论文部分内容阅读
摘要:综合介绍丁模糊控制技术的基本原理和发展状况,重点总结丁近年来该研究领域的热点问题,并对今后的发展前景进行了展望。
关键词:模糊控制 结构分析 稳定性 白适应控制
1模糊控制的热点问题
模糊控制技术是一项正在发展的技术,虽然近年来得到了蓬勃发展,但它也存在一些问题,主要有以下几个方面:
(1)还投有形成完挫的理论体系,没有完善的稳定性和鲁棒性分析,系统的设计方法(包括规则的获取和优化、隶属函数的选取等);
(2)控制系统的性能小太高(稳态精度牧低,存在抖动及积分饱和等问题):
(3)自适应能力有限。目前,国内外众多专家学者围绕着这些问题展开了广泛的研究,取得了一些阶段性成果,下面介绍一下近期的主要研究热点。
2模糊控制系统的稳定性分析
任何一个自动控制系统要正常工作,首先必须是稳定的。由于模糊系统本质上的非线性和缺乏统一的系统描述,使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计。因此,模糊控制理论的稳定性分析一直是一个难点课题,未形成较为完善的理论体系。正因为如此,关于模糊系统的稳定性分析近年来成为众人关注的热点,发表的论文较多,提出了各种思想和分析方法。目前模糊控制系统稳定性分析方法主要有以下几种:
(1)李亚普诺夫方法
(2)基于滑模变结构系统的稳定性分析方法
(3)描述函数方法
(4)圆稳定性判据方法
模糊控制系统的稳定性分析还有相平面法、关系矩阵分析法、超稳定理论、Popov判据、模糊穴——穴映像、数值稳定性分析方法以及最近出现的鲁棒控制理论分析方法和LMI(矩阵不等式)凸优化方法等。
3自适应模糊控制器的研究
为了提高模糊控制系统的自适应能力,许多学者对自适应模糊控制器进行了研究,研究方向主要集中在以下方面。
(1)自校正模糊控制器
自校正模糊控制器是在常规模糊控制的基础上,采用加权推理决策,并引入协调因子,根据系统偏差e和偏差变化ec的大小,预测控制系统中的不确定量并选择一个最佳的控制参数或控制规则集,在线自动调整保守和大胆控制的混合程度,从而更全面确切地反映出入对诸因素的综合决策思想,提高系统的控制精度和鲁捧性能。目前这种变结构的自校正模糊控制器是根据被调量e和ec在线选取最佳控制规则及控制决策的,而对于一些复杂的生产过程,其生产工艺和环境因素都较为复杂,往往不能只考虑系统的偏差和偏差变化率来确定其控制策略。难于总结出比较完整的经验,此时模糊控制规则或者缺乏,或者很粗糙,并且当被控对象参数发生变化或受到随机干扰影响时,都会影响模糊控制的效果。
(2)自组织模糊控制器
自组织模糊控制器能自动对系统本身的参数或控制规则进行调整,使系统不断完善,以适应不断变化的情况,保证控制达到所希望的效果。它根据自动测量得到的实际输出特征和期望特征的偏差,确定输出响应的校正量并转化控制校正量,调整模糊控制规则,作用于被控对象。其基本特征是:控制算法和规则可以通过在线修改,变动某几个参数可以改变控制结果。它不仅仅是局限于某个对象,而是通过自组织适应几类对象。有代表性为以下三种类型:
①为自校正模糊控制器:在常规模糊控制中增加系统辨别和修正控制功能。通过使用一个较为粗糙的初期模型,经过模糊控制器的自组织功能,达到在线修正模糊控制规则,完善系统性能,使其达到灿期的要求;
②自调整比例因子模糊控制器:通过调整系统偏差及偏差变化率的比例因子来控制模糊控制器中的输出量的比例系数,即改变系统的增益。它充分体现了操作者手动控制的思维特点和控制策略,保证了系统有良好的动态性和稳态精度;
③模糊自整定PID参数控制器:应用模糊集理论,根据系统运行状态,在线整定控制器PID参数(KP、KI、KD)。由于模糊自整定参数KP、KI,KD与偏差e变化率ec间建立起在线自整定函数关系,且这种关系是根据人的经验和智慧积累起来的,使系统在不同的运动状态下能对PID控制器参数实现智能调节,能明显改善被控过程的动态性和稳定性能,提高抗干扰能力和鲁棒性。
4模糊控制与其它智能技术分支相结合
作为智能控制的一种新方法,模糊控制与智能领域的一些其它新技术相结合,向着更高层次的应用发展也是目前研究热点之一。下面简要介绍模糊控制与神经网络和遗传算法的结合情况。
(1)模糊控制与神经网络(NN)的结合
神经网络是由大量的简单处理单元构成的非线形动力系统,能映射任意函数关系,且具有学习性,能处理不完整、不精确的、非常棋糊的信息。模糊控制利神经网络之间具有很强的互补性,一方而对神经网络来说知识抽取和知识表达比较困难,而模糊信息处理方法对此却很有效;另一面,模糊模式很难从样本中直接学习规则,且在模糊推理过程中会增加模糊性,但神经网络能进行有效地学习,并且采用联想记亿而降低模糊。由此可见,神经网络适合于处理非结构化信息,而模糊模式对处理结构化的知识更有效。模糊控制与神经网络的融合系统是一种自适应模糊控制系统。目前,实现模糊控制的神经网络从结构上看主要有两类,其一是在神经网络结构中引入模糊模式,使其具有处理棋糊信息的能力,如把神经元中的加权求和运算转变为“并”和“交”等形式的模糊逻辑运算以构成模糊神经元;其二是直接利用神经网络的学习功能及映像能力,去等效模糊控制中的模糊功能块,如模糊化、模糊推理、反模糊化等,目前研究应用最为广泛的ANFIS模糊神经网络就属于这一类。ANFIS网络一般由五层前向网络组成,每层都有明确的含义,第一层为输入层;第二层计算隶属度函数;第三层计算每条规则的使用度;第四层进行归一化计算;第五层实现清晰化即解模糊化。ANFIS网络所包含的信息能够清晰地获得,克服了BP网络黑箱型操作的不足。
采用神经元网络实现的模糊控制对于知识的表达并不是通过显式的一条条规则,而是把这些规则隐含地分布在整个网络之中。在控制应用中不必进行复费时的规则搜索、推理,而只须通过高速并行分布计算就可产生输出结果,这在某种意义上与人的思维更为接近。
(2)模糊控制与遗传算法(GA)的结合
遗传算法是一种借鉴生物界自然选扦和自然遗传机制的随机化搜索算法,由美国Michigan大学的Holland教授首先提出。选择、交义和变异是遗传算法的三个主要操作算子,它们构成了所谓的遗传操作。遗传算法主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息,这使得它可以高效串地发现全局最优解或接近最优解,并避免陷入局部最优解,而且对问题的初始条件要求较少。
关键词:模糊控制 结构分析 稳定性 白适应控制
1模糊控制的热点问题
模糊控制技术是一项正在发展的技术,虽然近年来得到了蓬勃发展,但它也存在一些问题,主要有以下几个方面:
(1)还投有形成完挫的理论体系,没有完善的稳定性和鲁棒性分析,系统的设计方法(包括规则的获取和优化、隶属函数的选取等);
(2)控制系统的性能小太高(稳态精度牧低,存在抖动及积分饱和等问题):
(3)自适应能力有限。目前,国内外众多专家学者围绕着这些问题展开了广泛的研究,取得了一些阶段性成果,下面介绍一下近期的主要研究热点。
2模糊控制系统的稳定性分析
任何一个自动控制系统要正常工作,首先必须是稳定的。由于模糊系统本质上的非线性和缺乏统一的系统描述,使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计。因此,模糊控制理论的稳定性分析一直是一个难点课题,未形成较为完善的理论体系。正因为如此,关于模糊系统的稳定性分析近年来成为众人关注的热点,发表的论文较多,提出了各种思想和分析方法。目前模糊控制系统稳定性分析方法主要有以下几种:
(1)李亚普诺夫方法
(2)基于滑模变结构系统的稳定性分析方法
(3)描述函数方法
(4)圆稳定性判据方法
模糊控制系统的稳定性分析还有相平面法、关系矩阵分析法、超稳定理论、Popov判据、模糊穴——穴映像、数值稳定性分析方法以及最近出现的鲁棒控制理论分析方法和LMI(矩阵不等式)凸优化方法等。
3自适应模糊控制器的研究
为了提高模糊控制系统的自适应能力,许多学者对自适应模糊控制器进行了研究,研究方向主要集中在以下方面。
(1)自校正模糊控制器
自校正模糊控制器是在常规模糊控制的基础上,采用加权推理决策,并引入协调因子,根据系统偏差e和偏差变化ec的大小,预测控制系统中的不确定量并选择一个最佳的控制参数或控制规则集,在线自动调整保守和大胆控制的混合程度,从而更全面确切地反映出入对诸因素的综合决策思想,提高系统的控制精度和鲁捧性能。目前这种变结构的自校正模糊控制器是根据被调量e和ec在线选取最佳控制规则及控制决策的,而对于一些复杂的生产过程,其生产工艺和环境因素都较为复杂,往往不能只考虑系统的偏差和偏差变化率来确定其控制策略。难于总结出比较完整的经验,此时模糊控制规则或者缺乏,或者很粗糙,并且当被控对象参数发生变化或受到随机干扰影响时,都会影响模糊控制的效果。
(2)自组织模糊控制器
自组织模糊控制器能自动对系统本身的参数或控制规则进行调整,使系统不断完善,以适应不断变化的情况,保证控制达到所希望的效果。它根据自动测量得到的实际输出特征和期望特征的偏差,确定输出响应的校正量并转化控制校正量,调整模糊控制规则,作用于被控对象。其基本特征是:控制算法和规则可以通过在线修改,变动某几个参数可以改变控制结果。它不仅仅是局限于某个对象,而是通过自组织适应几类对象。有代表性为以下三种类型:
①为自校正模糊控制器:在常规模糊控制中增加系统辨别和修正控制功能。通过使用一个较为粗糙的初期模型,经过模糊控制器的自组织功能,达到在线修正模糊控制规则,完善系统性能,使其达到灿期的要求;
②自调整比例因子模糊控制器:通过调整系统偏差及偏差变化率的比例因子来控制模糊控制器中的输出量的比例系数,即改变系统的增益。它充分体现了操作者手动控制的思维特点和控制策略,保证了系统有良好的动态性和稳态精度;
③模糊自整定PID参数控制器:应用模糊集理论,根据系统运行状态,在线整定控制器PID参数(KP、KI、KD)。由于模糊自整定参数KP、KI,KD与偏差e变化率ec间建立起在线自整定函数关系,且这种关系是根据人的经验和智慧积累起来的,使系统在不同的运动状态下能对PID控制器参数实现智能调节,能明显改善被控过程的动态性和稳定性能,提高抗干扰能力和鲁棒性。
4模糊控制与其它智能技术分支相结合
作为智能控制的一种新方法,模糊控制与智能领域的一些其它新技术相结合,向着更高层次的应用发展也是目前研究热点之一。下面简要介绍模糊控制与神经网络和遗传算法的结合情况。
(1)模糊控制与神经网络(NN)的结合
神经网络是由大量的简单处理单元构成的非线形动力系统,能映射任意函数关系,且具有学习性,能处理不完整、不精确的、非常棋糊的信息。模糊控制利神经网络之间具有很强的互补性,一方而对神经网络来说知识抽取和知识表达比较困难,而模糊信息处理方法对此却很有效;另一面,模糊模式很难从样本中直接学习规则,且在模糊推理过程中会增加模糊性,但神经网络能进行有效地学习,并且采用联想记亿而降低模糊。由此可见,神经网络适合于处理非结构化信息,而模糊模式对处理结构化的知识更有效。模糊控制与神经网络的融合系统是一种自适应模糊控制系统。目前,实现模糊控制的神经网络从结构上看主要有两类,其一是在神经网络结构中引入模糊模式,使其具有处理棋糊信息的能力,如把神经元中的加权求和运算转变为“并”和“交”等形式的模糊逻辑运算以构成模糊神经元;其二是直接利用神经网络的学习功能及映像能力,去等效模糊控制中的模糊功能块,如模糊化、模糊推理、反模糊化等,目前研究应用最为广泛的ANFIS模糊神经网络就属于这一类。ANFIS网络一般由五层前向网络组成,每层都有明确的含义,第一层为输入层;第二层计算隶属度函数;第三层计算每条规则的使用度;第四层进行归一化计算;第五层实现清晰化即解模糊化。ANFIS网络所包含的信息能够清晰地获得,克服了BP网络黑箱型操作的不足。
采用神经元网络实现的模糊控制对于知识的表达并不是通过显式的一条条规则,而是把这些规则隐含地分布在整个网络之中。在控制应用中不必进行复费时的规则搜索、推理,而只须通过高速并行分布计算就可产生输出结果,这在某种意义上与人的思维更为接近。
(2)模糊控制与遗传算法(GA)的结合
遗传算法是一种借鉴生物界自然选扦和自然遗传机制的随机化搜索算法,由美国Michigan大学的Holland教授首先提出。选择、交义和变异是遗传算法的三个主要操作算子,它们构成了所谓的遗传操作。遗传算法主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息,这使得它可以高效串地发现全局最优解或接近最优解,并避免陷入局部最优解,而且对问题的初始条件要求较少。