دانلود ترجمه مقاله کنترل فازی سیستم های غیر خطی مبتنی بر مدل های چندگانه تطبیقی قوی (ساینس دایرکت – الزویر 2016) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

کنترل فازی سیستم های غیر خطی مبتنی بر مدل های چندگانه تطبیقی قوی

Robust adaptive multiple models based fuzzy control of nonlinear systems

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

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.

7- نتیجه گیری

در این مقاله یک طرح کنترل جدید که پایداری در یک معماری کنترل مبتنی بر مدل تطبیقی T-S چندگانه را در نظر می گیرد، ارائه شده است. ضرورت استفاده از تئوری کنترل فازی برای کنترل سیستم های غیر خطی معمولاً با ظهور خطاهای مدلسازی ناشی از فرایند فرمول لندی مدل های فازی مرتبط می باشد. علاوه بر این، زمانی که تکنی های کنترل تطبیقی که به دلیل پارامترهای ناشناخته سیستم های غیر خطی مورد استفاده قرار گرفته است، با خطاهای مدلسازی مواجه می شوند، این برای سیستم بسیار امکان پذیر است تا با مسائل پایداری مقابله کند، اهمیت این موضوع ما را به طراحی قوانین تطبیقی برای مدل های شناسایی T-S هدایت می کند که بر اساس روش اصلاح σ می باشد، این قوانین تطبیقی که از تجزیه و تحلیل پایداری استخراج شده سات، تضمین می کند که سیستم حالت مدل مرجع داده شده را دنبال می کند و سیگنال کنترل دور از تکینگی خواهد بود. به دلیل استفاده از جمله σ، خطاهای شناسایی و مدلسازی اثبات شده است که در میانیگن مربع d2 ||P||2 +σ) ( کوچک می باشد. همچنین، دقیق تر از روش مدلسازی فازی و کمتر از کران بالای خطای مدلسازی است. با تغییر مقادیر ثوایت طراحی r k , σ می تواند منطقه پایداری سیستم را تغییر دهد و در نتیجه عملکرد کنترلر پیشنهادی اصلاح می گردد. نتایج نظری توسط شبیه سازی ها تأیید شده است که از یک معیار دستگاه غیر خطی شناخته شده استفاده می کند که پارامترها فرض شده است که ناشناخته هستند. تحقیقات آینده بر روی (1) یک معماری مدل های چندگانه جدید است که از انواع مختلف مدل های شناسایی تشکیل شده است و (2) روش های جدیدی را برای مقدار دهی اولیه پارامترهای مدل های شناسایی T-S تحمیل می کند تا بار محاسباتی را کاهش دهد و عملکرد کنترل را بهبود ببخشد، متمرکز خواهد شد.

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.

7- Conclusions

A new control scheme which incorporates robustness in a multiple T–S adaptive models based control architecture is proposed in this paper. The necessity of using fuzzy control theory in order to control nonlinear systems is usually associated with the appearance of modeling errors caused by the process of fuzzy models formulation. In addition, when adaptive control techniques, which are used due to the unknown parameters of the nonlinear systems, coexist with the modeling errors, it is very possible for the system to encounter instability problems. The significance of this issue led us to design robust adaptive laws for the identification T–S models which are based on the σ-modification method. These adaptive laws which are extracted from a stability analysis ensure that the system will track the state of given reference model and that the control signal will stay away from singularities. Due to the use of the leakage term σ, the identification and modeling errors are proven to be (d2 ||P||2 +σ) -small in the mean square sense. Also, the more precise is the fuzzy modeling procedure the less is the upper bound of the modeling error. By changing the values of the design constants rk , σ, one can modify the stability region of the system and thus the performance of the proposed controller. The theoretical results are confirmed by simulations which use a well known benchmark nonlinear plant, whose parameters are assumed to be unknown.Future research will focus on (i) a new multiple models architecture which will be composed of different kinds of identification models and (ii) imposing new methods for the initialization of the parameters of the T–S identification models, in order to reduce the computational burden and improve the control performance.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کنترل فازی سیستم های غیر خطی مبتنی بر مدل های چندگانه تطبیقی قوی

Robust adaptive multiple models based fuzzy control of nonlinear systems