独特的模糊定位

2024-05-14

独特的模糊定位（精选4篇）

独特的模糊定位篇1

0 引言

随着网络信息技术的快速发展,网络在社会中具有重要的应用价值。网络发生的微小故障将给社会生产和人们的生活带来巨大的影响。因此,寻求有效的网络故障数据定位方法,协助管理员及时完成网络故障的修复,具有重要应用意义[1⁃3]。传统的故障数据诊断方法,大都基于固定的指标分析告警信息实现故障信号的定位,一旦指标数量过高,则容易出现故障信号定位偏差过高问题[4⁃5]。当前存在较多的网络故障数据定位方法,如文献[6]分析了基于支持向量机的分层决策网络故障信号定位模型。通过层次判别统计分析方法,塑造故障信息到故障类型的映射关系,实现故障信号的定位,但是该方法存在效率低和耗能高的缺陷。文献[7]基于BP神经网络实现网络故障数据定位,该方法具有较高的定位效率,但是容易陷入局部最佳解。文献[8]提出了基于小波神经网络的网络故障定位方法,该方法具有较高的收敛性,但是存在耗能高的缺陷。

上述分析的相关方法都存在一定的问题;因此,本文提出了一种基于模糊贴近算法的网络故障数据快速定位方法。

1 基于模糊贴近算法的网络故障数据定位方法的设计与实现

1.1 逻辑推理结构的设计

基于模糊贴近算法的网络故障数据快速定位的逻辑推理结构如图1 所示。

该方法从网络数据中采集告警信息,按照系统参数对网络故障数据告警信息进行预操作,过滤其中的噪声因素,采集可实现挖掘的网络故障数据告警事务项,并对告警信息进行模糊关联规则挖掘,获取网络故障数据告警信息的模糊贴近指标。并将该模糊贴近指标同贴近指标库中的全部指标进行对比,通过模糊推理方法获取存在的故障源,实现网络故障数据快速定位。网络故障数据定位系统主要包括如下几项分析步骤:

(1)塑造针对网络业务的网络故障数据告警关联性分析模型。针对网络业务的定位系统,主要关注网络层和业务层间的关联性。业务层主要控制网络服务,并采集网络层反馈的不同业务数据,通过业务数据分析网络性能,处理不同业务故障同网络性能间的映射关系。

(2)采集网络故障数据模糊告警贴近指标。按照网络故障数据告警的属性,通过基于不同维度的网络故障数据贴近指标采集方法,该方法先分析多域分布式网络结构下的网络故障数据告警关联性以及层次化告警关联性,为网络故障数据告警设置分层结构信息。通过下层子网将网络故障数据关联性分析结果反馈给上层子网,上层子网对结果进行评估,挖掘出层间网络故障数据贴近指标。网络在动态调整情况下,会依据历史网络故障数据贴近指标知识库中的数据,基于原始数据库和调整数据库在时间以及空间上的关联性,对新网络故障数据告警关联性进行分析,挖掘出网络故障数据模糊贴近指标。

(3)实现网络故障数据定位。网络故障数据定位采用模糊推理方法,按照塑造的网络故障数据模糊贴近指标知识库,规划故障数据定位系统模型,完成网络故障数据的统一控制。

1.2 基于模糊贴近算法的网络故障数据定位方法

根据逻辑推理单元,引入一种模糊贴近思维实现网络故障数据的准确定位。在网络故障信号定位系统中,存储的大量的网络故障数据模糊告警贴近指标知识库以及动态事件告警库,对于模糊告警的匹配、关联分析等推理分析,能够达到较高的精确度。对网络故障数据定位的目标是确定故障存在的位置,通过有事实告警获取根源告警的正向模糊推理方法,能够推理出网络故障信号危险。正向模糊推理流程的电路图如图2 所示。

基于模糊贴近算法的网络故障数据定位系统的分析过程为:系统输入当前的网络故障事实告警项,对告警项进行模糊化操作,变换成网络故障数据模糊告警,通过模糊匹配在贴近指标库中搜索同网络故障数据模糊告警,相匹配的全部贴近指标,并将匹配度最高的贴近指标当成推理激发指标。在推理激发指标中可采集到网络故障数据模糊告警的关联信息,基于模糊合成方法,推理出网络故障数据模糊告警结论。并将模糊告警结论反模糊化,获取激发告警的根源故障位置,也就是实现推理结论告警的反模糊化,进而能够形象描述出网络故障数据产生的位置。所设计定位系统采用加权平均方法实现推理结论告警的反模糊化,具体过程为:

如果模糊集中的语言变量对象为数值型,同时不同模糊区间取值具有离散性,则将输出量模糊集Fx内不同元素xi同相应隶属度相乘,并运算该乘积累加以及对于不同隶属度和的平均值,也就是对语言变量集中的数据求加权平均后的模糊区间值,如下式所示:

式中:平均值x0是通过加权平均法获取的模糊区间判决结果。

1.3 定位功能的设计与实现

基于模糊贴近算法的网络故障定位是由网络参数监测及处理模块、知识采集模块、故障定位知识库、故障定位模块、解释模块以及用户界面构成。其功能模块图如图3 所示。

(1)网络参数监测及处理模块。该模块通过采集网络运行参数,把采集到的参数存放在数据库里;采集参数征兆,融合模糊贴近算法和数据库,基于网络故障数据定位数据库里的设定条件检测出不正常数据,把它变成易懂的知识,供网络管理人员查看,并把网络参数变更为网络数据定位系统能辨认的数值;将定位到的故障数据和报警,通过图像界面呈现给用户,使操作员迅速得知网络故障数据的发生。

(2)知识采集模块。该模块依据对网络故障样本的认知,进行知识的采集,把采集的知识存入网络的连接权中,塑造成故障定位模型。知识采集模块可实现网络故障定位系统对故障类别定位方法的信息获取,为下一步定位铺垫。

(3)故障定位。该模块利用模糊贴近算法得到网络故障数据定位数据库里的运行参数,剖析提取的网络参数征兆,基于模糊贴近模型完成定位,并体现出定位的参数。

(4)解释模块。该模块是对网络故障数据定位模块计算结果的一个解释,也就是对目前定位计算流程的一个诠释。它的诠释体系是基于故障定位知识库里已存在的知识,对应任意节点的动作完成诠释,假如知识库里不存在该知识,网络故障定位系统将显示无相符内容,操作员根据知识库对定位结论的正确性进行判定,并考虑是否可将这个征兆存储到知识库里。

(5)故障定位知识库。该模块中存在通过模糊贴近模型导出的知识和训练模型需要的知识等。故障定位知识库可完成已得到知识的一个保护和更新,继而便于后续推理。

(6)人机交互界面。该模块为用户、管控人员以及网络定位模型,提供信息沟通交流的窗口。人机交互界面重点是负责设定参数和数据的导入、导出等,它在人机交互与网络故障定位系统里起到沟通协调的作用。

2 关键代码设计与实现

基于模糊贴近算法的网络故障数据定位方法,处理数据的第一步是将数据完成初始化,也就是把选择的模拟数据存入系统,为下一步处理提供数据。完成数据初始化代码如下:

把预处理后的数据根据计算规定完成处理,并确定数据的聚类中心。初始数据聚类中心明确代码如下:

聚类中心在增加新数据后,新的聚类中心明确算法的中心代码如下:

3 实验分析

通过实验验证本文提出的基于模糊贴近算法的网络故障数据快速定位方法的性能。实验分别采用本文方法和小波神经网络方法对某服装公司的销售网络故障数据进行定位分析,获取10 组样本数据的定位值域实际值的误差结果,如表1 所示。

分析表1 可以看出,本文方法对于网络故障数据定位的误差高于小波神经网络方法,并且本文方法的误差始终低于0.45,具有较高的可靠性,说明本文方法能够对实验网络故障数据进行实时监控定位。

如图4 所示,网络事务数据库大小对不同方法运行时间的干扰,对比分析两种方法的可扩展性。通过图4 可以看出,本文方法的运行时间始终低于小波神经网络方法,并且具有较高的平稳度。而小波神经网络方法的运行时间随着事务数据库大小出现显著的波动,并且增长迅速。主要是因为本文方法先采集网络的告警信息,再对告警信息进行模糊关联规则挖掘,获取告警信息的模糊贴近指标,通过模糊推理方法实现网络故障数据快速定位。避免了扫描信息量庞大的全局事务库,极大地降低了网络故障数据定位时间。

如图5 所示为网络事务数据库不断增长时,本文方法和小波神经网络方法的内存占用情况。分析图5 可得,随着网络事务库数量的增加,本文方法和小波神经网络的内存占用率都不断增加,而本文方法的占用空间增加幅度较低,说明本文方法针对大规模网络数据的故障定位方法具有较高的优势。

4 结语

本文提出一种基于模糊贴近算法的网络故障数据快速定位方法。系统将当前的网络事实告警项,进行模糊化处理转换成模糊告警,由模糊匹配在贴近指标库中发现与之匹配的全部贴近指标,并采集匹配度最高的贴近指标当成推理触发指标。从该指标中提取故障数据模糊告警关联信息,通过模糊合成策略,推理出网络故障数据的模糊告警结论,实现网络故障数据的快速定位。实验结果表明,所提方法对网络故障数据进行定位,具有较高的定位精度,并且消耗能量较低。

参考文献

[1]周孝信,陈树勇,鲁宗相.电网和电网技术发展的回顾与展望:试论三代电网[J].中国电机工程学报,2013,33(22):2-11.

[2]KAUER M,STEINHORST S,GOSWAMI D,et al.Formal verification of distributed controllers usingtime-stamped event count automata[C]//Proceedings of 2013 ASP-DAC.Yokohama Japan:[s.n.],2013:411-416.

[3]郑涛,潘玉美,郭昆亚,等.基于免疫算法的配电网故障定位方法研究[J].电力系统保护与控制,2014,42(1):77-83.

[4]刘健,张小庆,同向前,等.含分布式电源配电网的故障定位[J].电力系统自动化,2013,37(2):36-42.

[5]周湶,郑柏林,廖瑞金,等.基于粒子群和差分进化算法的含分布式电源配电网故障区段定位[J].电力系统保护与控制,2013,41(4):33-37.

[6]林济铿,潘光,李云鹏,等.基于基本树的网络拓扑放射性快速判断方法及配网重构[J].中国电机工程学报,2013,33(25):156-166.

[7]DAIGLE M J,GOEBEL K.Model-based prognostics with concurrent damage progression processes[J].IEEE transaction on systems,man,and cybernetics,2013,43(3):535-546.

[8]吴浩,罗毅,蔡亮.基于RBF神经网络的输电线路故障类型识别新方法[J].重庆邮电大学学报(自然科学版),2013,25(3):418-426.

独特的模糊定位篇2

起重机广泛应用于车间、港口码头、电站、仓库、海上钻井平台、高层建筑等工业场所,在起重机的运输过程中,由于受到外界阻力(如风力、摩擦力等)和起重机操作员熟练程度的影响,会出现小车定位不精确和负载摆动幅度大等问题。如果小车定位不精确,负载来回摆动,轻则延长起重机的运行时间,降低产品的质量和生产效率,造成经济损失,重则引发安全事故,造成人员伤亡。因此,国内外许多学者对此进行了大量的研究[1,2,3,4,5,6,7,8,9,10,11,12]。输入整形也叫时滞滤波,董明晓等[2]设计了鲁棒时滞滤波器,Khalid等[3]、Singhose[4]在建立起重机数学模型的基础上,结合输入整形和反馈控制等方法,大大减小了起重机的负载摆动,减轻了操作者的负担。

由于滑模控制设计方法简单,控制算法容易实现,并且在控制输入作用下系统状态一旦进入滑动模态,则对外部扰动和参数的变化具有完全的鲁棒性。国内外学者针对不同的系统、不同的控制要求对滑模控制方法展开了较多的研究。在文献[10]中把起重机看作欠驱动系统,提出了一种基于滑模的消摆控制方法;Liu等[11]设计了一种自适应滑模防摆定位控制器,利用模糊控制来调节两个子系统在控制中的作用。上述方法虽然在一定程度上实现了小车的定位与防摆,但这些控制方法均把起重机系统简化成线性系统或单输入系统,没有考虑吊绳绳长的变化对系统的影响,这与实际情况存在差别,势必影响系统的控制性能。

本文提出了一种新的模糊滑模定位与防摆控制方案,考虑吊绳绳长的变化,把起重机系统简化为三个多输入子系统,设计了模糊滑模控制器,跟踪吊绳绳长的变化,在负载的快速提升和下降过程中实现小车的精确定位与防摆。

1 系统描述

图1所示为龙门起重机的简化模型,绳索的弹性、质量、重物摆动的阻尼系数忽略不计,负载和抓斗视为质点。M为小车的质量,m为负载及抓斗的质量和,l为绳长,θ为摆角,g为重力加速度,fx和fl分别是作用在X方向和绳长方向上的外力,Dx和Dl分别是沿X方向和绳长方向的摩擦阻尼系数,其他外力忽略不计。

如图1所示,小车坐标为

$\begin{array}{l} x_{Μ} = x \\ y_{Μ} = 0 \end{array}} (1)$

负载坐标为

$\begin{array}{l} x_{m} = x + l s i n θ \\ y_{m} = l c o s θ \end{array}} (2)$

小车和负载沿X方向和Y方向的速度分量分别为

$\begin{array}{l} \dot{x}_{Μ} = \dot{x} \\ \dot{y}_{Μ} = 0 \\ \dot{x}_{m} = \dot{x} + \dot{l} s i n θ + l \dot{θ} \cos θ \\ \dot{y}_{m} = \dot{l} c o s θ - l \dot{θ} \sin θ \end{array}} (3)$

起重机系统的动能为

$\begin{array}{l} E_{k} = \frac{1}{2} Μ v_{Μ}^{2} + \frac{1}{2} m v_{m}^{2} = \\ \frac{1}{2} Μ (\dot{x}_{Μ}^{2} + \dot{y}_{Μ}^{2}) + \frac{1}{2} m (\dot{x}_{m}^{2} + \dot{y}_{m}^{2}) (4) \end{array}$

选择小车位置为零势能参考点,则起重机系统的势能为

EP=-mglcosθ (5)

起重机系统的能量函数即拉格朗日函数为

$\begin{array}{l} E = E_{k} - E_{Ρ} = \frac{1}{2} (Μ + m) \dot{x}^{2} + \frac{1}{2} m (\dot{l}^{2} + l^{2} \dot{θ}^{2} + \\ 2 \dot{x} \dot{θ} l \cos θ + 2 \dot{x} \dot{l} \sin θ) + m g l \cos θ (6) \end{array}$

设起重机的广义坐标变量q=(x,l,θ),根据拉格朗日方程:

$\begin{array}{l} \frac{d}{d t} (\frac{\partial L}{\partial \dot{x}}) - \frac{\partial L}{\partial x} = f_{x} - D_{x} \dot{x} \\ \frac{d}{d t} (\frac{\partial L}{\partial \dot{l}}) - \frac{\partial L}{\partial l} = f_{l} - D_{l} \dot{l} \\ \frac{d}{d t} (\frac{\partial L}{\partial \dot{θ}}) - \frac{\partial L}{\partial θ} = 0 \end{array}} (7)$

可得起重机数学模型:

$\begin{array}{l} \ddot{x} = (f_{x} - D_{x} \dot{x} - f_{l} \sin θ + D_{l} \dot{l} s i n θ) / Μ \\ \ddot{l} = g c o s θ + l \dot{θ}^{2} + (D_{x} \dot{x} - f_{x} + \sin θ f_{l} - \\ \sin θ D_{l} \dot{l}) (\sin θ / Μ) + (f_{l} - D_{l} \dot{l}) / m \\ \ddot{θ} = - (g s i n θ + 2 \dot{l} \dot{θ}) / l + \cos θ (f_{l} \sin θ + \\ D_{x} \dot{x} - D_{l} \dot{l} s i n θ - f_{x}) / (l Μ) \end{array}} (8)$

设 $x_{1} = x ‚ x_{2} = \dot{x} ‚ x_{3} = l ‚ x_{4} = \dot{l} ‚ x_{5} = θ ‚ x_{6} = \dot{θ} ‚$ 得到系统的状态方程为

$\begin{array}{l} \dot{x}_{1} = x_{2} \\ \dot{x}_{2} = \frac{D_{l}}{Μ} x_{4} s i n x_{5} - \frac{D_{x}}{Μ} x_{2} + \frac{1}{Μ} f_{x} - \frac{s i n x_{5}}{Μ} f_{l} \\ \dot{x}_{3} = x_{4} \\ \dot{x}_{4} = g c o s x_{5} + x_{3} x_{6}^{2} + \frac{x_{2} D_{x} s i n x_{5}}{Μ} - \\ (\frac{\sin^{2} x_{5}}{Μ} + \frac{1}{m}) D_{l} x_{4} - \frac{s i n x_{5}}{Μ} f_{x} + (\frac{\sin^{2} x_{5}}{Μ} + \frac{1}{m}) f_{l} \\ \dot{x}_{5} = x_{6} \\ \dot{x}_{6} = - \frac{g s i n x_{5} + 2 x_{4} x_{6}}{x_{3}} + \frac{c o s x_{5}}{Μ x_{3}} D_{x} x_{2} - \\ \frac{s i n x_{5} c o s x_{5}}{Μ x_{3}} D_{l} x_{4} - \frac{c o s x_{5}}{Μ x_{3}} f_{x} + \frac{s i n x_{5} c o s x_{5}}{Μ x_{3}} f_{l} \end{array}} (9)$

2 模糊滑模控制器设计

定义

$e = [\begin{matrix} e_{1} \\ e_{3} \\ e_{5} \end{matrix}] = [\begin{matrix} x_{d} - x \\ l_{d} - l \\ θ - θ_{d} \end{matrix}] = [\begin{matrix} x_{d} - x \\ l_{d} - l \\ θ \end{matrix}]$

其中,xd、ld、θd分别是小车位置、绳长和负载摆角的期望值,一般地,θd=0。则系统误差模型为

$\begin{array}{l} \dot{e}_{1} = e_{2} \\ \dot{e}_{2} = \ddot{x}_{d} - (f_{1} + g_{1} u_{1} + h_{1} u_{2}) \\ \dot{e}_{3} = e_{4} \\ \dot{e}_{4} = \ddot{l}_{d} - (f_{2} + g_{2} u_{1} + h_{2} u_{2}) \\ \dot{e}_{5} = e_{6} \\ \dot{e}_{6} = f_{3} + g_{3} u_{1} + h_{3} u_{2} \end{array}} (10)$

u1=fxu2=fl

$f_{1} = \frac{D_{l}}{Μ} x_{4} \sin x_{5} - \frac{D_{x}}{Μ} x_{2}$

$\begin{array}{l} g_{1} = \frac{1}{Μ} h_{1} = - \frac{s i n x_{5}}{Μ} \\ f_{2} = g \cos x_{5} + x_{3} x_{6}^{2} + \frac{D_{x}}{Μ} x_{2} \sin x_{5} - \\ (\frac{\sin^{2} x_{5}}{Μ} + \frac{1}{m}) D_{l} x_{4} \end{array}$

$\begin{array}{l} g_{2} = - \frac{1}{Μ} \sin x_{5} h_{2} = \frac{\sin^{2} x_{5}}{Μ} + \frac{1}{m} \\ f_{3} = - \frac{g s i n x_{5} + 2 x_{4} x_{6}}{x_{3}} + \frac{D_{x} c o s x_{5}}{x_{3} Μ} x_{2} - \\ \frac{s i n x_{5} c o s x_{5}}{x_{3} Μ} D_{l} x_{4} \end{array}$

$g_{3} = - \frac{c o s x_{5}}{Μ x_{3}} h_{3} = \frac{c o s x_{5} s i n x_{5}}{Μ x_{3}}$

将起重机系统简化为三个多输入子系统,系统的控制目标是起重机小车能快速准确地到达期望位置,且在负载快速提升和下降过程中抑制重物的摆动。本文设计模糊滑模控制器,跟踪吊绳绳长的变化,对小车的位置和负载的摆动进行控制。定义以下四个滑模面

sx=cxe1+e2 (11)

sθ=cθe5+e6 (12)

sl=cle3+e4 (13)

s=α sx+sθ (14)

取趋近律:

$\dot{s} = - ε_{1} sgn (s) - k_{1} s (15)$

$\dot{s}_{l} = - k_{2} sgn (s_{l}) (16)$

其中,cx、cl、cθ、α、ε1、k1、k2是正常数,根据式(10)～式(16)可推出:

$\begin{array}{l} u_{1} = [- α h_{2} f_{1} + (α h_{1} - h_{3}) f_{2} + h_{2} f_{3} + α h_{2} c_{x} e_{2} + \\ (h_{3} - α h_{1}) (c_{l} e_{4} + \ddot{l}_{d} + k_{2} sgn (s_{l})) + α h_{2} \ddot{x}_{d} + c_{θ} e_{6} h_{2} + \\ ε_{1} h_{2} sgn (s) + k_{1} h_{2} s] / (g_{2} h_{3} + α g_{1} h_{2} - g_{3} h_{2} - α g_{2} h_{1}) (17) \end{array}$

$u_{2} = \frac{c_{l} e_{4} - f_{2} + \ddot{l}_{d} + k_{2} sgn (s_{l}) - g_{2} u_{1}}{h_{2}} (18)$

为了解决滑模控制的抖振问题,利用双曲正切函数 $q (s) = \frac{1 - e^{- λ s}}{1 + e^{- λ s}} (λ$ 为大于1的常数)代替sgn(s),模糊控制Δu代替sgn(sl)。sl和 $\dot{s}_{l}$ 是模糊控制器的输入,Δu为模糊控制器的输出。它们的隶属函数分别如图2、图3所示。

根据输入输出模糊子集的划分和起重机操作人员的经验总结出的模糊规则表如表1所示。

采用min-max-重心法将模糊输出化为精确量[13]:

$\begin{array}{l} Δ u = \\ {\begin{cases} - 1 s_{l} \leq - \frac{1}{3}, \dot{s}_{l} \leq - \frac{1}{3} \\ (\frac{5}{2} \dot{s}_{l}^{2} + \frac{7}{6} \dot{s}_{l} - \frac{2}{9}) / (- 3 \dot{s}_{l}^{2} - \dot{s}_{l} + \frac{1}{3}) \\ s_{l} \leq - \frac{1}{3}, - \frac{1}{3} < \dot{s}_{l} \leq 0 \\ (\frac{3}{2} \dot{s}_{l}^{2} - \frac{1}{6} \dot{s}_{l} - \frac{2}{9}) / (- 3 \dot{s}_{l}^{2} + \dot{s}_{l} + \frac{1}{3}) \\ s_{l} \leq - \frac{1}{3}, 0 < \dot{s}_{l} \leq \frac{1}{3} \\ - \frac{1}{3} s_{l} \leq - \frac{1}{3}, \dot{s}_{l} > \frac{1}{3} \\ (4 s_{l}^{2} + 2 s_{l} - \frac{1}{9}) / (- 6 s_{l}^{2} - 2 s_{l} + \frac{1}{3}) \\ - \frac{1}{3} < s_{l} \leq 0, \dot{s}_{l} \leq - \frac{1}{3} \\ (3 s_{l}^{2} + 2 s_{l} + \frac{1}{2} \dot{s}_{l}^{2} + \frac{1}{2} \dot{s}_{l}) / (- 3 s_{l}^{2} - 2 s_{l} - 3 \dot{s}_{l}^{2} - \dot{s}_{l} + \frac{1}{3}) \\ - \frac{1}{3} < s_{l} \leq 0, - \frac{1}{3} < \dot{s}_{l} \leq 0 \\ (2 s_{l}^{2} + \frac{4}{3} s_{l} - \frac{1}{2} \dot{s}_{l}^{2} + \frac{1}{2} \dot{s}_{l}) / (- 3 s_{l}^{2} - 2 s_{l} - 3 \dot{s}_{l}^{2} + \dot{s}_{l} + \frac{1}{3}) \\ - \frac{1}{3} < s_{l} \leq 0, 0 < \dot{s}_{l} \leq \frac{1}{3} \\ (\frac{2}{3} s_{l} + \frac{1}{9}) / (- 6 s_{l}^{2} - 2 s_{l} + \frac{1}{3}) \\ - \frac{1}{3} < s_{l} \leq 0, \dot{s}_{l} > \frac{1}{3} \\ (\frac{2}{3} s_{l} - \frac{1}{9}) / (- 6 s_{l}^{2} + 2 s_{l} + \frac{1}{3}) \\ 0 < s_{l} \leq \frac{1}{3}, \dot{s}_{l} \leq - \frac{1}{3} \\ (s_{l}^{2} - \frac{3}{2} \dot{s}_{l}^{2} - \frac{1}{6} \dot{s}_{l} + \frac{1}{9}) / (- 3 s_{l}^{2} - 3 \dot{s}_{l}^{2} - \dot{s}_{l} + \frac{2}{3}) \\ 0 < s_{l} \leq \frac{1}{3}, - \frac{1}{3} < \dot{s}_{l} \leq 0 \\ (- \frac{5}{2} \dot{s}_{l}^{2} + \frac{7}{6} \dot{s}_{l} + \frac{2}{9}) / (- 3 s_{l}^{2} - 3 \dot{s}_{l}^{2} + \dot{s}_{l} + \frac{2}{3}) \\ 0 < s_{l} \leq \frac{1}{3}, 0 < \dot{s}_{l} \leq \frac{1}{3} \\ (- 4 s_{l}^{2} + 2 s_{l} + \frac{1}{9}) / (- 6 s_{l}^{2} + 2 s_{l} + \frac{1}{3}) \\ 0 < s_{l} \leq \frac{1}{3}, \dot{s}_{l} > \frac{1}{3} \\ \frac{1}{3} s_{l} > \frac{1}{3}, \dot{s}_{l} \leq - \frac{1}{3} \\ (- \frac{3}{2} \dot{s}_{l}^{2} - \frac{1}{6} \dot{s}_{l} + \frac{2}{9}) / (- 3 \dot{s}_{l}^{2} - \dot{s}_{l} + \frac{1}{3}) \\ s_{l} > \frac{1}{3}, - \frac{1}{3} < \dot{s}_{l} \leq 0 \\ (- \frac{5}{2} \dot{s}_{l}^{2} + \frac{7}{6} \dot{s}_{l} - \frac{2}{9}) / (- 3 \dot{s}_{l}^{2} + \dot{s}_{l} + \frac{1}{3}) \\ s_{l} > \frac{1}{3}, 0 < \dot{s}_{l} \leq \frac{1}{3} \\ 1 s_{l} > \frac{1}{3}, \dot{s}_{l} > \frac{1}{3} \end{cases} (19) \end{array}$

因此,系统控制力为

$\begin{array}{l} u_{1} = [- α h_{2} f_{1} + (α h_{1} - h_{3}) f_{2} + h_{2} f_{3} + α h_{2} c_{x} e_{2} + \\ (h_{3} - α h_{1}) (c_{l} e_{4} + \ddot{l}_{d} + k_{2} Δ u) + α h_{2} \ddot{x}_{d} + c_{θ} e_{6} h_{2} + \\ ε_{1} h_{2} q (s) + k_{1} h_{2} s] / (g_{2} h_{3} + α g_{1} h_{2} - g_{3} h_{2} - α g_{2} h_{1}) (20) \end{array}$

$u_{2} = \frac{c_{l} e_{4} - f_{2} + \ddot{l}_{d} + k_{2} Δ u - g_{2} u_{1}}{h_{2}} (21)$

3 稳定性证明

构造Lyapunov函数:

$V = \frac{1}{2} s^{2} + \frac{1}{2} s_{l}^{2} (22)$

对V求导,得

$\dot{V} = s \dot{s} + s_{l} \dot{s}_{l} (23)$

从式(15)、式(16)以及式(20)、式(21)可以推出:

$\begin{array}{l} \dot{V} = s (- ε_{1} q (s) - k_{1} s) + s_{l} (- k_{2} Δ u) = \\ - ε_{1} s q (s) - k_{1} s^{2} - k_{2} s_{l} Δ u (24) \end{array}$

从式(19)可知,sl和Δu同号,则 $\dot{V} < 0$ ,因此系统的滑动模态存在且可达,系统稳定。

4 仿真研究

为了验证本文方法的有效性,进行了仿真研究,系统参数M=1200kg,m=5000kg,Dx=250kg/s,Dl=20kg/s,g=9.8m/s2,xd=10m, ld为π形函数(图6虚线),吊绳绳长从10m变化到5m再变化到10m, 取cx=3,cl=10,cθ=10,α=3.5,ε1=1.2,λ=2,k1=14,k2=1.6。仿真结果如图4～图10所示。文献[10]方法的仿真结果如图11～图13所示。

从图4和图11、图5和图12、图7和图13对比可知,本文方法控制性能优于文献[10]方法的控制性能。采用本文方法得到的负载摆角最大为0.41rad,文献[10]方法得到的负载摆角最大为0.56rad;采用本文方法小车在6s到达期望位置,摆角衰减为零,而采用文献[10]的方法在35s左右系统才能稳定。从仿真结果也可以看出,系统能快速到达滑平面(6s),准确跟踪吊绳绳长的变化,在负载的快速提升和下降过程中实现了起重机的精确定位和负载的防摆。

5 结语

本文针对龙门起重机系统的精确定位和防摆控制设计模糊滑模控制器,在吊绳绳长变化的情况下,起重机小车能够快速准确到达期望位置,在负载快速提升和下降过程中消除了重物的摆动,系统很快到达滑平面,而且消除了常规滑模控制固有的抖振现象,改善了控制系统的性能。

独特的模糊定位篇3

船舶动力定位系统是指在不借助锚泊系统与其它外力的情况下, 通过动力定位系统的各种传感器不断检测船舶所在实际位置和所设定目标位置的偏差, 然后根据各种外界扰动力的影响推算出船舶恢复到设定目标所需的推力和推力矩大小, 使船舶可以稳定在海上的目标点[1]。如今海洋资源越来越受到国际青睐, 船舶动力定位技术也越来越受到造船工业的重视。船舶动力定位系统受环境因素影响很大、具有多个自变量、耦合性非常强的非线性模糊系统, 如何对船舶动力进行定位设计, 受到船舶动力设计工程师的重视, 各种技术也不断应用到船舶动力定位设计上。

本文利用自适应模糊算法对于复杂的控制系统具有明显效果, 基于自适应模糊算法对纵荡、横荡、艏摇三个方向分别用三个独立的控制器来进行控制。通过设计自适应的模糊算法, 跟传统的PID算法相比, 控制效果要好很多, 自适应的模糊算法可以有效提高船舶动力定位系统的抗干扰能力和定位精度, 在实际船舶动力定位系统设计中具有推广应用价值。

1 自适应模糊算法介绍

一般对于复杂大型系统来说, 精确控制对象, 准确数学表达或数学模型很难得, 受到影响因素和干扰变量非常多, 无法进行定量计算和分析, 所以精确控制也无从谈起。模糊算法近几年受到工程师的高度重视和大规模应用。模糊算法, 是指在控制系统中用模糊数学和专家系统来表达非线性的表达的对象, 进而用这种模糊的逻辑来进行系统控制器的设计, 模糊算法是一种比较特殊的、被数学定量表述的非线性的控制。

不同模糊集合中的元素, 组成的集合一般用隶属度函数来表示[2]。隶属度函数有多种多样的形状[3]。隶属度函数一般常用的有钟形、梯形、三角形、高斯型隶属度函数, 其中最为常用的是三角形。自适应模糊算法是在模糊算法中加入自适应控制, 会对被控对象进行自适应的模糊控制, 这种算法具有自适应性和鲁棒性, 用自适应实时学习被控对象的各种动态的变动, 把这种学习来的实时变化性自动的实时调整模糊控制器, 所以系统的鲁棒性会更加强。该算法具有良好的通用性, 可以把控制策略和被控对象的动态学习及时加入到控制系统中。

2 定位系统控制器设计

模糊算法的核心思想是把系统输入进行模糊化处理, 把专家系统用IF-THEN规则进行表达, 经过模糊算法进行推理就可以得到模糊控制的结果, 然后把模糊输出转化为实际的输出变量, 作用于模糊控制器, 就可以实现模糊控制了。

船舶动力定位中, 为了更好建立数学模型, 在动力定位系统控制器设计中, 对纵荡、横荡、艏摇三个方向分别用三个独立的控制器来进行控制。这里假设纵荡、横荡、艏摇三个方向的耦合为零。系统的输入为:纵向控制器上输入是纵向位置的预测偏差及偏差变化率, 横向控制器上输入为横向位置的预测偏差及偏差变化率, 艏向控制器的输入是艏向的预测偏差及偏差变化率。系统的输出为纵向、横向、艏向三个方向的推力指令。

对于船舶在复杂海况下的动力定位, 自适应的模糊算法控制器控制变量主要是船舶的实际位置和目标位置的偏差, 船舶实际艏向和目标艏向之间的偏差。为了反映船舶对于目标位置的实际运动变化, 必须考虑船舶的横向、纵向的速度因素, 船舶艏摇的角速度信息。只有这样才能得到更合理的动力定位控制。

通过系统设计, 用MATLAB进行仿真实验, 设计的自适应模糊算法的动力定位系统控制器可以很好的控制船舶动力定位, 并具有稳定性, 控制效果比较好, 设计的控制器具有较高的鲁棒性。

3 结语

本文主要针对船舶动力定位不确定性因素, 提出自适应模糊控制方法, 通过纵向、横向、艏向三个方向控制器的设计, 经过MATLAB仿真实验, 证明该算法的设计具有较好的船舶动力定位能力, 加入系统干扰后该算法具有较高的鲁棒性。

摘要：文章基于自适应模糊算法对纵荡、横荡、艏摇三个方向分别用三个独立的控制器来进行控制, 有效提高船舶动力定位系统的抗干扰能力和定位精度。

关键词：自适应,模糊算法,动力定位

参考文献

[1]齐亮.船舶动力定位系统的广义预测控制方法研究[J].中国造船, 2010 (3) :20-21.

[2]周利.动力定位控制系统研究[J].船海工程, 2008 (2) :35-36.

独特的模糊定位篇4

关键词：模糊PD控制器,桥式起重机,模糊控制,鲁棒性

桥式起重机被广泛应用于码头、仓库、水电站等各个领域。在起重机作业的过程中,由于惯性的存在,重物及钢绳会在小车启动、运行和制动过程中绕悬吊点产生摆动,不仅会影响生产效率,还会增加作业时间,影响起重机的稳定性,严重时,甚至会引起安全事故。许多学者在这方面进行了大量的研究,比较有代表性的研究有LQR最优控制、PD和PID控制、自适应控制、状态反馈控制等。这些控制方法都是基于对被控制对象建立的精确数学模型设计的,虽然容易实现,但缺乏应变性和灵活性,控制效果不理想,而且起重机在实际运行过程中要考虑到小车与轨道间的物理摩擦和风力等外界干扰以及自身的非线性因素的影响,模型很难达到现实要求,在防摇摆系统的应用中也会有一定的局限性。

本文基于模糊控制的设计思想,同时结合传统的PID控制原理,将起重机PD控制与模糊控制相结合构建自适应PD控制器,从而实现控制参数的最佳调整,进一步增强系统对不确定因素的适应性。仿真结果表明,自适应模糊PD控制超调量小、震荡小,提高了起重机在运行过程中的控制精度。

1起重机吊载系统模型

桥式起重机整个控制系统包括对大车、小车位置与吊载摆动角度的控制,且二者都相互近似独立。对起重机系统建模,如图1所示,其中,小车质量设定为M,吊载质量为m,电机驱动力为F,小车受到的摩擦力为f,小车启动后沿X轴方向运动,由于惯性作用吊载会产生摆角θ。

利用拉格朗日方程对系统进行受力分析,最终可得到小车位置与吊重防控制系统的非线性动力学微分方程:

为了方便研究,尽可能地简化数学模型,将非线性数学模型线性化,需要提出并遵循一系列必要、合理的假设,忽略一些对控制过程不会产生重大影响的因素,考虑到负载摆角很小且摆角速度近乎为0,可作近似为:sinθ=θ,cosθ≈1,θ2≈0,不考虑钢丝绳弹性变化,即假定l&=l&=0,则系统简化方程如下:

对模型进行简化拉普拉斯变换后可以得到起重机摇摆系统的传递函数:

2模糊PD控制器的结构

2.1模糊PD控制器结构原理

模糊PD控制器由一个常规PD控制器和一个模糊控制器组成。选用二维模糊控制器,输入变量信号其一为小车位移偏差信号e,其二为小车位移偏差变化信号ec,输出变量信号ΔKp、ΔKd分别是常规PD控制器的两个增量参数。采用这种增量型模式来整定参数是为了满足不同的e和ec对控制器参数的不同要求,控制器会在系统运行中始终检测信号e和ec,基于设定的模糊逻辑规则对两个增量参数在线修整,其控制结构如图2所示。

2.2模糊控制规则的设定

与传统PID控制器类似,模糊自适应PD控制参数的整定也遵循一定的原则,ΔKp、ΔKd各参数在控制系统中分别起着不同的作用,并与e和ec之间也有着一定的关系。

控制ΔKp这个参数是为了加快系统的响应速度,进而提高系统的调节精度,而控制ΔKd的作用在于提前判断系统偏差的变化方向,当变化到来时,提前作出制动,及时抑制偏差的产生。换句话说,通过调整ΔKd的大小来改善系统的动态特性。

当偏差e较大时,为保证系统良好的跟踪性能,提高系统的响应速度,ΔKp应取大值,ΔKd取小些。当偏差e较小时,为避免超调过大而出现振荡的情况,应适当减小ΔKp的值,同时,综合考虑系统的抗扰动能力和系统响应速度,应使ΔKd适当取值。但ΔKd不能过大。因为过大会使响应过程过分提前制动,从而延长调节时间。当e和ec同号时,输出的方向会朝着偏离稳定值的趋势变化。此时,ΔKp应适当增大;反之减小。

2.3隶属度函数

将输入、输出变量的模糊语言取为“NB(负大),NM(负中),NS(负小),Z(零),PS(正小),正中(PM),正大(PB)”,输入信号e和ec的基本论域分别是[-1,1]和[-0.4,0.4],量化因子分别取3.0和7.5,输出信号ΔKp、ΔKd的基本论域分别是[-8,8]和[-10,10],输入输出信号分别映射至模糊论域[-3,3]和[-6,6],且采用三角形函数作为隶属函数曲线,如图3和图4所示。

2.4模糊控制规则

基于过程控制相关知识以及专家长期积累的经验得出模糊控制规则,通过观察控制系统的响应曲线,结合曲线动态性能指标的分析,不断对控制规则进行修整,多次调试后,最后确定的模糊控制规则具体见表1和表2.

以误差和误差变化为输入量的二维模糊控制器,由表1和表2的控制规则,结合二维模糊控制器自身的条件语句,将输入、输出的模糊逻辑控制量安排到规则编辑器中,如图5所示。

用三维曲面分别表示输入e,ec与输出ΔKp、ΔKd的逻辑关系,如图6所示。

从图6中可以看出,当ΔKp在e和ec较大时,取大值;当ΔKd在较小时,取值大;e和ec不同号时,ΔKp值相比同号时较小。

2.5输出量的反模糊化

控制量需要通过比例因子变换到基本论域上,即由模糊控制语言转化为精确数学语言来获得控制参数的真实分布,也就是输出量的反模糊化,根据重心元素的求取公式,在线求得ΔKp、ΔKd值乘以各自参数的比例因子,与设定的初始参数Kp0,Kd0求和,其结果作为模糊自适应PD控制器输出值,即控制器实时参数整定值。

式(4)中:Kp0,Kd0为PD控制两个参数的初始值;ΔKp和ΔKd为两个参数的修正值;Kp,Kd为PD控制两个参数的取值。

3控制系统的仿真与实验验证

3.1起重机模糊自适应PD防摇摆控制系统

在Mat LAB/Simulink软件平台上建立防摇系统模型,如图7所示。该系统的控制策略主要包含通过对两个模糊PD控制器的设计来实现小车位移和吊载摆角的控制,控制过程分别以小车位移和吊载摆角为两个控制器的反馈信号。其中,位移反馈信号与输入参考信号构成位移偏差信号,经整定的吊载摆角信号则以正反馈的形式接入控制系统中。

参数的在线整定是基于模糊语言规则来完成的。这种根据系统实时状态来实时控制的方法使被控对象具有良好的动、静态性能。

3.2仿真实验

为了验证控制系统的性能,选取1组起重机参数来进行MatL AB仿真测试。假定参数:小车质量M=5 kg,吊重质量m=10 kg,吊绳长度L=2 m,重力加速度g=9.8 m/s2,目标位置和期望摆角分别以单位阶跃输入1 m和0°为参考量,采样时间选定15 s。响应结果曲线如图8所示。

分析仿真结果可知,与常规PD控制相比,模糊自适应PD控制算法明显降低了载荷的摇摆幅度,超调量也更小。相比起来,模糊自适应PD控制算法具有较强的鲁棒性。

4结束语

本文采用模糊语言规则根据系统的运动状态来实时地自动整定PD的控制参数,对起重机运行过程进行了仿真。为了更好地分析出控制系统的优劣性,先通过改变可调参数(钢丝绳长和吊载质量)的数值大小设计出了多组对比试验,然后引入了外界干扰信号,从响应结果曲线和动态性能指标的角度上实现了模糊自适应PD控制算法和常规PD控制算法的分析和对比。结果验证了模糊自适应PD控制器比常规PD控制器具有较强的鲁棒性。

参考文献

[1]李伟,吕景惠.起重机线性二次型最优消摆控制[J].电气传动,2003(02):21-24.

[2]P.Pivoňka.Physical Background of Fuzzy PI and PDController.IFSA 8th International Fuzzy Systems Association World Congress.Taipei:1999.

[3]刘金琨.先进PID控制及其MATLAB仿真[M].第3版.北京:电子工业出版社,2011:174-178.

[4]黄凯.起重机自适应智能防摆控制方法及其仿真研究[D].南京:南京林业大学,2007.

[5]钟斌,程文明,吴晓,等.桥门式起重机吊重防摇状态反馈控制系统设计[J].电机与控制学报,2007,11(5):492-496.

[6]D.Liu.Adaptive sliding mode fuzzy control for a two-dimensional overhead crane.Mechatronics,2005(15):505-522.

【独特的模糊定位】推荐阅读：

独特的魅力05-17

独特的铭记07-31

独特的诗歌01-01

各自的独特优势08-02