模糊滑模控制算法研究综述.docVIP

模糊滑模控制算法研究综述 　　摘要：模糊控制及滑模控制作为两种先进的控制方法，有着非常好的优势，但也存在着缺点，结合两者的优点，互补其缺点，从而形成了模糊滑模控制律，本文主要概述研究了模糊控制的一些基本算法。 　　关键词：模糊控制；滑模控制；复杂系统 　　中图分类号：G632 文献标识码：B 文章编号：1002-7661（2014）14-094-01 　　 　　 　　随着控制理论实践的不断深入，被控对象的结构及数学模型也越来越复杂，呈现出时变性、多输入多输出、高度复杂性、非线性、不确定性等特点。面对这些复杂特征，传统的基于精确数学模型的控制理论的局限性日趋明显，于是出现了诸如变结构控制、自适应控制、模糊控制、神经网络控制以及智能控制等新的控制手段。本文就模糊滑模控制的产生及发展现状做简单介绍。 　　滑模控制因其独特的优势在伺服机构、飞行器控制等领域有着广阔的发展前景。但是，实际系统由于切换装置不可避免地存在惯性，变结构控制在不同的控制逻辑中来回切换，会导致实际滑模运动不是准确地发生在切换面上，容易引起系统的剧烈抖动。这一缺点使其在实际应用中受到了很大的限制。抖动不仅影响控制的精确性，增加能量消耗，而且系统中的高频未建模动态很容易被激发起来，破坏系统性能，甚至使系统产生振荡或失稳，损坏控制器部件。而将模糊控制与滑模变结构控制结合应用来克服变结构控制所带来的抖动便成为很多专家学者的研究重点。 　　一、常规模糊滑模控制 　　模糊控制和滑模变结构控制各有优缺点，有某种相似之处，又有互补之处。90年代以后专家学者把二者结合，构成模糊滑模控制，实现两者之间的取长补短。同时还可在一定程度上削弱或克服滑模变结构控制的抖动现象。目前，模糊控制与滑模变结构控制的结合运用主要有以下三种方式[1]。 　　1、通过模糊控制规则自适应地调节符号函数项的值，可以在保证趋近速度和减小抖动的前提下较好地选择和 。 　　2、通过模糊控制规则直接确定滑模控制量，即直接把切换函数及其微分 作为输入量，通过模糊推理获得滑模控制的控制量。 　　3、变结构控制、模糊控制的复合控制策略。在大偏差时采用滑模变结构控制，在小偏差时采用模糊控制的运行方式。 　　二、自适应模糊滑模控制 　　普通的模糊滑模控制的设计仍然是基于经验的。由于模糊规则的选取有很大的任意性，在很多情况下有效经验的获取并不是容易的事。为了达到一定精度，选择的模糊规则可能非常复杂[2,3]，且系统参数在控制过程中也没有自适应和自学习能力。为使系统在不确定性以及对象出现参数和结构变化的情况下保证不变性，自适应模糊滑模控制应运而生，并成为非线性系统自适应控制方法研究的主流[4]。 　　三、基于模糊神经网络的滑模控制 　　人工神经网络同样具有自学习和自适应的能力。它和模糊系统的结合有助于扩大二者在滑模控制领域内的应用。模糊神经网络（Fuzzy Neural Networks, FNN）结合了模糊控制与神经网络控制两者的优势，不仅具有神经网络自学习和快速处理的能力，而且具有模糊控制系统能够充分利用先验知识、以较少的规则数来表达知识的优势，避免了神经网络不能很好地利用已有经验知识，往往将初始权值取为零或随机数使网络训练时间变长或者陷入非要求的局部极值的缺点，也避免了模糊控制由于缺乏自学习和自适应能力，给控制器参数的学习和调整带来的困难。模糊神经网络与滑模控制的结合应用可以通过以下几种方式：一、用T-S模糊神经网络等价系统不确定的动态特性 和 ，再按一般滑模控制的方法形成控制律。控制过程中FNN 的参数根据实际系统的输入输出数据在线自学习。或者以 为输入的标准模糊神经网络实时估计系统动态不确定性的上界，以此与状态反馈相结合构造滑模控制。也可用结构自组织的广义参数学习的模糊径向基函数网络完成系统动态不确定性的等价，在此基础上构造系统的滑模控制律。这几种方式均是通过模糊神经网络来等效系统不确定项的，也可直接采用模糊神经网络构造滑模控制率，如：L in等[8]直接用以 为输入的标准模糊神经网络构造滑模控制律，基于 最小化用梯度下降方法完成FNN的参数自适应；为了保证滑模产生条件存在，还构造了带符号函数的监督控制律。当与系统状态相关的李亚普洛夫函数值进入零的一个邻域时，监督律作用撤消。于是从总体上保证了滑模产生条件的满足和稳态时的无抖振。 　　四、模糊滑模控制与其它策略的结合 　　除了以上所描述的问题之外，关于模糊滑模控制和其它策略相结合还有其他诸多方面的内容，它们体现了控制理论的交叉融合。遗传算法作为一种优化算法，在模糊滑模控制中亦得到较多应用。可以采用遗传算法对控制器增益参数、模糊规则、隶属函数进行优化，有效减小或消除抖振。当然还有其他算法与模糊滑模控制的结合应用，在此就不在累述。