基于模糊—神经网络的多变量控制系统的设计与应用研究

论文摘要

本文建立了以水位和温度为被控量的水箱物理对象,给出了水箱的控制输入与水位和温度之间的近似机理模型,确定了对象的参数。建立了以工业控制计算机（IPC）和数据采集控制卡（DA & C）为控制器,以水箱的水位和温度为被控量的完整控制系统试验平台。在此平台之上进行了传统的PID控制实验。实验表明,其中的积分控制作用对于系统的动态性能有不利的影响,而PD控制则有明显的静差。在此平台之上反复地进行了手动操作实验,获得了保持水位和温度稳定的直接的控制输入与输出数据,并通过数据采集卡采集成为学习样本。在传统控制和手动操作实验的基础上,本论文提出了由经验数据进行T-S型模糊控制器设计和优化的方法,并进行了验证。实验表明,按本方法设计的模糊控制器,其控制效果优于一般的PID控制。但是适应能力差,对工作点的变化敏感。本文还提出了基于监督控制和逆控制相结合的神经网络控制方案,并进行了仿真实验。实验表明,该控制方案的性能优于传统控制和单纯的神经网络控制,并且有较强的鲁棒性和适应性。最后,本论文还设计了基于模糊神经网络的控制方案,并用神经网络优化了模糊控制器的参数。控制效果优于T-S型模糊控制器。

论文目录

• 摘要
• Abstract
• 前言
• 1. 绪论
• 2. 系统建模
• 2.1 环节结构
• 2.2 机理建模
• 2.3 多变量对象的特点与非线性的处理
• 2.4 简化后的对象模型
• 2.5 本章小结
• 3. 方案论证及软、硬件平台
• 3.1 嵌入式控制方案
• 3.2 基于工业控制机的控制方案
• 3.3 硬件平台
• 3.4 软件平台
• 3.5 实验数据
• 3.6 本章小结
• 4. 传统控制
• 5. 模糊、神经网络及其控制
• 5.1 模糊控制
• 5.1.1 模糊逻辑的起源与特点
• 5.1.2 模糊控制器的结构
• 5.1.3 T-S 模糊逻辑与T-S 模糊控制器
• 5.1.4 T-S 模糊控制器设计
• 5.1.5 输入变量的隶属度函数
• 5.1.6 最小二乘方法确定规则后件参数
• 5.1.7 参数的梯度优化
• 5.1.8 仿真结果
• 5.2 神经网络控制
• 5.2.1 神经元
• 5.2.2 BP 神经网络结构
• 5.2.3 BP 网络学习
• 5.2.4 基于神经网络监督和逆控制的复合控制
• 5.2.5 神经网络复合控制
• 5.3 模糊/神经网络控制
• 5.3.1 模糊神经网络的结构
• 5.3.2 模糊神经网络的学习算法
• 5.3.3 仿真结果与分析
• 5.4 本章小结
• 6. 总结
• 致谢
• 参考文献
• 附录A
• 附录B