کنترل فازی سیستم های غیر خطی مبتنی بر مدل های چندگانه تطبیقی قوی
چکیده
در این مقاله، یک طرح جدید کنترل فازی مبتنی بر مدل های چندگانه تطبیقی قوی برای کلاسی از سیستم های غیر حطی ناشناخته ارائه شده است. سیستم غیر خطی با استفاده از روش Takagi-Sugeno (T-S) بیان می شود و برخی از مدل های تطبیقی T-S همراه با کنترلرهای (کنترل کننده) مربوطه، به منظور کنترل کارایی سیستم ناشناخته مورد استفاده قرار می گیرند. خطای مدلسازی که به علت استفاده زا مدل دستگاه T-S تولید می شود، اگر در قوانین انطباق مورد توجه قرار نگیرد، می تواند مشکلات ناپایداری را ایجاد نماید. در این مقاله، برای حل این مشکل، یک طرح کنترلی را بر اساس قوانین به روز رسانی طراحی کردیم که روش اصلاح σ را مورد استفاده قرار می دهد. هر کنترلر T-S به طور غیر مستقیم با استفاده از قوانین به روز رسانی قوی بروز می شود و سیگنال کنترل نهایی با استفاده از یک شاخص عملکرد و یک قانون سوئیچینگ تعیین می شود. با استافده از تئوری پایداری Lyapunov نشان داده شده است که قوانین مبتنی بر اصلاح σ می تواند ثبات سیستم را تضمین کند و یک محدوده برای خطای شناسایی حالت پایدار تعریف نماید. اهداف اصلی کنترلر قوی عبارتند از: (1) اطمینان از اینکه سیستم دستگاه واقعی با وجود خطاهای مدلسازی باقی خواهد ماند (2) اطمینان از اینکه دستگاه واقعی با دقت بالا مسیر حالت یک مدل مرجع داده شده را دنبال خواهد کرد. اثر بخشی روش پیشنهادی با شبیه سازی های کامپیوتری بر روی یک مسأله معروف شناخته شده نشان داده شده است.
1- مقدمه
مسائل پایداری در طراحی سیستم های کنترل بسیار مهم می باشد، به ویژه در مواردی که ابزار تئوری فازی یا شبکه های عصبی (NNS) به صورت ریاضیاتی برای بیان یک دستگاه غیر خطی ناشناخته [1] همراه با تکنیک های کنترل تطبیقی استفاده می شود که برای کنترل دستگاه مورد استفاده قرار می گیرد. ضرورت استفاده از نظریه فازی یا NNS در مدلسازی سیستم حتمی است وقتی که غیر خطی بودن سیستم مشکلاتی را برای روش طراحی کنترلر تحمیل می نماید. یکی از محبوب ترین مدل های فازی فرمول T-S است [2]. مزیت اصلی این روش این است که از زیر مدل های خطی استفاده می کند که فازی ترکیبی هستند و در نهایت مدل فازی غیر خطی را تولید می کنند. این مدل های خطی به راحتی با استفاده از تکنیک های کنترل خطی کنترل می شوند و در نهایت یک ترکیب فازی دیگر از زیر کنترلرها، کنترلر غیر خطی نهایی سیستم را تولید می نماید. یکی دیگر از خصوصیات نمایش T-S، ویژگی «تقریب توابع سراسری (عمومی)» است که امکان تقریب هر تابع غیر خطی را به هر درجه ای از دقت ارائه می دهد [3].
Abstract
A new robust adaptive multiple models based fuzzy control scheme for a class of unknown nonlinear systems is proposed in this paper. The nonlinear system is expressed by using the Takagi–Sugeno (T–S) method, and some identification adaptive T–S models along with their corresponding controllers, are used in order to control efficiently the unknown system. The modeling error that is produced due to the use of the T–S plant model can cause instability problems if it is not taken into account in the adaptation rules. In this paper, in order to solve this problem, we design a control scheme that is based on updating rules that utilize the σ-modification method. Every T–S controller is updated indirectly by using the robust updating rules and the final control signal is determined by using a performance index and a switching rule. By using the Lyapunov stability theory it is shown that σ-modification based rules can ensure the robustness of the system and define a bound for the steady state identification error. The main objectives of the robust controller are: (i) to ensure that the real plant system will remain stable despite the existence of modeling errors and (ii) to ensure that the real plant will track with a high accuracy the state trajectory of a given reference model. The effectiveness of the proposed method is demonstrated by computer simulations on a well known benchmark problem.
1. Introduction
Robustness issues are very crucial in control systems design, especially in cases when fuzzy or neural networks (NNs) theory tools are used to mathematically express an unknown nonlinear plant [1] along with adaptive control techniques which are used to control the plant. The necessity for using fuzzy or NNs theory in system modeling is imperative when the system's nonlinearities impose difficulties to the controller design procedure. One of the most popular fuzzy models is the T–S formulation [2]. The main advantage of this method is that it uses linear submodels which are fuzzy blended and finally produce the nonlinear fuzzy model. These linear models are easily controlled by using linear control techniques and finally another fuzzy blending of the subcontrollers produces the final nonlinear controller of the system. Another characteristic of T–S representation is the “universal function approximation” property which offers the possibility to approximate any nonlinear function to any degree of accuracy [3].
چکیده
مقدمه
فرمول بندی مسأله
معماری کنترلر: مدل های چندگانه T-S تطبیقی و مکانیسم سوئیچینگ
مدل های شناسایی چندگانه T-S
شاخص عملکرد و قانون سوئیچینگ
مطالعات شبیه سازی
مطالعات شبیه سازی
نتیجه گیری
Abstract
1. Introduction
2. Problem formulation
3. Controller architecture: adaptive T–S multiple models and switching mechanism
4. T–S identification models and fuzzy controller design
5. Adaptation rules and robust stability analysis
6. Simulation studies
7. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه