基于PSO—SA的二级倒立摆前馈补偿模糊神经网络控制.pdfVIP

山东科技大学 学手 自然科学瓶 2第01321年卷4第月2期 AVpOrI．31No2 ． 2012 经网络控制相结合的控制器 ，利用结合模拟退火的粒子群 (particleswarm optimizationwithsimulatedan— nealing，PSO—SA)算法对变量进行全局优化，同时解决 “规则爆炸”和 “变量丢失”问题 。 1 二级倒立摆系统结构 忽略空气阻力和各种摩擦 ，二级倒立摆系统可以抽象成小车和均匀质杆组成 的系统 ，如图 1所示 。其 中：控制力为 F；小车位移为 z，速度为主；下摆角度为 ，摆速为 ；上摆的角度为 z，摆速为 z。在 t时刻， 系统的输入变量为F(￡)，状态变量为Ex(t) o() 0(￡) 主(￡) () 02()]，输出为 (+1) 01(￡+1) 0(￡+1)] 。 二级倒立摆系统的控制 目标是：当系统达到稳定时，上摆和下摆保持竖直 向上平衡 ，小车停 留在指定位 置 ，即通过调整控制力 F，实现 0一0，0一0且 —C，C为设定值 。 2 两种模糊神经网络控制策略比较 在二级倒立摆的控制过程中，考虑 6个变量[z 0 0 x 。] ，若采用通常形式的模糊控制器 ，则控制器有 6个输入变 量 ，若对每个输入变量 的论域作 3个模糊集的划分 ，则完备 的推理 规则库会包含 3一729条推理规则。如此多的规则会超出控制器 所能承受的范围，引起运算 “爆炸”。因此必须降低输入维数，以简 化控制器结构和减少模糊规则数 目。 2．1 基于状态变量合成的FNN控制策略 图 1 二级倒立摆 系统示意 图 为了降低输入变量维数 ，利用综合系数 K一[忌 尼 k。 是 Fig．1 Sketchofsystem structureof k k]，对二级倒立摆 的状态变量 [．z 0 0 主 ] 进 doubleinvertpendulum 行合成，得到综合误差 E和综合误差变化率E ： E一[忌1 忌2 k。]Ix 01 02]一k1十五201+是302； (1) Ec一[忌 k k6][主 o2]一是主+ 自+是自2。 (2) 其 中，综合系数K 以LQR(1inearquadraticregulator，线性二次型调节器)的状态反馈系数作为初始值 ，然后 经试验调整所得 。 以E和Ec作为FNN控制器的两个输入变量 ，使得控制器设计大大简化 ，其结构如 图2所示 。 这种基于状态变量合成的FNN控制策 略， 可以减少模糊控制器 的输入变量 ，达到简化控制 器结构和减少模糊规则的 目的，但也存在不足 ：其 一 ，该方法导致 了控制变量的丢失 ，Ex 0 0 主 ] 等变量都有着不 同的量纲且相互耦 合 ，简单地用加权相加的方法得到 的E不能够反 映[z 0 0] 分别产生的作用 ；同样 ，E 也不 图 2 基于状态合成法的 FNN控制结构图 能反映瞄 ]分别产生的作用，生成的模 Fig．2 Controlstructureoffuzzyneuralnetwork 糊规则难以理解 ，规则和状态变量之 间的关系不 based011statevariablessynthesis 能确定 ，不利于模糊规则定性分析和专家经验 的 介入 。其二 ，此种控制方案存在 “控制盲点”。由于这种状态合成法导致了原有系统状态变量的丢失，在系 统并不稳定时，存在不全为零 的向量组[z 0 0 X‘ 自] ，经过综