英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料
自适应模糊控制器： 对实时动态的房间温度控制上的应用。
Department of Computer Architecture and Computer Technology, Facultad de Ciencias, Campus Universitario Fuentenueva s/n, E-18071, University of Granada, Spain
Received 17 June 2004; received in revised form 4 January 2006; accepted 4 March 2006
Available online 30 March 200
摘要
本文提出了一种直接自适应模糊控制器的未知单调非线性系统，因此不需要系统模型，但只有一点点关于它的信息：设备的单调性和延时。没有任何离线预调试的情况下，他通过一个三级算法算法达到很高的控制性能：【1】输出比例因子；【2】模糊规则的自适应；【3】隶属函数的位置优化。设计简单，在这个意义上，无论是隶属函数和规则库，可以从任意值初始化。它可以应用于一个大类的单调动态或静态的对象，由于这个事实，即在控制过程中该系统能够实时修改它的特性。
copy; 2006 Elsevier B.V. All rights reserved.
Keywords: Fuzzy control; Adaptive fuzzy controller; Real-time application
- 简介
正如模糊系统可以被描述为计算的话，而不是数字，模糊控制可以被描述为控制与句子，而不是方程 [ 22 ]。例如，使用句子或规则，例如，操作员控制的对象与控制策略的书面条款，如果条款[ 8 ]，这是更自然的。一般情况下，模糊逻辑系统所获得的模型，线性依赖于未知参数，导致使用的一个基于系统分析。这是第一次应用在神经网络领域的成功，因为他们的学习能力和通用逼近能力。因此，学习适应性与不确定性相结合，使研究人员能够得到自适应模糊控制器（或神经）。这些新的模型，确保整个系统的稳定性和收敛的对象输出对一个给定的参考信号。如果控制器进一步调整的控制策略，而无需人为干预，它是自适应。而非自适应模糊控制已经证明了它的价值，在一些应用中，有时候明确对象的规则库是困难的，或者需要可能出现调整规则库参数，如果对象的变化。这提供了自适应模糊控制的动机，重点是自动上线的合成和调整的模糊控制器参数，即，使用的模糊控制器可以持续的“学习”，这将确保性能目标的使用的上线的数据。
lowast; Corresponding author. Tel.: 34 958 246128; fax: 34 958 248993.
E-mail address: irojas@atc.ugr.es (I. Rojas).
0165-0114/$ - see front matter copy; 2006 Elsevier B.V. All rights reserved. doi:10.1016/j.fss.2006.03.006
在自适应控制的研究开始于20世纪50年代初，控制工程师们试图协议定义自适应控制的概念，例如在1973个委员会电气和电子工程师协会（IEEE）下提出的词汇包括“自组织控制（SOC）系统[ 15 ]，参数自适应SOC系统，
“性能自适应片上系统”和“学习控制系统”[ 1 ]。这些条款从来没有被广泛接受，然而，但故事并解释为什么自适应模糊控制器，由E. H. Mamdani和他在上世纪70年代的后半生发明的，称为SOC [ 15 ]。他们的想法是，试图找出哪一条规则是负责当前控制性能差，然后用一个更好的规则来代替它。在大多数SOC的方法，这种依赖是只针对对象，即单调性符号表达，植物的输出和控制器输出的关系的标志，因为雅可比矩阵的知识是很少的。SoC已经成功的证明了在“简单”的应用，因为只有规则后件必须符合。在高度非线性的对象，SOC只能粗调谐控制器的参数，因此，更复杂的模糊控制器被构造[ 2–9–13–21 ]。例如在[ 11 ]一个混合的自适应模糊控制的建议，其中的非线性系统是由一个状态反馈控制器和一个自适应模糊控制器控制。所提出的方法的主要优点是自适应模糊控制律可以调整的滑模控制器的鲁棒增益，以应付的不确定性和建模误差的非线性机器人系统。在[ 3 ]模糊控制器中，由一个模糊反馈线性化控制器构成，其参数可间接调节装置参数的估计，提供一种不确定或慢时变参数的系统的参考信号的渐近跟踪。这种后一种方法的主要缺点是，这种并行的相互作用并不总是最佳的，一定量的数据，必须从对象中提取，以实现全局分析。
本文的主要目的是开发一种自适应模糊控制器能够修改PA参数定义隶属函数和实时规则。该方法具有强大鲁棒性对象的参数（故障）。重要的是要注意的是，没有初始知识的控制策略是必需的，因此，模糊控制器可以从一组空的规则开始。
2. 实时模糊控制器设计的一种自适应和自组织模糊控制器
从数学的角度来看，对象可以控制的，可以表示为
s（n）是一个不连续的、可微的函数，而且是控制器的输出。时间延迟是经常遇到的各种工程系统，如电网、涡轮喷气发动机、微波振荡器，核反应堆，因此，动态时滞系统的稳定性分析和鲁棒控制问题吸引了过去[14,16]的一批研究者的广泛关注。通常对对象施加的限制是，它们必须是可控的，即有一个控制策略，可以将输出转换为期望值（在操作范围内）。这意味着，对象的输出以控制输入必须的偏导数不为零。因此，作为这个对象应该是连续的，它必须有一个恒定的单调性，即对象的输出和输出之间的关系必须有一个恒定的标志。模糊控制系统包括一套如果–然后模糊规则有以下形式
是规则的数字结果（因此，单点模糊规则进行工作）。在本文中，模糊推理方法使用的产品和–乘积算子范数和质心法作为去模糊方法。使用上述符号，模糊控制器的输出可以表示如下：
其中Xlowast;K是n维输入向量在即时K.耦合到主控制器，将有三的辅助系统，这是在fi的电荷，从控制演化为主要控制参数的合适的值，调整输出比例因子。在下一节，我们将详细解释这些辅助系统的行为（图1）。
2.1. 输出比例因子的调整
众所周知，规模因素或收益是实常数乘以变量的值（输入或输出变量），修改其变化范围的限制，因此，有一个显着fi不能影响所得到的模糊控制系统的性能，因此它们经常调整参数方便。的输入比例因子对系统行为的一般效果：增加输入增益意味着减少他们论域，有控制的一个直接后果：响应更迅速、振动、稳态误差减小。因此，它通过减少上升时间和设置时间，提高了瞬态响应，但它确实增加了不稳定的超调增量的风险。另一方面，减少输入增益产生相反的影响；更广泛的隶属度函数的粗糙的控制是可以实现的，它具有较小的超调量产生较慢的响应。然而，输出增益的变化与控制器的行为有一个复杂的关系，并没有被分析的深度。
在本文中，输出比例因子将不是一个常数，而是一个函数依赖于系统的状态。因此，控制器的实际输出乘以式（3）的输出比例因子，如下：
其中u（k）是由输入向量xlowast;K规则库生成的信号输出。修饰主控制器的输出比例因子是一个模糊系统的辅助系统，但是更简单。这种模糊系统调整发生的主控制器的输出电流，以直接输入到正确的过程。调整策略将包括在设置输出比例因子，这不仅取决于该对象的状态，但也在时间上：在fadapt_output（xlowast;K）是辅助模糊系统的输入向量x的lowast;K的输出值，和（T）是学习因子随时间呈指数衰减（A（t）= Eminus;T /szlig;）。一个典型值为初始输出量值（在
t = t0）1。因此，矫正的输出比例因子的重要性随着时间的增加逐渐减少。
这意味着，当一个大的迭代次数已经完成（取决于参数szlig;），产量规模
因子不会被改变了，只有主控制器的规则将修改矫正，使用其他辅助系统，我们将在下面的章节。原因调节辅助模糊系统fadapt_output响应的学习因子A（t）是重要的效应从输出比例因子的变化而产生的，特别是在初始迭代（当控制政策尚未学会）。作为主控制器越来越正确的规则，的输出比例因子的整定是不是那么重要，只有模糊规则需要被学会，不带偏见的真实对象的反应。这是某种程度上类似于动态重要性程度的概念，given by Yi et al. in [19,20].
2.2. 规则结果的自适应
为了提高系统的动态性，它不仅是必要的，以完成一个连续的调整的输出规模的因素，但它也是基本的整定，导致稳定的对象在所需的状态的规则。矫正时，该算法改变的参数（在这种情况下的主控制器的规则的结论），以提高其控制行为的尝试。在这种情况下，在这样一种方式，获得的知识重新采集规则的新的价值，学习系统。
为了建立一个精确的自组织控制器，辅助系统应具备的信息，该对象的输出如何变化与控制信号的每一个可能的操作区域。这需要知道的对象功能的矩阵的矩阵。不幸的是，此信息通常无法在控制任务中使用。因此，这是显而易见的，从对象中，即可用信息的类型，其单调性的符号和它的延迟，只有相对较粗的控制可以应用到系统。本文对模糊规则后件粗适应通过评估当前状态的对象并提出修正负责这种状态的存在的规则来完成的，无论是作为哪一种正负反馈，以下面的方式：
其中，在[ 16 ]，这整定结果成正比的程度与规则是实现控制输出u（kminus;激活D）目前在即时K.在上述表达式求值，D是对象的延迟，r（kminus;D）是集点要求该对象产出的即时Kminus;D和Y（k）是当前对象输出。为了理解这
这是整定结果始终是在一个更好的定位规则后件的方向，让我们假设控制输入的对象产量增加。如果在瞬间K的输出小于要求的设定点然后u（kminus;D）。将不得不作出更大。然后会有一个正反馈，并负责取得你的规则校正（Kminus;D）应改成比例的电流装置误差。请注意，这将是不正确的使用R（k），按照规则，在瞬间Kminus;D活性达到期望值R（kminus;D）和R（k）。C是用标准化的目的，其绝对值可以确定离线：| C | =Au/Ay，那里的可能是在对象的输出是要操作的范围，必须从知识预先估计关于设置点，我们将使用，Au是控制器的执行器的范围。
2.3. 规则提前的自适应
与以往的方法，唯一的模糊规则的后件可调谐。众所周知，隶属函数的形状和位置有很强的影响对控制过程的性能，有必要对它们进行优化。本文中使用的方法来克服这个问题是基于试图找到一个MF配置分配一定的性能指标均匀整个操作区域。在这种情况下，性能标准是误差平方积分（ISE）。因此，更有一定的操作区域被激活更频繁，这个区域将有助于ISE。对于ISE方程的贡献中心centres j and j 1之间，和1，输入变量xi是：CJ是对输入变量的隶属函数和j的中心位置，xi是输入向量的第i分量。一次积分是计算ISEZAI1(J-1，J)区间，二次积分是计算（j，j 1）区间。o2是对象输出的方差，并作为一个标准化因子。这个方程可以简化对象在离散，更现实的情况下，通过求和符号代替积分符号。从式（7）如果ISE的贡献是积极的，在左区误差大于权，因为这个中心已被移到左边的补偿。在相反的情况下，如果它是负面的，中心必须移到右边。隶属函数的顺序必须是相同的每一次。下面的公式描述了该中心的运动可以计算维护中心的秩序，并定位在合适的地方他们总ISE的贡献可以均匀分布（我们已经删除了我的指标为简单起见）：其中参数R（可以在每个中心去掉）集多远的中心可以在可能的范围内根据隶属函数的移动。对于高的值，中心可以移动非常大的距离，而对于低的运动是非常小的。在学习的过程中，我们将使用在本文中，控制器开始与R值高（100）每个中心随时间减少（分两ISE的评价）。总结：将计算每个迭代。首先结果调整学习运行期间不计算ISE。在下次运行ISE进行计算，并在运行的隶属函数的位置改变Eq.（8）结束。然后输出结果调整下运行没有ISE。在ISE重新计算等。因此，网络与信息安全有一个学习的大小和ISE每NISE迭代计算。在自动迭代控制过程，ISE重新计算但以较小的R.
3. 一个动态房间的温度控制：对象模型
首先，为了了解真正的对象的行为被控制（图2），该对象的数学模型被创建。该模型的参数可以在模拟过程中修改，因此控制器可以实时工作。可以通过移动一堵墙来改变房间的体积，而且有可能打开和关闭天花板。当然，现实中没有移动的墙壁，例如，在课堂上，有时有隔墙，可以打开和关闭迅速。但我们的观点是，如果控制器能够与每一个房间的大小，没有问题，这是没有必要的，它必须是特别程序取决于它使用的房间。二、可能的变化是天花板的开启。这种情况可以在现实中找到好几次，而且，可以使用一个窗口，这是一个非常现实的情况。房间的其他参数如墙壁的厚度和材料。有了这个模型，一个复杂的描述，给出了该对象的温度控制器。
房间的数学模型的基本方程是基于能量和能量的流动。此方程如下：
Qroom是存放在房间里的能量，Qheat是被加热产生的能量，Qloss是通过墙壁失去了能量，Qopen是通过天花板的开放失去能量。这个方程也可以用能量的流动描述。房间的能量流动如下：CT是热容量，T是房间的温度。的热容量取决于房间的体积和房间内的物质，在大多数情况下：空气。加热的能量流动是加热功率的一个因素，这是它的有效程度（效率）。此外，有必要引入一个元素，它描述了一个事实，即加热功率不立即给房
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[146723]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
