论文部分内容阅读
在工业生产的实际过程中,被控对象本身或受到外界影响,往往存在大量不确定性,如:被控系统是子系统动态变化或是参数时变快的非线性系统,存在较大外部扰动的或随机系统,系统参数变化大的复杂线性系统或随机系统;系统、传感器或执行器出现故障。对于这类系统,常规的辨识算法不能做到时实跟随模型参数的变化,故此,系统特性难以用常规的辨识算法进行全面地描述,使得相对于实际的工业过程,基于模型设计的控制器的精度难以满足它的控制要求。为解决上述难题,多模型方法开辟了一个新的方向,是一种处理复杂系统的有效方法。方法将复杂非线性系统分解成若干简单的线性系统,逐一求解分解后的线性系统,并通过某种合成法则以获得原复杂系统良好的建模及控制效果。无论是在理论研究还是实际的工业应用中,从其被提出以来,都已经取得了很大的成果。虽然,多模型的方法对复杂系统有着良好的控制效果,但其本身仍存在需要改进的地方,包括:如何选取和优化模型集、怎样确保模型切换时的稳定性、对存在随机干扰的不确定如何进行系统控制等。针对现有的多模型方法存在的问题,本文的进行了研究,主要研究工作如下:在利用多模型的分解-合成的策略对复杂非线性系统建模时,对系统参数的辨识采用基于模糊辨识的方法。从系统的输入输出数据出发,通过采集数据样本,利用能够充分挖掘数据间相关信息的聚类算法来将其合理地划分为特征明显的多个子空间集,形成T-S模糊模型集,然后对这些T-S模糊模型进行模糊辨识,得到各子空间的模型结构及参数,利用模糊辨识得到的子模型来表征系统的非线性特性。然而,收敛速度慢、易于陷入局部最优解是传统的聚类算法最大的缺陷,阻碍了聚类算法的发展。猫群算法是通过模仿猫的行为演化出来的智能算法,将猫的行为分为搜索模式和跟踪模式,大大的提高了聚类的收敛速度和全局搜索能力。通过猫群算法对复杂的非线性系统划分成子空间,形成T-S模糊多模型集。在对T-S模糊模型辨识的过程中,将猫群算法与应用到模糊辨识的过程中,形成基于猫群聚类算法的模糊辨识方法对各个T-S模糊模型进行辨识,最后用辨识出来的模糊多模型集来表征非线性系统。通过仿真实验,对一个非线性系统进行模糊多模型建模,表明该方法的实用性。(1)针对一类模型参数随时间发生突变的系统,被控系统利用通过基于猫群聚类的模糊辨识方法构造、辨识出的多模型(模型集)来表示,涵盖其不确定性;并分别对模型集中的各个模型设计相应的预测控制器。通过由模糊辨识构造的固定模型集、一个常规及一个可被重新赋值的自适应模型并行辨识被控系统的动态特性。在每个采样时刻,最佳控制器的选择由性能指标(切换)函数来完成。同时设计阶梯式广义预测控制器,以实现系统全局的控制。最后,通过设计相应的仿真实验,结果表明,较另外两种控制方法(单一自适应模型控制、多个固定模型控制)本文介绍的控制方法效果更佳。