（控制理论与控制工程专业论文）基于ts模型的热工系统模糊建模与控制.pdf

华北i 乜力火学硕士学位论文摘要 摘要 本文首先研究了基于t - s 模裂的热工系统辨识算法，并建立主气游对象及单元 视组负荷对象的t - s 模型，在此潦础上进一步研究了采用基于t - s 模型的内模控制 算法作为局部模型控制器的模糊多模型揆制设计方法，以解决目前热工控制系统大 范阐变受祷时所弓l 起的控制对象藩线往问题，促进多模漤控制算法在热工系统中的 应用水平。 同时，本文还研究了种基于t - s 模型的热工系统在线辨议算法，以适皮近年 发腥起来的各种掰型控制舞法在线辫识系统模型的需要。 关键调；t - s 摸壁，摸裁辨谈，波摸控制，在线辫识 a b s 霉装a c 攀 i nt h i sp a p e r ，ii m p r o v e do n eo ft h et - sf u z z ym o d e l i n gs o l u t i o n s t h ei d e n t i f i e ri s a p p l i e e lt ot h ef u z z yi d e n t i f i c a t i o nf o rt h em a i ns t e a mm o d e la n dac o o r d i n a t e dc o n t t o ls y s t e m 。 a n dt h e n ，lb r o u g h tf o r w a r daf u z z ym u l t i p l em o d e lc o n t r o ls y s t e mw h i c hu s e st h ei n t e r n a l m o d e lc o n t r 0 1b a s e do nt - sf u z z ym o d e la si t ss u b - c o n t r 0 1 t h es i m u l a t i o nr e s u l t si nm a i n s t e a mc o n t r o ls h o wt h a tt h es t r a t e g yi se f f e c t i v e i no r d e rt om e e tt h ed e v e l o p m e n to fn e wc o n t r o la l g o r i t h m s ，an e wo n l i n et - sf u z z y m o d e l i n gs o l u t i o ni sa l s op r o p o s e di nt h i sp a p e r l i ul i ( c o n t r o lt h e o r ya n dc o n t r o le n g i n e e r i n g ) d i r e c t e db yp r o lh a np u k e yw o r d s ：t - sm o d e l ，f u z z yi d e n t i f i c a t i o n ，i n t e r n a lm o d e lc o n t r o l ， o n m l i n ei d e n t i f i c a t i o n 声明 本人郑重声明：此处所提交的硕士学位论文基于s 模型的热工系统模糊建模 与控髓，跫本人在华j e 毫力大学玻读硕士学位麓闽，奁簿繇摇下送行豹骚究王 乍帮 取得的研究成果。据本人所知，除了文中特别加以标注和致谢之处外，论文中不包含其 毽人已经发表或撰写过豹礤究残暴，也不黩禽为获缮华l 魄力大学或其毽教育规麴夔学 位戏证书而使用过的材料。与我一问工作的同志对本研究所做的任何贡献均已在沧文中 接了鬟确熬说臻势袋示了辫意。 学位论文作者签名 警亟日期：竺缉 1 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权保管、 著穗有关郝门送交学位论文韵原传与复印传；学校可以梁照影印、缩印或其它复刳手 段复制并保存学位论文；学校可允许学位论文被查阅或借阅：学校可以学术交流为 矮的，复划煺送稠交换学位论文；月意学校可以髑不同方式在不阏媒体上发表、转播学 位论文的全部或部分内容。 f 涉密瓣学位论文在辩密露遵守魏擒定) 作者憝名： 日期 导师签名 日期： 凌一事 0水十西掣塑 华北电力大学硕+ 学何论文 1 1 论文选题的背景和意义 第一章绪论 近年来，随着火电机组向大容量、高参数和高效率方向发展，对机组热2 1 2 自动 控制系统控制品质的要求也随之提高。在热工过程中，大多数热工对象，如主汽温 对象，往往具有较大的惯性和延迟，且是非线性和慢时变的，部分对象还是多变量 的，具有很大的不确定性和强耦合性，如单元机组负荷对象。因此，研究并改进电 厂热工过程的自动控制方法有着非常重要的现实意义。 建立精确的热工过程整体模型是对热工过程进行全局优化控制的基础，而热工 过程往往具有非线性和不确定性，传统的描述热工过程动态数学模型的方法，难以 建立非线性模型，从而难于精确表达热工过程及实施全局优化控制。因此，精确地 建立热工过程的非线性数学模型是整体优化控制必须解决的问题。 任何先进的控制算法都离不开系统的数学模型，因此，本文首先研究了基于t _ s 模型的热工系统辨识算法，并建立主气温对象及单元机组负荷对象的t - s 模型，在 此基础上进一步研究了采用基于t - s 模型的内模控制算法作为局部模型控制器的模 糊多模型控制设计方法，以解决目前热工控制系统大范围变负荷时所引起的控制对 象非线性问题，促进多模型控制算法在热工系统中的应用水平。同时，本文还研究 了一种基于t - s 模型的热工系统在线辨识算法，以适应近年发展起来的各种新型控 制算法，如模糊预测控制，自适应控制等在线辨识系统模型的需要。 1 2 模糊建模方法研究现状 在非线性系统的辨识与控制中，模糊系统表现出对系统良好的逼近特性。自从 6 0 年代后期，由l a z a d e h 所创立模糊理论以来，模糊理论在许多领域得到了研究。 近几年来，基于模糊推理的建模方法大概分为以下三类，下文将对这几种模糊建模 方法的研究与应用进行讨论。 1 2 1 基于模糊关系模型的建横方法 设系统的输入模糊集及相应的论域分别为j ，i = 1 ，2 ，n 。输出模糊集，和 相应的论域为v 。则系统得模糊模型为： f = x 1 x 2 一2 。r ( 1 一1 ) 其中，为模糊关系复合算子。常用的有极大极小算子，极小极大算子，强极算子等。 模糊辨识的任务就是从系统得输入输出数据对x i , y 确定r 。 华北电力大学硕+ 学位论文 基于模糊关系方程的方法使用简单，概念清楚，但辨识结果的精度较差。文献 9 提出了一种辨识模型误差的自学习辨识方法，使辨识精度得到一定的提高。文 献 1 0 提出了动态系统得模糊关系建模算法及实现。在其文中，采用牛顿梯度下降 方法对于模糊关系矩阵中的元素进行最优估计，这种方法的缺点是容易陷入局部极 值点。文献 儿 提出采用遗传算法对模糊关系矩阵的寻优。这种方法的优点是有效 地解决了模糊规则的获取与优化问题。 从大量文献看来，基于模糊关系得模糊辨识方法，使用简单，概念清楚，推导 容易。缺点是模糊关系方程求解困难，通常解并不是唯一，甚至是不存在的。 1 2 2 基于模糊神经网络的模糊建模方法 人工神经网络的研究主要是直接模拟人脑结构和功能，它的特性决定了对它的 研究最重要的价值之一是在智能化应用方面，而单纯研究神经网络来实现这一价值 是很困难的，所以必须把智能科学同对神经网络的研究有机地结合起来。基于神经 网络的模糊模型的建模，就是将模糊逻辑和神经网络有机地结合起来，即利用了神 经网络的学习能力，又利用了模糊逻辑的表达能力。 h o r i k a w a ，f u r u b a s h i 和u c h i k a w a 三人在s u g e n o 等人工作的基础上提出了基 于反向传播算法的模糊神经网络辨识方法。提出了三种有效的模糊神经网络的模型 1 2 ，其模糊神经元网络的基本结构如图卜l 所示，它由前提和结论两部分组成。 其中前提结构对三种模糊模型都是一样的，其功能是输入数掘模糊化，而结论部分 则对于不同类型的模型有着不同的结构。网络的学习可采用b p 算法进行训练，也 可采用遗传算法进行训练，自动求得模糊规则的参数。k ，。o 表示连接权值，为隶 属函数。 采用模糊神经网络的辨识方法具有。些优点：1 ) 具有学习能力，能够通过学 习算法，调整参数和权值，使辨识精度提高；2 ) 网络中的权值具有比较明确的意 义，可以很容易地表述成模糊逻辑规则；3 ) 满足模糊规则推理并行处理的需要：4 ) 能够做成硬件电子线路系统。 文献 1 3 提出了一种自适应网络模糊推理系统。这种系统包括了模糊神经的建 模与控制。仿真表明该方法计算速度快，比以往传统模糊神经网络的学习速度快了 许多。文献 1 4 提出了一种推广的模糊神经网络，并采用它进行分段建模，仿真结 果表明其网络学习算法的有效性和可行性。文献 1 5 是在h o r i k a w a 提出的第二种 模糊模型的基础上，进行了一次非线性映射，采用了一种前向神经网络的卡尔曼滤 波学习方法，求取网络中的参数和权值。文献 1 6 提出了一种模块化模糊神经网络， 将模糊模型的结构辨识和参数辨识，分别用神经网络实现，通过两个神经网络来确 立系统的模糊模型。 华北电力大学硕士学位论文 陵丰 。_ 一 培 论 t 聒撼瑚话 图1 一l 模糊神经网络结构 模糊模型神经网络的建模方法，引起了大量学者的重视。人们从网络结构上， 从网络学习速度上，从全局最优解上，从实时性上，不断进行深入研究，以期在某 个方面有所突破。 1 2 3 基于t - s 模型的模糊建模方法 t a k a g i 和s u g e n o 于1 9 8 5 年提出了著名的t s 模糊模型，该模型具有很多优点。 其规则前件是模糊变量，而结论部分是输入输出的线性函数，它以局部线性化为基 础，通过模糊推理方法来实现全局的非线性。由于这种模型使用了局部线性化函数， 能克服以往模糊模型的高维问题，所以已成为人们广泛使用的模糊模型。 文献 1 7 提出的模糊模型，也称为一阶ts 模型。国内外许多学者在此模型的 基础上进行了卓有成效的研究。在这些研究巾，有部分学者是从t - s 模型结构上研 究。h w a n g 和j o o 等人基于文献 1 8 提出的模糊聚类有效性的证明，提出了一种确 定系统模糊规则的最佳方案，在此基础一卜利用遗传算法进行了参数学习。w a n gl i a n g 等人提出了一种基于模糊聚类，通过线性插值计算给定样本隶属度的方法。该方法 在结论参数估计上采用了c h o l e s k y 分解的递推最小二乘法，具有将模糊模型的结 构辨识和参数辨识分离开的优点，能够进行在线模糊辨识。陈建勤，席裕庚等人在 t s 模型的基础上，提出了一种新颖的模糊辨识方法，在一定程度上解决了模糊模 型的在线辨识、自适应模糊推理以及结构辨识的问题。同时作者又在文献 1 9 中， 对模糊辨识中的理论进行了探讨，并建立了若干个定理，为模糊辨识领域提供了理 论依据。文献 3 9 ，4 0 中，王宏伟等人借鉴前人的成果，提出了一种基于卡尔曼滤 波方法的自适应模糊建模方法，通过模糊聚类确定系统模糊模型的结构，通过自适 应模糊推理将不属于模糊聚类里的样本重新定为一类，这样能够增加模糊距离的适 应能力，泛化能力。由于系统的测量存在噪声，所以可以采用滤波的方法确定模糊 模型中的参数。文献 3 中，吕剑虹等人总结了前人的思想，将传统的t s 模型进 行改进，避免了模糊规则中输入变量隶属度的求取，简化了参数辨识。本文将对该 华北电力大学硕士学能论文 模粼及其秘应妁辫识算法遴行磺究应雳。 1 3 多模型控制方法的研究现状 1 3 1 多模型控制产生的意义及主要研究方向 控制工程中的被控对缘可以称之为“不能精确知道的被控对象( c k p ，c o a r s e l y k n o w np l a n t ) ”，对c k p 问题进行控制蛉一般问题可以搂述为：若一个c k p 的所有 变化组成了集合s ，则寻找控制辩u ，使它与集合s 中的任何一个元索构成的闭环 系统都有满意的性能指标。 解决此类问题的途径之一是镶棒控制。它采用一个完全知i 馥的标称模型来设计 一个固定的控制嚣，并企图尽量优化闭环系统款稳定域。研究人员对鲁擦控制技术， 如l q g l t r 方法，；控制等，在热工自动控制领域中的应用也进行了广泛的探讨， 并耿褥了一定成果。由于人们希望使用一个固定的控制器来稳定整个集台s 中的每 一个元素，其代价必然是需要高废复杂的控制器，获得的性能剿由集合s 的大小及 控制器的阶数所决定。 解决c p k 问题的另个研究途径是自适应控制。它幽辨识器和控制器组成，其 直接控制方式需要一个可参数化的控制爨，使得 l l 环系统有着期望鲍形式；阕接控 制方式要求所选择的模型集合中存在能恰当表达实际对绿输入一输出关系得元索。 但是，这种传统的自适应擦制器设计往往基于一个参数嘲定或饿对变鲍系统模溅， 要求人们设计出适合于复杂系统( 如系统故障、予系统变化、传感器或执行器故障、 外部扰动、系统参数出现大的变化等) 的控制器进行控制，其效果往往不好网为 当系统从种操作环境突然变到另外一个操作环境时，系统的参数将产牛稂大变 化，这时常规的自适应控制器中的辨识器难于跟随参数的实际变化，造成模型不准 确，从而造成基于此模型设计的控制器性能不佳。 多模型控制则企图尽爨利用可获得鲍信息将器接设计、模式识别、照适应簿法 等有效地结合起来，把有限多个实现简单和固定的鲁棒控制嚣映射成能面对多种 g k p 、具有良适应能力的非线性鲁棒控制器。多模型控制灼思想在7 0 年代提出后， 经历了3 0 多年的发展，理论上各种多模型控制方法已鼹异彩纷呈，而且在许多应 用领域，预测控制成功应朋的报邋也是层出不穷。多模型预测控制算法、多模型自 适应控制算法、交互式多模型算法等多模璀控铷算法一出世就受到广泛注意，很快 有许多成功的应用。 1 3 2 多横型方法的关键问题 多模望方法对菲线性系统往往用多个线性模翟来逼近，是姣理菲线性系统常用 4 兰! ! 竖望查堂堕主兰兰焦堡茎 模型及其相应的辨识算法进行研究应用。 13 多模型控制方法的研究现状 1 3 1 多模型控制产生的意义及主要研究方向 控制工程中的被控对象可雌称之为“不能精确知道的被控对象( c k p ，c o a is e ly k w nd l a n t ) ”，对c k p 问题进行控制的般问题可以描述为：若一个c k p 的所有 变化组成了集台s 。则寻找控制器u ，使它与集合s 中的任何一个元素构成的闭环 系统部有满意的性能指标。 解决此类问题的途径之一是鲁棒控制。它采用一个完全知道的标称模型来设计 一个固定的控制器，并企图尽量优化闭环系统的稳定域。研究人员对鲁棒控制技术， 如l q g l t r 方法，。控制等，在热工自动控制领域中的应用也进行了广泛的探讨， 并取得了一定成果。由于人们希望使用一个固定的控制器来稳定整个集合s 中的每 一个元素，其代价必然是需要高度复杂的控制器，获得的性能则由集合s 的大小及 控制器的阶数所决定。 解决c p k 问题的另一个研究途径是自适应控制。它山辨识器和控制器组成其 直接控制方式需要一个可参数化的控制器，使得闭环系统有着期望的形式：i h j 接控 制方式要求所选择的横型集合中存在能恰当表达实际对象输入一输出关系得元素。 但是这种传统的白适应控制器设计往往基于一个参数崮定或慢时变的系统模型， 要求人们设计出适合于复杂系统( 如系统故障、子系统变化、传感器或执行器故障、 外部扰动、系统参数出现大的变化等) 的控制器进行控制，其效果往往不好因为 当系统从一种操作环境突然变到另外一个操作环境时，系统的参数将产生很大变 化，这时常规的臼适应控制器中的辩识器难于跟随参数的实际变化，造成模型h ：准 确，从而造成基于此模型设计的控制器性能不佳。 多模型控制则企图尽量利用可获得的信息将鲁棒设计、模式识别、自适应算法 等有效地结合起来，把有限多个实现简单和同定的鲁棒控制器映射成能面对多种 g k p 、具有自适应能力的非线性鲁棒控制器。多模型控制的思想在7 0 年代提出后， 经历了：j o 多年的发展，理论上各种多模型控制方法已是异彩纷呈，而且在许多麻 用领域，预测控制成功应用的报道也是层出不穷。多模型预测控制算法、多模型自 适应控制算法、交互式多模型算法等多模型控制算法一出世就受到广泛注意，很快 有许多成功的应用。 1 3 2 多模型方法的关键问题 多模型方法对非线性系统往往用多个线肚模型来逼近，是处理非线性系统常用 多模型方法对非线性系统往往用多个线性模型来逼近，是处理非线性系统常用 4 华北电力大学硕士学能论文 模粼及其秘应妁辫识算法遴行磺究应雳。 1 3 多模型控制方法的研究现状 1 3 1 多模型控制产生的意义及主要研究方向 控制工程中的被控对缘可以称之为“不能精确知道的被控对象( c k p ，c o a r s e l y k n o w np l a n t ) ”，对c k p 问题进行控制蛉一般问题可以搂述为：若一个c k p 的所有 变化组成了集合s ，则寻找控制辩u ，使它与集合s 中的任何一个元索构成的闭环 系统都有满意的性能指标。 解决此类问题的途径之一是镶棒控制。它采用一个完全知i 馥的标称模型来设计 一个固定的控制嚣，并企图尽量优化闭环系统款稳定域。研究人员对鲁擦控制技术， 如l q g l t r 方法，；控制等，在热工自动控制领域中的应用也进行了广泛的探讨， 并耿褥了一定成果。由于人们希望使用一个固定的控制器来稳定整个集台s 中的每 一个元素，其代价必然是需要高废复杂的控制器，获得的性能剿由集合s 的大小及 控制器的阶数所决定。 解决c p k 问题的另个研究途径是自适应控制。它幽辨识器和控制器组成，其 直接控制方式需要一个可参数化的控制爨，使得 l l 环系统有着期望鲍形式；阕接控 制方式要求所选择的模型集合中存在能恰当表达实际对绿输入一输出关系得元索。 但是，这种传统的自适应擦制器设计往往基于一个参数嘲定或饿对变鲍系统模溅， 要求人们设计出适合于复杂系统( 如系统故障、予系统变化、传感器或执行器故障、 外部扰动、系统参数出现大的变化等) 的控制器进行控制，其效果往往不好网为 当系统从种操作环境突然变到另外一个操作环境时，系统的参数将产牛稂大变 化，这时常规的自适应控制器中的辨识器难于跟随参数的实际变化，造成模型不准 确，从而造成基于此模型设计的控制器性能不佳。 多模型控制则企图尽爨利用可获得鲍信息将器接设计、模式识别、照适应簿法 等有效地结合起来，把有限多个实现简单和固定的鲁棒控制嚣映射成能面对多种 g k p 、具有良适应能力的非线性鲁棒控制器。多模型控制灼思想在7 0 年代提出后， 经历了3 0 多年的发展，理论上各种多模型控制方法已鼹异彩纷呈，而且在许多应 用领域，预测控制成功应朋的报邋也是层出不穷。多模型预测控制算法、多模型自 适应控制算法、交互式多模型算法等多模璀控铷算法一出世就受到广泛注意，很快 有许多成功的应用。 1 3 2 多横型方法的关键问题 多模望方法对菲线性系统往往用多个线性模翟来逼近，是姣理菲线性系统常用 4 华北电力人学硕_ ：学位论文 的方法和技术。对这类多模型系统控制问题，往往是先对每个子系统同时设汁多个 控制器，实际应用中根据模型的切换条件取不同的控制器的输出。但对于基于模型 切换的多模型控制来讲，从一个模型切换到另一个模型时，会引起系统的瞬念响应。 这晕，关键问题是在模型切换时如何做到控制平滑切换，克服模型切换带来的扰动 和瞬态响应。另外，模型集的选驳也是多模型控制算法的一个关键问题。出于多模 型控制算法是在多个模型的基础上建立控制器，所建的模型集相关匹配程度以及元 素模型的多少将直接影响控制的精度和性能。早期的基于概率加权的多模型控制大 多基于这样一个前提条件：己知被控系统的模型参数仅在元素不多的一个参数集合 中变化，这样便可用有限个模型来描述系统。在实际问题中，由于被控系统的外部 环境和系统模型参数变化很大，需用大量的模型来描述，来覆盖所有可能出现的情 况，包括被控系统参数变化和扰动突变的情况。文 2 0 ，2 l ，2 2 采用经验、知识的 方法构造模型集。文 2 3 通过辨识得到模型集，文 2 4 在辨识模型集上建立多模型 自适应，提高系统瞬态响应。文 2 5 提出了分片线性化方法辨识一类非线性系统， 给出了非线性系统的多线性模型表示。同时模型多了也会带来一个问题：在每一步 控制过程中，模型集中很大一部分模型与此刻的系统“真实”模型又相差甚远，这 样，造成控制器在计算上的浪费，增加了算法的复杂程度，降低实际控制过程的实 时性能。 1 3 3 多模型研究方法存在的问题和发展的方向 理论上多模型控制算法已经很丰富，发展起来的几种算法( 多模型预测控制算 法、多模型自适应控制算法、交互式多模型算法) 也很成熟。实践中多模型控制算 法也广泛取得了成功，但仍有许多理论和应用上的问题没有完美地解决，需要进一 步研究。 a 、多模型控制器的理论研究。如基于加权组合的多模型控制器的稳定性，基 于切换控制的非线性系统、离散时间系统多模型控制器的稳定性等。 b 、模型集的选取。模型集以及元素模型的多少和模型的相关匹配程度将直接 影响控制的精度和性能。 c 、优化模型集的研究。多模型控制器的缺点模型多、计算量大在保证控制 精度的前提下优化模型集，减少元素模型个数，提高计算速度。满足工业控制实时 性的要求。 d 、模型切换的稳定性研究。切换指标的选择是多模型控制的关键问题，它对 算法的稳定性、收敛性、系统瞬态响应具有至关重要的作用。 e 、对存在随机干扰的不确定系统多模型控制的研究，以及对模型阶次、参数 变化系统、非线性系统多模型控制鲁棒性的研究。 s 华，i l 电力大学硕士学位论文 1 ，3 4 搂糊多模筵控裁 震要孵决的多摸型控制的关键超题之一是在模型切换时如翘馓剥控制平滑切 换，克服模型切欹带来的扰动和瞬态响应。基予模糊规则的多模型控制( 简称为模 糊多模型控制) 魁基于概率如投和形式的多模型控制方法的一种，它的优点是模型 切换、过渡比较平缓。模糊多模型控制可以分为基于隶属度加彼和的模糊监督控制 以及基于t s 模糊模型和l m i 的p d c 控制两个研究方囱 2 4 。本文将对基于隶属度 加杈和的模糊监督控制的研究现状进行详细介绍。 通常，控铡系统工俘空间是有疆的，因此，可以在一个小区域内，印在一个工 况点附近，建立一个线性时不变模型和相应的控制器来实现控制目标，这样就只需 要少量的摸型和控铡器来保证系绞在不网工况点的稳窆性和控制品质。监督器的l 乍 用是在给定的工作条件下根据所得信息逸择合适的控制器，并保汪在不同工作点的 控制器阍遴季亍平游的切换。 模糊监督控制实际上是一种模糊自适应控制。“监督”的含义就怒对控制系统 的控铡憾形进行“监督”，规其： 乍效卷对底屡控制器进行调憋。底鼷控到器可以 是模糊控制器，也可以是p i d 或其他形式的控制器。模糊监督控制将一个复杂系统 的控制闫题拆分戏了一些较简单系统的挖制闯慰，困弼海低系统豹控制难度。模糊 监督控制从本质上来说也是一种变结构控制，文献 2 4 在一定假设条件下，通过选 择特定形式豹l y a p u n o v 函数，证明了蝴接模糊监督控制本质上是一弛变结构控 制，因此模糊监督控制可以称之为模糊化边界屠的模糊变结构控制。这在一定程度 上解器了为什么模糊监餐控制可以比镑对某一 i 况点模型所设计的控剀器取得更 好控制效聚的原因。 模糊黢餐控制的主要调整手段是对监督器的隶属甄数进行调整，珂【蔓调整理数 函数的形状、宽窄、重叠程度等，来对般督效果进行控制。文献 2 j 对模糊模型的 切换原则送行了研究，它酋先给出j # 线性系统的线性多模糊模型表示，然后根据实 际对象在不同运行点附近的状态，采用觳多隶属度原则识别匹配模型，并选择相应 控制器。 模糊髓督控制在工业过程中也取得了很多应用成果。文献 2 6 2 7 将模糊监督 控铡应用予典型的工业炉过程按铡中，取撂了缎好豹控制效果。文献 2 8 通过孛凡械 系统动力学分析和计算机仿真结果相结合，提出了同向回转双机传动振动系统中两 个镳心转予的相位差筑模糊监督控制方浚，为舆有复杂数学模型的j # 线性系统的模 糊控制规则产生方法提供了一条新途径。 6 华北电力大学硕士学位论文 。4 本文的主要婿究凌容 建立精麓戆热工过程整落模型是对热工过程遴行垒鲻钱化控割粒蒸麓，焉热工 过程往往熟有非线性和不确定性，传统的描述热工过程动态数举模型的方法，难以 建立 线憋模型，从两鼹子精确袭达热王过程及实整全局毯纯控裁。镣馋先遴静控 制算法都离不开系统的数学模型，因此，本文首先研究了基于t - s 模烈的热工系统 鼗识嬖法，并建立主气遗对象及单元掇缎负薄对象豹t - s 模型，在我基礁上遽步 研究了采用基于t s 模型的内横控制算法作为局部模型控制器的模糊雾模型控制设 计方法，对一个主汽涅对象进毒亍控划。网时，本文还磅究了一葶孛基于t - s 模型鼹热 工系统在线辨识算法，以适应近年发展越来的各种新型控制算法。本文主要研究的 峦褰包括： 1 4 1 模糊建模方法的应用研究 ( 1 ) 旗子t s 模型的热工系统模糊建模方法的研究。首先给出了t - $ 模糊模型 的定义，磷究了萃中基予改进t s 模型的模糊辨识算法并进行淑进。将该方法应用 于建立b o x ”3 e k e i n s 实测数据锅炉模型殿某电厂3 0 0 m w 机组协调控制系统模型，并 与其他方法进行比较，验证了算法的有效性。本文的第二章研究了以一t 内容。 ( 2 ) 旗于t s 模型的在线辨识算法研究。在研究第二章所述的辨谈算法的基础 上，提出用一种改进的用t s 摸型实现j # 线性系统在线辨识的算法。邋过样本与聚 类中心矢潋之间的贴近度来修正聚类中心，并根据样本别中心矢量的躐离对输入数 据空间进行划分。在此基础上利用递推最小二乘算法辨识出模型的结论参数。论文 的第三章给出了疑体的算法步骤，并将政方法用于辨识b o x j e n k i i s 燃烧炉t s 模 型和单元机组的协调控制系统模趔。结果表明，该方法具有简单，实用，辨识精度 高等优点。 1 4 2 模糊多模型控制仿真研究 在本文的第四章中，首先研究了一种基于隶属度加权和的模糊监督控制系统的 设诗方法。箍密一释基于t - s 禳黧的内禳控铡算法，以仿真麓形式，说萌了该方法 比般p i d 控制算法及一般内模控制算法更具有鲁棒性。然后针对某趟临界6 0 0 m w 矗浚锅炉主汽瀑对象，设计了其体的模灏多模黧控制系统。 华北电力大学硕士学位论文 2 1 引言 第二章基于改进t s 模型的热工系统辨识算法 在非线性系统的辨识与控制中，模糊系统表现出对系统良好的逼近特性。近年 来，t s 模糊模型的研究和应用引起了众多学者的兴趣。传统的t s 模型需要复 杂的非线性动态规划来确定模糊规则，模型的结构和参数，难于实现模型的在线辨 识。文献 2 中提出了一种对规则的前件结构简化了的模糊模型，与传统的t - s 模 型相比，这种模型有效地简化了模型的前件，但由于该模型的结论部分仅是静态的 输出数据，尽管理论上证明了该模型能逼近任何一个非线性函数，但实际上仍需要 大量的模糊规则彳能实现。 文献 3 在综合各类辨识算法优点的基础上，提出了一类新的能表达热工过程 非线性的模糊规则模型。该新的模糊规则模型具有辨识精度高，所需的模糊规则少 及算法计算简单等优点。文中给出了模型参数的辨识算法，但对模型结构中输入输 出变量阶次的确定没有具体的方法，对初始聚类中心的选取也需要通过一定试凑才 能获得。 基于以上问题，本文将采用启发性知识与复合非线性优化方法相结合的综合方 法求解出模糊模型的结构【4 1 ，然后通过基于熵的聚类和竞争学习算法对热工过程的 输入数据空间进行划分，由于熵反映了数据的混乱程度，对于熵越小的点，该点周 围的数据分布越集中。因此，可以找出熵最小的几个点，作为数据的初始聚类中心， 然后通过竞争学习，确定最终的聚类中心。在此基础上利用递推最小二乘辨识算法 建立热工过程的t - s 模型。 2 2i - s 模糊模型的定义 2 2 1 传统t - s 模糊模型 一般将z a d e h 于1 9 6 5 年提出的模糊模型”1 称之为“标准模糊模型”，而将 t a k i g i s u g e n o 于1 9 8 5 年提出的t s 模糊模型称之为“函数模糊模型”。t s 模型 的规则前件是一系列的模糊集，后件事一个线性函数表达式，其定义如下： 对于一个m i m 0 非线性系统p ( 的可划分成q 个m 1 8 0 系统，所以只对一个m i s 0 系统进行研究即可。其中，u c r 9 ，j ，是系统输出，y c r q 。p ( , ”的第j 个i l s 0 系统的t s 模型可描述为： r 1 ：i fx 1is 4 ：a n dx 2 is a i a n d a n dx ki s 4t h e n y = p ；+ p j z l + + p l x ，f = 1 ，2 ，一，n 。 ( 2 - 1 ) 8 华北电力人学硕士学位沧文 其中r 1 表示模型第i 条规则，_ ，叠，_ 表示模型的输入变量爿0 爿i ， ( f _ l ，2 ，”) 是相应输入变量的隶属函数，n 为模糊规则个数。戌，p o p ；， 论参数。系统的输出可表示为： y = y w w = 爿j ( x ，) ，、爿八x i = ：1 ) ，、，人：( x 。) 于是系统的输出可转换为： a ： p ：是结 ( 2 - 2 ) ( 2 3 ) v y = v ( p ：+ p ：x + - + p k x t ) ( 2 4 ) = l，= l t s 模型具有很多优点。由于其规则的前件部分是模糊变量，而结论部分是输 入输出的线性函数，它以局部线性化为基础，通过模糊推理的方法实现了全局的非 线性。但该模型也存在一定的局限性，如模糊规则的确定需要复杂的动态规划来求 解，难以实现在线辨识。 2 2 2 改进t - s 模糊模型 传统t s 模糊模型需要复杂的动态规划来确定模糊规则，模型的结构和参数， 阻碍了它的应用。文献 2 提出了一种对模型前件进行简化了的模糊模型，但模型 的结论部分只是静态数据，在应用中需要大量的模糊规则。因此，寻求一种既有传 统t s 模型线性函数结论的优点，又能减少模糊规则数目的模糊模型，具有非常重 要的意义。 文献 3 在综合各类辨识算法优点的基础上，提出了一类新的能表达热工过程 非线性的模糊规则模型。该新的模糊规则模型具有辨识精度高，所需的模糊规则少 及算法简单等优点。该模型可描述为： 一个多输入多输出系统p ( u ，y ) ，u 是系统输入，u c r ”，y 是系统输出，y c r “。 同样我们仅考虑一个m i s o 系统，则该非线性系统可以由如下”个模糊规则方程表 不： i f x ( q ，i ) t h e ny i = y ；。+ o i t x ， ( i = 1 , 2 ，”) ( 2 - 5 ) 式中x 为模糊规则的输入向量；c ，是第i 个局部数据输入的中心和相应的半径： y ，是第i 条规则的静态输出数据，即为第i 个静态输出中心；o i 为待辨识的参数向量 月为模糊规则数，即在整个输入向量空间中所划分的局部输入区域数。 由式( 2 5 ) ，基于模糊推理的整个非线性模糊模型的输出为： w ；( y 。+ 彰x ) 垆1 i z 一 9 ( 2 - = 6 ) 二y 。 华j 匕电力大学硕：t 学位论文 式申各权系数砩可搬攒输入向量x 与各弱部基城中心c i 之闾静躐离来获褥。朝为 矿i i x - c 月 矿l l xc 忙 ( 2 - 7 ) ( 2 5 ) 式所定义的模糊规则模型，简化了传统的t s 模型规则的前件，同时模型 的终论部分是一个线性模型，馁予嬲线性理论静方法来设计控制器。 2 3t - s 模型的辨识 t - s 模糊模型的辨识方法有很多种，本文将对文献【3 】所述的辨谈算法进行研究 著 乍一定的教进。 2 3 1t - s 模糊模型的结构辨议 模糊模型结构的辨识包括模整前件结构和盾俘结构的确定。对( 2 - 5 ) 式所表 示的模糊模型结构，采用启发性知识和复合非线性优化方法相结合的综合方法对模 糊模型的结构避行确定“1 。 对于个m i s 0 系统，由启发性知识可知，模糊模型的前件和后件参数中定 含有所有输入向鬣，和输出变量n 由藏可以初步确定模型的缩幸哿为： “l ( 一f l m 1 ) ，“，( 七一，p ) ，一，“p ( 女一t p 一”! ，) ( 2 8 ) 式中t ，f 。为缝滞聪对间，! ，m l ，- + 搬为输入变量髑竣出变量豹除次，可以通过尝试 采用1 阶、2 阶，的结构来确定。若通过实验，采用低阶模型和高阶模型的辩识 精度占= 吉辜( 儿一；。) 2 麓值变化不火时，则可采用较低阶次的 模型。模型参数缩构( 即羞分方程结构) 的确定，可以通过对系统输入某些激励信 号，采用一条模糊规则，对不同的参数结构模型进行辨识，选择辨识精度高的模型 作为最终的模糊模型。 2 3 2t - s 模糊模型的参数辨浚 2 ，3 。2 ，1 竣入空阉的聚娄 a 、基于熵的初始中心聚类 豢焱戆模期系统中，辕入窆闽都是人为划分约。为了运戮糖度要求，豢零簧对 每个分量划分较多的区间。这样，当输入变量维数较多的时候，输入划分子空间将 l e 圳一 睦 ， 一 o l ，；，。，、l f w 华此电力大学硕士学住论文 蔽糖数形式增长。为此，本文将弓l 爝文 5 】中基于熵翁数据聚裘葵法，寒确定输入 数据的区分和初始的输入中心。具体算法如下： ( 1 ) 对个输入数疆石= 讧，x ：，x 。；诗簿薅应于每个输入数据t 静璃 e ；f = l ，2 ，) 。 e 。= 1 0 9 。岛+ ( 1 + ) l o g ：( 1 一s o ) 】 ( 2 - 9 ) f 式中，s 是输入数据工。和之间的贴近程度，计算如下： s 口= s ( x ，肖，) = e - 0 陋 ( 2 1 0 ) 最靛敬馕蕊溷为 0 ，1 ，当取值接近予l 对，表鹗两个输入数搬之潮豹距裹缀返， 可归属于同一个数据输入区域。 ( 2 ) 出予熵反映了数撼的混乱稔度，对予熵越小豹点，出式( 2 - 9 ) 可知，该点与 其他数据之间的距离越近，因此可以把它作为数据初始的聚类中心。假设需臻划分 的嚣域数必黠个，则可选撵对应予嫡墨最小的翦摊个输入肉量蠢，x 。x 。作为孛刀始 的周部数据区域的中心c = c 。c ：，吒) 。 b 、利用竞争学习算法对聚类空蚓进行修手 基于熵的聚粪算法得到初始的局部数据区域中心，还需要采用带有明显统计意 义竞争学习算法对输入空间的数据按数据的密集程度对其进罩亍输入空间的划分， 通过竞争学习算法进一步修正局部区域中心。本文采用的竞争学习算法如下： ( 1 ) 通过上聪的聚类，初步获彳导聚类数”秘初始中心c ， ( 2 ) 对于任意一输入向量x ( ) ，依输入样本密度确定最近的中心点o ， 织f i x ( t ) 一q | | = m i n p ，k ) 一q l ( 2 - 1 1 ) 鼠= 碑， ( 2 1 2 ) fj p i 波示孛一0 点e ；辫选样本麴密集疆凄，椎f 为e ；被选为最近煮数次数。 ( 3 ) 修正c ； 驴”l m c 2 名， ( 2 1 3 ) e 馨+ 1 ) = e 一1 ) + g ，i x ( t ) 一e 馥一1 ) 】 式中搿。为学习速率且应逐渐衰减，使用般 i x t ) - c 。9 进行比较，可使p ，参与竞争，从 而避免一般竞争学习中的毵点问题，使既点有讥会竞争。 华北电力大学硕士学位论文 2 3 2 2 涎域潮分逑雾韵确定 对于非线性系统的模糊建模，区域划分是缀重要的环节，区域半径的选撵对解 决过拟合和泛纯稳之间的矛盾戳及减少鲻分区域的数醋都是穰有意义静。暴体算 法： ( 1 ) 闽定聚黉中心。，设鬻裙始输入半径0 = ( i = 1 , 2 ，f ) 。 ( 2 ) 对任意输入样本x ( ) ，确定与之最近豹输入中心c 。， i i x ( t ) - c 。w i - - m i n l l x ( o - c i ( 2 - 1 4 ) ( 3 ) 掰新输入区域半径， _ ( 。+ 1 ) = | j x ( f ) 一c s j l x ( j _ 。一l | ( 七) ( 2 - 1 5 ) l ( 是+ 1 ) = 露) ，i i ( o e 。l 墨东) 2 3 。2 ，3 规则结论参数的辨识 由前面的定义可知，每条规则的前件部分对应一个输入划分区域，而结论部分 则楚一个怒平覆，裰摄绘是的竣入输出样本，可由如下算法确定出静态镶出y ，程援 则动态参数旦： a 、 静态输出y 。豹瓣谈 ( 1 ) 选择训练样本工o ) ，卵) o = i ，2 ，) 固定输入区域划分参数c ，( i = 1 ，2 ，”) ； ( 2 ) 逐个剩毅静态输出y “ f ”f ( k + 1 ) = n i ( ) 十l i f i i x ( , ) - c , t l i ，t h e n ， 。f f 是+ 1 ) = y ，f ( 是) ( 2 - 1 7 ) b 、动态参数只的辨识 对子模襁蕊刘的动态参数，本文采i l 常规的递稚最小二乘法获得： ( 1 ) 固定( c 。，t ) ，y 初始化矩阵p f ，p ；= 耐，甜= 1 0 6 ，为单位矩阵； ( 2 ) 任慧选择一维诩练数蠢并( f ) ，y ( f ) ，叠= 1 , 2 ，n ) ，取( i = 1 , 2 ，月) ，逐个嗣 新动态参数o i ： 孵均= 志器鬻 g ( 露+ 1 ) = 舅( 枣) + 只( 壶+ 1 ) y p ) 一y 。一z ) 7 谚( 女) 江g 1 2 华北电力人学硕士学位论文 是f ( ) = 孟。置f ( 奄+ i ) + l 一磊 ( 2 - 1 8 z r 肥h 埔孙n 雠浆黑( 2 - 1 9 ) 在y 棼鹣学习过程中，y 最豹掺聂与否，燕裁援谢练群本楚委覆予禁区域嚣定， 这种修f 算法具有模糊特性。 2 3 2 4 翻遭应禳猢搀毽 利用训练样本得到( 2 - 5 ) 式所示的模型后，对于任意新的输入，可根据模糊 维瑗得瑙稚线性模型的输出。出于调练样本不可能充满整个输入空闻，可髓会出现 所划分的区域并集小于输入空问的情况，因此采用如下的白适应模糊推理方法： 由式( 2 - 6 ) 一( 2 - 7 ) 计算模型的输出，若嵋= o ，则以辨为步长，逐 个增加每个输入区域的半径，即：i ( 七十1 ) = ( ) + 张，( i = 1 , 2 ，n ) 直到某些区域包 含新豹输入为止。蹿的选择与聚嶷个数荫关，当聚类个数较多时，聚类区域并集接 近于输入空间，系数野可取小的而不影响推理结梁。 2 。4 计算实例 2 , 4 。1b o x 。j e k i n s 燃烧炉t - s 模型的建立 b o x j e k i n s 燃烧炉模型“3 曾多次被人们引用来验证建模方法的有效性，本文同 群譬| 角浚模登，谈嘲繇述的建模方法酶鬃体步骤。建立燃烧炉静t - s 橇登，其中输 入数据u ( k ) 是甲烷的流量，输出数据y ( k ) 是炉膛出门排烟中c 0 ：含量的百分比。 2 4 1 1 谈鍪结梅辨谖 由启发性知识，选取模型的结构为： y ( 七) = f y ( k i ) | y ( k n ) ，u ( k d ) ，- u ( k d 一) 】 ( 2 - 2 0 ) 式中d 为系统对强玲次，式中拄，掰为输出变量秘输入变量的黔次，果翔文中所述 1n “ 的参数辨识方法，l 条模糊规则得到辨以精度占= 亡( 乩一y k ) 2 的值如下： 盘主露麓辨浚结栗可滋看爨，黠浚熬工系统豹瓣识，可采嗣二除系统。对模鍪 参数结构的辨识，同样采用文中所述的参数辨识方法，1 条模糊规则，得到不同结 1 3 华北电力大学硕士学位论文 梅麓分方赣模壅静辨谖绣柒舞下： 表2 - 2 结构参数辨识结果 矗= c 参数结构 摸受精发0 6 9 5 30 。4 8 6 4 由表1 、2 的辨识结果可以得出，模糊模型的结构为： y ( k ) = f u ( k d - t ) ，u ( k 一蠢一2 ) ，y ( k l 冀y ( k 一2 梵 ( 2 - 2 1 ) 选驳系统时延阶次d = 2 ，则模型的输入向量为： 【u ( k 一3 ) ，u ( k 一4 ) ，y ( k 1 ) ，y ( k 一2 ) 】( 2 - 2 2 ) 2 。4 1 。2 模鍪参数辨谖 选取式( 2 2 2 ) 为模型的输入向量，输出变量为y ( o 。根据前丽的辨识算法，选 取不同的分区数，得到辨识结果如下： 表2 - 3 分医数辨识结果 分区数c 1234 5l o l 攘鼙穰霾 疆4 8 6 40 。3 9 4 70 3 2 9 6o 2 8 7 2 o 2 3 8 6 0 2 1 5 9 考感到模型分送数越多，诗算量越大的原因由表2 - 3 可知，选取模型分区数为 5 较为合适。得到相应的聚类中心： 分嚣耱应半