HTML
-
模糊理论自20世纪50年代被ZADEH教授提出以来,经历几十年的发展,已经广泛应用于数学、控制、计算机等领域。模糊逻辑在分析问题时类似人脑逻辑,因具有一定的智能化,在当下具有广阔的应用前景[16]。
-
模糊逻辑在控制领域的应用主要是模糊控制器,其经典结构如图 3所示。包括4个步骤:(1)模糊化:将输入的精确量模糊化,为其分配隶属度函数和论域,便于进行模糊推理过程;(2)规则库:是FLC的核心部分,指导模糊推理的进行。传统规则库的建立依赖专家经验,规模太小模糊推理不够准确,规模太大会使计算时间过长,失去实用价值; (3)模糊推理:输入值经过模糊化以后,按照规则库的设定进行计算推理,得到模糊输出; (4)解模糊:将模糊输出精确化,是解模糊的反变换,类似于模/数与数/模过程。图中,u表示某部分的输出。
-
动态高型控制存在的两个难题如第1节中所述,模糊逻辑的特性可以解决这两个问题。
针对问题1:在系统运行过程中,积分环节的接入和断开会改变误差范围,人为设置的型别切换误差阈值就不再适用。传统的二值逻辑只能使用精确值作为输入,但在实际系统中误差值是一个范围,没有精确的理论指导,使得阈值难以确定。而FLC的输入量是一个范围,每一个误差可以用隶属度函数来表示它对整个系统性能影响的大小。如图 4所示,横轴x表示输入误差,纵轴μ表示每一个误差所占的权重,是正态分布(高斯分布)。这种方式的优点是可以将全部的系统误差都考虑在内,而不必人为给定阈值,更具科学性和准确性。
针对问题2:通过设置合理的规则库及输出隶属度函数,可得到变化的输出信号,以此作为积分环节的增益,将“积分开关型”转化为“增益变化型”,改突变为渐变。当增益为0时相当于积分断开,而随着误差的变化,积分环节的增益也动态变化,实时对系统进行调整,既增强了系统的动态反应能力,也消除了型别突变带来的抖动。
-
FLC根据系统误差状态进行条件判断,经计算得出输出参量。本文中在经典的Ⅰ型双闭环反馈控制模型基础上,并入一个积分环节将系统变为Ⅱ型,引入一个FLC来控制积分环节的增益值,以此构成模糊Ⅱ型控制器,其结构如图 5所示。
FLC为两输入单输出的Mamdani型,它结构简单,规则库设置方便,模糊推理过程可视,是最常用的FLC形式。输入变量为系统误差e及其变化率Δe,输出动态变化的k即为积分环节的增益。当k=0时表示积分环节断开,k>0时动态变化以实时调整系统状态。
规则库来源于专家经验,所以需要首先分析系统的状态及其对应的输入输出规律。当e·Δe > 0时,误差绝对值有增大的趋势,此时应使k值较大,以迅速抑制误差;当e·Δe < 0时,误差绝对值有减小的趋势,应适当减小积分增益以免矫枉过正。规则库的规模大对系统运行状态有很大影响。规模大,运行结果精确,但运行速度慢;规模小,运行速度快,但会忽略一部分条件。综合来看,本文中选用5×5的规则库,兼顾运行速度和精确度。
输入和输出的隶属度函数分布如图 6所示。其中5个语言变量Nb,N,Z,P,Pb分别代表负大、负、零、正、正大,其论域要根据具体系统而定。输出隶属度函数中Nb=0,代表积分环节断开,此时系统仍是Ⅰ型。规则库设置如表 1所示,第1行表示误差e,第1列表示误差变化率Δe,中间表示积分增益k。
Nb N Z P Pb Nb Pb Pb N Nb Nb N Pb P Nb N N Z Nb Nb Nb Nb Nb P N N Nb Z P Pb Nb Nb P Pb Pb Table 1. Fuzzy control rules
图 7为规则库的3维分布。x轴为e,y轴为Δe,z轴为k,从图中可以直观看出不同的输入量对应的输出量。然而,FLC由于过于依赖专家经验,往往难以达到最优状态,比如规则库的设定、隶属函数的形式和比例因子的大小等都难以确定。研究者们结合不同的智能算法对其进行优化,如引言部分所述。前面已经分析了误差e与误差变化率Δe与k值的关系,以此指导规则库的设计,同时可以据此确定隶属度函数分布;然而输入输出比例因子却无法由系统状态人为给定,所以经过综合比较本文中探索使用遗传算法对FLC的比例因子进行优化。
2.1. 模糊控制器基本结构
2.2. FLC解决动态高型两个难题的原理
2.3. 模糊Ⅱ型控制系统
-
本文中所用的光电跟踪系统模型为快反镜实验平台实测所得,其被控对象的传递函数Gv为:
基础的双闭环反馈控制系统结构如图 1所示,设计内环速度控制器Cv为:
设计外环位置控制器Cp为:
以阶跃信号[r(t)=500(t)]作为测试输入,用示波器显示响应曲线,计算系统JITAE值,以此作为系统阶跃响应综合品质的指标。由于本文中重点研究高型系统对稳态精度的提升,因此截取输出信号的稳态部分计算其平均值,将其与输入信号值作差得到|es|。
为了充分表现经MPGA优化的模糊Ⅱ型控制器的先进之处,分4个步骤进行仿真:(1)在只有位置控制器Cp的系统中实验; (2)在Cp之前并入一个积分环节使系统提升为Ⅱ型,令积分增益k分别为1, 5和10做对比实验; (3)在积分环节前接入FLC得到模糊Ⅱ型控制器,如图 5所示,令Ke, Kc, Ku都为1,进行实验; (4)引入遗传算法。
为了体现MPGA比SGA的优越,做两组对照试验: (1)GA-1为SGA优化FLC; (2)GA-2为MPGA优化FLC。对以上4个步骤按顺序进行仿真,实验结果在表 2中进行总结。
step scale factor JITAE |es| 1 — 2.888 3.58 2 1 3.060 3.75 k 5 3.400 1.62 10 3.172 0.12 3 ke kc ku 2.357 1.45 1 1 1 4 GA-1 0.0006 0.9994 0.001 2.873 3.56 GA-2 0.6953 0.3047 2.6288 2.238 0.41 Table 2. Comparison of simulation results
-
为了分别展现FLC和MPGA的对系统动态特性的影响,分两步进行对比。
图 9为步骤(1)~步骤(3)的阶跃响应对比图。图中6条曲线分别为:输入信号、步骤(1)输出信号、步骤(2)中3个k值下的输出信号,以及步骤(3)加入FLC后的输出信号。通过对这3个步骤对比,可以得出:接入积分环节之后,超调量随着k值增大而增大,证明系统型别升高会带来震荡,破坏稳定性;而接入FLC之后,与原系统相比,超调量没有变化,说明模糊控制器可以抑制高型震荡。
图 10为步骤(3)、(4)的阶跃响应对比图,图中5条曲线分别为:输入信号、步骤(1)输出信号、步骤(3)输出信号,以及步骤(4)使用两种遗传算法优化FLC后的输出信号。通过这3个步骤对比,可以得出:经遗传算法优化后的系统阶跃响应无明显变化,说明遗传算法的接入对动态响应特性影响不大。
-
对图 9和图 10中0.5s~1s的稳态部分放大,得到图 11和图 12。再结合表 2中各步骤es值进行分析。
Figure 11. Enlarged steady-state view of 0.5s~1s in Fig. 9
Figure 12. Enlarged steady-state view of 0.5s~1s in Fig. 10
由图 11可知,对比步骤(1)和步骤(2)可以看出,系统型别升高可以明显减小稳态误差;对比步骤(2)中3个不同k值下的|es|值可知,k值越大,系统稳态误差越小;由步骤(3)可知,FLC的加入会使k值动态变化,稳态误差由k值决定。
由图 12可知,经过遗传算法优化之后的系统稳态误差进一步减小, GA-2中稳态误差比步骤(1)减小了88.5%。这符合预期,原因在于遗传算法可以根据系统状态实时调整FLC的3个比例因子,使稳态误差保持最小,不需要依赖专家经验,避免了人为因素的干扰。
-
图 13和图 14分别为SGA和MPGA的进化过程图。横轴为进化代数,纵轴为适应度函数。SGA虽然在第6代就已经收敛,但是从表 2可知,GA-1中Ke≈0,Ku≈0,JITAE与es值与步骤(1)无异,FLC实际并没有在系统中起到调节作用,这表明SGA出现早熟收敛问题。而MPGA在第18代收敛到最优值,由表 2可知, 此时GA-2中JITAE=2.238,|es|=0.41,在所有实验中综合品质最好,稳态精度最高,说明MPGA避免了SGA的早熟收敛问题。
-
图 15为GA-2实验中系统误差与FLC输出关系图。可以看出,随系统误差e与误差变化率Δe的变化,FLC的输出即积分环节的增益也在动态变化。这说明本系统可以动态切换系统型别并且实时调整积分增益,满足了动态高型技术的要求,并证明了动态高型技术在提高系统稳态精度方面的优势。
综合以上分析可知:经MPGA优化后的模糊Ⅱ型控制器既提高了系统的稳态精度,又抑制型别变化带来的震荡,使系统的综合响应品质达到最好。