四模糊自适应预测函数控制.docVIP

第四章 模糊自适应预测函数控制 4.1 引言 当前，国内外控制界都把复杂系统的控制作为控制科学与工程学科发展的前沿方向。大型复杂工业过程控制系统的复杂性主要表现为系统的非线性、环境的不确定性、实际系统中存在各种约束问题。这些复杂性使得对控制理论提出了更高的要求，同时也不断的推动控制科学的发展。许多新的控制算法不断的被发展和完善，模糊预测控制就是其中的一种。模糊预测控制是将模糊的思想和预测的思想结合起来形成的一种新的控制方法。文献[49]中总结了模糊预测控制的几点合理性： (1)模糊控制和预测控制都是对不确定性系统进行控制的有效方法，二者结合会进一步提高控制效果。 (2)模糊控制发展的趋向是由规则向模型转化，预测是典型的基于模型的控制算法，对象的模型可作为沟通二者的桥梁。 (3)预测控制是基于对象数学模型的优化控制方法，而系统的复杂性与系统所能达到的精度是相互制约的，因此研究模糊环境下的预测控制对于拓展预测控制的应用范围有重要意义。模糊预测控制的形式多样，大致分为两类：一是针对不确定的非线性系统，将模糊模型作为预测模型进行控制，模糊与预测的融合；另一类是模糊决策和预测控制方法的有机结合，发挥滚动优化和模糊决策相互促进，二者的优点得到更好的发挥。因此，对模糊预测控制的研究是合理并且很有意义的。 在上一章节，提出了单变量系统基于 FSR 模型的预测函数控制算法，并成功应用于电厂过热汽温系统的控制仿真中。但采用单一固定模型的控制算法在对象具有很强的不确定性及大范围变工况的情况下控制效果会变差，模糊预测控制就是针对不确定性系统提出的一种有效的具有很强自适应特性的控制方法。基于模糊预测控制的合理性和可行性，在第三章提出的基于 FSR 模型的预测函数控制算法的基础上，本章研究自适应模糊预测函数控制算法，并应用于变负荷主汽温对象的控制仿真。仿真结果表明了提出的自适应模糊预测函数控制算法具有很强的负荷适应性，跟踪快速，取得了满意的控制效果。 4.2 基于 T-S 模糊模型的模糊自适应预测函数控制 Takagi 和 Sugeno 于 1985 年提出了 T-S 模糊模型[50]，它是一种本质非线性模型，适用于表达和描述复杂系统的动态特性。T-S 模型的主要思想是把输入空间分成若干个模糊子空间，在每个模糊子空间里建立关于输入-输出的简单线性关系模型。由于 T-S 模糊模型的结论部分采用线性方程式来描述，因此便于采用传统的控制策略设计相关的控制器和对控制系统进行分析。 4.2.1 T-S 模糊模型的辨识 T-S 模糊模型的辨识也是研究的一个热点问题，现有的方法主要有基于模糊聚类的 T-S 模糊模型辨识，基于满意聚类算法的 T-S 模糊模型辨识，这两种方法都将待辨识过程看作“黑箱”系统，直接依赖系统的输入-输出数据直接获得对象模型。Nozaki 等人提出了 T-S 模糊模型的启发式辨识方法[51]，主要针对零阶 T-S 模糊模型的辨识问题提出了一种确定模糊规则结论参数的启发式方法，为模糊模型的获得提供了一种简单有效的途径。 T-S 模糊模型的启发式辨识方法，首先人为的将输入变量空间划分为若干等份，然后根据样本数据在这些划分出来的子空间中所占的权重进行加权平均，并以此来确定模糊规则的结论参数；而模糊系统的非线性逼近性能则是通过改变模糊划分和加权指数来加以调整。这种方法的优点在于避免了复杂的非线性规划运算过程，仅需要调整两个参数就可以达到理想的非线性逼近效果，因此实现简单。而且，当样本数据中包含噪声分量时，该方法与采用最小二乘法确定结论参数的方法相比表现出较好的抗干扰能力。 典型的 T-S 模糊模型规则局哟一下形式： 式中，表示第条模糊规则；为第条模糊规则的输出；为向量的函数。一般情况下，取为的线性函数，即 这一模型称为零阶T-S 模糊模型。 启法式辨识算法的一般步骤 对于一个的系统，现有个输入输出样本数据，其中为系统输入向量；为系统输出。 输入域的模糊划分 按照文献〔12〕所给方法，把第个输入子空间〔0，1〕上等间隔地划分出M+1个模糊子集，以表示。对每个模糊子集都采用三角形隶属函数形式，则可得到某一输入变量在模糊子集的隶属度为 模糊规则的启发式生成 具有M+1条模糊规则的零阶T-S模糊规则的形式为 其中 ，为输入输出样本点在模糊划分中的权值。 在实际工业控制过程中，许多受控对象特性随着系统工况的变化而改变，在某一工况下，受控对象可以近似地用一个线性模型表示。因此，可以得到在若干不同工况下近似线性模型，基于规则知识库可以得到被控对象的 T-S 模型，选择工况参数为模型输入，输出为对应该工况下对象的 FSR 模型，则可以获得共有条规则的 T-S