米文鵬+蔣奇英+郭剛

摘要：模糊控制及滑?？刂谱鳛閮煞N先進(jìn)的控制方法，有著非常好的優(yōu)勢，但也存在著缺點(diǎn)，結(jié)合兩者的優(yōu)點(diǎn)，互補(bǔ)其缺點(diǎn)，從而形成了模糊滑模控制律，本文主要概述研究了模糊控制的一些基本算法。

關(guān)鍵詞：模糊控制；滑?？刂疲粡?fù)雜系統(tǒng)

中圖分類號(hào)：G632 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：1002-7661（2014）14-094-01

隨著控制理論實(shí)踐的不斷深入，被控對象的結(jié)構(gòu)及數(shù)學(xué)模型也越來越復(fù)雜，呈現(xiàn)出時(shí)變性、多輸入多輸出、高度復(fù)雜性、非線性、不確定性等特點(diǎn)。面對這些復(fù)雜特征，傳統(tǒng)的基于精確數(shù)學(xué)模型的控制理論的局限性日趨明顯，于是出現(xiàn)了諸如變結(jié)構(gòu)控制、自適應(yīng)控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制以及智能控制等新的控制手段。本文就模糊滑?？刂频漠a(chǎn)生及發(fā)展現(xiàn)狀做簡單介紹。

滑?？刂埔蚱洫?dú)特的優(yōu)勢在伺服機(jī)構(gòu)、飛行器控制等領(lǐng)域有著廣闊的發(fā)展前景。但是，實(shí)際系統(tǒng)由于切換裝置不可避免地存在慣性，變結(jié)構(gòu)控制在不同的控制邏輯中來回切換，會(huì)導(dǎo)致實(shí)際滑模運(yùn)動(dòng)不是準(zhǔn)確地發(fā)生在切換面上，容易引起系統(tǒng)的劇烈抖動(dòng)。這一缺點(diǎn)使其在實(shí)際應(yīng)用中受到了很大的限制。抖動(dòng)不僅影響控制的精確性，增加能量消耗，而且系統(tǒng)中的高頻未建模動(dòng)態(tài)很容易被激發(fā)起來，破壞系統(tǒng)性能，甚至使系統(tǒng)產(chǎn)生振蕩或失穩(wěn)，損壞控制器部件。而將模糊控制與滑模變結(jié)構(gòu)控制結(jié)合應(yīng)用來克服變結(jié)構(gòu)控制所帶來的抖動(dòng)便成為很多專家學(xué)者的研究重點(diǎn)。

一、常規(guī)模糊滑模控制

模糊控制和滑模變結(jié)構(gòu)控制各有優(yōu)缺點(diǎn)，有某種相似之處，又有互補(bǔ)之處。90年代以后專家學(xué)者把二者結(jié)合，構(gòu)成模糊滑?？刂疲瑢?shí)現(xiàn)兩者之間的取長補(bǔ)短。同時(shí)還可在一定程度上削弱或克服滑模變結(jié)構(gòu)控制的抖動(dòng)現(xiàn)象。目前，模糊控制與滑模變結(jié)構(gòu)控制的結(jié)合運(yùn)用主要有以下三種方式[1]。

1、通過模糊控制規(guī)則自適應(yīng)地調(diào)節(jié)符號(hào)函數(shù)項(xiàng)的值，可以在保證趨近速度和減小抖動(dòng)的前提下較好地選擇和 。

2、通過模糊控制規(guī)則直接確定滑?？刂屏浚粗苯影亚袚Q函數(shù)及其微分 作為輸入量，通過模糊推理獲得滑?？刂频目刂屏俊?/p>

3、變結(jié)構(gòu)控制、模糊控制的復(fù)合控制策略。在大偏差時(shí)采用滑模變結(jié)構(gòu)控制，在小偏差時(shí)采用模糊控制的運(yùn)行方式。

二、自適應(yīng)模糊滑?？刂?/p>

普通的模糊滑?？刂频脑O(shè)計(jì)仍然是基于經(jīng)驗(yàn)的。由于模糊規(guī)則的選取有很大的任意性，在很多情況下有效經(jīng)驗(yàn)的獲取并不是容易的事。為了達(dá)到一定精度，選擇的模糊規(guī)則可能非常復(fù)雜[2,3]，且系統(tǒng)參數(shù)在控制過程中也沒有自適應(yīng)和自學(xué)習(xí)能力。為使系統(tǒng)在不確定性以及對象出現(xiàn)參數(shù)和結(jié)構(gòu)變化的情況下保證不變性，自適應(yīng)模糊滑?？刂茟?yīng)運(yùn)而生，并成為非線性系統(tǒng)自適應(yīng)控制方法研究的主流[4]。

三、基于模糊神經(jīng)網(wǎng)絡(luò)的滑?？刂?/p>

人工神經(jīng)網(wǎng)絡(luò)同樣具有自學(xué)習(xí)和自適應(yīng)的能力。它和模糊系統(tǒng)的結(jié)合有助于擴(kuò)大二者在滑模控制領(lǐng)域內(nèi)的應(yīng)用。模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Networks, FNN）結(jié)合了模糊控制與神經(jīng)網(wǎng)絡(luò)控制兩者的優(yōu)勢，不僅具有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和快速處理的能力，而且具有模糊控制系統(tǒng)能夠充分利用先驗(yàn)知識(shí)、以較少的規(guī)則數(shù)來表達(dá)知識(shí)的優(yōu)勢，避免了神經(jīng)網(wǎng)絡(luò)不能很好地利用已有經(jīng)驗(yàn)知識(shí)，往往將初始權(quán)值取為零或隨機(jī)數(shù)使網(wǎng)絡(luò)訓(xùn)練時(shí)間變長或者陷入非要求的局部極值的缺點(diǎn)，也避免了模糊控制由于缺乏自學(xué)習(xí)和自適應(yīng)能力，給控制器參數(shù)的學(xué)習(xí)和調(diào)整帶來的困難。模糊神經(jīng)網(wǎng)絡(luò)與滑?？刂频慕Y(jié)合應(yīng)用可以通過以下幾種方式：一、用T-S模糊神經(jīng)網(wǎng)絡(luò)等價(jià)系統(tǒng)不確定的動(dòng)態(tài)特性 和 ，再按一般滑?？刂频姆椒ㄐ纬煽刂坡??？刂七^程中FNN 的參數(shù)根據(jù)實(shí)際系統(tǒng)的輸入輸出數(shù)據(jù)在線自學(xué)習(xí)?；蛘咭?為輸入的標(biāo)準(zhǔn)模糊神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)估計(jì)系統(tǒng)動(dòng)態(tài)不確定性的上界，以此與狀態(tài)反饋相結(jié)合構(gòu)造滑?？刂啤Ｒ部捎媒Y(jié)構(gòu)自組織的廣義參數(shù)學(xué)習(xí)的模糊徑向基函數(shù)網(wǎng)絡(luò)完成系統(tǒng)動(dòng)態(tài)不確定性的等價(jià)，在此基礎(chǔ)上構(gòu)造系統(tǒng)的滑?？刂坡伞＿@幾種方式均是通過模糊神經(jīng)網(wǎng)絡(luò)來等效系統(tǒng)不確定項(xiàng)的，也可直接采用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造滑模控制率，如：L in等[8]直接用以 為輸入的標(biāo)準(zhǔn)模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造滑?？刂坡桑?最小化用梯度下降方法完成FNN的參數(shù)自適應(yīng)；為了保證滑模產(chǎn)生條件存在，還構(gòu)造了帶符號(hào)函數(shù)的監(jiān)督控制律。當(dāng)與系統(tǒng)狀態(tài)相關(guān)的李亞普洛夫函數(shù)值進(jìn)入零的一個(gè)鄰域時(shí)，監(jiān)督律作用撤消。于是從總體上保證了滑模產(chǎn)生條件的滿足和穩(wěn)態(tài)時(shí)的無抖振。

四、模糊滑?？刂婆c其它策略的結(jié)合

除了以上所描述的問題之外，關(guān)于模糊滑?？刂坪推渌呗韵嘟Y(jié)合還有其他諸多方面的內(nèi)容，它們體現(xiàn)了控制理論的交叉融合。遺傳算法作為一種優(yōu)化算法，在模糊滑模控制中亦得到較多應(yīng)用。可以采用遺傳算法對控制器增益參數(shù)、模糊規(guī)則、隸屬函數(shù)進(jìn)行優(yōu)化，有效減小或消除抖振。當(dāng)然還有其他算法與模糊滑?？刂频慕Y(jié)合應(yīng)用，在此就不在累述。

參考文獻(xiàn)：

[1] 王翠紅 自適應(yīng)模糊滑?？刂频脑O(shè)計(jì)與分析[D] 西南交通大學(xué) 2002

[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321

[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306

[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17

[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502

[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39

[7] Kim Y T. An adaptive fuzzy sliding mode control of a direct drive motor[C]. Proc. Of IEEE Int. Conf. on Systems, Man and Cybernetics, 1997, (2): 1668-1673

[8]Lin F J, Hwang W J. A supervisory fuzzy neural network control system for tracking periodic inputs [J]. IEEE Trans. on Fuzzy Systems, 1999, 7(1): 41-52