 电光与控制 2000年5月的模糊建模与控制的分析框架。
其设计思想是:首先用T-S模糊系统模型逼近非线性对象;然后利用了“并行分布补偿(PDC)”的原理设计各子系统的模糊控制器,使局部子系统稳定;最后根据稳定性充分条件判定全局系统的渐进稳定性。
文章认为:(1)所提出的稳定性充分条件能使用矩阵不等式(LM I)凸优化问题来表示,因此在所提出的T-S模型和PDC模型设计框架下,稳定性分析和状态反馈综合问题能用LM I凸优化算法进行数值求解。
(2)此稳定性条件不但保证了模糊模型和模糊控制系统稳定,而且保证了相关的不确定线性时变系统(LDI)和非线性系统稳定,并满足某些全局和局部区域的稳定性条件。
因此基于模糊模型下设计的控制器能很好地应用于真实系统的控制。
2.3 自适应控制理论模糊自适应系统是另一个普遍关注的焦点[9、18]。
[17-21]在模糊逻辑系统(c)的基础上,进行了稳定性分析和自适应控制器设计。
[17]认为[9]中的全局模糊控制器的收敛性依赖于模糊系统逼近误差平方可积的条件,在实际中很难检验;另外,不能有效抵消外部干扰对误差输出影响的能力。
针对非线性系统的滑模控制,其假定非线性函数估计存在,且控制器难以用精确的数学表示,故很难对闭环系统进行稳定性分析,从而提出了用模糊逻辑系统逼近非线性函数,并基于滑模原理及李氏函数给出了闭环系统稳定性分析。
[18]讨论了智能车辆高速系统的车辆侧向自导的模型参考自适应模糊逻辑控制(M RAFLC)算法,应用Ly apunov函数对系统进行了状态有界稳定研究。
该算法使闭环系统在FLC(模糊逻辑控制)下跟踪由模糊系统产生的参考输入,对王立新[9]关于自适应模糊控制的结果进行了扩展。
[19]提出了一种直接自适应模糊滑模控制方法,将稳定性基本问题、性能要求及模型变化归为一个简单的框架内。
[20]在[9]的基础上用模糊系统的建模层次系统,并设计了层次模型控制器。
文章认为层次结构可满足复杂系统的稳定性及鲁捧控制。
但很难用统一的框架表示各层的不同特性。
文中研究了三级层次系统。
最低层为对象和传统的反馈控制器,对象由差分方程建模;中层为监督操作以便保证系统的稳定;顶层为计划层,为下两层提供控制目标;中、高层由模糊系统建模。
所提出的层次模型控制器的控制策略是保证系统状态有界且跟踪误差以指数级收敛于零。
[21]对神经模糊控制器的稳定性进行了分析,利用了径向基神经网络的模糊集合表示,通过Po pov判据获得了闭环控制系统的非线性稳定性条件,文中给出了一个闭环全局渐近稳定的充分条件。
[24]用模糊自适应机构代替常规的自适应机构,构成模型参考模糊自适应系统,所设计的自适应机构为偏差的非线性函数,导出了系统稳定的充要条件。
[25]提出了一种模糊自适应PID控制器及其设计方法,导出其闭环系统稳定的充要条件。
[26]针对一类病态且相当复杂的非线性系统,提出了一种自适应鲁棒模糊控制方法。
控制目标为自适应地补偿未知对象的非线性,它由一个if-then规则集组成的模糊规则库表示。
可自动地更新模糊规则并保证全局稳定且使跟踪误差趋于零。