模糊逻辑系统

2024-05-16

模糊逻辑系统（共9篇）

模糊逻辑系统篇1

0引言

矢量控制技术由于实现了感应电机的转矩电流分量和磁通分量之间的解耦控制,使得感应电机能够获得与直流电机相媲美的调速性能。然而由于异步电机是多变量、非线性、强耦合的系统,并且在运行过程中存在参数时变的特性,因此,很难确定其精确的数学模型。再者,常规PID控制器不能有效克服负载、模型参数的大范围变化及其非线性因素的影响,因而在高性能、高精度场合不能满足要求。将模糊控制器直接用于电机控制可以充分体现模糊控制器鲁棒性强的特点。

1异步电机矢量控制原理[1]

异步电机通过矢量变换转化为等效的直流电机模型,对直流量进行控制,然后通过反变换将直流量变回交流量,这个过程就是异步电机矢量控制的基本原理。

矢量控制技术和其他控制技术一样,都是用来改善异步电动机的动态特性,因此在控制过程中必须考虑电流中暂态分量问题[2]。建立的矢量控制系统结构图如图1所示。图1中,励磁给定电流im*和电枢给定电流it*,经反旋转变换模块VR-1得到iα*和iβ*,再经过两相/三相变换模块计算得到iA*、iB*和iC*,然后,使其和频率信号ω1一同作用到变频器上,从而实现感应电动机电流的瞬时控制。

2异步电机矢量控制系统数学模型

在推导异步电机数学模型时,作如下假设[3]:①电机三相绕组对称;②忽略磁饱和,绕组自感及互感是线性的;③忽略铁耗的影响。在以上条件下,列出感应电机在M-T坐标系下的数学模型。在M-T坐标系下,坐标系M-T以同步转速ω1旋转,转子转速为ω,转差为ωs=ω1-ω。M轴沿着转子总磁链矢量ψr的方向轴T轴逆时针旋转90°,即垂直于矢量ψr的方向。异步电机在M-T坐标系下的数学模型为:

usm=Rsism+Lσpism-ω1Lσist+Lmpψr/Lr,

ust=Rsist+Lσpist+ω1Lmψr/Lr+ω1Lσism,

Lmism=Trpψr+ψr,

ωs=Lmist/(Trψr)。

运动方程为:

undefined

其中:ω1为同步旋转角速度;ωr为转子电气旋转角速度;ω为转子机械旋转角速度;ωs为转差角速度;Rs为定子电阻;np为磁极对数;Te为电磁转矩;TL为负载转矩;J为转动惯量;Ψr为转子磁链;p为微分算子;Lσ为定子漏感,其值与Ls、Lr和Lm相关;Ls、Lr分别为定、转子电感;Lm为互感;usm、ust分别为M、T轴定子电压;ism、ist分别为M、T轴定子电流;Tr为转子励磁时间常数。

3模糊控制器的设计[4]

基于模糊逻辑原理设计的速度环控制器如图2所示,速度误差E和速度误差变化率EC经Ke和Kec量化后,转化为模糊逻辑控制器的输入信号e和eC,其论域均被归化为[-13/9 13/9]。

利用规则评价和解模糊运算的方式分别对输入信号e和ec模糊化,得到模糊逻辑控制的输出du,定义其取值范围为:-1≤du≤1。然后,输出du经Ku量化后得到输出DU,对DU进行积分运算得到速度调节器的输出T*e。对于输入e、ec和输出du,模糊子集都取为7个,对应的模糊语言词集均表示为{NB,NM,NS,Z,PS,PM,PB},即{负大,负中,负小,零,正小,正中,正大},隶属度函数选取三角形分布。模糊逻辑推理方法和解模糊运算分别选取Mamdani极小法和加权平均法,模糊控制器的规则库离线设计好后,制成模糊规则表[5],见表1。

在MATLAB/Simulink环境下建立模糊速度控制器,其中模糊逻辑控制模块的功能是调用MATLAB的函数实现查表和推理。

4感应电动机矢量控制系统的建模

系统采用模糊逻辑的电动机矢量控制方案,包括转速调节器、磁链调节器、转矩调节、两相/三相变换、逆变器、转子磁链观测器、电流调节器以及异步电动机等模块。模糊控制器交流感应电动机控制系统的仿真模型如图3所示[6]。

5仿真结果

利用上述建立的异步电动机矢量控制系统模型,对系统进行仿真分析。有关参数如下:Pe=1.20 kW,Ue=380 V,f=50 Hz,Rs=0.085 Ω,Rr=0.226 Ω,Ls=Lr=35.6 mH,Lm=34.6 mH,np=2,J=0.000 62 kg·m2。

对于磁链调节器,取比例系数Kp=4.9,积分系数Ki=1.95。对于转矩调节器,取比例系数Kp=4.95,积分系数Ki=4.9。下面分两种情况讨论仿真结果:

(1)t=0 s时刻,负载转矩为零,即空载。在t=2.25 s时刻给定转速ω*由0 rad/s突加至100 rad/s。在此参数情况下,定子三相电流is_abc、转速ω和转矩T曲线如图4所示。

(2)t=0 s时刻,负载转矩为60 Nm;t=1.6 s时刻,给定转速ω*由100 rad/s突加至200 rad/s;当t=2.6 s时刻,负载转矩由TL由60 Nm增加至120 Nm。在此参数情况下,得到的定子三相电is_abc、转速ω和转矩T曲线如图5所示。

6结论

通过仿真结果,可以得出以下结论:由于模糊控制器的强鲁棒性,基于模糊速度控制器的感应电动机矢量控制系统可以对转速给定实现快速、无稳态误差、无超调的跟踪。在磁场定向坐标轴系下,采用模糊控制器控制感应电动机的励磁电流分量和转矩电流分量,完全可以实现它们之间的解耦控制。

摘要：通过对感应电动机动态电磁关系的分析,引出了感应电动机的数学模型和在M-T坐标系上的数学模型表达式,指出了感应电动机的模型是一多变量、强耦合的非线性系统。将模糊控制技术应用于感应电机的变频调速中,设计了一种转速模糊控制器,并用MATLAB/Simulink对基于模糊控制的感应电机矢量控制系统进行了仿真。仿真结果表明:对于感应电机来说,模糊控制器的控制性能优于常规的PID控制器。

关键词：感应电动机,矢量控制,模糊控制,仿真

参考文献

[1]BOSE B K.Modern power electronics and AC drives[M].New York:Prentice Hall,2002.

[2]李华德,白晶,李志民,等.交流调速控制系统[M].北京:电子工业出版社,2003.

[3]陈伯时.电力拖动自动控制系统[M].第2版.北京:机械工业出版社,2000.

[4]孙增圻.智能控制系统理论与技术[M].北京:清华大学出版社,广西科学技术出版社,2004.

[5]冼成瑜,王明渝,刘和平.基于多模糊控制器的感应电动机矢量控制系统实验研究[J].电工技术学报,2004,19(11):31-35.

[6]黄永安,马路,刘慧敏.MATLAB7.0/Simulink6.0建模仿真开发与高级工程应用[M].北京:清华大学出版社,2005.

模糊逻辑系统篇2

非线性飞控系统的滑模PI混合模糊逻辑控制

针对一类空间飞行器的非线性姿态控制问题,首先通过变换将其强耦合模型分解成若干个子系统,把各子系统之间的.耦合、未建模动态和外界扰动视为系统的不确定性.而后提出了一种结合滑模控制与比例积分控制的模糊逻辑控制器,运用李亚普诺夫原理对系统的稳定性进行了分析.用这种控制器对系统进行分散鲁棒自适应控制,仿真说明相对于传统滑模控制器,它具有响应速度快,跟踪精度高,鲁棒性强的优点.

作者：曹邦武姜长生陈谋作者单位：南京航空航天大学自动化学院,南京,210016刊名：南京航空航天大学学报 ISTIC EI PKU英文刊名：JOURNAL OF NANJING UNIVERSITY OF AERONAUTICS & ASTRONAUTICS年，卷(期)：200335(1)分类号：V448.42 TP271.7关键词：滑模控制模糊控制空间飞行器非线性系统

模糊逻辑系统篇3

近十年来,我国经济的快速发展对能源产生巨大的需求,目前的能源结构主要以煤碳、石油等化石能源为主,大量的开发和利用对环境产生严重影响,为保护人类生存环境,低碳经济越来越受到各国重视,发达国家投入大量资金开发绿色环保的能源技术。光伏电能转换技术由于无污染、零排放,近年来得到快速发展,光伏阵列输出的电能与输出电流之间呈非线性关系,如图1所示,输出功率随着输出电压的变化而变化,也就说光伏阵列输出功率存在最大功率点。另外,最大功率点也随太阳照度及光伏板温度而变化。因此能否最大效率地利用光伏电能转换,关键是如何控制光伏阵列始终运行在最大功率点上。目前对这一问题的解决出现多种方法,如观测干扰法[1,2]、增加电导法[3]、恒定电压法[4]、虚拟磁链法[5]、神经网络法[6,7,8]、模糊逻辑法[9,10]等,这些方法或多或少存在某些缺陷,如代价高、实现困难、复杂度高、容易不稳定等。

光伏电能转换最大功率点跟踪方法总体要求是简单、低价、在外部条件变化时(太阳照度和环境温度)能够快速响应跟踪、较小的控制能量消耗。因此有必要研究更有效的最大功率点跟踪算法,以使光伏电能转换高效运行。本文提出了基于模糊逻辑双环控制的光伏最大功率点跟踪算法,光伏阵列输在我国广大农村具有广阔应用市场,对于改善农村饮水质量及农作物抗旱将发挥积极的作用。

1 PV阵列特性

在恒定温度下,光伏电池板单元电压-电流特性曲线如图1所示,图中同时给出了光伏电池板单元输出功率曲线以及最大功率点与输出电压的关系,所使用光伏电池板单元为BP Solar BP SX 150S模块,最大功率(Pmax)为150 W,最大功率点输出电压(Vmp)为34.5 V,电流(Imp)为4.35 A,开路电压(Voc)为43.5 V,短路电流(Isc)为4.75 A,Isc温度系统为0.065±0.015%/℃,Voc温度系统为-160±20 m V/℃,功率温度系数为-0.5±0.05%/℃,共有8块光伏电池板单元串联,最大功率为1.2 k W。

从图1可看出光伏电池板单元特性受日光照度和环境温度的影响,当日光照度增加时,最大功率点沿圆点表示曲线上升,输出电流快速增长,而电压变化相对较小,为了使光伏电池板单元工作在最大功率点上,此时应增加光伏电池板单元输出电流;当环境温度增加时,光伏电池板单元输出电压有明显减小,而电流几乎保持不变,环境温度越高,电压减小越多,因此光伏电池板单元输出电压也是随着外部条件变化而变化。通常情况下,日光照度的变化快速而剧烈,温度变化较小而且缓慢。因此通过在小范围改变光伏电池板单元输出直流电压以及交流电机转速,完全可以实现最大功率跟踪。

2 系统结构

如图2所示为所研究系统结构框图,系统主要有光伏阵列、单相逆变桥、交流水泵机组、外环模糊控制MPPT算法、内环模糊控制器及PWM控制器组成,其中外环模糊MPPT算法、内环模糊控制器及PWM控制器可由DSP实现。水泵的功率输出Pout特性是转速ωn的函数,可用下式表示:

增加单相逆变器频率,交流电机转速升高,水泵的输出功率增大,从而通过调节交流电机转速来调节光伏阵列的输出功率。水泵正常工作转速对应于光伏阵列最大功率点上,如果偏离MPP点,则由外环模糊MPP算法计算出光伏阵列MPP点处的电压Vref,该电压作为内环模糊控制器的输入参考电压,内环模糊控制器输出电压Vf用于控制PWM输出频率,从而控制交流电机转速来调节水泵输出功率。内环模糊控制器反馈电压来自于光伏阵列的输出电压VPV,控制的结果使得VPV=Vref,光伏阵列工作在MPP点上。

3 最大功率跟踪算法

如图3所示为光伏模块P-V变化曲线,最大功率点跟踪的最终任务是用来控制交流感应电机运行频率,以使光伏阵工作在最大功率点上,光伏阵列输出功率通过测量光伏阵列输出电压和电流来计算,如下式所示:

由PPV与UPV关系曲线可知,光伏阵列输出功率对输出电压导数由式(3)表示:

S为功率点切线斜率,在不同的功率点上有不同的切线斜率。

从图3可以看出,当斜率S是负值或较大时,光伏阵列输出的功率较小,此时应控制△P向峰点移动;当斜率S为0时,光伏阵列运行在最大功率点上。

3.1 外环模糊控制最大功率跟踪

该模糊控制器输入变量是斜率S(△PPV/△VPV)和功率变化量△PPV,模糊控制器输出变量是光伏阵列最大功率点参考电压Vref增量。输入变量隶属函数如图4、图5所示,所使用的控制规则如表1所示。

为了提高最大功率点跟踪的鲁棒性,则模糊控制器输出的隶属函数限制在较窄响应范围内,如图6所示。

输出解模糊采用重心法,解模糊后输出变量对应于参考电压的增量△Vref,通过下式来计算得出。

新的参考电压值可由式(5)计算得到。

3.2 内环模糊控制变频

为了进一步提高最大功率跟踪控制精度,设置了内环模糊控制器,内环模糊控制器输入量来自于外环控制器输出参考电压Vref与光伏阵列输出电压VPV误差及误差的变化率,该模糊控制设计与常规模糊设计相似,模糊控制器的输出量用于控制PWM的输出频率,完成功率控制。经多次试验及参数选择,该控制器的控制误差可达到5%以内。

3.3 特殊情况下控制规则选择

由于光伏阵列受环境影响很大,有时变化非常剧烈,模糊控制在这种情况下很难输出满意的结果,甚至使系统不能正常工作。根据实验结果总结出了4种特殊情况,并给出了特殊的控制规则。

规则1:如果光伏阵列输出电压不是很小,而系统处于停止状态,则启动逆变系统,同时给出参考电压为光伏阵列输出电压的0.7倍。

规则2:如果光伏阵列输出电压很小,而且电流也很小,则参考电压为0,系统停止。

规则3:如果光伏阵列输出电压的变化很小,则给参考电压增加一个小的扰动量(δ)。

规则4:如果光伏阵列输出电压很小,而且电流也不是很小,则给参考电压减小一个小的扰动量(δ)。

3.4 仿真结果分析

仿真实验如图7所示,PWM设定为10 kHz,初始照度为1 000 W/m2,逆变器输出频率为48.5 Hz,在t=0.05 s时,照度从1 000 W/m2下降到800 W/m2,频率下降到45.3 Hz。由图8可知光伏阵输出电压275.3 V基本保持不变。

图9所示为传统单环模糊控制和双环模糊控制的光伏阵列运行在最大功率点比较,从图可以看出双环模糊控制光伏阵列运行工作点非常接近于理论的最大功率点,照度越高越接近;而传统单环模糊控制工作点远离理论最大功率,照度越低离开越远。因此双环控制的光伏阵列转换效率要大于传统单环模糊控制。表2计算出了几种不同控制作用同一光伏阵列输出能量及效率。

从表1可看出,如果光伏阵列没有最大功率跟踪控制,其转换效率非常低,大约只有一半电能转换;双环控制作用下光伏阵列转换效率可达99%(仿真输出),而传统单环模糊控制作用下光伏阵列转换效率可达95.15%(仿真输出),双环控制作用下光伏阵列转换效率提高了4%。

4 结论

光伏技术不断进步,对光伏电能转换需求将会大幅提高,同时对光伏阵列电能转换效率提出了更高的要求,本文提出了基于模糊逻辑双环控制的光伏阵列最大功率点跟踪算法,该算法使得光伏阵输出功率接近于理论最大值,仿真实验结果表明在不同的日光照强度下,该算法比传统单环模糊控制算法具有更高的最大功率点跟踪精度和更大的电能输出效率。

参考文献

[1]Hua C,Shen C.Comparative study of peak power tracking techniques for solar storage system[C].//IEEE Appl Power Electron Conf Exposition Proc.1998:679-683.

[2]Hussein K H,Muta I,Hoshino T,et al.Maximum photovoltaic power tracking:an algorithm for rapidly changing atmospheric conditions[J].IEEE Proc Generation,Transmission,and Distribution,1995,142(1):59-64.

[3]Brambilla A.New approach to photovoltaic arrays maximum power point tracking[C].//Proc30th IEEE Power Electron Specialists Conf.1998:632-637.

[4]Hohm D P,Ropp M E.Comparative study of maximum power point tracking algorithm using an experimental,programmable,maximum power point tracking test bed[C].//Proc28th IEEE Photovoltaic Specialist Conf2000:1699-1702.

[5]王继东,苏海滨,王玲花.基于虚拟磁链直接功率控制的光伏并网逆变器控制策略研究[J].电力系统保护与控制,2009,37(11):70-73.WANG Ji-dong,SU Hai-bin,WANG Ling-hua.Study of grid-connected inverter used in PV generation system based on virtual flux-linkage direct power control[J].Power System Protection and Control,2009,37(11):70-73.

[6]Hiyama T,Kitabayashi K.Neural network based estimation of maximum power generation from PV module using environment information[J].IEEE Trans on Energy Conversion,1997,12(3).

[7]Hiyama T,Kouzuma S,Imakubo T,et al.Evaluation of neural network based real time maximum power tracking controller for PV system[J].IEEE Trans on Energy Conversion,1995,10(3):543-548.

[8]Torres A M,Antunes FLM.An artificial neural network-based real time maximum power tracking controller for connecting a PV system to the grid[C].//Proc IEEE Annu Conf Ind Electron Soc.1998:554-558.

[9]Simoes M G,Franceschetti N N.Fuzzy optimisation based control of a solar array system[J].IEEE Proc Electric Power Appl,1999,146(5):552-558.

模糊逻辑系统篇4

摘要：在基于单片机8051的心电监护模块中，用模糊逻辑检测室性早博，使心电监护模块功能得到扩展。

关键词：心电监护模糊逻辑数字单片机

现代多参数监护仪普遍采用模块化模块，每个模块都是能完成单功能的独立微处理机系统，多个模块通过串行口接收主控制器命令，送出测量结果。心电监护模块是其中的关键部件，其在单片机控制下拾取心电信号，放大、预处理，并传送给主控模块。

室性早博(PVC)是一种最常见的心律失常，它的实时，正确检测是心电图自动分析的一项重要技术。在心电监护的基础上，加入心博和节律分类功能，便可进行心律失常监护。室性早博检测一般在高端的心律失常分析模块中进行。目前单片机的.功能不断增强，过去主要用作控制器的单片机，在完成原来的任务后，尚剩余不少CPU时间和控制功能，完全有可能实现一些过去只能在PC机上运行的复杂算法，而且用汇编语言编程提高运行速度。

模糊系统是模糊集合论和模糊逻辑的具体应用，它模拟人脑思维决策的能力，特别适用于数字模型难以精确表示的不确定系统。医学决策系统中的许多信息都是不确定的，例如心电信号中的大量特片信息，适合用模糊推理的方法进行处理。笔者的实验室采用模糊逻辑识别室性早博，效果较好。

笔者在基于8051的心电模块中移植上述算法，实现室性早博检测。在模糊单片机上进行模糊控制或推理非常方便。在数字单片机上实现，关键是怎样存储表达隶属度函数和模糊规则，以及怎样实现推理。

1 隶属度函数、模糊规则和模糊推理方法

使用RR间期、R波宽度和面积、T波的面积和峰值这五个形态参数描述一个QRS波。室性早博的典型形态特片表现为RR间期较小，R波宽度大、面积大,T波宽度大、峰值大。经过统计和实验确定的隶属度函数如图1所示。

图1中横轴表示论域，纵轴表示隶属度。每个输入语言变量定义小(S)、中(M)、大(L)、特大(XL)四个语言变量值。隶属度函数为三角形或半梯形。

模糊规则共有32条，部分规则如表1所示。其中17条判决“是PVC”，15条判决“可能是PVC”，--表示不考虑该参数的影响。

表1 模糊规则

RR间期R波面积R波的宽度T波面积T波峰值结论

模糊逻辑系统篇5

在交叉口信号的模糊控制方面,Pappis等在1977年首先提出城市单个交叉口的模糊控制方案,即所谓的Pappis法;陈森发等在其基础上进行进一步研究,考虑了非关键车流的影响,且对算法作了改进;朱茵、吴银凤等将模糊控制神经网络与多智能体技术应用在单个交叉口的交通控制中,丰富城市交通控制的研究成果。

然而,上述的这些系统或模型通常在正常情况下运作良好,但道路在异常状况时影响着交叉口车辆的运行效率。遇到异常情况时,采用仅考虑正常情况下控制系统,可能会导致延误时间更长、油耗增加、污染增加及使驾驶员产生压力感,只有迅速适应异常情况下信号控制才能达到控制交通流的最佳状态,因此,在建立信号模糊逻辑控制模型时,考虑交叉口异常情况时影响是十分必要的。

1 交叉口信号控制方法

管理交叉口交通流的方法很多,但各国的交通管理经验表明,信号灯控制是道路交叉口最普遍的管理形式。一个典型的交叉口可能有4个相位,如图1所示。完成一次所有的相位称为一个周期,一个周期的长短由完成周期的相位的长短决定。使用红、黄、绿信号灯标示一个周期的开始或结束,在每个周期中相位依次变化。

在交叉口进行信号控制时有两种基本的方法。①最简单的方法是定时控制法:1个相位的路灯持续时间等配时方案均是固定的,参照这个地方的历史交通状况进行研究获得确定值。1 d按不同时段的交通量采用几个配时方案,在高峰时间对关键车流分配较多的绿灯时间,在低峰时间分配较少绿灯时间。②适应交通流动态变化的方法是感应控制法:把车辆感应器放在距道路一定距离的位置统计交通信息。为每个相位分配最小的绿灯时间,当在延长时段探测到车辆到达时,逐渐延长绿灯时间,但不能超过预设的最大绿灯时间。一般来说,最小绿灯时间不能小于10 s,以免车辆来不及通过路口影响交通安全,最多不超过60 s,否则其他相位的红灯时间太长,驾驶员心理上不能接受。

应该注意的是,上述提到的两种方法尽管在一般交通状况时能有效运作,但是交通状况的突然改变会导致方法的失效。因为,两种方法都没有考虑道路异常情况,如车辆抛锚、交通事故、路面坑洼或修路等的影响,而这些异常情况在大多数道路上很常见,在车流量密度高的地区事故常常会发生。尽管多数因素是暂时性的,但如果没有在信号配时中考虑进去,仍然会恶化延误情况,使对交通流的控制无法达到最佳状态。因此,在交叉口信号控制中考虑异常情况是十分必要和有益的。在技术上,设置信号灯有据可依;在经济上,避免无谓的资源浪费;在交通上,避免不必要的运行时间损失和交通事故。

2 考虑异常情况下交叉口信号模糊逻辑控制模型

2.1 研究对象

研究的对象是一个典型的有4个相位的单个交叉口,或叫孤立交叉口,每个相位有3条道路进入,3条道路出来。模型中考虑直行和转弯的车辆,行人过街忽略不计。模型中的4个相位的车辆行进方向和方式见图2和表1。

2.2 模型结构

使用交叉口信号模糊逻辑控制器建立模型。模糊逻辑假设:如果“许多”车辆到达,而绿灯时间“很少”,则“延长绿灯时间”。

设定4个参数作为模糊逻辑控制器的输入变量。第1个参数红灯相位车辆排队长度(RVQL),以红灯开始为一个周期的开始,它是上个周期绿灯信号下剩余车辆加上这个周期红灯信号时到达的全部车辆的总和

$R V Q L = Q_{g \bar{v}} + \sum Q_{r} (i) . (1)$

式中:Qg为上个周期绿灯相位没有驶出交叉口的车辆,∑Qr(i)为红灯相位第i秒到达的车辆数之和。

第2个参数绿灯时间剩余率(GS),是本次绿灯相位剩余的绿灯时间与分配给绿灯相位的总时间的比率

$G S = \frac{g (t)}{Τ_{g}} . (2)$

式中:g(t)为从绿灯相位开始在时刻t的剩余绿灯时间,Tg为分配给绿灯相位的总时间。

第3个参数绿灯周期内的到达车辆数(GV),是绿灯相位第i秒到达的车辆数之和

$G V = \sum Q_{g} (i) . (3)$

第4个参数平均绿灯相位驶离时间(AGD),表明在绿灯相位一辆车平均花费多少时间驶离信号交叉口

$A G D (n) = α (C D Τ) + (1 - α) A G D (n - 1) . (4)$

式中:CDT为欲驶离信号交叉口的车辆驶离时刻;AGD(n-1)为前一个周期计算的平均驶离时间;α为平滑系数,可以根据经验或调查总结确定,设定α=0.8。

模糊逻辑控制器的输出时绿灯时间的改变量(GT),即增加或减少绿灯时间。然后,利用式(5)求得延误时间

$D L Τ = D Ρ Τ — A R Τ . (5)$

式中:DLT为延误时间;DPT为车辆驶出交叉口的时间,ART为车辆驶入交叉口的时间。整个系统的结构如图3所示。

模糊逻辑控制器有4个输入RVQL、GS、GV、AGD,一个输出GT。在一个特定的相位中可能有一条以上道路,所以RVQL和GV取各自最大值。

本文模型与正常情况下的控制模型区别在于,加入了衡量道路情况正常还是异常因子,即第4个输入参数:平均绿灯相位驶离时间(AGD),如果AGD长,在绿灯相位一辆车平均花费较长时间驶离交叉口,有可能浪费绿灯时间。如果AGD非常长甚至无穷大,这时车辆驶离率为0,但排队长度不断增加,则道路上很可能发生了严重的异常情况,如交通事故。

2.3 模糊化处理及模糊规则

模糊化处理需要确定各个参数的模糊集合和隶属函数[1]。根据研究地区的实际情况和经验数据,反复调试和仿真,输入参数RVQL论域为[0,20],取4个模糊集合:很短(VSD)、短(SD)、中等(MD)、长(LD);输入参数GS论域为[0,1],取4个模糊集合:很少(VSD)、少(SD)、中等(MD)、多(LD);输入参数GV论域为[0,20],取4个模糊集合:很少(VSD)、少(SD)、中等(MD)、多(LD);输入参数AGD论域为[0,10],取3个模糊集合:中等(M)、长(L)、很长(VL);输出参数GT论域为[-10,10],取5个模糊集合:减少很多(decrease many)、减少(decrease)、不变(no change)、增加(increase)、增加很多(increase many),各模糊集合和最终模型形式参见图4和图5。

根据控制经验,总结出一系列模糊规则,例如:如果红灯相位车辆排队长度“短”,绿灯时间剩余率“多”且绿灯周期内的到达车辆数“中等”,平均绿灯相位驶离时间“很长”,则绿灯时间应“减少”,模糊逻辑规则显示:If (RVQL is SD) and (GS is LD) and (GV is MD) and (AGD is VL) then (GT is decrease)。据此可总结出26条模糊规则,表2列出了部分模糊逻辑控制规则。

3 仿真研究

仿真工具使用Matlab的模糊逻辑工具箱,它能快速地建立模糊规则修改方案,并且在视图界面直观地反映不同输入变量的变化所引起的输出变量的变化,形成变量间关系的曲面。将建立的异常情况下信号交叉口模糊逻辑控制模型(AFL)、车辆感应控制器模型(VA)和一般(不考虑异常)情况模糊逻辑控制模型(NFL)比较,比较在3个模型下4个相位的平均延误时间。仿真需建立在一些基本假设下:

1) 交叉口有4个通路,每个通路有3条道路,一条直行两条转弯,如图2所示;

2) 只考虑车辆行为,不考虑行人过街;

3) 每条道路上车辆到达相互独立,车辆到达的间隔也相互独立,车辆到达使用泊松分布生成,车辆的到达间隔在5～25 s;

4) 车辆感应器放置在距离交叉口一段路程的地方,可探测最大车辆数为20,并且控制器能利用从感应器中接收到的信息做出最优决策,使交通延误最小;

5) 正常情况下车辆驶离交叉口的时间设定在2～4 s;

6) 最小绿灯时间设为10 s,最大绿灯时间设为60 s。

模型中考虑到可能出现的异常情况和预期后果,见表3。

分两种情况来比较3个模型AFL、NFL、VA。①第一相位从北向南的这条道路上无异常情况;②第一相位从北向南的这条道路有异常情况。所得结果见表4、表5,比较图见图6。

由表4知,无异常情况时,本文建立的模型与一般的交叉口模糊逻辑控制模型所得结果几乎相同,运作良好。而VA法的平均延误显著高于AFL与NFL,因为模糊控制法比感应法好。由表5知,异常情况发生时,车辆驶离率减少,车辆需花费更多的时间驶离信号交叉口。在NFL中,对于相位2、3、4,平均延误时间都有增长趋势,由于排队长度是决定相位变化和相位持续长度的重要因素之一。对于考虑异常情况影响的AFL,除了遭遇异常情况下相位平均延误时间比较高之外,其他相位的延误时间都比NFL小,且与正常情况时的延误时间相比也相差无几。说明AFL模型表现比较好,能有效适应交叉口的异常情况时交通流的正常运行。

4 结束语

在控制交叉口信号的方面,使用模糊逻辑已经十分普遍,优化后的模糊交通控制器使在特定环境下交通流最大、交通延误最小。但是,在异常情况如拥堵、修路和交通事故发生时并不能达到最优的交通控制。因此,提出一种即能在正常情况下最佳控制交通流的模糊交通控制方法,又能在考虑异常情况下优化控制信号交叉口流量的模型。此模型确定了合理的输入输出变量,并在仿真环境中进行验证,表明可有效适应交叉口异常情况发生。另外,还有两个关键的问题值得注意,有利于将来对模型的进一步改进。其一,变量隶属函数和模糊规则的建立可以先根据经验来定,然后用智能优化算法如神经网络算法对数据进行训练,反复调试,优化隶属函数和模糊规则,这比人工总结的规则要客观。其二,提出的模型还可在两方面进行拓展,一是可以从单个交叉口拓展到更普遍的、城市道路中常见的多个交叉口;二是可以放宽提出假设,考虑行人过街等行为的影响。

摘要：建立异常情况下信号模糊逻辑控制模型,并建立决策行为,保证在正常及异常情况下最佳地控制交通流,使达到流量最大、延误最小。针对不考虑异常情况时交叉口模糊逻辑控制模型、考虑异常情况时模型及1个一般控制模型三者输出的平均延误差别仿真比较,结果表明本文提出的模型能有效缩短平均延误时间,改进交通信号配时。

关键词：异常情况,交叉口,信号配时,模糊逻辑

参考文献

[1]孟祥海,郑来,秦观明.基于模糊逻辑的交通事故预测及影响因素分析[J].交通运输系统工程与信息,2009,4(9):87-92.

[2]PAPPIS C P,MAMDANI E H.Afuzzy logic controller for a traffic junction[J].IEEE Trans on systems.Man and Cybernetics.1997.SMC—7(10):707-717.

[3]Trabia Mohamed B,Kaseko Mohamed S,Ande Murali.Two stage fuzzy logic controller for traffic signal[J].Transportation Research Part C,1999,7(6):353-367.

[4]YANG Z Y.Multi-phase traffic signal control for isola-ted intersections based on genetic fuzzy logic[J].Pro-ceedings of the6th World Congress onIntelligent Control and Automation,2006:3391-3395.

[5]陈森发,陈洪,徐吉谦.城市单路日交通的两级模糊控制及其仿典[J].系统仿真学报,1998,10(2):35-40.

[6]朱茵.唐祯敏.钱大琳.基于多智能体的交通管理系统的研究[J].中国公路学报,2002,15(3):80-83.

模糊逻辑系统篇6

机器人路径规划是指在存有障碍物的环境中, 机器人寻找一条实现从起始点到目标点安全运行的路线[1,2]。基于滚动窗口的路径规划方法是令机器人周期性地更新窗口信息及时滚动规划, 将规划问题压缩到滚动窗口内, 与全局规划相比其运算量大大降低[3]。

本文在借鉴文献[4,5,6]的基础上, 从移动机器人与障碍物之间的距离、动态障碍物运动速度、移动机器人与障碍物和目标点的位置关系三者入手, 结合模糊逻辑, 提出基于模糊逻辑的滚动窗口路径规划方法。

1 基于滚动窗口算法路径规划的原理

基于滚动窗口算法的路径规划是在预测控制滚动优化原理的基础上提出的。预测控制中的优化是一种有限时段的滚动优化, 在每个采样时刻t, 优化性能指标只涉及到从该时刻起到以后的有限的单位时间段, 而下一个时刻采样时刻t+1, 优化时段以t+1为起点向前延伸单位时间段。在预测控制中, 优化不是一次离线进行, 而是反复在线进行的, 是不断滚动优化的过程[7,8]。

基于滚动窗口算法的机器人路径规划利用机器人实时测得的局部环境信息, 以滚动方式进行在线规划[4]。基于滚动窗口的路径规划方法原理可以表述如下:

(1) 场景预测:在每个采样时间点t, 机器人根据传感器检测的局部环境信息, 判断滚动窗口内是否存在障碍物, 预测障碍物的运动情况。

(2) 滚动窗口优化:根据t时刻滚动窗口内对障碍物的判断信息和预测信息, 规划移动机器人的局部行驶路径, 机器人向子目标前进一步, 滚动窗口对应向前。

(3) 反馈初始化:当新的滚动窗口形成后, 对移动机器人的当前位置、局部环境信息、障碍物情况重新更新。

根据文献[4,6,9]对滚动窗口算法的路径规划问题进行如下描述和定义。

令WS为机器人运动的二维平面有限区域, 该区域中点的集合记为W, 其中存在有限个静态障碍物SObs1, SObs2, …, SObsn, 以及有限个动态障碍物DObs1, DObs2, …, DObsm。静态障碍物集合记为SOb, 动态障碍物集合记为DOb。t时刻, 机器人R的位置表示为PR (t) , 则PR (t) ∈W, 规划起始时间为t=0。

定义1 ∀P∈W, 若P∉ (SOb∪DOb) , 则P称为可行点。t时刻所有可行点的集合称为可行域FD (t) 。

有:FD $(t) = W \cap (\cap (\bar{S_{Ο b}})) \cap (\cap (\bar{D_{Ο b}}))$

定义2T=[t0, tf], ∀P0=FD (t0) , ∀Pf=FD (tf) , 若连续映射FS (·) :T→W, 使得FS (t0) =P0, FS (tf) =Pf, FS (t) ∈FD (t) , t∈ (t0, tf) , 则映射FS (·) 是W中从P0到Pf的一个可行路径。

由于机器人没有全局环境信息, 任一时刻t, 只能实时探测到以其当前位置为中心、r为半径区域内的环境信息。

定义3 机器人在点PR (t) 处的视野域Win (PR (t) ) ={P|P∈W, d (P, PR (t) ) ≤r}, Win (PR (t) ) 即为该点的滚动窗口。

2 基于模糊逻辑的滚动窗口路径规划实现方案

该滚动窗口路径规划方法包括3个过程:建立环境地图、滚动窗口局部目标优化和信息更新。

建立环境地图:采用二维平面坐标, 包含存在的静态障碍物和动态障碍物, 以及机器人的起始点和目标点等环境信息。

滚动窗口局部目标优化:在每个时刻中, 以机器人为中心, 在机器人有效的传感检测范围内, 根据机器人与障碍物间的距离、动态障碍物的运动速度大小和方向以及机器人与障碍物和目标点间的位置关系, 通过一定的推理启发, 确定机器人在该滚动窗口区域内的局部目标, 机器人向此局部目标运动, 直至下一时刻。

信息更新:在每个时刻的滚动窗口局部目标优化前, 根据传感系统获取周围环境实时信息, 为新的滚动窗口下局部目标优化提供新的信息, 也起到对先前时刻局部目标优化结果修正作用。这些信息包括新时刻中机器人与障碍物间的距离, 动态障碍物的运动速度大小和方向以及机器人、障碍物和目标点间新的位置关系。

2.1 滚动窗口中的机器人运动轨迹确定

由于移动机器人R没有先验的环境知识, 只能通过传感器, 在t时刻探测到以R当前位置为中心, 探测范围r为半径的圆形区域的环境信息, 因此, 本文将该圆形的探测区域视为滚动窗口Win (PR (t) ) 。

当移动机器人在通往目标点的运动中, 若滚动窗口内没有遇到障碍物, 运动路径为一直线。若是滚动窗口内遇到障碍物, 移动机器人将避开障碍物。在下一时刻, 机器人再次检索该时刻滚动窗口内是否存有障碍物, 进行避障行为。机器人由起始点S向目标点G运动。设t时刻, 移动机器人在点PR (t) 的坐标为Rt (xt, yt) , 目标点坐标为G (xG, yG) , 令 $θ = \arctan \frac{y_{G} - y_{t}}{x_{G} - x_{t}}$ 。当移动机器人前进方向中有障碍物时, 它势必绕开障碍物, 因此在接近障碍物时, 需在角θ的基础上, 另加一偏转角α, 设t+1时刻, 移动机器人所在点坐标为Rt+1 (xt+1, yt+1) , 有:

式中:l为单位时刻间距中移动机器人R运动的步长, 也即是在滚动窗口中机器人的运动距离。移动机器人的运动轨迹可以看作由R0 (x0, y0) , R1 (x1, y1) , …, Rt (xt, yt) 等一系列点连成的曲线。

2.2 基于模糊逻辑的滚动窗口路径规划步骤

步骤1:确定移动机器人运动的起始点和目标点, 转向步骤2;

步骤2:更新滚动窗口Win (PR (t) ) 信息, 若移动机器人检测不到障碍物, 向目标点做直线运动, 转向步骤4;若检测到存在障碍物, 转向步骤3;

步骤3:启动模糊控制器, 得到偏转角α, 机器人在该位置的基础上偏转α并向目标前进, 转向步骤2;

步骤4:更新滚动窗口Win (PR (t) ) 信息, 若移动机器人到达目标点, 停止路径规划, 否则转向步骤2。

2.3 模糊控制器的设计

在实际的机器人工作环境中, 工作环境是会变化的, 因而路径规划是一个不确定性推理的过程。模糊逻辑[10]提供了模仿人的思维方式的真实规则, 可以利用人类专家控制经验来弥补机器人动态特性中的不确定因素带来的不利影响。本文在滚动窗口中采用模糊控制器启发机器人在滚动窗口中对局部目标的确定, 实现避障。

在t时刻, 以过移动机器人R和目标点G的直线与过R和障碍物O的直线相交的夹角记为β, β可以反映移动机器人R、障碍物O和机器人目标点G的三者间位置关系。以该时刻移动机器人R感知与障碍物O之间的距离d (Rt, Ot) 、障碍物的运动速度VOb以及夹角β作为模糊控制器的输入变量。以移动机器人R遇到障碍物时改变运动方向的偏转角α为输出变量。当移动机器人R即将遇到障碍物时, 通过启动模糊控制器, 调整式 (1) 中的α改变移动机器人的运动轨迹, 使之避开障碍物。

对于输入变量d (Rt, Ot) , 定义了两个隶属度, 隶属度函数如图1所示。其论域划分为{Near, Far}。

障碍物运动速度VOb采用的隶属度函数如图2所示。障碍物相对于机器人向右运动时, VOb为正; 障碍物相对于机器人向左运动时, VOb为负。其论域划分为{NL, NS, Z, PS, PL}。

夹角β采用的隶属度函数如图3所示。障碍物位于过移动机器人和目标点直线右侧, 夹角β为正; 障碍物位于过移动机器人和目标点直线左侧, 夹角β为负。其论域划分为{NL, NS, Z, PS, PL}。

输出变量偏转角α采用的隶属度函数如图4所示。机器人向右偏转, α为正;机器人向左偏转, α为负。其论域划分为{NL, NS, Z, PS, PL}。根据人们驾驶避障的习惯, 生成模糊规则。模糊规则的一般形式如下:

IF d (Rt, Ot) =Ai, AND VOb=Bj, AND β=Ck, THEN α=Dijk, (i, j, k∈N)

其中:Ai, Bj, Ck, Dijk分别是对应于变量d (Rt, Ot) , VOb, β, α论域的模糊集。

模糊系统采用最小推理机, 将各输入变量代入各自的隶属度函数得出相应的隶属度值, 在同一规则Rule中, 若规则条件为“与 (AND) ”, 取各输入变量隶属度值的最小值。该最小值为本规则对应的输出变量隶属度值。采用重心法去模糊化, 得到需要的偏转角α。

3 基于模糊控制的滚动窗口路径规划仿真及分析

设动态障碍物由A点向右做水平的匀速运动, 设障碍物和机器人每秒行进的直线距离均为1 m。机器人由起始位置S (0, 0) 向目标点G (50, 50) 运动。

设机器人t时刻到达点B (29, 29) , 障碍物此时则在B′ (29, 30) 。根据它们的运动趋势, 在t+1时刻机器人即将在点C (30, 30) 附近与膨化后的障碍物相撞。若在t时刻启动模糊控制器, 采用如表1所示的模糊规则, 得到需要的偏转角α, 使机器人运动路径发生变化, 则在t+1时刻, 机器人位于B′ (29, 30) , 而障碍物位于C (30, 30) 点, 实现了避障。表2为t时刻及其之后机器人与动态障碍物的位置坐标。

由表2可知, 本文提出的基于模糊控制的滚动窗口路径规划方法具有避障的功能。

4 结语

在动态环境中, 若是包含动态障碍物的信息越丰富, 越有利于机器人路径规划。本文在考虑移动机器人与障碍物之间的距离, 动态障碍物的运动速度, 以及移动机器人、障碍物和目标点的位置关系基础上, 结合模糊逻辑推理, 提出的滚动窗口路径规划方法能实时根据环境信息的变化, 找出局部优化路径, 避开障碍物。

摘要：在原有滚动窗口路径规划方法基础上, 结合移动机器人与障碍物之间的距离、动态障碍物运动速度、移动机器人与障碍物和目标点的位置关系, 提出基于模糊逻辑的滚动窗口路径规划方法。通过对算法的仿真, 证明该算法的有效性。

关键词：移动机器人,路径规划,滚动窗口,模糊逻辑

参考文献

[1]梁毓明, 徐立鸿.移动机器人路径规划技术的研究现状与发展趋势[J].机电一体化, 2009 (3) :35-38, 68.

[2]鲍庆勇, 李舜酩, 沈峘, 等.自主移动机器人局部路径规划综述[J].传感器与微系统, 2009, 28 (9) :1-4, 11.

[3]康亮, 赵春霞, 郭剑辉.未知环境下改进的基于RRT算法的移动机器人路径规划[J].模式识别与人工智能, 2009, 22 (3) :337-343.

[4]张纯刚, 席裕庚.动态未知环境中移动机器人的滚动路径规划及安全性分析[J].控制理论与应用, 2003, 20 (1) :37-44.

[5]孙斌, 韩大鹏, 韦庆.基于滚动窗口算法的机器人路径规划应用研究[J].计算机仿真, 2006, 23 (6) :159-162.

[6]席裕庚, 张纯刚.一类动态不确定环境下机器人的滚动路径规划[J].自动化学报, 2002, 28 (2) :161-175.

[7]席裕庚.预测控制[M].北京:国防工业出版社, 1993.

[8]刘祚时, 罗爱华, 沈哲.以滚动优化策略的粒子群算法为基础的机器人路径规划研究[J].信息化纵横, 2009 (8) :17-19.

[9]傅卫平, 张鹏飞, 杨世强.利用机器人行为动力学与滚动窗口路径规划[J].计算机工程与应用, 2009, 45 (2) :212-215, 236.

模糊逻辑系统篇7

非接触电能传输是利用初级与次级线圈之间的磁场耦合进行能量传输, 已成功应用于各种工业设备中。随着研究的深入和实际工作的需要, 在某些环境中, 需要实现对不同负载供电, 这种工作模式下随着负载的变化, 整个系统的总体等效负载电阻也是实时变化的, 这种负载的变化容易造成系统的失谐和输出电压的不稳定[1,2], 导致输出电压质量下降, 在需要输出恒定电压的场合会产生不期望的特性。

已经提出的控制拾取端电压稳恒性的方法中参考文献[3]的短路控制原则类似于升压控制器, 通过PWM控制输出电压并作为反馈信号控制半导体开关器件, 流入负载的平均电流能够保证负载电压的恒定, 但是这种方法开关损耗大, 使得整个系统的效率降低。参考文献[4]的原边主动控制方法通过控制初级线圈输入电压的幅值大小来控制输出电压, 此种控制方法在单负载情况下可以实现, 但对于多负载接收端的系统, 无法实现一对一的控制。基于此本文提出了一种基于电容阵列[5]的输出电压控制方法。通过投切电容实现拾取系统的谐振, 当电路参数发生变化时, 比较设定值与反馈值, 将差值与差值变化率作为输入, 运用模糊控制输出投切电容值。本文通过仿真发现负载变化时拾取端仍能保持输出稳压, 可以在一些精度要求不高的场合及小功率设备中使用。

1 电路工作原理

图1中根据初、次级回路电容补偿方式的不同[6], 本文以串并拓扑结构为研究对象。在原边部分逆变网络采用频率倍增电路[7], S1~S8顺序开通, 开关频率为逆变的输出波形频率的1/4, 减少了单管的开关损耗。次级端为一电容阵列, 将负载电压与给定的差值进行模糊处理转换成开关序列, 通过切换等效电容使系统达到谐振状态, 为负载提供一个稳定的输出电压。

2 负载端电压与补偿电容值关系

为得出负载端电压与等效补偿电容值之间的关系, 使用戴维宁等效电路模型, 如图2所示。

图2中Vs为初级线圈电流在次级线圈的感应电动势, Uoc为戴维宁等效电路的开路电压, Zequ为将RL支路断开后的等效阻抗, 对于全桥整流滤波网络, 其交流等效电阻为R=8/ (π2RL) 。

感应电动势可表示为:

式中Ip为系统原边电流。

等效导纳为:

开路电压为:

根据式 (3) 可得等效电路的回路电流I1:

负载RL上的电压为:

从式 (5) 可以看出, 拾取端电压的恒定与等效电容值和频率有关, 当系统因环境或负载扰动而导致失谐时, 通过改变等效电容Cequ的值调整输出电压为恒定的谐振电压值。从而达到调谐与恒压控制的目的。

3 基于电容阵列的稳压调谐控制

3.1 电容阵列工作原理

图3为电容阵列结构示意图, 电容阵列由两个相同的单元构成, 且每个单元分别有5个大小相同的电容及4个开关管组成。由于系统工作频率较高, 且开关管的开关损耗与频率成正比, 电容阵列的控制原则是每时刻只允许一个或两个开关管导通, 且开关对 (S1、S2) 与 (S5、S6) 不能同时导通。电容阵列可输出29组不同的等效电容值, 定义为Cequ。不同的等效电容值及对应的开关序列在表1中给出。

设第一单元的电容值为C1, 单元2的电容值为C2, 且满足关系式 (6) :

为确定C2与C1的倍数关系, 提高Cequ的调节精度, 定义:

通过如图4所示的α、β及组数x的三维关系, 可以清晰、直观地得到其变化规律。

从图4中可以看出当α值增大时对应的β值的线性度越低, 且Cequ的调节精度也降低。当α=3时, 图形的平滑性最好, 即α值的线性度最高, 对应的变化范围为0.33~9.15, 可变范围满足工程需要。

3.2 基于模糊控制的电容阵列控制方法

图5中将给定电压值与反馈电压值的误差及其误差变化率作为模糊控制的输入语言变量, 将等效电容值作为模糊控制的输出语言变量, 通过模糊控制算法得到ΔCp, 根据等效电容值确定开关管的开关。

(1) 隶属函数的建立

首先将输入输出语言变量进行模糊化, 如表2所示, 设定误差e与误差变化率de的论域均为[-6, -4, -2, 0, 2, 4, 6], 控制输出的ΔCp的论域为[-0.99, 0.99], 分别将e、de、ΔCp量化为7级, 即[-3-2-1 0 1 2 3]。将输入输出语言变量论域内的模糊子集确定为5个:NB、NS、ZE、PS、PB, 分别表示负大、负小、零、正小、正大。各语言变量模糊子集通过隶属度函数来定义。

(2) 模糊控制决策方法

实际控制系统需要的是一个确切的等效电容值, 采用重心法的反模糊化运算就可得到输出等效电容值与隶属度函数的关系, 如式:

其中, u表示反模糊化输出结果, 即控制输出量等效电容值Cequ, Δuk表示每一控制量Uk的量化值, μ (uk) 为相应的隶属函数值。由等效电容值根据表1即可查询对应的开关序列, 进而控制电容阵列中的开关管。

4 Simulink仿真及参数的调整

4.1 稳压控制仿真模型搭建

在Simulink模块中构建次级线圈的稳压控制模型如图6所示, 图7为模糊控制仿真模型。

4.2 仿真结果分析

图8为基于次级线圈的稳压控制仿真图。

由仿真波形可以看出图8 (b) 中R=3.5Ω时负载输出电压不足, 为7 V左右, 图8 (a) 中R=5Ω时负载电压值超过设定值8 V, 模糊控制根据电压误差与变化率确定输出投切电容值, 最终使得负载电压稳定在恒定值8 V。图8 (c) 中, 在阻抗匹配下负载为最佳负载, 此时输出电压稳定在8 V, 当t=0.2 s时负载发生变化经投切电容调节, 在t=0.5 s时电压重新回到系统稳定值8 V。图8 (d) 中, 与图 (c) 相同, 初始状态为最佳阻抗匹配时的负载值, 电压稳定在8 V, 在t=0.1 s时负载发生变化, 经电容调节至设定值8 V, t=0.3 s时负载再次发生变化, 经模糊控制的电容阵列进行调节, 系统经0.2 s重新进入稳定状态, 达到电压设定值。

5 结论

本文使用模糊控制算法, 通过对电容阵列的控制来实现无线电能传输拾取端输出电压的控制。通过对负载切换进行仿真, 结果很好的表明了运用模糊控制可以有效的将输出电压控制在设定值, 有一定的理论意义与实用价值。

参考文献

[1]KARALIS A, JOANNOPOULOS J, SOLJACIC M.Efficient wireless non-radiative mid-range energy transfer[J].January Special Issue 2008, Ann.Phys., 2008, 323 (1) :34-48.

[2]李阳, 杨庆新, 闫卓, 等.无线电能有效传输距离及其影响因素分析[J].电工技术学报, 2013, 28 (1) :106-112.

[3]ELLIOTT G A J, BOYS J T, GREEN A W.Magnetically coupled systems for power transfer to electric vehicles[C].Proc.Int.Conf.Power Electron.Drive Syst., 1995:797-801.

[4]戴欣, 余奎, 孙跃.CLC谐振型感应电能传输系统的H∞控制[J].中国电机工程学报, 2010 (30) :47-54.

[5]戴欣, 周继昆, 孙跃.基于谐振电容阵列的CPT系统输出控制方法[J].电子科技大学学报, 2012 (9) :729-734.

[6]孙跃, 吴静, 王智慧, 等.ICPT系统基于电容阵列的稳频控制策略[J].电子科技大学学报, 2014, 43 (1) :54-59.

模糊逻辑系统篇8

传统的控制图使用单变量或多变量质量属性指标来监测的产品或过程的质量,在质量改进计划中发挥着至关重要的作用。在复杂的过程工业生产活动中使用多元控制图来监测一个产品或工艺的几个相关的质量指标,如Hotelling-X2和Hotelling-T2控制图,通过探索质量指标之间的相关性尝试改善控制。在某些情况下,产品的质量或过程难以有效地用精确地数值来描述,而模糊集理论以其对于抽象语言数据的数学表述,为主观语言变量的描述质量特征提供了一种建模方法。MEWMA控制图和MCUSUM控制图使用当前和过去的样本数据,比Hotelling-T2控制图,仅使用当前样本中提供的信息对小工艺变化敏感。文献中提出MEWMA控制图的性能类似于MCUSUM控制图,但它的性能在实际的使用是相对容易,因此选用MEWMA控制图来设计模糊多元控制图F-MEW-MA,并对所提出的控制图的性能使用平均运行长度ARL准则进行性能评估。

二、模糊多元控制图

假设每个模糊数由三角模糊数表示为(a1j,a2j,a3j),利用模糊中位数法,该值为:

质量指标的语言变量Cj术语集表示为Cjh(h=1,2,…,qi),让每个模糊统计量Fjh的隶属度用隶属函数μjh描述。因此n个样本的观测量被表示为:

利用模糊算法,每个质量指标Cj有且只有一个模糊子集以下方式的相关联:

然后,每个质量指标模糊子集模糊统计量Fj使用模糊中位数法可以转化为隶属度Rij。m个样本的各个质量指标模糊子集模糊统计量Fj的隶属度可以表示为:

式中的Rij是第i个样本的第j个质量指标模糊子集模糊统计量Fj的隶属度。假设Ri~Np(μi,ΣF),其中μi是向量均值,ΣF是已知的模糊统计量Fj协方差矩阵。不失一般性,当过程是在控制中,我们假设向量期望μi是(0,0,…,0)′。得到F-MEWMA统计量Zi:

三、实证分析

本节中依据文献的数据,实证分析F-MEWMA控制图的性能。文献提到appearance,color,taste是速冻食品三个重要的品质特性且必须同时监测。该产品外观上划分为good,medium,or oor;颜色划分为standard,acceptable,or rejected;产品的味道划分为per fect,good,mediump,or poor。因此有三个语言变量术语集:

外观术语集1定义为:T(c1)={c11,c12,c13}={good,medium,poor};

色彩术语集2定义为:T(c2)={c21,c22,c23}={standar d,acceptable,r ejected};

味道术语集3定义为:T(c3)={c31,c32,c33}={per fect,good,medium,poor}。

根据模糊集理论,语言变量Cjh用隶属函数μjh(x)描述,隶属函数如图1所示。模糊子集的模糊统计量Fj的隶属度Rij由式2计算,其隶属度Rij由式2计算,F-MEWMA统计量Zi由式3计算,取λ=0.5,计算结果如表1。样本协方差矩阵S是ΣF的估计,用式4计算。

3个质量指标的F-MEWMA控制图的如图2所示,说明错误地使用三个独立模糊变量的EWMA控制图,则过程将一直分布在统计控制均值之下。据文献[4]样本11到14处于失控状态,用bootstrap重采样方法[3]确定阈值h F=2566,重新输出修正后的F-MEWMA控制图如图3所示,在MATALB仿真平台10000次模拟运行F-MEWMA控制图和H otelling-T2控制图的平均运行长度AR L如图4所示,表明F-MEWMA均匀优于Hotelling-T2控制图。

四、结论

模糊多元控制图是一种替代控制图处理语言描述的表达,该控制图使用当前和过去的样本的累积信息,相比仅使用在最近一次采样信息的控制图有更好的表现。使用平均运行长度ARL准则进行实证评估结果表明,基于模糊逻辑改进后基于模糊逻辑的MEWMA控制图的性能优于Hotelling-T2控制图。

摘要：传统的多元控制图,如Hotelling-X2和Hotelling-T2的目的是监测质量特征向量的变化,然而在语言变量描述质量特征情况下,传统的多元控制图是不能很好的实现质量控制目标的。针对在实际生产生活中由于语言描述质量特征带来的不确定问题,结合多元统计质量控制和模糊集理论,对多元指数加权移动平均控制图MEWMA的方法进行了改进,以实现对于语言变量描述质量特征的监控。通过算例表明,对基于模糊逻辑改进后的控制图和Hotelling-T2控制图的效果通过计算平均链长ARL准则进行性能评估。

关键词：模糊集理论,模糊多元控制图,多元指数加权移动平均

参考文献

[1]韩亚利.常规控制图技术及应用研究[J].装备制造技术,2013,10:175-177.

[2]黄云云,杨晓翔,黄剑平.MCUSUM、MEWMA及Hotelling T2控制图的比较分析[J].现代制造技术与装备,2010,03:64-68.

[3]王海宇.过程质量控制的性能评价与改进方法研究[D].西北工业大学,2006.

模糊逻辑系统篇9

一、基于模糊逻辑的外环功率控制路径研究的现状

模糊逻辑是建立在多值逻辑基础上, 运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。外环功率控制 ( Outer Loop Power Control) 是在RNC侧基于业务传送质量 ( BER/BLER) 的功率控制方法, 即通过一定的机制和算法控制发射机的发射功率, 使发射机以合适的功率大小发射信号。近年来外环功率控制技术在计算机通讯领域得到了广泛的推广与应用, 有力地促进了我国计算机通讯行业的飞速发展。进入21 世纪以来, 科学技术发展迅速, 基于模糊逻辑的外环功率控制路径也在不断地创新发展, 使得我国通讯设备的标准也不断地推陈出新。但是我国的基于模糊逻辑的外环功率控制路径依然存在一定的问题, 在模型理论、控制技术、信号传递等方面有待进一步完善, 以下以某一基于模糊逻辑的外环功率控制路径研究为例, 对第三代移动通信标准TD - SCDMA进行分析。

二、移动通信标准TD - SCDMA的工作原理及优缺点

TD - SCDMA作为我国第三代移动通讯的标准, 不仅采用了软件无线电、智能天线、联合检测等先进技术, 而且对频率的TDD进行了改进, 具有良好的系统性能。但是由于TD- SCDMA以CDMA技术为核心, 因此难免会出现信号干扰的现象。为了避免这一现象的产生, 我国采用了严格的功率控制技术, 提高了通讯质量, 保障了信息的安全。

( 一) TD - SCDMA系统中的功率控制流程。TD - SCDMA系统中的功率控制过程包括三部分, 分别是开环功率控制、外环功率控制和内环功率控制。开环功率控制即根据主要公共控制物理信道P - CCPCH对功率的接收情况来确定其路径损耗程度, 从而得出上行或下行的初始发射功率。但是由于其在测量接受特殊信道信号功率大小和相关信息的同时没有反馈程序, 因此精确度不够高。内环功率控制根据接受数据质量的参数 ( BLER/BER/FER等) 对接受的目标进行比较, 进而得出功率发射时调整的步长, 保证信号接收的质量。外环功率控制即根据接收到的信息进行比较, 为内环功率控制提供更为精准的目标值, 产生功率控制命令TPC来对发射端的功率进行调整, 同时也避免了移动或多径引起的快衰落。

( 二) 外环功率控制系统详细的工作流程。外环功率控制包括上行外环功率控制与下行外环功率控制, 上行/反向链路功率控制通过移动台的发射功率来克服“远近效应”, 达到降低发射功率, 节省电流量的目标。下行/前向链路功率控制, 通过控制基站的发射功率, 克服“角效应”, 从而减小基站的平均发射功率, 降低信号之间的干扰, 同时也有利于减轻使用设备的损耗。例如在抗信号干扰过程中需要对SIR目标值进行调整, SIR目标值调整量公式: △SIRtar = { SIR调整系数 × SIR调整步长 × ( BLER测量值—BLER目标值) /BLER目标值} , 但是由于干扰信号或其他因素, 就需要对调整量进行设置, 从而达到用户BER要求。目前STR的功控算法如下: 以误帧率和误帧率的改变为基础来调整每一个用户的Eb/Io的目标设定值, 用户i第n + 1 次的Eb/Io目标设定值按照 ( Eb/Io) * ( Eb/Io) = ( Eb/Io) i + △ ( Eb/Io) FC ( e ( n) , △e ( n) ) 调整, 然后对其产生的误差△e ( n) 进行判断, 通过e ( n) = FER ( n) - FERtar, △e ( n) = e ( n) - e ( n - 1) 得出误帧率, 但是其调整过程中STR的功控算法比较繁琐, 有待进一步完善。

( 三) 功率控制在不同标准下的利与弊。功率控制在工作过程中存在三种准则, 分别是: 信号强度、误码率、信噪比。基于信号强度, 功率控制系统可以保障接受端所接收到的信号相同, 其程序相对简单, 但是不能反映用户真正的业务质量; 基于信噪比, 功率控制系统可以保障接收端的信噪比一致, 从而更好地反映系统性能, 但是其程序中基于STR的功控算法比较复杂, 还有待进一步改进; 基于误码率, 功率控制系统可以保障所有用户的BER达到要求, 并且其与质量关联的程序比较简单, 可以直联, 但是程序中的算法复杂且不成熟, 在一定程度上影响了误码率。

( 四) 外环功率控制在工作中存在的问题。外环功率控制系统作为对传输功率中的控制器, 在进一步精确传输功率、提高TD - SCDMA系统性能上都起着至关重要的作用。外环功率控制系统通过决定对内环功率系统决定的目标值, 有力降低了误码率。但是不能否认, 我国的外环功率控制系统依然存在一定的问题亟待解决, 比如其系统性能较低, 在解决TD -SCDMA系统的干扰和容量问题上还有待进一步提高。

三、创新基于模糊逻辑的外环功率控制路径的对策

( 一) 逐步完善功率的控制过程。基于模糊逻辑的外环功率控制路径主要包括测量数据保存、测量数据平均处理、功率控制决策、功率控制命令发送、测量数据修正几个环节。但是目前我国在测量数据平均处理、功率控制决策以及测量数据修三个环节中依然存在漏洞。因此我国应该进一步完善功率的控制过程, 在提高其系统性能的同时引入智能天线和良好的联合检测算法从而提高其测量数据修正的准确性, 有利于提高其抗干扰能力和传输信息容量。

( 二) 推广先进的功率控制技术。基于模糊逻辑的外环功率控制路径的核心在于功率控制的技术, 在克服“远近效应”、减小小区间干扰、增加系统容量及提高系统性能方面起至关重要的作用。因此我国应该加大对通讯事业的支持力度, 推广先进的功率控制技术, 进一步提高我国的通讯质量。

四、结语

综上所述, 近年来随着通讯事业的迅速发展, 我国在基于模糊逻辑的外环功率控制路径研究方面取得了显著成就, 但是在其核心技术功率控制技术上依然存在严重的问题有待进一步解决。因此我国应该积极借鉴国外先进的功率控制技术, 不断地发展创新, 逐步完善我国的功率控制过程, 从而促进通讯事业的进一步发展。

参考文献

[1]孙毅, 李芹, 唐良瑞.TD-SCDMA中基于连续型模糊控制的外环功率控制算法[J].电子与信息学报, 2010, 7

[2]靳玉涵.EVDO无数据态外环功率控制[A].2014信息通信网技术业务发展研讨会[C].2014

[3]范晖.TD-SCDMA系统中基于门限报告的外环功率控制研究[J].移动通信, 2014, 10

【模糊逻辑系统】推荐阅读：

模糊逻辑10-20

模糊逻辑算法08-10

动态模糊逻辑08-16

自适应模糊逻辑控制器09-02