基于T-S模型的模糊预测控制研究

摘要

随着过程控制技术研究和应用的深入,所面对的实际工业过程对象越来越复杂,如严重非线性、大时变性和不确定性等。对于此类系统,因为无法建立较为准确的被控系统数学模型,使得传统控制策略很难达到所期望的控制效果,尤其是对于多阶非线性系统。预测控制具有多步预测、滚动优化和反馈校正等特点,它的控制效果好、鲁棒性强,更具有超前优化控制的优点。另外,T-S模糊模型可以通过局部动态线性化,把非线性系统表示成线性形式,以任意精度逼近非线性系统。因此,将模糊建模与预测控制相结合,形成模糊预测控制策略,为非线性系统控制提供了适宜的方法。同时,也丰富了智能控制的形式,拓宽了智能控制应用,满足了复杂工业对象过程对控制的要求。论文的主要工作内容如下:
　　 1、讨论了常用的T-S模型建模方法与步骤,提出了一种称之为减法模糊C均值聚类的T-S模型辨识方法,将减法聚类与模糊C-均值聚类结合,利用减法聚类算法初始化聚类中心和规则数,实现数据的自适应聚类,自动调整模糊系统输入输出空间的划分和相应隶属度函数参数的确定,克服初始点对聚类效果的影响,并针对T-S模糊模型整体辨识中的特殊性,给出了初始隶属度的计算公式；
　　 2、将模糊与预测控制相结合,提出了模糊预测控制策略,用T-S模糊模型经过转化替代原来的CARIMA模型,推导出相应的模糊预测控制算法,在测试函数的仿真中得到令人满意的控制效果；
　　 3、将模糊广义预测控制算法应用到实际对象TE过程中,进行了大量的实验,获得了满意的结果,并且开发一定的应用程序,向研究成果的实用化迈出了坚实的一步。

目录

文摘

英文文摘

CONTENTS

第一章 前言

1.1 课题背景和意义

1.2 课题相关领域的研究动态

1.2.1 预测控制

1.2.2 T-S模糊模型辨识

1.2.3 模糊预测控制

1.3 本文的主要工作

第二章 T-S模糊模型辨识方法研究

2.1 引言

2.2 T-S模糊模型

2.2.1 T-S模型的一般形式

2.2.2 T-S模型的辨识

2.3 基于模糊聚类算法的T-S模型辨识

2.3.1 前件参数的模糊聚类算法

2.3.2 改进的前件参数模糊聚类算法

2.3.3 后件参数辨识

2.4 基于自适应神经模糊系统的T-S模型建模方法

2.5 实例研究

2.5.1 基于模糊聚类的T-S模型建模

2.5.2 基于自适应神经模糊系统的T-S模型建模

2.6 小结

第三章 基于T-S模型的广义预测控制

3.1 引言

3.2 广义预测控制的相关问题研究

3.2.1 GPC的基本特征

3.2.2 参数的选择

3.2.3 仿真研究

3.3 基于T-S模型的模糊预测控制

3.3.1 模糊预测控制结构

3.3.2 模糊预测控制算法

3.4 实例研究

3.4.1 非线性对象的FGPC控制

3.4.2 FCM与SFCM的FGPC控制仿真

3.5 小结

第四章 模糊预测控制在TE过程中的应用

4.1 引言

4.2 TE过程仿真平台

4.3 模糊预测控制实验

4.4 应用系统

4.5 小结

第五章 结论与展望

参考文献

致谢

研究成果及发表的学术论文

作者及导师简介