外文翻译译文-对非线性系统应用小波网络PID控制器的比较研究.docxVIP

对非线性系统应用小波网络PID控制器的比较研究M. A. Salda?a-O., L.E. Ramos-V.and J. P. Ordaz-O.CITIS, Universidad Autónoma del Estado de Hidalgo,Pachuca, México lramos@uaeh.edu.mxA. Garcia-Barrientos, and I.Algredo-BadilloTI, Universidad Politécnica de Tlaxcala, Tlaxcala, Mexico agarciab@ieee.orgJean-Francois Balmat, and Frédéric Lafont LSIS, Universitéde Toulon, CNRS La Garde, France balmat@univ-tln.fr摘要：在本文中，主要对非线性系统应用小波网络PID控制器进行比较研究。小波网络PID控制器结合神经网络学习的优势与小波网络表示一个高效的识别非线性动态系统，当我们想要应用这些程序控制植物未知的和高度非线性的数学模型特征时，存在着不同类型的PID控制器，即小波网络PID、模糊小波网络PID和多分辨率小波网络PID控制器，通过对植物的识别，这些经典离散PID控制器使用径向基神经网络和不同的子小波激活功能，可以在线调整比例、积分和微分增益。为此，该小波网络PID和模糊小波网络PID控制小波子控制系统性能与传统的PID控制器相比更好。仿真结果表明，用模糊小波网络PID控制器进行控制非线性系统，具有良好的性能，例如倒立摆。关键词：小波网络PID控制器；模糊小波网络的PID；倒立摆；神经网络。一、简介如今，小波的使用一直在增长，因为它们结合了神经网络的学习特点，并以小波表现。以这种方式，wavenet提供动态控制系统和一个有效的近似，由于这一特点wavenet已经应用在不同的调查与工业领域。这些应用程序的一个例子呈现在[1]，在他们目前的wavenet汽车悬架系统的建模技术，在这项工作中，他们用多项式加窗高斯（蝌蚪）作为激活函数和小波在其学习过程中，它是优化的参数反向传播算法。另一个wavenet应用的重要例子在[2]，在这项工作中，他们使用一个wavenet和空气燃料的估计在火花喷射发动机的比例控制，在这里他们得出的结论; 1）利用小波递增鲁棒性和2）消耗训练的时间比一个多层感知短。其他领域，在行业内不断增长研究群体之间的模糊逻辑，因为以模糊逻辑为基础的控制系统提供了一种有效的方法控制复杂和非线性系统。例如，在[3]，作者提出了一种基于FPGA的模糊逻辑控制器过程控制，在此项工作中，在FPGA程序中使用模糊逻辑来调整离散的PID的参数，此外，他们得出结论是模糊逻辑的组合采用了经典的PID（模糊PID）优于传统的PID控制器。在[ 4 ]，它提出了一种基于FPGA的实时自适应模糊逻辑控制器，在这种控制器下测试使用四分之一汽车半主动悬架模型的双自由度控制的运转状态，并证明该体系结构的一个特点是接受新的规则和成员函数的能力，在运行时不会对植物造成任何不良反应。此外，他们表明，该控制器具有稳定的车辆悬架系统的能力。在[ 21 ]提出了一种小波微分神经网络观测器。使用其他实例模糊控制器的是[22-25]。此外，它或它的一些变化涉及超过一半的控制器被用于工业中的控制器。由于巨大的技术进步，离散PID已经应用在大多数的应用领域中，如数字计算机、微处理器、DSP、FPGA等。然而，PID有不同的变化规律，如：鲁棒PID、模糊PID，模糊神经网络PID、非线性PID控制，小波PID控制和模糊小波网络的PID。虽然所有PID的变化，其一般的操作模式是一样的，这是基于起作用的比例、积分和微分形式的误差信号e（t）[ 5 ]，定义为参考信号yref（t）之间的差异和植物的输出信号y（t），以这种方式产生的。控制信号u（t），该控制信号操纵用期望的方式来实现植物的输出，它是描述由方程（1）。 （1）在KP，KI，KD控制器的增益。存在最后调整这些增益[ 5 ]的分析和试验技术，当植物的数学模型在某些情况下，进行的控制是未知的，建立这些增益是非常复杂的。因为这个问题，PID和小波神经网络的组合已经诞生。例如，为解决这一问题，提出的替代方案是自动调整PID增益在线[6-8]。在这些作品中，他们近似植物的未知的数学模型并建立自动PID控制器的增益，用于这一目的的wavenet神经网络是用来识别设备和建立控制器的增益。该控制器有变化，这种变化是由模糊逻辑引入自动建立wavenet神经网络的学习率和PID参数的刷新率。在这项工作中，比较研究经典的PID控制，PID控制和模糊小波网络PID，在控制非线性系统的性能。仿真结果