
- •1.Коньюнкция условий и разбиение пространства входа.
- •Композиция нечетких отношений.
- •Нечеткое инверсное управление и нечеткая система управления с внутренней моделью
- •Алгоритм жесткой кластеризации.
- •Операции над нечеткими множествами. Модификаторы.
- •8. Проектирование нечетких контроллеров (метод Мамдани)
- •2. Нечеткий контроллер с двумя входами и одним выходом
- •9.Нечеткая система управления с плановым изменением коэффициента.
- •10. Оценка параметров заключений по (мнк)
- •11. Адаптивные нейронные нечеткие системы инференции (anfis)
- •12.Импликация Мамдани. Внешнее произведение.Таблица импликаци
- •13. Нечеткая идентификация. Структура и параметры.
- •14. Нечеткий логический вывод для нескольких правил и нескольких входов.
- •Несколько входов (многомерная лингвистическая модель)
- •16. Функциональная схема нечеткого контроллера
- •17. Отношения между нечеткими множествами
- •18. Алгоритм нечеткой кластеризации с-средних
- •19. Моделирование статических объектов упр-я как аппроксимация функций с помощью нейронных сетей (есть только для динамических объектов)((((((((
- •20. Анализ устойчивости тс модели объекта управления в пространстве состояний.
- •22. Нечеткий логический вывод с исп-м отношений. Пример
- •24. Визуализация алгоритма нечеткого логического вывода.
- •25. Понятия о нечетких множествах
- •26. Обучение нейронной сети. Общие сведения.
- •27. Упрощение алгоритма нечеткого логического вывода.
- •28. Обратное распространение ошибки
- •29. Визуализация нечеткого логического вывода.Аккумуляция.
- •30. Параметры алгоритма с-средних
- •31. Проектирование нечетких контроллеров (метод Мамдани)
- •32. Нечеткая логика. Логические связки.
- •33.Проектирование нечетких контроллеров(метод Мамдани). Многомерный нечеткий контроллер.
- •34. Алгоритм обучения anfis
- •35. Максиминная композиция нечетких отношений. Внутренне произведение. Пример.
- •36. Преобразование вход-выход. Кривая управления. Пов-ть управления.
- •37. Табличное изменение коэффициента усиления (супервизорное управление)
- •38. Алгоритм нечеткой кластеризации Густафсона–Кесселя.
- •39. Генетические алгоритмы
- •40. Извлечение правил с помощью кластеризации
- •41.Нечеткий сумматор для контроллеров с 2 входами и 1 выходом
- •42. Нейросетевое прямое и косвенное адаптивное управление с эталонной моделью
- •43. Обратное распространение ошибки. Обновление весовых коэф-в скрытых слоев. Локальные градиенты.
- •44. Модель Такаги-Сугено как квазилинейное устройство
- •45. Контроллер типа Такаги-Сугено
- •46. Нейросетевое управление с адаптивной линеаризацией обратной связью
- •48. Такаги-Сугено модель оу в пространстве состояний
- •49. Нечеткие множества. Синглтоны и лингвистические переменные.
- •50. Моделирование нелинейных динамических оу с помощью нейронных сетей
- •51. Структура интеллектуальной системы управления
- •52. Многослойная нейронная сеть
- •53. Дефаззификация. Методы дефаззификации.
- •54. Нейронная сеть с радиальными базисными функциями
- •56. Синтез нечеткой обратной связи
- •57. Линейные матричные неравенства, основные понятия.
- •58. Аппроксимация функций (моделирование) с помощью нейронных сетей (персептронов)
- •59. Классификация генетических нечетких систем
- •60. Синтез нейронных нечетких сетей. Структура anfis
- •19. Моделирование статических объектов управления как аппроксимация функций с помощью нейронных сетей.
- •Адаптивные нейронные нечеткие системы интерференции (anfis). . Синтез нечетких нейронных сетей
- •5.1. Введение
- •Адаптивные нейронечеткие системы инференции (anfis)
- •Импликация Мамдани. Внешнее произведение. Таблица импликации.
- •Нечеткая идентификация. Структура и параметры
- •Нечеткий логический вывод для нескольких правил и нескольких входов.
- •1. Настройка пид-регулятора
- •3. Перенос параметров пид-регулятора в нечеткий контроллер
- •Анализ устойчивости тс модели объекта управления в пространстве состояний. Анализ устойчивости тс модели объекта
- •1. Настройка пид-регулятора
- •Нечеткий логический вывод (инференция). Пример.
- •Визуализация нечеткого логического вывода. Агрегирование условий и активизация заключений.
- •Математическая модель нейрона. Математическая модель нейрона
- •Нечеткое управление с предсказанием.
- •Визуализация нечеткого логического вывода. Аккумуляция заключений.
- •5.1. Введение
- •Алгоритм обучения anfis
- •Максиминная композиция нечетких отношений. Внутреннее произведение. Пример.
- •Преобразование вход-выход для нечетких контроллеров. Кривая управления и поверхность управления.
- •2.4. Преобразование вход-выход
- •Табличное изменениекоэффициентаусиления (супервизорное управление).
- •2.8. Табличное изменение коэффициента усиления (супервизорное управление)
- •Алгоритм нечеткой кластеризации Густафсона-Кесселя.
- •Генетические алгоритмы. Генетические алгоритмы
- •Модель Такаги-Сугено как квазилинейное (аффинное) устройство. Модель Такаги-Сугено как квазилинейное устройство
- •Контроллер типа Такаги-Сугено.
- •Деффазификация. Методы деффазификации.
- •2.2.5. Дефаззификация
- •Теорема б универсальной аппроксимации.
- •Такаги-Сугено модель объекта управления в пространстве состояний.
- •Табличный контроллер. Билинейная интерполяция.
- •2.3. Табличный контроллер
- •Моделирование нелинейных динамических объектов управления с помощью нейронных сетей.
- •Моделирование нелинейных динамических процессов (объектов)
- •Упрощение алгоритма нечеткого логического вывода.
- •Обратное распространение ошибки. Обновление весовых коэффициентов выходного слоя.
- •4.6. Обратное распространение ошибки
- •Структура интеллектуальной системы управления.
- •Многослойная нейронная сеть. Многослойная нейронная сеть
- •5.1. Введение
- •Структура anfis
1. Настройка пид-регулятора
Первый шаг по пути описанной стратегии ввести в рассмотрение и настроить ПИД-регулятор.
Уравнение идеального аналогового четкого ПИД- регулятора выглядит следующим образом:
, (1)
где u(t) − управляющий сигнал на выходе регулятора, e(t) −ошибка управления (разность между заданным и действительным значением управляемой величины), поступающая на вход ПИД-регулятора, – пропорциональный коэффициент усиления, Ti − постоянная интегрирования, Td – постоянная дифференцирования. Вводя обозначения
сe(t)= , ie(t)= ,
запишем уравнение (1) в более простом виде
. (2)
Под настройкой мы будем понимать действия по выбору параметров , и . ПИД-регулятор может быть построен, используя метод частотных характеристик или метод переходной характеристики, разработанные Циглером -Николсом.
Значения параметров ПИД-регулятора, найденные путем использования любого из этих методов, надо рассматривать как приближенные значения, как стартовая позиция для ручной настройки.
2. Линейные нечеткие контроллеры
Второй шаг в процедуре проектирования нечетких контроллеров связан с заменой сумматоров в структуре ПИД-регулятора, точнее выполнение операций суммирования в уравнении (2) нечеткими сумматорами, которые, как показано в предыдущем разделе, осуществляют операции подобные суммированию. После такой замены замкнутая система управления должна иметь ту же самую реакцию на ступенчатое воздействие, что и с ПИД-регулятором. По этой реакции (переходной характеристике) можно оценить, насколько правильно осуществлена замена. Мы не будем останавливаться здесь на проектировании нечетких сумматоров, т.к. этот вопрос рассмотрен в предыдущем разделе.
Нечеткий логический вывод (инференция). Пример.
Процедура ручной настройки (НПД+И)-контроллера.
Процедура ручной настройки
а) Исключить влияние интегральной и дифференциальной составляющих путем установки =0 и 1/ =0.
б) Выбрать коэффициент пропорциональной составляющей , исходя из требований, предъявляемых к качеству переходного процесса. При этом не следует обращать внимание на величину установившейся ошибки.
в) Далее увеличить коэффициент усиления пропорциональной составляющей и выбрать постоянную времени дифференцирования так, чтобы уменьшить перерегулирование.
г) Выбрать коэффициент усиления интегральной составляющей 1/ так, чтобы добиться нулевой установившейся ошибки.
д) Повторить все вышеописанные действия с целью повышения коэффициента усиления пропорциональной составляющей до как можно большего значения.
Изложенная процедура предполагает настройку постоянной времени дифференцирования перед выбором коэффициента усиления интегральной составляющей. Однако на практике эта последовательность может быть изменена. Преимущество ручной настройки состоит в том, что инженер может ее использовать непосредственно (в режиме on-line) и в результате «почувствовать» как замкнутая система реагирует на те или иные действия. Недостаток состоит в том, что, возможно, придется затратить много времени для того, чтобы «почувствовать» свойства системы, а также в том, что трудно принять решение об окончании процесса настройки, другими словами, оценить оптимальность выбранных значений параметров.
Пример 2. В лабораторной установке цель управления заключается в том, чтобы установить уровень воды в баке после ступенчатого изменения задающего воздействия. Лабораторная установка состоит из питающего бак трубопровода, самого бака и выпускной трубы.
а) Пусть вначале выпускная труба закрыта. Тогда для решения поставленной задачи можно ограничиться применением П-регулятора. Как только уровень воды в баке достигнет заданного значения, ошибка управления станет равной нулю и регулятор должен закрыть питающий трубопровод.
Если имеет место перерегулирование, например, в случае, когда регулятору не удается быстро закрыть трубопровод, то регулятор должен прекратить доступ воды в бак еще до того, как вода достигнет заданного уровня. В таком случае надо использовать ПД-регулятор.
б) Пусть теперь выпускная труба открыта. Регулятор должен попытаться работать так, чтобы обеспечить достижение заданного уровня в баке и затем удерживать насос включенным в то время, когда вода вытекает из бака. Постоянный управляющий сигнал необходим, чтобы в установившемся состоянии сбалансировать уровень воды. В этом случае необходима операция интегрирования и, следовательно, надо использовать ПИ - или ПИД-регулятор.