T-S型模糊系统的稳定性分析及其应用

讨论了状态空间形式下Ｔａｋａｇｉ和Ｓｕｇｅｎｏ提出的一类模糊系统的稳定性，利用矩阵范数和矩阵分析理论给出了判定该类系统稳定的新的充分条件。在此基础上分析了国产某飞机在地面滑行时纵向短周期运动的稳定性，比以往结论更加有效。

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点，提出基于输出空间模式聚类的快速学习算法，以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度。

基于T-S型模糊加权的多模软切换的风电机组变桨控制

变桨控制是确保风电机组在额定风速以上恒功率运行的一种有效的控制方式。变桨控制执行机构的动作频繁且幅度较大,增加了风电机组各部分的机械疲劳载荷,影响发电机的输出电能质量和机组的使用寿命;现有的切换控制方法多数只在某一阈值进行切换,导致切换振荡。针对上述问题,提出了基于T-S型模糊加权的多模软切换变桨控制策略,该方法将智能控制与传统控制相结合,根据风电机组发电机的实时转速与其额定转速的偏差及其变化率,利用T-S型模糊推理,完成基于模糊控制、模糊自适应PID控制和PI控制的多模控制器输出的平滑过渡,实现软切换,其优点是兼顾3种控制方法的优势,解决了切换振荡问题。搭建了永磁直驱风力发电机组变桨的多模软切换控制的仿真模型。仿真结果表明,此方法展现了3种控制方法的优点,克服了切换振荡,减缓了执行机构的频繁动作,使桨距角调节更加平滑,输出功率精度更高,脉动更小。

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构，讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性，表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．

一类切换T-S型模糊系统二次镇定保成本控制

针对一类不确定切换T-S型模糊系统,对保成本鲁棒控制问题进行了研究。利用单Lyapunov函数法,给出了混杂状态反馈保成本控制器的设计方案,使得闭环系统对所有允许的不确定性,在所设计的混杂状态反馈控制器下是二次稳定的,应用线性矩阵不等式的可解性给出闭环系统二次稳定的充分条件,同时给出了二次型成本函数的一个上界。模型中的每个切换系统的子系统是不确定模糊系统,取常用的平行分布补偿PDC控制器,主要条件以凸组合的形式给出,具有较强的可解性。仿真结果验证了所设计方法的有效性。

实时T-S型模糊控制器设计及其在CAN总线控制系统中的应用

本文提出了一种实时模糊控制算法,并应用到基于CAN总线的运动控制系统中,且给出了系统的整体结构和现场控制单元的设计方案。实验结果表明,该控制系统具有实时性强、响应速度快、精度高的特点,在现场控制中有效可行。

T-S型模糊系统的控制器设计

T- S型模糊系统可以描述工程中的许多非线性系统。为了研究该类系统的镇定问题 ,提出了将 T- S型模糊系统嵌入到区间系统的思想。利用区间系统的鲁棒控制理论 ,通过解代数 Riccati不等式方程 ,给出了一种镇定该类系统的控制器设计方法。最后通过对倒立摆系统的控制器设计 。

基于LMI的T-S型模糊系统的H_∞鲁棒控制

针对T-S型模糊系统,从理论上研究了其H∞状态反馈控制器的设计问题,给出了一个新的H∞鲁棒控制的充分条件,其条件不仅包含了子系统间的相互作用还包括了系统的不确定性,最后通过求解等价的一组线性矩阵不等式的可行解来得到H∞控制器.控制器设计实例表明了设计方法的有效性.

基于T-S型模糊神经网络的内模自适应PID算法研究

针对内模PID算法在控制具有大滞后特性的温度模型时,因内模参数无法根据内部模型的失配程度进行自适应调整,使得系统超调量增大,调节时间变长,控制响应不及时,控制品质下降等问题。该文提出了基于T-S型模糊神经网络的内模自适应PID算法,大大降低上述问题对系统控制性能指标的影响。Matlab仿真结果表明:在内部模型与被控模型的参数出现正向失配或负向失配时,该文算法控制响应最快、超调量最小,控制精度最高,具有最好的控制性能指标。

基于T-S型模糊神经网络的软件过程可信评价模型研究

研究软件项目的可信度是当今信息技术领域的一个热点问题。本文首先介绍研究软件过程可信度的背景、内容和意义;然后分析软件项目实施过程中的可信度因素,从不同角度评价软件过程的可信性;最后基于T-S型模糊神经网络模型建立评价结构和方法,实现软件过程可信度评价系统。结果表明:通过对影响因素的研究可以将软件过程可信度结果量化。

基于T-S型模糊神经网络的机械手控制方案设计研究

机械手轨迹跟踪控制问题在机器人研究领域占有举足轻重的地位,现在已有很多控制方法,但是控制效果都不够理想。设计了基于T-S型模糊神经网络的机械手轨迹跟踪控制方案,用改进自适应遗传算法与BP算法相结合的混合学习算法来优化网络的权值。仿真试验表明,该控制方案能很好地控制机械手的轨迹跟踪,因而是可行且有效的。

T-S型模糊控制器在热风炉燃烧过程的应用

针对热风炉燃烧过程的复杂性、参数不确定性和非线性,特别是山钢股份莱芜分公司煤气压力波动频繁,结合现场操作人员经验,采用T-S型模糊控制器根据煤气压力和拱顶温度的变化对煤气阀门做出相应的调整,应用结果表明.该模型的应用实现了燃烧过程的优化控制,节约能源,易于实现。

面向数字孪生的区间二型T-S模糊建模方法研究

为提高变负荷工况下火电机组动态过程模型精度以达到数字孪生模型要求,构建串联结构混合模型,采用量子粒子群算法(QPSO)构建全局模型,引入区间二型T-S(IT2TSK)模糊模型实现孪生体子模型及过渡过程的精准演化。针对IT2TSK模糊模型中模糊集和模糊规则较难确定的问题,设计了两步循环迭代法确定前后件参数,保证模糊集参数能够纵向体现不同状态集之间的不确定性,以及模糊规则能够横向实现子模型间的平稳过渡,保证全工况下孪生体模型高度逼近动态过程。结果表明:以空气预热器为例,在变负荷训练集上,较简化定工况模型和一型T-S模糊模型而言,基于IT2TSK模糊模型的参数在线自适应混合模型的输出能够更准确地跟踪实际值,整体精度更高。

用S-function实现T-S模糊模型的控制系统仿真

本文基于T-S模糊模型的参数辨识结果,用S-function实现了T-S模型,并在Simulink环境下对系统仿真,方法简捷并取得了较好的仿真效果。

T-S型模糊切换控制器在堆芯功率控制中的应用

采用传统比例-积分-微分(PID)控制器开展堆芯功率控制,控制过程中存在超调量大、调节时间长的问题。为解决这一问题,基于堆芯传递函数模型,采用T-S型模糊规则对比例-微分(PD)控制器、PID控制器、模糊控制器进行加权及切换,设计T-S型模糊切换控制器。以铅冷快堆堆芯功率控制为例,建立堆芯功率T-S型模糊切换控制系统,开展堆芯相对功率设定值阶跃、堆芯冷却剂进口温度扰动仿真。结果表明,基于堆芯传递函数模型设计的T-S型模糊切换控制器可以实现对堆芯功率的良好控制。

改进型T-S模糊神经网络风电功率预测模型的研究

为了提高风电功率的预测精度,在分析其主要影响因素的基础上,针对T-S模糊神经网络收敛速度慢、计算量大等缺点,提出了一种改进型T-S模糊神经网络风电功率预测模型。首先采用椭圆基函数作为隶属函数,扩展其接收域;其次利用模糊C-均值聚类确定其中心值;然后引入惯性项加快网络的收敛速度;最后分别对四季短期风电功率进行预测。仿真结果表明,改进型T-S模糊神经网络有效地提高了短期风电功率的预测精度,具有一定的实用价值。

比例型T-S模糊控制系统稳定性分析与设计

讨论了比例型T-S模糊控制系统(TSS)的稳定性与设计问题。利用具有乘积可换性状态矩阵的T-S系统的公共P阵构造方法及鲁棒稳定域条件,给出了TSS系统的满足全局Lyapunov稳定的正定矩阵P的递推求解方法。

制造业T-型敏捷新产品开发与过程管理研究

制造业敏捷新产品开发是企业应对激烈竞争的有效策略,但目前缺乏成熟的开发与过程管理模型来指导企业实践。在发明过程解决理论(C-TRIZ)研究与多年在企业开展发明问题解决理论(TRIZ)实践应用的基础上,首先提出了制造业T-型敏捷新产品开发的概念;之后从技术实现的视角构建了T-型敏捷新产品开发系统、创新初始机遇识别与T-型敏捷新产品开发过程模型;又从管理的视角构建了T-型敏捷新产品开发过程管理模型。这两类模型不仅为制造业引入TRIZ提供了新模式,也为制造业敏捷新产品开发提供了一种新选择。

基于区间Ⅱ型T-S模糊模型的立方体机器人自平衡控制

立方体机器人具有非线性、多变量、强耦合和欠驱动结构不稳定等特性。针对坡面上以棱边为支点自平衡的立方体机器人的控制问题,设计了一种基于区间Ⅱ型T-S模糊模型的立方体机器人自平衡控制系统。首先,基于区间Ⅱ型T-S模糊模型对立方体机器人在坡面上以棱边为支点自平衡进行建模;然后,设计了基于区间Ⅱ型T-S模糊模型的状态反馈控制器,并通过粗糙集对控制器的模糊规则进行约简;最后,实验验证了本文所设计立方体机器人坡面控制系统的可行性。通过实验结果对比可知,相比于传统比例积分微分(PID)控制系统,本文所设计的基于区间Ⅱ型T-S模糊模型的控制系统能更好地处理立方体机器人系统的不精确性和外界扰动。