自适应控制新进展

自适应模糊控制的新进展机械162张忠正20160300361、基于模糊模型的自适应模糊控制80年代以来，模糊辨识是模糊系统理论中较为活跃的分支之一。W.Pedrtcz提出了基于参考模糊集的系统模糊关系模型的辨识方法；T.Takagi和M.Sugeno在R.M.Tong的研究工作的基础上，发展了用模糊集理论辨识系统模糊模型的语言化方法。这两种具有代表性的模糊辨识方法均成功地应用于工业过程的建模，同时为自适应模糊控制的研究提供了有效的工具。以下分别将这两种模型简称为P模型和T.S模型。陈建勤等在Pedrtcz工作的基础上给出了模糊关系模型的在线辨识方法，并利用模糊模型求取控制规则，从而实现了基于P模型的自适应模糊控制，其结构如图1所示，图1基于P模型的自适应模糊控制系统图中，参考轨迹的作用是使输出x沿一条期望的光滑轨线引导到设定值c；模糊模型的在线辨识采用了带遗忘因子的递推算法；而模糊控制规则的求取则是基于模糊变量的贴近度的概念，将其转化成一类极值问题。仿真结果表明：该算法的控制效果明显优于常规PI控制，有待进一步完善的工作是考核它在应用于时变、非线性以及时滞过程时的有效性以及抗干扰、抗噪声的能力；同时有关辨识算法的收敛性以及闭环系统的稳定性还有待于验证。2、模糊模型参考自适应控制1982年，郑维敏等012基于现代控制理论中的模型参考自适应控制的思想，提出了用模糊集理论设计模糊模型参考自适应控制系统的方法，这是较早期的工作。由于PID控制广泛地应用于工业过程控制，为改善其处理非线性或时变特性的能力，C.L.Chen等提出了一种如图2所示的模糊模型跟踪控制系统。图2模糊模型跟踪控制系统图中，um是参考输入，xm是模型输出，参考模型可根据实际情况设置。ε是跟踪误差变量，up是模糊自适应控制器的输出，y是过程的输出。为了使模糊控制获得期望的性能而引入的模糊自适应控制器是整个模糊模型跟踪控制系统的核心。这个模糊自适应控制器是利用模糊运算来实现模糊PID控制器，而其自适应功能的实现则是因为在每个采样间隔控制器的比例增益*pK、积分增益*iK和微分增益*dK都会随着系统状态的变化而改变；与此同时，输出比例因子GU随跟踪误差ε的变化而调整，从而使系统能获得较好的控制性能。不难发现作者较好地将模糊PID控制器和参考模型结合起来，使得控制器成为增益可调整的模糊PID控制器，该控制系统应用于气动伺服系统的结果表明：它对于非线性系统的控制效果良好，同时，还有较好的抗干扰能力并对系统参数变化不敏感。自适应递阶模糊控制自适应递阶模糊控制采用一些模糊变量来衡量和表达系统的性能，在此基础上构造了监督模糊规则集，可用它来调整递阶规则基模糊控制器的参数。使系统对过程参数的未可预知的变化具有适应能力，该控制系统如图3所示。图3自适应递阶模糊控制系统由于在规则基模糊控制器中，规则数是系统变量数的指数函数，因此，对于多维系统，实现模糊控制器存在一定的困难。利用递阶的模糊控制规则可以解决这一问题，其基本思路是：选择最有影响的要素作为第一层系统变量，次重要的要素作为第二层系统变量，依此类推，形成递阶模糊控制规则。在递阶结构中，第一层规则给出的近似的输出将在第二层规则集中得到修正。这是因为在第二层变量中除该层的系统变量外，还有第一层的近似输出，这样的处理过程在递阶结构的各层中依次进行。采用递阶结构后，可以使完备规则集中规则的数目减少至系统变量数的线性函数，便于实现多维系统的模糊控制。作者在确定性能指标时选择了4个变量，即：拟衰减率、振荡度、残差和超调量。其中前两个变量表征了系统当前和未来的性质，而后两个变量则反映了系统过去的状态。控制器的自适应功能是通过引入与上述性能指标相关的自适应函数来实现的。4、基于神经网络的自适应模糊控制神经网络和模糊系统均属于一类数值化的和非数学模型的函数估计器和非线性动力学系统，但是两者之间仍存在着很大的差异，如，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；另一方面，模糊系统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。但是神经网络却能进行有效地学习，并且因采用联想记忆而降低模糊熵。神经网络适合于处理非结构化信息，而模糊系统对处理结构化的知识更有效。事实上，模糊-神经网络的混合系统就是一种自适应模糊系统。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逻辑，使其具有直接处理模糊信息的能力。如把普通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射能力，去等效模糊系统中的各个模糊功能块，如：模糊化、模糊推理、模糊判决等。此外，还可以将模糊系统和神经网络集成在一个系统中，发挥各自的特长。5、结束语自适应模糊控制系统能够在系统运行过程中不断修改自己的控制规则，改善了系统的性能，它也可以看成是一类简单的学习控制系统。神经网络的引入使学习功能进一步增强，而且为原有的模式带来了一种新的和有效的实现手段。当前在学术界对于模糊控制还有不同的看法，争论的焦点集中在稳定性、鲁棒性和算法收敛性等这样一些至今尚无突破性进展的问题上，因此，加强对模糊控制理论的研究是十分必要的，而且理论上的突破也会大大增强工程界应用模糊控制的信心。由于模糊-神经网络混合系统的出现，给自适应模糊控制的研究注入了新的生机，但是研究工作的难度也比过去增大，不仅要在局部范围内考虑问题，还要从整体上考虑问题。混合系统模式代表了自适应模糊系统的发展方向，应当引起重视。此外，遗传算法也开始应用于模糊控制中的模糊推理，这将是一个很有潜力的新领域。