张晓烨[1]2008年在《模糊预测控制在主汽温控制中的应用研究》文中研究指明针对火力发电厂主汽温特性进行合理有效的控制,是目前研究的热点。常规PID在电厂主汽温控制过程中,仍然占据着主导地位,为克服主汽温对象具有大延迟、大惯性、非线性以及时变性等特性,改善常规PID控制的不足,在研究模糊和预测控制的基础上,将模糊预测控制应用到主汽温控制当中。通过对模糊C均值聚类算法的改进,提出一种基于递推模糊聚类的在线T-S模糊辨识算法,实现自适应在线模糊推理和调整模糊模型,完成了主汽温模型的模糊辨识;将T-S模糊模型作为广义预测控制的CARIMA模型实现模糊广义预测控制,并应用到主汽温控制中;通过对广义预测控制算法进行改进,提出了一种改进的在线单值广义预测控制算法,减少算法的计算量和缩短在线计算时间,并应用到主汽温控制当中。仿真结果表明,与传统控制相比改进的模糊预测控制算法有效减小了系统的超调量,提高了系统的响应速度,具有很好的控制效果。
窦金梅[2]2013年在《模糊辨识参数优化算法研究及应用》文中指出模糊模型的强大逼近能力，为非线性和不确定性系统提供了一种有效的建模方法。传统模糊建模方法因其局限性导致有时建模精度不能满足要求，随着智能优化算法的提出，此问题有了一条新的解决途径。将模糊模型辨识与智能算法相结合，采用智能优化算法对模糊模型的前后件参数进行优化，以此提高模型的辨识精度，是达到满意的辨识效果的一个有效方法。本文主要研究基于智能优化算法的模糊模型参数优化问题，具体工作如下：首先，概述了课题的研究意义及智能优化算法和T-S模糊模型的发展过程及研究现状，并对模糊辨识中几种常用的智能优化算法进行了仿真分析和比较，为后续研究提供了算法参考。其次，提出了一种改进的菌群优化算法，提高了BFO算法的收敛精度并避免其陷入局部最优。针对非线性系统的辨识问题，将其用于高斯型隶属函数参数的优化，并采用递推最小二乘算法更新模型的结论参数，实现对模糊模型全局参数的优化。然后，针对Mackey-Glass混沌时间序列的预测问题，提出一种基于修正型果蝇优化算法和最小Wilcoxon法训练T-S模糊模型的鲁棒预测方法。采用MFOA对高斯型隶属函数参数进行优化，可以提高辨识精度和收敛速度；采用LW辨识模糊模型的结论参数，当训练数据中出现例外点时，LW方法的强鲁棒性可以有效克服传统最小二乘方法对例外点敏感的缺点。最后，提出了一种应用PSO建立模糊逆模型的自适应逆控制算法，该方法首先建立非线性系统的离线模糊逆模型，采用T-S模糊模型与中心和宽度不确定的高斯型隶属函数，用PSO对逆模型的前提参数和结论参数同时进行优化，然后将其作为初始控制器与被控非线性对象串联，并利用变步长LMS算法在线调节模糊逆模型参数，同时将其复制作为系统的控制器，取得了较好的控制效果。
孙旭[3]2014年在《复杂系统的多模型建模及预测控制》文中进行了进一步梳理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。
王树恩[4]2016年在《混沌系统智能辨识与控制研究》文中研究指明混沌是自然界中广泛存在的一种复杂运动形式。近些年来,混沌与其它学科互相渗透,无论是在物理学、生物学、数学、电子学、心理学、信息科学,还是在气象学、经济学、天文学,甚至在音乐、艺术等领域都得到了广泛的应用。为了更好地利用混沌或者消除混沌的不良影响,辨识混沌系统的模型并实施相应的控制具有重要的意义。近些年来,以神经网络和模糊理论为代表的智能控制理论在复杂系统建模、控制方面得到了长足发展。本文采用智能控制理论研究了混沌系统的辨识与控制,具体研究工作如下:首先,提出了一种基于区间Ⅱ型模糊系统的混沌系统辨识方法。该方法采用网格对角线法来划分模糊空间,Ⅱ型模糊集主隶属度函数为对称叁角形隶属函数。在保持前件参数不变的情况下,采用带遗忘因子的递推最小二乘法辨识结论参数。为了解决采样数据受到噪声污染的问题,对采样数据进行Sigmoid数据变换,并采用粒子群算法优化变换函数的关键参数和隶属函数宽度,避免了隶属函数的调整,提高了Ⅱ型模糊模型的辨识精度。此方法应用到Mackey-Glass混沌系统的建模中,仿真结果验证了本文方法的有效性。其次,利用混沌系统的部分结构信息,提出了一种基于Wiener-LSSVM模型的混沌系统辨识方法。Wiener-LSSVM模型由一个线性动态子系统和LSSVM组成,比较适合描述大部分的混沌系统。给出了同时辨识线性动态部分和最小二乘支持向量机的最小二乘算法。然后,提出了一种基于Hammerstein-ELM模型的混沌系统辨识方法。Hammerstein-ELM模型由一个极值学习机神经网络和一个线性动态部分组成。推导出了用于同时辨识ELM神经网络和线性动态子系统参数的广义极值学习算法。该算法采用矩阵伪逆确定辨识参数,提高了辨识的准确性。最后,基于模糊理论,提出了两种Hénon混沌系统的控制与同步算法。第一种方法采用T-S模型来辨识Hénon混沌系统,得到Hénon混沌系统的局部动态线性模型,基于此模型设计了模糊广义预测控制算法来实现Hénon混沌系统的跟踪与同步控制。第二种方法采用模糊逆方法建立Hénon混沌系统的模糊逆模型,基于此模糊逆模型设计了Hénon混沌系统的自适应逆控制与同步算法。仿真结果验证了所提方法的有效性。
张荫芬[5]2003年在《热工过程预测控制研究》文中进行了进一步梳理针对电厂热工过程中的非线性、多变量、大时滞等特点，本文致力于从非线性角度研究预测控制算法在热工过程中的应用。本文的主要内容是研究基于T-S模糊模型的非线性系统辨识算法，并在此基础上研究非线性系统的模糊预测控制问题，并且把基于T-S模型的广义预测控制算法应用于电厂主汽温系统的控制。具体包括以下几个方面：1、针对复杂非线性动态系统的模糊建模问题，本文基于T-S模型提出一种自组织模糊辨识算法。改进后的算法简化了前提结构辨识的过程，并使前提参数辨识和结论参数辨识同时完成，极大的减少了参数辨识和结构辨识的计算量，能够保证在线辨识的要求。大量的仿真结果表明该算法具有收敛速度快、辨识精度高、稳定性好，便于工程应用。2、把自组织模糊辨识算法应用于主汽温和再热汽温系统的模型辨识中，仿真结果表明这种辨识算法对非线性系统的辨识具有良好的效果。3、针对非线性系统的模型预测控制问题，本文采用T-S模型作为预测模型，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律。并把这种基于T-S模型的预测控制算法应用在某电厂的主汽温的升负荷过程的控制中，仿真表明本算法能够很好地通过在线非线性T-S模型的辨识从而实现对于具有非线性特性的主汽温对象的预测控制。
郭峰[6]2012年在《基于模糊ARX模型的水泥回转窑预测控制算法研究》文中研究表明水泥回转窑是新型干法水泥生产线的核心设备，水泥生产过程中最关键的生料煅烧理化反应在回转窑内进行，回转窑的控制水平直接影响水泥的质量、产量以及能耗。研究水泥回转窑的建模及控制方法，对提高水泥回转窑的控制水平具有重要的理论和实际意义。本课题针对新型干法水泥回转窑煅烧过程具有的多时滞、多变量、非线性的特性，在对采样数据分析处理的基础上，运用组合模型建模理论、预测控制理论，基于模糊ARX模型对水泥回转窑的预测控制算法进行了研究，具体研究工作如下：首先，依据水泥回转窑的煅烧机理，分析影响水泥熟料质量及能耗的控制因素，研究参量间的变化规律。利用相关函数法分析控制参量的测试数据，确定回转窑煅烧系统建模变量，以回转窑窑尾烟室的氮氧化物含量，氧气含量和窑尾温度为控制目标量，以窑头喂煤量，高温风机挡板开度和料速积为操作变量，为建立水泥回转窑煅烧过程的预测模型提供基础。其次，基于系统稳态非线性特性和动态线性特性分离辨识的组合模型建模思想，提出基于T-S模糊模型的ARX模型增益实时修正方法，建立适用于多变量非线性系统的变增益模糊ARX模型；以数据驱动思想为基础，提出一种数据驱动模糊辨识改进算法，建立系统测试数据不能覆盖所有输入变量约束范围情况下的水泥回转窑煅烧系统稳态模型；运用外推差值法计算系统的实际动态增益来实时修正多时滞ARX模型的增益，提高建模的准确性，进而提出多时滞多变量非线性系统的变增益模糊ARX模型建模方法，以解决回转窑多时滞特性的建模问题；在对水泥回转窑的稳态和动态辨识数据分开进行预处理的基础上，建立水泥回转窑煅烧过程控制系统预测模型。进一步，采用序列二次规划优化算法，实时动态求解多变量非线性系统的输入变化量，构建基于多变量模糊ARX模型的预测控制算法。在此基础上，提出系数矩阵插值组合法，将多时滞加入到多变量非线性系统的多步预测输出表达式，建立基于多时滞变增益模糊ARX模型的预测控制算法，以实现回转窑煅烧过程的多时滞控制，进而建立水泥回转窑煅烧系统的预测控制算法。最后，利用现场DCS系统采集的水泥回转窑测试数据，进行数据的建模与分析，采用本文建立的水泥回转窑多时滞变增益模糊ARX模型及其预测控制算法，对水泥回转窑煅烧过程进行预测控制实验研究，验证本文提出算法的可行性和有效性。
梁敏[7]2004年在《模糊预测控制理论及设计方法研究》文中研究表明预测控制是上世纪70年代后期直接从工业过程控制中发展起来的一类先进控制方法。它采用基于实验的预测模型，是一种对模型精度要求低且易于获得、综合控制质量好、在线计算方便的新型计算机优化控制方法。预测控制问世以来一直受到控制界的广泛关注，并被成功地应用在各种复杂的工业实践中，显示了强大的生命力。但目前预测控制正面临着新的挑战：工业界提出要进一步解决不确定性描述、不确定性环境下多目标优化决策、实时控制、快速计算等问题。而预测控制的发展也显现出了不足：预测模型仍采用较单纯性的模型；预测控制中的优化对特殊应用场合及自适应情况下的计算负担较重；校正方法有限。于是就促使预测控制需要从其他的理论方法中汲取有价值的思想来弥补不足，满足高级优化控制要求。智能控制的出现，为预测控制的进一步发展提供了很好的借鉴。预测控制将已取得的成果与模糊控制、神经网络以及遗传算法等智能控制策略相结合，正朝着智能预测控制方向发展，从而进一步增强了预测控制面对复杂环境、复杂对象和复杂任务的处理能力，拓展了预测控制理论研究和应用的领域。 模糊控制与模糊辨识作为一种新颖的智能控制方法，在解决复杂系统控制问题的过程中表现出了巨大的潜力。作为目前应用最为广泛的T-S模糊模型，本质上是一种非线性模型，易于表达复杂系统的动态特性，且理论上已经证明它可以按任意精度逼近任意非线性系统。利用T-S模糊模型作为预测模型恰好可以弥补单纯性预测模型的不足。本文提出将T-S模糊模型和辨识方法引进到广义预测控制中，从而形成了一类新型的模糊广义预测控制方法，对这一控制方法的进一步研究，无论从理论上还是实际应用中考虑都具有十分重要的意义。 本文内容提要： 1．回顾了预测控制、模糊控制的基本原理和主要特点；分析了预测控制和智能控制结合的可能性和必然性；归纳总结了预测控制的研究现状。 2．分析了T-S模糊模型及系统辨识方法；指出T-S模型为通用的逼近器，同时加以证明；并结合分析给出了仿真实例，显示了模糊辨识法和T-S模型的优越性。 3．提出了两种基于T-S模糊模型和广义预测控制结合的模糊广义预测控制方法；提出并分析了两种模糊预测模型的辨识方法，并针对非线性控制对象进行仿真，结果表明T-S模型具有很好的跟踪特性；针对两种模糊广义预测控制算法进行仿真、分析和比较，为实际中设计模糊预测控制方法提供了依据。 4．对广义预测控制的参数选取、稳定性和鲁棒性给出了定性的理论分析，讨论了广义预测控制系统主要参数的设计和选取方法；并以仿真来验证参数选取原则的正确性，使模糊预测控制方法更加完善。
王昊[8]2006年在《整车悬架振动智能半主动控制研究》文中研究指明近年来,磁流变阻尼技术由于响应快、功耗少、成本低和容错性好,在车辆悬架振动控制领域已展示其应用前景。目前,针对整车悬架研究该技术的工作还很少,特别是整车悬架的智能控制方面的研究还很少见。因此,本文以安装四个磁流变阻尼器的整车悬架为研究对象,探索以神经模糊控制为主要特征的智能控制策略。本文主要学术贡献如下:(1)通过Lagrange方法对整车半主动悬架建模,并进行动力学分析。基于随机相位生成平稳随机路面激励,证明了车辆变速工况下的随机路面激励谱为均匀调制演变功率谱。(2)系统研究了磁流变阻尼器的智能辨识问题。提出磁流变阻尼器逆模型的模糊辨识方法,即单级ANFIS方法。在此基础上提出磁流变阻尼器的递阶模糊辨识,并将递阶ANFIS模糊系统用于正模型和逆模型的智能辨识。提出了一种确定初始值的方法,适合于非中间变量参数和中间变量参数赋值。此外,引入神经网络中的动量法,构造动量递阶ANFIS。这几种方法均取得了比较好的辨识结果,并且可应用于其它磁流变阻尼器的系统辨识。(3)针对线性整车悬架系统的控制问题。提出两层递阶控制方法,该方法将整车悬架控制和磁流变阻尼器的控制分开考虑,顶层全面考虑整车悬架系统的各种控制目标,通过随机最优控制(LQG)产生磁流变阻尼器的所需控制力,然后由底层的磁流变阻尼器模糊控制器来逼近所需控制力。另外,将经过递阶模糊辨识的磁流变阻尼器逆模型用于产生控制电压,从而产生所需要的控制力。该方法可以对整车悬架提供全面有效的控制。(4)针对非线性整车悬架,提出分散模糊控制方法。该方法将多输入多输出的非线性系统经过输出解耦变换,简化成四个单输入单输出的子系统,通过分别对单级ANFIS模糊系统的离线辨识和在线调整相结合,产生四个磁流变阻尼器所需要的控制电压,以此对非线性整车悬架系统的实施智能控制。(5)针对非线性整车悬架,提出多级递阶模糊控制方法。该方法把多输入多输出的非线性整车悬架控制器简化成四个多输入单输出子系统,将已经成功用于磁流变阻尼器智能辨识的递阶模糊系统推广成为多级递阶模糊系统,并引入到非线性整车悬架控制中,从而构成了整车悬架的多级递阶模糊控制。结果表明,这种方法可以得到比分散模糊控制更好的控制效果,但需要付出更多的时间。(6)对于在平稳随机路面上非匀速行驶的车辆,探索了整车半主动悬架的模糊控制问题。针对控制系统的多输出,提出综合误差法,并且和分散模糊控制相结合应用到整车悬架控制中。为了改进控制效果,引入动量ANFIS利用以往参
刘少岗[9]2014年在《基于T-S模型的新型电机泵直驱缸伺服系统建模及控制》文中研究表明由于液压伺服系统具有响应速度快、控制功率大、负载刚度大、抗干扰能力强等优点，因此在民用和国防等诸多领域得到了广泛地应用。当前正在遍及的直驱式液压伺服系统是通过改变电机的转速来改变定量泵输出的流量，从而调节执行元件的速度，达到节能的目的，受到了国内外专家和科研院所的极大重视。目前，直驱式液压伺服系统的一种发展趋势是采用电机与液压泵一体化的电液泵作为控制元件，本文所研究的液压伺服系统采用的是基于燕山大学高殿荣教授等研究的轴向柱塞电液泵产品，该柱塞式电液泵采用的是定量泵和永磁同步电机融合的方式，具有占地空间小、可靠性高、低噪声和损耗低等特点，具有良好的市场应用前景。首先，本文对泵控缸伺服系统的工作原理和系统组成进行分析，采用传统的机理分析建模方法建立了该系统的模型，结合实际系统的参数，在此模型基础上对该系统进行稳定性分析研究，结果表明该系统具有较好的稳定性。其次，针对泵控缸伺服系统为高度非线性系统，具有不确定性、强耦合、参数时变等问题，讨论了基于自适应模糊聚类的T-S模型辨识方法来逼近该系统，针对以往建模方法要设定聚类数的问题，在改进模糊分割聚类算法的基础上，对辨识算法中聚类数c给出自适应选择方法，并且提出了参数自适应模糊聚类算法，结合递推最小二乘法构建T-S模糊辨识算法，仿真显示该辨识方法具有较高的辨识精度。再次，以本文研究的T-S模糊系统为被控对象，基于Lyapunov稳定性判别原理，采用并行分布补偿控制器设计方法以及线性矩阵不等式技术，对该T-S模糊系统进行稳定性分析和控制器设计，仿真结果验证了该方法的优越性和有效性。最后，提出一种基于T-S模型的泵控缸伺服系统的模糊广义预测控制，通过MATLAB仿真软件证明了该方法的可行性。
杨玉[10]2017年在《超临界机组模型辨识及其预测控制研究》文中认为超临界机组比亚临界机组具有更高的效率以及更低的排放,但其动态特性也更加复杂。为了提高控制效果,需要引入先进控制算法,然而现有的先进控制算法大多依赖于精度高,结构简单的模型,所以对超临界机组进行模型辨识并研究相应的先进控制算法具有重要意义。协调控制系统作为超临界机组的控制核心,其控制结果会直接影响所在机组的性能,所以本文将协调控制系统作为主要的研究对象,对其进行模型辨识并在此基础上研究相应的约束预测控制算法。首先,为了得到协调控制系统精度高、结构简单的数学模型,本文提出一种新型的T-S模糊辨识算法。该辨识算法中改进的熵聚类算法用来辨识前提部分,通过引入决策常数以及阈值,不仅可以自动获得聚类个数和聚类中心,还可以避免边缘数据点选为聚类中心。结论部分采用一种新结构,在该结构中聚类中心被当作典型的工况点,聚类中心附近的增量数据用来辨识模型参数,由于使用了该结构,每个工况点的线性子模型以及全局模型均可以用于先进控制器的设计。然后,为了应对协调控制系统的复杂特性,本文研究了约束预测控制算法,并使用前述所建立的线性子模型进行仿真,由仿真结果可知约束预测控制在该工况点可以得到很好的控制效果并具有很强的抗干扰性。由于协调控制系统在大范围变工况时具有很强的非线性,单一的线性控制器无法进行大范围的控制。为了解决超临界机组的非线性带来的影响,本文最后又研究了基于T-S模糊模型的非线性预测控制算法,该算法中新型的T-S模糊模型被转换成时变的CAR MA模型,并与约束预测控制相结合。仿真结果表明在大范围变工况的情形下,协调控制系统的各被控量能够快速的跟踪设定值,并且超调较小。
参考文献：
[1]. 模糊预测控制在主汽温控制中的应用研究[D]. 张晓烨. 北京化工大学. 2008
[2]. 模糊辨识参数优化算法研究及应用[D]. 窦金梅. 燕山大学. 2013
[3]. 复杂系统的多模型建模及预测控制[D]. 孙旭. 华东交通大学. 2014
[4]. 混沌系统智能辨识与控制研究[D]. 王树恩. 燕山大学. 2016
[5]. 热工过程预测控制研究[D]. 张荫芬. 华北电力大学（北京）. 2003
[6]. 基于模糊ARX模型的水泥回转窑预测控制算法研究[D]. 郭峰. 燕山大学. 2012
[7]. 模糊预测控制理论及设计方法研究[D]. 梁敏. 兰州理工大学. 2004
[8]. 整车悬架振动智能半主动控制研究[D]. 王昊. 南京航空航天大学. 2006
[9]. 基于T-S模型的新型电机泵直驱缸伺服系统建模及控制[D]. 刘少岗. 燕山大学. 2014
[10]. 超临界机组模型辨识及其预测控制研究[D]. 杨玉. 华北电力大学(北京). 2017
标签：自动化技术论文; 模型预测控制论文; 系统辨识论文; 预测模型论文; 模糊算法论文; 模糊理论论文; 过程控制论文; 仿真软件论文; 线性系统论文; 模糊神经网络论文; 数据建模论文; 建模软件论文; 动态模糊论文; 动态模型论文; 非线性论文; 回转窑论文; 算法论文;