基于T-S模糊神经网络的光伏发电机组自动控制

光照情况变化会使光伏发电机组功率呈现不稳定性,加大光伏发电机组控制难度,为此,设计了基于T-S模糊神经网络的光伏发电机组自动控制方法。构建光伏阵列数学模型,分析在均匀和不均匀2种光照情况下光伏发电机组特性曲线。以分析结果为依据,采用T-S模糊神经网络构建光伏发电机组自动控制模型。为保证良好的控制效果,引入定比因子优化隶属度函数,输出最佳跟踪结果,结合最佳跟踪结果和自动控制模型实现光伏发电机组自动控制。测试结果显示,该方法能够完成光伏阵列特性分析,控制效果好。

车辆主动悬架自适应变论域T-S模糊控制研究

针对传统变论域模糊控制存在过度依赖专家经验、伸缩因子参数不能自适应调整的问题,提出一种车辆主动悬架自适应变论域T-S模糊控制策略,从而提高车辆的行驶平顺性。结合神经网络和T-S模糊推理建立基于自适应神经模糊推理的一阶T-S模糊控制器,利用神经网络的自学习特性产生完善的模糊规则,进而在传统函数型伸缩因子的基础上,将系统误差和误差变化率作为动态参数引入伸缩因子中,实现伸缩因子参数的自适应调整,解决了传统函数型伸缩因子因参数确定难度大导致控制效果差的问题。通过随机工况下的仿真分析和基于相似理论的缩尺实验,对所提出算法的有效性和工况自适应性进行了验证。结果表明,所提出的自适应变论域T-S模糊控制策略具有较强的工况适应性,在不同车速、路面激励下均可有效提高车辆的平顺性并保证轮胎接地安全性。

基于T-S模糊神经网络的智能轮椅避障控制策略

针对传统智能轮椅避障策略的路径规划效率差、功耗高等缺点,提出一种基于模糊神经网络的环境深度分区控制策略;利用红外、超声波和激光传感器的测量信息将待识别环境分为3个不同的深度区间,同时,利用T-S模糊神经网路算法融合异质传感器的测量信息,然后设计模糊控制规则,实现智能轮椅避障动作;最后建立智能轮椅的运动学模型和测量模型,并进行Simulink仿真测试;经仿真可知,该方法控制可靠,可快速无碰撞地通过障碍区,并能减少功耗,提高续航能力。

基于PCA-T-S模糊神经网络底板破坏深度预测

针对底板破坏深度影响因素较多、数据之间相关性较强的特点,选用了主成分分析法对原始数据进行降维处理,提取出主要指标信息;基于T-S模糊神经网络具有拟合性能强、预测准确度高的优点,建立PCA-T-S模糊神经网络模型。通过阅读大量文献资料,选取了煤层埋藏深度、煤层倾角、煤层开采厚度、工作面斜长、底板抗破坏能力以及断层的存在性作为底板破坏深度的主要影响因素,选取24组数据进行模型训练,建立预测模型,并对8组数据进行预测,通过与传统T-S模糊神经网络模型及“三下”开采规范收录公式进行对比,分析PCA-T-S模糊神经网络预测模型优于其它两种方法,预测的最大相对误差仅为15.25%.为底板破坏深度预测提供了一种新的预测方法。

基于T-S模糊模型的非线性预测控制策略

提出了一种新的基于T_S模糊模型的非线性预测控制策略 .T_S模糊模型用于描述对象的非线性动态特性 ,通过将模糊模型的输出反馈回来作为模型输入 ,从而构成了模糊多步预报器 .由于T_S模糊模型每条规则的结论部分是一个线性模型 ,因此整个模糊模型可以看作一个线性时变系统 ,从而将模糊预测控制器中的非线性优化问题转化为一个线性二次寻优问题 ,以方便求解 .pH中和过程的仿真结果表明其性能优于传统的动态矩阵控制器 .

水下机器人T-S型模糊神经网络控制

针对水下机器人模糊神经网络控制器运算量大和对强外界扰动的鲁棒性差及存在滞后性的问题,提出基于混合学习算法的水下机器人T-S型模糊神经网络控制方法。采用免疫遗传算法离线优化和神经网络自学习在线调整隶属函数的参数,从而减少神经网络的运算量,增强水下机器人对环境变化的反应能力。采用T-S模型,由后件网络动态调整模糊规则,提高控制系统的适应性。通过某微小型水下机器人的仿真和外场实验验证方法的可行性和优越性。实验结果表明,控制器对外界扰动具有较强的鲁棒性,保证即使在恶劣情况下,控制性能仍保持在较高水平。

风力发电和飞轮储能联合系统的模糊神经网络控制策略

针对于风力发电和飞轮储能联合系统,提出了一种新的控制策略。基于飞轮储能系统里矢量控制的感应电机,建立了系统的数学模型。在系统里,采用模糊神经网络控制算法实现直流总线电压的自动调整,达到稳定系统的直流总线电压的目的。仿真和实验结果证明,在风力发电和飞轮储能联合系统的能量控制过程中使用模糊神经网络控制算法实现了能量的快速存储和释放,起到了稳定系统电压的作用,取得了满意的控制效果。

木材干燥过程温湿度的T-S型模糊神经网络控制器设计

木材干燥过程是一个强耦合、大滞后的非线性动力系统,很难准确建立被控对象的数学模型。为了准确控制木材干燥过程的温度和湿度,提高木材干燥质量,将智能控制引入木材干燥控制系统是必然的发展趋势。结合模糊控制和神经网络优点,设计了一种木材干燥窑内温湿度的Takagi-Sugeno(T-S)型模糊神经网络控制器。该控制器无需对象的精确数学模型,适应性强,利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系,采用神经网络的自学习和自适应能力来实现整个非线性过程的模糊逻辑推理。仿真和实验结果表明,T-S型模糊神经网络控制器有效解决了木材干燥过程的温湿度控制,控制器响应速度快、超调小、鲁棒性强、控制精确度高,可以满足木材干燥控制系统要求。

基于T-S模型的模糊神经网络PID控制

针对在非线性、时变不确定系统中,常规PID控制器难以获得满意效果的问题,仿照传统PID控制器结构,设计了一种基于T-S模型的模糊神经网络PID控制器。该控制器基于T-S模糊模型,将PID结构融入模糊控制中,充分发挥了模糊系统非线性、可解释性的特点;然后又利用神经网络的学习算法,实现了对模糊控制器的参数调整,使控制器具有了适应时变、不确定系统的自学习和自组织能力。针对非线性、时变系统,将此控制器与传统PID控制器对比进行了仿真研究,并应用于啤酒发酵领域,其结果表明,该控制器取得了令人满意的效果。

基于T-S模糊神经网络的ATM网络拥塞控制

本文充分考虑了模糊神经网络的学习功能,提出了利用T-S模糊神经网络算法对ATM网络进行拥塞控制的方案。仿真结果表明,该方法改善了网络对拥塞的实时处理能力,又增加了网络资源的利用率。

GA优化T-S模糊神经网络的干燥窑温湿度控制器设计

为了准确控制木材干燥过程的温度和湿度,提高木材干燥质量,结合模糊控制、神经网络和遗传算法的优点,设计了一种遗传算法(GA)优化的T-S模糊神经网络温湿度控制器。该控制器利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系,采用神经网络的自学习和自适应能力实现整个非线性过程的模糊逻辑推理,并通过遗传算法对神经网络的参数进行优化与训练,提高系统的自学习和自适应能力。仿真实验结果表明,在木材干燥过程的温湿度控制上,GA优化的T-S型模糊神经网络控制器具有良好的控制效果,控制器响应速度快、超调小并且具有一定的鲁棒性。

基于T-S模糊神经网络的飞行学员飞行技能评价模型构建研究

为准确评价飞行学员飞行技能的优劣,在分析飞行学员起落航线各飞行阶段任务的基础上,参照飞行训练手册并结合与教员的访谈,建立了飞行学员飞行技能评价指标体系。运用T-S模糊神经网络搭建的飞行技能评价模型实现对飞行学员飞行技能评价,采集118名飞行学员飞行数据(有效数据110组),80组数据用于训练模型,30组数据用于测试,以验证模型评价的适用性和精确度。结果表明:T-S模糊神经网络具有很好的学习效率,评价飞行学员飞行技能准确度为976%,该方法构建出的评价模型应用于飞行学员飞行技能评价有效可行。

机电系统中模糊与模糊神经元网络控制策略的研究

先进控制策略可以应用在机电运动控制中以有效地消除和补偿由静动摩擦力所引起的非线性特性。这种影响很难用常规控制方法加以消除。文章对机电运动控制中模糊与模糊神经元网络控制策略的应用进行了对比研究，用于对比的被控对象是一具有高度非线性摩擦力影响的直流电机。

基于T-S模糊神经网络模型的编码器故障软闭环容错控制方法

针对舞台吊杆调速系统中速度反馈元件增量式编码器可能产生的丢码、断码等问题,为防止故障影响的传播,结合数据驱动技术提出了一种基于T-S模糊神经网络(T-S FNN)模型的编码器故障检测与软闭环容错控制方法。首先,利用系统正常运行时的历史数据建立系统较为精确的T-S FNN预测模型,并用实际编码器测量值与模型预测值相减获得残差信息;其次,将其残差实时数据通过改进的序贯概率比检验(SPRT)算法进行故障检测,以克服检测延迟确保故障检测的可靠性,当检测出故障时,再用T-S FNN模型的预测输出替代故障编码器的输出,实现软闭环方式下的容错运行;最后,针对编码器丢码、断码等故障,采用上述方法进行了软闭环容错控制的有效性仿真验证。仿真结果表明,该方法能够快速可靠地检测到编码器故障,并用预测的重构信息通过容错切换机制,及时、安全地以软闭环方式实现了对故障编码器的容错控制,提高了舞台吊杆调速系统运行的安全可靠性。

T-S模型的模糊神经网络控制器及应用研究

本文介绍了Ｔ－Ｓ模型的模糊神经网络，讨论了这种网络的结构、学习算法，给出了由这种网络组成的控制器结构。仿真结果表明此控制器对船舶操纵等非线性系统具有很好的控制性能和鲁棒性。

电火花加工过程模糊神经网络控制策略研究

在研究相平面非线性规划的基础上 ,对电火花加工的控制过程进行合理分解 ,提出用人机系统的观点 ,研究以人机智能结合的方式来实现电火花加工过程模糊控制的优化设计方案。设计了一种预测神经网络和模糊神经网络协调作用的电火花加工模糊神经网络新型控制器 ,研究了控制器的离线训练数据和在线训练数据的获取方式、离线学习和在线学习算法。

基于T-S模型的模糊神经网络光伏MPPT控制

为了克服传统最大功率点跟踪(MPPT)方法的一些缺点,使光伏系统更加快速准确地工作在最大功率输出点,提出了基于模糊控制和神经网络控制相结合的自适应控制方法。该方法充分利用模糊神经网络处理非线性问题的优点,通过模糊控制来改变步长,利用神经网络的自学习能力来快速达到平衡,使光伏MPPT在跟踪速度和稳定性之间达到一个较优的平衡。仿真和试验结果表明,基于模糊神经网络自适应控制的MPPT方法具有较强的鲁棒性和自适应能力。

基于T-S模糊神经网络的ATM网络业务量智能控制

ＡＴＭ网络的业务量控制是ＡＴＭ网络中的关键术之一。在充分考虑了模糊神经网络的学习功能后，提出了利用Ｔ－Ｓ模糊神经网络算法对ＡＴＭ网络进行呼叫接纳控制。仿真结果表明，该方法提高了网络对呼叫的实时处理能力，又增加了网络资源的利用率。

T-S模糊神经网络应用于变参数系统的控制研究

针对基于模型的传统控制策略在线性时变系统中的应用受到系统的时变性和不确定性限制,通常难以获得理想的控制性能这一问题,提出了线性时变系统的一种变参数系统模型。该模型具有有界性和不确定性特点,利用模糊神经网络具有的自学习能力强、模型依赖性小以及鲁棒性强的优点,提出一种基于遗传算法的T-S模糊神经网络控制器对其进行控制研究,并通过仿真实验证明了该模糊神经网络控制器对变参数系统控制的可行性与有效性,为线性时变系统的控制问题提供了一种新思路。

基于T-S模糊神经网络汽提塔温度控制研究

由于汽提过程是一个具有高度非线性和时变等特点的复杂工艺过程,其准确的数学模型难以建立,过程参数也较难控制,运用传统的控制方法难以达到高精度的控制效果。基于T-S模糊神经网络具有较强的逼近和学习能力,又需要较少的先验知识,能够在线学习等特点,本文采用最邻近聚类法对传统的T-S模糊神经网络方法进行改进,同时,采用共轭梯度法和递归最小二乘法来确定模型得参数,结合现有的该公司的实际运行数据,建立了汽提塔系统的模型。仿真结果验证了采用T-S模糊神经网络方法建模的有效性。