基于T-S模糊模型的桥吊系统积分状态反馈控制

小车定位精度和负载摆角大小是桥式起重机控制系统的两个重要性能指标。采用状态反馈控制时小车位移会存在稳态误差,为了消除稳态误差,提高系统的定位精度,给出基于T-S模糊模型的积分状态反馈控制方法。在桥式起重机非线性动力学模型基础上,建立增维T-S模糊模型,基于所建模型设计并行结构的积分状态反馈控制器,通过线性矩阵不等式计算反馈增益矩阵,并对闭环系统的稳定性进行分析。实验结果表明积分状态反馈控制不仅可以提高系统的定位精度,减少定位时间,而且有较好的抗干扰能力。

基于双边闭环函数的T-S模糊模型非线性系统网络跟踪控制

研究了一类基于T-S模糊模型的非线性系统网络跟踪控制问题。首先基于输入时滞法,建立了考虑网络诱导时滞和数据丢包的T-S模糊模型非线性系统跟踪误差模型;然后利用采样区间[t_(k),t_(k+1))信息,构建了一个新的双边闭环Lyapunov-Krasovskii(L-K)泛函,并使用新的L-K泛函和自由权矩阵积分不等式,得到了非线性网络系统H_(∞)跟踪控制的稳定性判据,以及控制器的设计方法。仿真结果表明,在相同网络条件下,所设计模糊控制器产生的跟踪误差相比已有文献结果明显更小;在相同的H_(∞)跟踪性能要求下,比已有文献具有更大的输入时滞上界,表明相较于现有方法,所提方法的保守性更低。

基于自适应事件触发的离散时滞T-S模糊模型的降阶估计

本文研究了离散时滞Takagi-Sugeno模糊系统的 l2-l∞ 降阶滤波器设计问题。针对离散时滞Takagi-Sugeno模糊动态系统,设计了降阶滤波器将原模型转化为线性低阶模型。该滤波器还可以用 l2-l∞ 性能近似原始系统,使用一种新的自适应事件触发方案来减少网络的通信负载和计算资源。通过将模糊降阶滤波器的滤波问题转化为凸优化问题,给出了设计模糊降阶滤波器的条件。最后,通过两个算例验证了所提设计方案的可行性和适用性。

通信受限下T-S模糊网络控制系统L_(1)动态输出反馈控制

针对通信受限的非线性网络控制系统,为兼顾系统性能和节约利用网络资源,引入事件触发通信机制(ETCM),利用时延建模方法和并行分布补偿(PDC)技术,将连续控制系统建模为一个采样数据误差依赖的非线性网络化系统模型;构建保守性低的时滞依赖和模糊基依赖的Lyapunov-Krasovskii泛函,给出增广系统稳定性和鲁棒性结果,得到鲁棒控制器存在的充分条件,提出一种基于线性矩阵不等式(LMIs)的事件触发参数,以及全局模糊L 1动态输出反馈控制器参数的协同设计方法。采用永磁同步电动机模型仿真验证,结果表明该设计方法可减少网络资源占用,达到闭环控制系统的性能要求。

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。

不确定非方广义分数阶T-S模糊系统的鲁棒镇定

针对不确定非方广义分数阶T-S模糊系统阶数为0<α<1的鲁棒镇定问题,提出了一个有效的判据.首先,利用一个新的T-S模糊动态补偿器,将不确定非方广义分数阶T-S模糊系统转化为一个增广的不确定方形广义分数阶T-S模糊系统.由于增广变量的引入,动态补偿器的设计问题可以等价为静态输出反馈控制器的设计问题.其次,设计一个分数阶导数反馈控制器对得到的增广系统进行正常化处理.然后,对正常化得到的不确定分数阶T-S模糊系统进行研究,得到一个系统渐近稳定的充分条件.该条件保守性小并且形式简洁.最后,通过一个数值算例和一个实际例子验证了本文所提出结论的正确性和有效性.

基于T-S模型的自适应模糊预测函数控制

针对多变量非线性系统,提出一种基于Takagi-Sugeno(T-S)模型的自适应模糊预测函数控制方法.在T-S模糊模型结构已确定情况下,利用加权递推最小二乘法对T-S模糊模型后件参数进行在线辨识.对模糊模型在每一采样点进行线性化,将描述非线性系统的T-S模型转化为线性时变的状态空间模型,并假设输入基函数为阶跃函数,推导出预测控制律的解析式.仿真结果表明,该方法在求解控制律时,无需求解非线性优化问题,并且有效克服了模型失配对系统控制性能的影响,增强了系统的跟踪性能和鲁棒性.

基于改进T-S模型的模糊辨识算法及其应用

热工过程往往具有非线性和不确定性,用传统的描述热工过程动态数学模型的方法(如传统函数等)难以建立非线性模型,从而难于精确表达热工过程及实施整体优化控制。该文提出了一种基于改进T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间的划分,在此基础上利用加权递推最小二乘法(WRLSA)建立热工过程的T-S模型。仿真结果表明基于改进T-S模型的非线性模糊模型,不仅能精确地描述过程的非线性,而且算法简单、快速。

混沌机制在T-S模型模糊神经网络的系统辨识研究

出一种 T- S模型的模糊神经网络 ,在通常 BP算法的基础上 ,引进混沌机制来训练模糊神经网络的权值参数。将混沌 BP算法应用于非线性系统建模 ,以求获得全局意义下的最优逼近。仿真研究说明了其有效性和良好的性质。

基于T-S模糊模型的状态反馈预测控制

将T-S模糊模型和状态反馈预测控制相结合,提出了一种基于T-S模糊模型的预测控制算法.该算法把T-S模糊模型作为预测模型得到状态和输出的预估值,并利用可测的过程变量对输出预估值进行反馈修正,然后利用最优控制理论,由修正后的预估值和给定值计算出控制整个系统的控制律.本文还对串级CSTR控制系统的不同的初态、设定值及干扰情况下进行了仿真,仿真结果表明了该方法的有效性和可行性.

基于T-S模糊模型的网络控制系统鲁棒H_∞容错控制

针对同时存在网络时延和数据包丢失的网络环境,研究了执行器故障下一类非线性网络控制系统的鲁棒H∞容错控制问题。基于不确定T-S模糊模型描述的非线性网络控制系统模型,考虑了更实际、更常见的执行器部分失效情况。通过引入一个积分不等式,获得了此类系统的时滞相关鲁棒稳定性条件,且采用锥补线性化算法给出了此类系统的鲁棒H∞容错控制器设计方法。仿真算例表明,对于任意容许的不确定性以及执行器故障,所设计的控制器能使系统鲁棒渐近稳定,且具有H∞范数界。

遗传算法在T-S模糊模型辨识中的应用

给出了Ｔ－Ｓ模糊模型的一种模糊神经网络实现方法．提出了采用遗传算法优化网络参数，实现Ｔ－Ｓ模型的辨识．给出了参数优化的详细过程，并用仿真实例证实了这种方法的有效性．成功地将神经网络。

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 .

基于T-S模型的模糊广义预测控制

对非线性系统建立 T-S模糊模型 ,并用正交最小二乘法 ( OLS)对模糊规则的后件参数进行辨识 .然后在每一个采样点对系统进行局部动态线性化 ,根据得到的系统线性化模型对系统采取广义预测控制 ( GPC)方法得到当前的控制动作 .

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T S模糊模型的RBF神经网络的自适应学习算法.该算法不仅能动态调节T S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力.仿真结果验证了该算法是有效和可行的,表明此T S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力.

基于T-S模型的倒立摆最优保性能模糊控制

对一类具有范数有界参数不确定性T＿S模糊模型系统,采用状态反馈的并行分布补偿器(PDC)结构,基于线性矩阵不等式处理方法,研究了其最优保性能模糊控制律的设计问题.导出了保性能模糊控制律存在的条件,通过求解一个凸优化问题给出了最优保性能模糊控制律的设计方法,并用此方法设计了倒立摆系统的最优保性能模糊控制器.仿真实验验证了该设计方法的有效性.

基于T-S模糊模型非线性网络控制系统改进H_∞跟踪控制

研究一类非线性网络控制系统改进H∞跟踪控制问题,该类网络控制系统中非线性被控对象和被跟踪对象分别采用Takagi-Sugeno(T-S)模糊模型和线性稳定参考模型描述.首先通过综合考虑网络中的数据传输时滞和数据丢包影响,采用输入时滞法和并行分布补偿技术,建立基于零阶保持器刷新时刻的系统状态跟踪误差模型.然后利用改进的自由权矩阵方法,并结合Lyapunov直接法给出系统满足H∞跟踪性能的充分条件以及模糊控制器的设计方法.最后仿真实例表明本文方法的有效性和相比已有方法的优越性.

基于T-S模糊模型的间歇过程的迭代学习容错控制

间歇过程不仅具有强非线性,同时还会受到诸如执行器等故障影响,研究非线性间歇过程在具有故障的情况下依然稳定运行至关重要。针对执行器增益故障及系统所具有的强非线性,提出一种新的基于间歇过程的T-S模糊模型的复合迭代学习容错控制方法。首先根据间歇过程的非线性模型,利用扇区非线性方法建立其T-S模糊故障模型,再利用间歇过程的二维特性与重复特性,在2D系统理论框架内,设计2D复合ILC容错控制器,进而构建此T-S模糊模型的等价二维Rosser模型,接着利用Lyapunov方法给出系统稳定充分条件并求解控制器增益。针对强非线性的连续搅拌釜进行仿真,结果表明所提出方法具有可行性与有效性。

基于T-S模型的鲁棒模糊滑模观测器LMI设计方法

采用模糊T-S模型描述一类匹配不确定的非线性系统,结合滑模观测器设计原理,提出基于T-S模糊模型的鲁棒模糊滑模观测器设计方法。采用Lyapunov函数作为稳定模糊观测器的判别条件,使设计的观测器一致收敛,状态估计达到预期的指标;运用LMI和区域极点配置方法,设计鲁棒模糊滑模观测器的综合算法;将该设计方法应用于倒立摆的平衡控制系统进行相应的数字仿真,验证其可行性。

基于T-S模糊模型的采样数据网络控制系统H∞输出跟踪控制

研究具有采样数据的基于T-S(Takagi-Sugeno)模糊模型网络控制系统H∞输出跟踪控制问题.提出将采集器端数据采样周期、数据传输时滞和数据丢包转换为零阶保持器端数据更新周期,在此基础上,利用输入时滞法和PDC(Parallel distributed compensation)技术,建立网络环境下被控对象和参考模型合并的基于T-S模糊模型的增广系统模型.通过Lyapunov方法,并充分利用采样特性,给出系统实现H∞输出跟踪的充分条件,以及可靠模糊控制器的设计.仿真结果表明所设计模糊控制器能够实现该类系统良好的跟踪.