基于C-R模糊模型的非线性系统自校正控制算法研究

【摘要】： 在实际工程中，大多数的被控对象都是复杂的非线性系统，呈现出如下特性：(1)复杂性：系统的结构和参数具有高维性，时变性，高度非线性；(2)不确定性：系统及其外部环境具有许多未知的和不确定的因素；(3)高标准的性能要求：由于系统复杂，导致了控制目标的多样性和各种控制目标之间的矛盾，在设计控制器的时候需要综合考虑各种因素。 线性模型不过是某些非线性被忽略或用线性关系代替后所得到的对真实系统的近似数学描述。传统的线性系统虽然在理论上已经很成熟，但已经不能满足日益发展的实际工业的需要。因此，对非线性系统的研究受到了国内外控制界的普遍重视，非线性系统的建模与控制问题成为当前控制领域研究的主要内容之一。本课题基于C-R模糊模型，研究了非线性系统自适应控制问题： 一、研究了非线性系统C-R模糊模型的结构及辨识算法，包括模糊输入空间模式分类算法(FISCA)和模糊输出空间模式分类算法(FOSCA)，然后针对实际应用中这两种算法初值选取带有盲目性的缺点，改变初值选取对象，使初值选在工作点附近，具有一定的实际意义。同时在此基础上改变算法停止的判断条件，从而减少了判断次数，节省了运算时间。 二、非线性系统的C-R模糊模型，在每一时刻具有线性系统解析式，但在时间区间内却表征系统的非线性特征。根据这一特点，提出了基于C-R模糊模型的非线性系统广义最小方差自校正控制算法。 三、将C-R模糊模型转换成一个形式与阶跃响应模型相似的结构—C-R模糊阶跃模型，在此基础上，提出了基于C-R模糊阶跃模型的非线性系统自校正PID控制算法。 四、研究了关系度聚类算法，应用关系度聚类算法在线辨识出系统的模态，即系统C-R模型的模糊子空间数目，并研究了C-R模糊模型的聚类建模方法，在此基础上对C-R模糊模型的辨识方法进行了改进，提出了基于关系度聚类算法的动态辨识方法。