动态模糊逻辑（共7篇）
动态模糊逻辑 篇1
引言
高校教师年度考核是学校的一项必要工作。量化考核作为高校绩效考核过程中主要衡量指标发挥了巨大的作用，实行科学的高校教师年度考核，对建立有效的激励机制，调动高校教师工作的积极性，激励督促高校教师认真履行职责，加强师资队伍建设具有重要的促进作用。
教师年度考核是一种综合性考核，考核内容包括教师的政治思想，教学工作，科研工作，等其他工作方面。考核方式以定性考核为主，一般以部门或学院为单位进行，考核结果分优秀、良好、合格和不合格四个等级。目前，高校薪酬分配直接与年度考核结果挂钩，以往用简单的统计法、求平均值法等等来量化考核结果，这样做虽然在一定程度上能反应出教师的一些工作情况，然而忽略了教师在一年工作中因为各种客观、主观方面影响所造成的工作变化波动，那些变化的、界限不清楚的因素将难以量化表示出来。如何客观真实表达出教师在这一年的工作中是不断进步的，如何建立良好的量化考核评测体系,才能使考核更客观、有效、可靠,如何编制适合于考核的评测指标,更好、更有效地进行考核评测,是目前迫切需要解决的问题。
本文将动态模糊逻辑理论应用到教师考核系统中，针对高校教师考核系统中的动态模糊数据，借助动态模糊逻辑理论知识，给出动态模糊语义图表示模型、动态模糊逻辑命题表示模型、动态模糊谓词表示模型等。
1、动态模糊逻辑理论
1.1 动态模糊数据集的定义
动态模糊集(Dynamic Fuzzy Sets,DFS)[1]是表示动态模糊数据的一种方法,它是模糊集合(FS)理论的推广。
1.1.1 动态模糊集的定义
设在论域U上定义一个映射：
记为或，则称为上的DFS,称为隶属函数对隶属度。
任何一个数a∈[0,1]都可以把a动态模糊为:
例%教师年度考核量化影响因素之一的教学质量分为优秀，良好，合格，不合格四个等级，分别用v1、v2、v3、v4来表示，则其论域为（v1,v2,v3,v4）×[←→]，那么教学质量考核的隶属函数为其中优秀对应良好对应合格对应不合格对应表示优秀的隶属度，但变化趋势向着下降的方向发展，说明教师的教学质量虽然是非常好，但是不如以前，表示良好的隶属度，且变化趋势向着更好的方向发展，说明教学质量已经很好了，并且比以前更好。
1.1.2 DF与/或语义图
DF与/或语义图(Dynamic Fuzzy And/O r Semantic Graph)[1]是普通与/或语义图的DF化结果。在这种图中，结点间的连接采用下面行使的连线丛表示。
图1中(i=1,2,3,…,n）表示第i条支线的动态模糊度；e表示连线丛的名字和意义;I表示连线丛的阈值O表示整条连线丛的DF度。
1.2 动态模糊命题的相关概念
定义1一个具有动态模糊性的陈述句成为动态模糊命题(Dynamic Fuzzy Proposition),用字母A,B,C,…表示[1]。
定义2度量一个DF命题真假用DF数来表示,称为该命题的真假度,常用字母表示[1]。
定义3一个DF命题的变量可以看成在闭区间[0,1]×[←→]上取值的变量,称为DF命题变量,常用小写字母表示[1]。
注：对于DF变量或
对于DF变量规定如下运算
(1)否定“—”，例如：否定记为，且
(2)析取
(3)合取
(4)条件“→”:
(5)双条件“”:
2、基于DFL命题的年度考核模型
2.1基于DFL命题的年度考核模型
2.1.1考核因素
目前，我国高校教师年度考核的内容主要包括德、能、勤、绩四个方面。重点考核教学工作业绩，主要包括教学工作量、教学效果、教学建设、改革与研究、教书育人等方面。考核因素很多，有教师主观因素也有客观影响，各考核因素之间又有层次之分，例如，教学工作业绩中包括对教学工作量、教学效果等方面的考核，而教学效果评价包括学生评价、教学督导及专家对教师课堂教学质量评价等。因此，量化考核需要进行多层次的综合评价。在层次评价[2]过程中,首先将评价因子分类,然后从最低层开始进行一级模糊综合评判[3],把结果作为上一层的评判矩阵,再进行上一层的模糊综合评判,直到最高层。通常这些考核因素具有不同程度的动态模糊性，例如图2列举了一部分层次考核模型，根据这些指标建立因素集合U={u0,u1,u2,u3,…},各个影响因素用ui表示,。因为各个影响因素的值具有动态变化性和模糊性即不确定性，因此采用动态模糊命题方式定义。
2.1.2建立权重
通常情况下，年度考核中考核项的影响程度是不一样的，有轻重之分，因此对各考核项赋予相应的权重。由于各个考核对象的类型不同因此权重值也将不同，如对于教授与讲师在科研工作量要求必然不同，因此考核项的权重集也适合用动态模糊集来表示。,其中表示考核因素集中对应的权重，ΣSi=1。
2.1.3考核结果
考核结果通常是“优、良、中、差”，这些语言描述相对模糊不清，并且因为各种原因教师在一年的工作中情况是不断变化的。因此在考核结果里引用动态模糊逻辑的相关定义。
假设考核结果集表示各个考核因素不同的结果，表示下降的发展趋势，越来越差；相反，表示上升的发展趋势，越来越好。
2.1.4单因素考核
由于年终考核是一种多因素多层次的综合考核，单因素考核结果是最先考虑的。设对因素集U中第i个因素Ui进行评判,对评判集V中第j个元素Ui的隶属程度为rij则按第i个因素Ui评判结果,可得模糊向量
同理可得
将这些隶属度组成矩阵即得单因素评价矩阵[4]:
其中表示第i个因素集里的第j个因素综合评价。
2.1.5综合评判
多层次模糊综合评判是在一级模糊综合评判的基础之上，将结果向量R经过归一化处理后合成矩阵D，确定下一层评价指标对上一层评价因素的权重A，再根据公式B=A*D计算最终的评价向量B。
3、动态模糊年度考核举例
3.1 考核因素集
假设根据某校的教学质量管理办法及教师教学质量考核实施办法，设计动态模糊语义图如图
由图3动态模糊语义图分别建立学生考核因素集学院评价集同行评价集
根据图3学生评价集
:从业道德；敬业精神；教学态度；:师生交流；教学效果。
学院评价集（含督导评价）
:责任心;:教学研究;教学态度;敬业精神;思想政治。
同行评价集
:教学水平;课程熟练程度；备课笔记完备性；教学基本规范的执行；对课程目标和进度的把握。
每个评价集中每个指标分为4个等第:9分以上为好,8～9分为良好,6～8分为合格,6分以下为不合格。
进行一级评价，每个评价因素权重集是对各指标重要程度的确定，这个权重是由各部门专家主观规定，因此在此建立权重集
总体学生评价取和的值部分之和，总体评价变化发展由和值的大小决定。若，变得趋势是越来越好，相反则越来越差。同理可以得出的情况。由此看出学生、同行及督导对教师教学情况的认可度，以便教师即使调整某方面的不足，继续保持某些较好的方面。
3.2 单因素评价
假设根据教师教学质量测评数据统计，获得原始数据构建单因素考核矩阵S,T,D。S为学生评价矩阵，T为同行评价矩阵，D为学校评价矩阵。
针对某个教师在校一年讲授课程，参加评测200名学生，每个学生对教师的5项综合指标进行评价。学生评价矩阵为
计算学生的综合评价结果为
同样计算同行综合评价结果
学校综合评价结果
3.3 评价结果集
高校教学质量考核的测评结果由动态模糊评价向量RS,RT,RD及权重向量A=[0.2 0.4 0.4]决定：B=A×R,其中·运算是矩阵的乘运算。是最终的评价结果，说明教师教学质量在不断提高，总体水平良好。这个结果对教师发现自己在一年的教学工作中不足起到作用，同时也对教学工作起到积极的指导和预测作用。
4、结论
通过以上实例分析，把动态模糊逻辑理论应用到教师年度考核中是可行的。不仅客观真实的反映了教师的工作情况，还对学校在管理工作上起到了积极地作用。动态模糊理论的应用非常广泛，这将激励着我们继续探索它的理论及应用。
摘要：针对高校教师年度考核中动态、模糊数据难以量化问题,文章尝试一种新的方法。首先介绍了动态模糊逻辑理论,提出了基于动态模糊逻辑的高校教师年度量化考核模型,包括动态模糊与/或语义图表示模型,DF命题表示模型等。并以年度考核中的一项指标为例,结果说明具有实用价值。
关键词：动态模糊集,动态模糊逻辑,教师年度考核,量化
参考文献
[1]李凡长,刘贵全,佘玉梅.动态模糊逻辑引论[M].昆明:云南科技出版社,2005:88-89,120
[2]许树柏.层次分析法原理[M].天津:天津大学出版社,1988:82288.
[3]杨和雄,李宗文.模糊数学和它的应用[M].天津:天津科学技术出版社,1993:1102115
[4]周维,叶义成.矩阵方法在单因素模糊综合评价中的应用[J].中国水运:学术版,2007,7(10):2022203.
动态模糊逻辑 篇2
混合动力汽车以电动机为辅助,通过合理的制动力分配控制策略,尽可能多地回收制动到蓄电池,在蓄电池放电时电动机作为辅助动力源,这提高了能量利用率。制定合理的制动力分配控制策略,主要面临两个基本的问题:一是如何在再生制动和摩擦制动之间分配所需的总制动力,以回收尽可能多的车辆的动能;二是如何分配前后轮上的总的制动力,以实现稳定的制动状态[1]。
常见的基于非规则的制动力分配控制策略可以通过复杂的建模实现稳定制动状态和很高的能量回收率,只是实现应用成本较高,而简单的建模控制策略又难以合理的协调高能量回收率和稳定的制动状态[2,3,4]。目前模糊控制策略可以通过简单的建模就可以实现较高能量回收率和稳定的制动状态,只是常见的模糊控制策略忽视车辆制动强度、车辆速度以及前后轮制动力分配之间的关联,在不同循环工况下车辆制动时,能量回收率会受到很大影响[5,6,7]。
本文针对车辆制动强度与车辆速度以及前后轮制动力分配的动态关联问题,就A D V I S O R中原有的并联制动力分配控制策略进行二次开发。根据总制动力需求,提出一种基于制动强度、车速及电池SOC作为模糊控制器输入条件,前后轮摩擦制动力以线性比例关系动态分配的模糊控制策略,然后在混合动力汽车的性能仿真软件ADVISOR中的两个不同的循环工况下进行仿真,并与ADVISOR制动力分配控制策略和文献[7]提出的模糊逻辑制动力分配控制策略的仿真效果进行对比验证。
2 ADVISOR制动力分配控制策略
ADVISOR提供的制动力分配控制策略如图1所示,基本原理是根据当前车速通过查表方式得到前轮电机再生制动的分配系数fgen和前轮摩擦制动分配系数ffri,进而得到前轮制动力,在前轮制动力分配完毕之后,剩余的制动力由后轮的摩擦制动提供。虽然此方案可以有效地回收一定能量,但是由于该分配方案相对静态以及未考虑电池SOC,无法实现在各种复杂变化的工况下均实现最大程度的制动能量回收。
3 基于模糊逻辑的制动力分配控制策略
3.1 文献[7]提出的基于模糊逻辑的制动力分配控制策略
文献[7]提出的模糊逻辑制动力分配控制策略如图2所示,基本原理是根据当前车速和电池SOC,由模糊控制器模块得到电机制动力分配系数,通过前轮的制动力修正模块得到前轮制动力,后轮摩擦制动力由后轮的制动力修正模块在车速和0.1的系数条件下得到。此方案建模简单,仿真效果表明此方案优于ADVISOR制动力分配方案。但是由于此方案未考虑制动强度和后轮制动力分配固定的缺点,致使在不同循环工况下车辆性能不稳定影响了能量的回收率。
3.2 本文提出的基于模糊逻辑的制动力动态分配控制策略
本文提出的基于模糊逻辑的制动力动态分配控制策略如图3所示,基本原理是基于当前所需制动强度、车速和电池S O C模糊控制器得出电机制动力分配系数,然后在制动力修正模块下动态的将总制动力分配为电机制动力、前轮摩擦制动力和后轮摩擦制动力。这种控制策略弥补了上文中提到的两种控制策略的不足,不但有很高的能量回收率也很好的适应了不同的路况。
本文具体的模糊逻辑制动力分配控制器主要有2个模块组成,第一个模块为模糊控制器模块,有三个输入量,分别为制动强度、车速和电池SOC,有一个输出量为电机制动力分配系数。此模块由于考虑了制动强度和电池SOC,使车辆在复杂道路工况下制动时不但性能稳定,还可以最大可能的发挥电机的再生制动特性,尽可能多的使蓄电池回收车辆制动时的能量。
第二个模块为制动力动态分配模块,根据电机制动力分配系数和所需总制动力大小,可以确定总摩擦制动力和电机制动力的大小。总摩擦制动力分配为前后轮摩擦制动力时,若完全遵循理想制动力分布考虑,这将使制动系统的结构和控制极为复杂。所以本文将前后轮摩擦制动力分配设计为线性比例关系。这一比例关系由后轮上的摩擦制动力与车辆总摩擦制动力之比值予以表达,即
式中,Fb为车辆的总摩擦制动力(Fb=Fbf+Frf)。K仅取决于制动系统的设计,而与车辆参数毫无关联。这第二个模块的特点是随着电机制动力分配系数的不断变化,电机制动力和前后轮摩擦制动力将动态变化,这使本文提出的控制策略即可以很好地适应不同的循环工况保证车辆性能稳定,又尽可能多的回收制动能量。
3.3 模糊控制器的设计
3.3.1 语言变量选取
为使车辆可以很好地适应不同的循环工况,在保证车辆性能稳定的同时又尽可能多的回收能量,本文选取非常小、小、中、大、非常大五个模糊语言变量来描述制动强度Z、车速S P E E D、电池S O C三个模糊控制器的输入变量和电机制动力分配系数P一个模糊控制器的输出变量。各变量的隶属度函数根据理论分析和仿真结果调整确定。
3.3.2 模糊控制规则设计
模糊控制规则的制定是在保证整车性能下根据车辆制动强度、汽车速度和电池SOC的大小,满足车辆制动需求的同时,尽可能地利用再生制动提高回收制动能量率。本文基于已知实践经验和仿真结果,总结出模糊控制规则,然后在利用Matlab模糊逻辑工具箱设计模糊控制器时,模糊推理规则采用Mandani法。部分模糊推理规则库如表1所示。
3.3.2 输出量的去模糊化
因为输出的控制量是一个模糊量,而实际的控制量是确切量,所以用合适的判决方法将模糊控制量转变成确切量,本文考虑到整车驾驶的性能,采用加权平均法求得对应的电机再生制动所占的比例
进而得到电机的制动转矩。
4 仿真结果与分析
将本文所提出的基于模糊逻辑的制动力动态分配控制策略和其他两种制动力分配控制策略分别在Matlab/Advisor2002环境下进行运行仿真。
在ADVISOR仿真环境中混合动力汽车的部件模型已经搭好,主要参数为:选择的混合动力汽车为并联型,整车质量为1350kg,发动机的最大功率为41kw,电机型号是MC_AC75,额定功率为75kw,储能装置为镍氢电池,标准容量为28Ah。
仿真设定蓄电池的SOC初始值为0.7,仿真道路工况选择CYC_UDDS和CYC_FTP,初始速度为0,运行时间为1400s。在调试过程中,通过不断优化影响能量回收的模糊推理规则和前后轮摩擦制动力分配比例系数,最终得到以下图4和图5为三种不同控制策略下电池SOC的变化曲线。
曲线表明不同的控制策略在相同的循环工况下仿真消耗的能量不同,其中本文的模糊控制策略,使蓄电池SOC值下降速度最慢和最终剩余电量最高,这说明本文设计的控制策略的能量的回收效率优于其他两种,具体的数据如表2所示。
本文提出的模糊控制制策略分别与ADVISOR控制策略和传统模糊控制策略的仿真数据进行比较,在U D D S循环工况下,剩余电量分别提高0.0 1 2 5和0.0036,能量的回收效率分别提高15.79%和5.58%,电机发电效率分别提高了17%和2%;在FTP循环工况下,剩余电量上分别提高0.0139和0.0048,能量的回收效率分别提高1 3.7 4%和5.1 3%,电机发电效率分别提高了19%和6%。数据比较也证明本文设计的控制策略的能量回收性能优于其他两种。
此外,表2中仿真结果表明,在两个不同的循环工况中,本文提出的控制策略使油耗分别降低0.3到0.1L/100Km不等,尾气排放也得到0.051到0.003Grams/K m的不同程度的改善。
5 结束语
本文综合考虑电机制动力和前后轮制动力的动态分配,提出了基于制动强度、车速和电池SOC的改善模糊制动力分配控制策略,利用A D V I S O R仿真工具在C Y C_U D D S和C Y C_F T P循环工况下对本文提出的控制策略和其它文献提出的控制策略进行仿真比较,结果表明本文控制策略优于其它两种控制策略,有效提高能量回收效率并降低车辆的燃油消耗和尾气排放。
参考文献
[1]Mehrdad Ehsani,Yimin Gao,Ali Emadi.现代电动汽车、混合动力电动汽车和燃料电池车[M].倪光正,倪培宏,熊素铭,编译.北京:机械工业出版社,2010.
[2]张宇.混合动力电动汽车再生制动控制策略研究[D].哈尔滨:哈尔滨理工大学,2010.
[3]康娣.PHEV再生制动控制策略的研究[D].哈尔滨:哈尔滨理工大学,2011.
[4]MEILAN ZHOU,ZHAOMING GAO,HAO ZHANG.“Research on Regenerative Braking Control Strategy ofHybrid Electric Vehicle.”2011 The 6th International Fo-rum on Strategic Technology,2011,(8):300-303.
[5]张丹红,周加洋,苏义鑫.基于模糊逻辑的HEV再生制动能量回收的研究[J].武汉理工大学学报,2011,33(5):717-720.
[6]BIN XU MING,LI SHICHUN,YANG BIN GUO.“Design and Simulation of Fuzzy Control Strategy forParallel Hybrid Electric Vehicle.”[C].2010 InternationalConference on Intelligent System Design and EngineeringApplication,2010,(11):539-543.
动态模糊逻辑 篇3
开关型磁阻电动机调速系统(SRD)是20世纪80年代发展起来的一种新型交流调速系统。以其结构简单、运行可靠、高性能等优良特性，成为现代交流调速系统中的一支强有力的新军，应用前景十分广阔[1]。SRD作为一种新型调速系统，兼有直流传动和普通交流传动的优点，但由于SR电机的双凸极结构和采用开关性的供电电源，使得SR电机的特性和控制方式与传统电机有明显不同，尤其是非线性以及饱和现象，造成SR电机的模型难以解析，比较突出的问题是转矩脉动和噪声[2,3]。
本文采用了智能化转矩控制系统，提出了一种新型控制策略，同时利用模糊逻辑优化主开关的导通角θon和关断角θoff，以补偿位置检测环节和其它非线性因素引起的误差，实现瞬时转矩控制。整个智能化控制系统能有效减小转矩脉动和提高系统的动、静态性能，同时具有实现简单、可靠、鲁棒性好等优点。
2 SRM控制系统
本文以DSP为核心构成的SRD系统采用双闭环调速方法，如图1所示。系统有两个反馈环，即速度外环和电流内环。速度反馈信号ωr取自位置传感器输出的转子位置信号，被给定速度ωr*相减后作为速度环PI调节器的输入，而速度调节器的输出信号则作为电流指令值i*再与由霍尔传感器测到的实际相电流i值比较，形成电流偏差，以控制PWM信号的脉宽，产生PWM控制信号，控制一定频率的方波脉冲宽度，宽度被调制的方波信号加到基极驱动电路，控制功率变换器主开关器件的导通与关断，将施加到SRM绕组上的直流斩波成对应频率和占空比的方波，从而实现SRD在一定调速范围内恒转矩控制。同时利用模糊方法优化导通角θon，以补偿SR电机非线性磁特性数据建模误差和转子位置传感器的精度误差，从而进一步减小电机转矩脉动。
3 建立SR电动机仿真模型
3.1 SR电动机数学模型
SR电动机由于其双凸极结构、磁路和电路的非线性、开关性等特点，定子绕组电流和磁通波形极不规则。精确分析电动机的特性必须用非线性分析的方法，具有饱和非线性磁路的SR电动机的相电感可由傅里叶级数近似逼近[4]。
考虑到相电感的谐波分量远小于基波分量，可忽略不计，则相电感可近似表达为：
其中，L0(i)、L1(i)由式(3)确定：
Lmin、Lmax可通过实测或计算得到其随相电流变化的数据。Lmin为转子凹槽中心线与定子凸极中心线重合位置处的电感，因对应的气隙很大，铁芯不饱和，故可认为Lmin不随电流变化[5]。Lmax(i)为定转子凸极中心线重合位置处的电感，其可用多项式级数来近似表达其和相电流的函数关系，即：
SR电动机相绕组产生的电磁转矩为：
则四相SR电动机的总电磁转矩为：
3.2 基于模糊控制器优化的SR电动机仿真模型
SRD的控制参数主要有：角速度ω、绕组电流i、开关角θon和θoff[6]。在此4个参数中，ω为设定值，绕组电流i的大小可由θon和θoff来调节。因此θon和θoff是SRD的主要控制变量。对一定的转速和转矩，θon和θoff可以有不同的组合，因而存在对θon和θoff最优选择的问题[7]。木文采取模糊控制方法来调节θon和θoff。
对于本系统而言，θon和θoff的控制约束条件如下：
变量取值的条件：0<θon<π/6，θon=θoff;
θon不能前移过大，因为前移越多，电流越大，当电流达到上限时，因系统的限幅斩波作用会引起转矩突降，导致系统不稳定。
本系统的模糊角度控制为二维模糊控制器，其输入为速度ω和电流i，输出为导通角变化量Δθ，模糊控制器实时对Δθ进行调整，改变的导通角θon由式(7)确定：
模糊控制器的各语言变量的论域为：速度ω=[1,2](rad/s)，电流I=[0 1 0](A)，输出Δθ=[0 7*π/180](rad)。输入、输出变量的模糊子集数都取为5个，为了便于实现和保证系统可靠运行，相应的隶属度函数为三角形函数[8]。根据实际运行过程和操作的经验，总结出模糊控制规则如表1所示。
采用Mamdani推理法，选择模糊算子Max和Min，用重心法实现反模糊运算。经计算机在线运行得到模糊控制器输入输出关系曲面，如图2所示。
4 动态仿真结果分析
通过分析上述SRM非线性数学模型及SRD系统框图，对系统进行仿真实验。系统仿真时，整个系统分解成4个模块：控制器模块、通断逻辑模块、功率变换器模块和SRM模块，其中控制器包括瞬时转矩分配、闭环磁链控制、模糊逻辑优化开关角等环节组成。
仿真时，采用一台8/6 SR电动机作为被控对象，额定转速为1500r/min，额定功率为1500W，绕组电阻R=0.15Ω。仿真基本参数为：直流电压Us=260V，初始导通角为5*pi/180rad，初始关断角为24*pi/180rad,J=0.0015,F=0.0183,PWM斩波周期为0.6ms，电流采样周期为0.5ms，仿真结果如图3、4所示。
比较图3(a)和图3(b)，在相同速度下通过实时补偿关断角，SRD的转矩波动明显减小;比较图3(a)和图4(b)，在不同的速度下，SRD能有较好的恒转矩输出;从图3(d)和图4(a)可以看出SRD实际转速能迅速跟踪给定转速。
由仿真分析可知，实际转速始终能迅速跟踪给定转速、超调小、无静差，说明系统反应快速。基于模糊逻辑来优化SRD的导通角θon和关断角θoff能有效地抑制转矩脉动，采用的模糊控制器通过优化θon和θoff可以补偿其它非线性因素的影响。仿真结果表明，整个控制系统在保证其它动、静态性能的基础上，极大地降低了转矩脉动。
5 结论
本文在对整个SRD系统的工作原理及SRM内部电磁关系分析的基础上，在避免繁琐计算的前提下，又考虑到磁路的饱和效应，提出了SRM的一种非线性电感模型，且对其做了简化处理。同时利用模糊逻辑优化主开关的导通角θon和关断角θoff，以补偿位置检测环节和其它非线性因素引起的误差，并在此基础上建立了基于模糊逻辑控制的四相(8/6极)SRM的非线性电感特性的SRD动态仿真模型。系统仿真实验验证了该SRD仿真模型的正确性、合理性、有效性，仿真结果表明该控制方式能有效减小转矩脉动和提高系统的动、静态性能，同时具有实现简单、可靠、鲁棒性好等优点，且在实际SRD中易于实现，为研究SR电动机不同速度调节方式奠定了一定的理论基础。
摘要：分析了开关磁阻电动机调速系统(SRD)的工作原理及开关磁阻电动机(SRM)的非线性电感模型。在此基础上,对其进行了简化处理,并采用模糊控制器对SRM的开关角进行实时补偿,同时建立了基于电流斩波控制的四相SRM非线性仿真模型。仿真结果验证了该控制方式的正确性,该模型不但计算相对简单且能有效减小转矩脉动和提高系统的动、静态性能,并能满足一定精度要求,为实际的SRD设计和调试提供有效的手段和工具。
关键词：SRM,SRD,电流斩波,模糊控制器,仿真
参考文献
[1]顾明磊,王双红,孙剑波.开关磁阻电机发电控制系统仿真研究[J].微电机,2009,(1):82-85.
[2]周素莹,林辉.减小开关磁阻电机转矩脉动的控制策略综述[J].电气传动,2008,(3):11-17.
[3]许爱德,樊印海,李自强.空间电压矢量下SRM转矩脉动最小化[J].电机与控制学报,2010,(1):35-40.
[4]Rahman,K M,Schulz,S E.Design of high-efficiency and high-torque-density switched reluctance motor for vehicle propulsion[J].IEEE Transactions on Industry Applications,2002,138:1500-1507.
[5]F Soares,P J Costa Branco.Simulation of a6/4switched reluctance motor based on Matlab/Simulink environment[J].IEEE Trans,2002,37(3):989-1000.
[6]Choi C,Kim S,Kim Y,et al.A new torque control method of a switched reluctance motor using a torque-sharing func-tion[J].IEEE Trans on Magnetics,2002,38(5):3288-3290.
[7]Natan Tzvi Shaked,Raul Rabinovici.New procedures for minimizing the torque ripple in switched reluctance motors by optimizing the phase-current profile[J].IEEE Transac-tions on magnetics,2005,41(3):1184-1192.
动态模糊逻辑 篇4
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
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
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
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
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
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.
动态模糊逻辑 篇5
快速发展的无线网络和通信技术创造了各种各样的移动通信系统,当前我们身边存在着诸如:3G、4G、IEEE802.11无线局域网等多种无线接入网络[1]。在下一代无线网络融合设计中,移动终端的智能化处理可以同时接入多个同构或异构无线网络,并能更好的支持业务多样性,多个不同类型的应用可以同时运行在同一移动终端上,并且每个应用分别具有不同的Qo S需求。因此,怎样对终端上运行的每个业务Qo S需求进行综合考虑,最终选择一个最合适的接入网络,是当前研究的重点[2]。在现有的网络选择切换研究中,多属性决策[3]是一种普遍被采用的方法。另一方面,传统基于代价函数的决策算法,重点考虑网络系统的某一个影响因子,虽然实现简单,但是灵活性和可靠性不高。
目前,针对网络选择切换问题,有必要引入一种通用的网络选择切换策略,以满足动态网络场景下采用不同接入方案的切换请求[4]。由于网络的选择与切换都是个动态过程,包括动态感知当前终端所处的网络环境、终端特性、接入网络的Qo S参数、网络资费、用户偏好等。对此,本文提出了一种基于上下文感知的切换策略,相比传统切换策略[5,6,7]有更好的效率和易用性。本文所提出的切换模型主要分为:上下文感知、切换触发和网络选择。
2 基于模糊逻辑的自适应网络选择切换策略
本文所提出的切换策略如图1所示,该策略联合了上下文感知,模糊逻辑控制以及提供了一种自适应的评分方法,有效地处理切换触发和网络选择。
首先,切换前移动节点(MN,Mobile Node)从本地网络定期获得网络上下文信息。必要时,MN也可以通过从附近的路由广播向交互服务器(ICS,InterworkingCoopera- tion Server)获得邻居网络上下文信息,这些信息可包括:链路质量、信号强度、带宽、网络负载等,此上下文感知方案在前面已经提及。然后,将获得的网络上下文信息送入一个切换判决方案,该方案采用模糊逻辑控制来判决MN执行何种切换:强制切换或自愿切换或停留在当前的网络接入点(即不切换)。当MN启动强制切换时,首先搜寻本地网络是否存在第二个网络接入点(AP,Access Point)满足其业务Qo S需求,若存在则执行切换到一个新的AP,若没有则启动邻居网络发现阶段。
邻居网络发现也开始于当MN触发自愿切换时,由之前提出的自适应方案来发现邻居网络,通过MN向为它服务的ICS发送邻居网络请求消息来获得当前可接入邻居网络的上下文信息。这个阶段的主要目的是为MN找出满足其业务Qo S需求的候选可接入网络,最后根据网络选择机制来决定切换到哪个候选网络。
2.1 上下文感知
上下文感知架构,是一种针对如何采集和分析网络的动态参数而提出来的网络架构,该架构通过分析移动终端和网络上下文信息,最终为网络的智能选择与切换提供一个动态的判决因子。具体上下文感知架构如图2。
该架构描述了两个不同网络(Net1、Net2)通过两个上下文感知服务器(CAS,Context-aware Server)连接到同一个IP骨干网中,每个CAS管理着本地网络接入点信息,并周期性通过路由广播向交互服务器跟新自己所属网络接入点信息,交互服务器能够保证不同技术网络间的信息交互,并为移动节点MN提供所需要的邻居网络接入点信息。上述MN、CAS和ICS之间的逻辑关系如图3。
2.2 切换触发
本文采用基于规则的切换发起机制,将终端的状态变化和邻居网络的Qo S状态变化相结合,作为触发网络选择切换的初始条件,以减少不必要的切换次数。我们定义网络选择切换的触发规则如下:
(1)终端从进入到离开当前网络覆盖范围;
(2)终端检测到新的可用邻居接入网络;
(3)终端当前所接入的网络不能满足其所承载业务的Qo S的需求;
规则(1)和规则(2)可用通过所设计的异构无线网络上下文情景感知架构来实现。规则(3)中对网络Qo S状态的评价,是根据不同的业务需求决定的。如果移动节点当前状态和网络状态同时满足规则(1)和(3),或同时满足(2)和(3),则需要触发切换,这样有助于减少不必要的乒乓效应。
2.3 网络选择
这个过程是在有多个候选接入网络的情况下,为MN选择最合适的其业务Qo S需求的接入网络。这个网络选择过程主要包括:邻居网络发现、网络上下文参数确定和得分函数计算,具体过程如图4。
在本文中,我们提出了一个新的网络得分偏好函数,该函数根据切换触发类型(强制或自愿),选择不同的网络参数来对候选网络进行综合排名。下面详细描述我们所提的偏好函数及其相应的计算过程。
(1)偏好函数定义
首先定义C F和CV 分别表示用于强制切换和自愿切换下的网络参数集,在本文的其余部分,移动用户和移动节点(MN)将交替使用。
对于一个给定的移动用户u ,定义一个最佳网络:
其中,Pun表示一个偏好网络n为用户u提供网络服务, N表示当前所有可用邻居网络。
Pun被定义为以下三种:
Rnc,f和Rnc ,v分别表示强制和自愿切换相关的因子,这是用来消除不符合用户需求的网络,定义如下:
最后 , 在公式 ( 3 ) 中 , 由于 可以分解 为 : 即如果 大于或者等于 ,计算出的函数的得分将高于之前网络的得分,表明当前网络整体状况优于之前网络,此时将该网络加入自愿切换候选网络列表。若 那么当前网络得分将减小,表明当前网络整体状况低于之前网络,此时将该网络从自愿切换候选网络列表中删除。
(2)用于计算偏好函数得分的相关参数定义
,指在网络以RSS为评判标准条件下网络n满足用户u当前业务iS用户偏好;
(3)偏好函数计算
上述提出的偏好函数能够通过移动终端侧或交互服务器(ICS)侧来计算。如果假设移动设备越来越智能化和网络接入灵敏,我们可以采用终端控制和网络辅助的切换策略。这意味着邻居网络提供上下文参数信息和MN计算其相关偏好函数来决定切换到哪个网络。相反,如果移动终端的设备功能有限,我们将采用网络控制和移动终端辅助的切换策略。这样对移动终端而言,只需要提供满足其当前业务需求的上下文Qo S参数和阈值(满足业务需求的最小值),由ICS根据上下文Qo S参数,计算邻居网络的偏好函数得分。本文采用第二种切换策略,这种方法将使MN节约计算时间和能耗资源。此外,邻居网络的上下文信息的隐私将受到保护, MN仅仅收到每个邻居网络的偏好函数得分排名,而不是处理它们的上下文信息。
3 仿真与分析
本文通过模拟仿真实验,证明提出的切换判决策略(HDS,Handoff Decision Strategy)的有效性。我们采用基于信号强度(RSS)的切换判决策略来对比验证本文所提出的切换判决策略的可靠性和优势。仿真场景设计如图7,基站BSi表示使用相同接入技术的网络i。同时假设BS1被赋予ICS的功能,其余基站BSi(i = 2...n)被赋予CAS的功能。在每次实验开始,MN被分配到网络1(即BS1),图中(S)为起始位置,MN以恒定的速度沿直线移动至网络覆盖重叠区域,图中(E)所示位置为MN移动的终点位置。
在我们仿真实验中考虑的上下文参数及其相应的权重,分别如表1和2。
本文通过模拟不同的异构无线网络切换策略,来比较本文所提出的网络选择切换策略相对于基于RSS切换策略的性能优势。同时,我们分析切换触发类型(强制切换与自愿切换)对选择目标网络质量的影响。其中NBS表示MN的邻居网络个数,NV表示自愿切换策略所采用的网络上下文参数个数,通过大量模拟实验统计,计算不同策略和不同网络基站个数条件下的网络偏好函数得分分布、切换成功率以及切换稳定性分别如图6、7和8:
实验表明,首先,自愿切换和强制所选网络相比基于RSS选择的网络普遍具有较高的偏好函数得分。同时也可以发现,当BS的数量较少时,基于RSS的切换也能有较高的偏好得分。其次,在网络数量和网络上下文参数较多的环境下,强制切换和基于RSS切换策略的得分逐渐降低,但强制切换策略相比基于RSS的切换策略在切换成功率上具有较明显的优势。最后,我们提出的切换判决策略能够提高基于用户需求和网络功能的目标网络选择的质量和稳定性。
4 总结
动态模糊逻辑 篇6
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.
动态模糊逻辑 篇7
基于位置的服务[1]由于便捷、智能、精确等良好的用户服务体验而受到青睐。目前,针对室内定位技术的研究主要有Wi Fi[2]、UWB[3,4]、位置指纹[5]、蓝牙[6,7]等。基于MEMS的室内行人航迹推算(Pedestrian Dead Reckoning,PDR)作为一种新兴的室内行人导航定位方法,具有短时间定位精度高、自主性强、不易受外界环境因素影响等特点,因而受到广泛关注。在基于PDR的室内行人定位系统中,步长精度对导航定位结果有着直接影响。目前的步长估计方法有线性估计和非线性估计两种方法。利用步长与步频的线性关系的线性方法估计[8]步长,却没有考虑个体的加速度方差等因素对步长的影响;利用步长和加速度值的相互关系的非线性步长估计[9]方法,没有考虑步频、身高等个体因素对步长的作用。针对上述问题,本文提出一种基于模糊逻辑的步长估计方法,该方法采用非线性步长估计模型,通过模糊逻辑系统实现可变地估算步长,同时对比分析了不同的步长估计方法在PDR系统中的应用,验证了该方法在室内行人定位系统中的有效性。
1 步长估计
在实际中,步长与步频、加速度方差、身高等因素存在非线性关系,而模糊理论在不确定性和非线性系统中有着广泛的应用。因此,可以通过模糊逻辑推理系统得到估计步长值。
文献[11]中提出了一种非线性计算步长方法,如下所示:
Amax和Amin分别为一步内的加速度最大值和最小值。由于人体加速度和步频、加速度波峰值等的相互关系,使得C值主要取决于个人的步频、身高等。可以通过模糊逻辑推理系统确定C值后,再由式(1)得到估计的步长值。
2 模糊逻辑系统设计
模糊逻辑推理是一种基于“如果--则”[12]规则的智能控制,对非线性控制有很好的鲁棒性,可以较好地抑制环境变量对权重值的影响。模糊逻辑系统中常用的推理方式有Mamdani型模糊推理和Sugeno[13]型模糊推理。本文使用Mamdani型模糊推理算法。
图1为Mamdani模糊逻辑推理系统框图。系统主要由输入、模糊化、模糊推理规则工具、解模糊化、输出等组成。输入时将个人的身高、体重、步频作为模糊逻辑的3个输入,先经过去模糊化,然后设置模糊规则,再经过去模糊化后输出期望值C,最后将C值带入式(1)中,得到步长。由于个体差异,需要在首次使用时调整模糊逻辑系统的参数,以适应不同的个体。
2.1 输入输出隶属度函数
在模糊逻辑推理系统中,用隶属度来衡量数值高低的归属,相应的模糊规则是定义在模糊集合上的规则。本文将个人的步频、身高、体重作为模糊逻辑的3个输入,每个输入都由高、中、低这3条隶属度函数曲线构成,变量的隶属度函数曲线是由高斯型函数、三角函数、高斯型函数组合等构成。高斯型函数[14]的表达式为:
式中,参数μ表示函数中心点横坐标,σ表示曲线的陡峭程度。根据实际及模糊统计法为每个隶属度函数选取最佳参数。
行人在正常行走中的步频为1 Hz~3 Hz,可以将正常人的行走速度分为慢速、中速、快速[15]3种。
图2为步频的隶属度函数。根据实际的步长与步频生成一定的线性关系,步频采用三角隶属度函数,慢速的步频范围为1 Hz~1.6 Hz,中速对应的步频范围为1.2 Hz~2.0 Hz,快速的步频范围为2 Hz~3 Hz。
图3为身高的隶属度函数,由于估计步长与实际的身高的非线性关系,所以采用高斯函数隶属度函数。因为实际中体重与步长之间的非线性关系,因此体重的隶属度函数为高斯组合隶属度函数。
2.2 模糊推理规则
在输入的规则变量中,输入为步频、身高、体重,输出变量为式(1)中的常数C。由于步频是决定常数输出值的主要控制器,因此将步频分为高、中、低3个模糊集表示。步频值大则输出值较高,反之亦然;当步频值相对中等时,输出结果由另外2个输入参数(身高、体重)来调节;若输入为步频高、身高高、体重低,则输出值高;如果输入为步频低、体重大、身高低,则输出值低。
2.3 位置计算
从一已知点开始,行人的当前位置可表示[16]为:
式中:m表示第m步,Sm代表步长,Nm表示北向坐标,Em代表东向坐标,φm表示相对磁北方向的航向角。
从而得到行走的距离为:
式中,S为行走距离,N为行走的总步数。
可以得到平均步长的公式为:
式中,Staver为行走平均估计步长,S为行走距离,Stcnt为行走估计步数。
因此,平均估计步长的准确率为:
式中,SLerr是行走步长估计误差,SLact为实际行走平均步长,SLes为行走估计步长。
3 实验结果讨论
3.1 实验平台搭建
系统的核心部分是32 bit的微处理器芯片STM32F103,主要负责采集及处理惯性传感器数据。惯性传感器电路主要有MPU9150和外围电路供电电路,上位机软件负责接收处理后的数据,然后在MATLAB中仿真验证。测试时MPU9150的采样频率为50 Hz。为了证明本文方法的有效性,进行室内行走试验,行走路线主要为直线和矩形。
3.2 实验结果分析
表1中,1为矩形行走试验,步数为16步,总距离为10.4 m,误差为0.8 m;2为直线行走试验,步数为40步,误差为1.9 m。经过30 m以内多次行走试验,测得行走距离误差在3 m以内。
图4为具体的步长曲线。从图中可以看出本文算法在0.4~0.8之间步幅变化较为合理,与实际的步长吻合比较好;非线性方法1步长变化较大,步长超出1.2 m,与实际不符;线性步长方法则明显偏小。
根据式(5)、式(6)、式(7)可得到表2。表2中对比分析了3种不同算法在实际中的动态具体估计步长数据。由表2可以得到,本文算法的精度高,比传统的线性步长估计方法提高约9%,比非线性方法1提高5%。同时,步长的大小及变化幅度比较合理,与实际的步长吻合比较好;非线性方法1及线性步长估计得到的步长幅度范围变化比较大,与实际不符,且精度比本文方法低,从而降低了实际的距离精度。
4结束语
【动态模糊逻辑】推荐阅读：
动态模糊关系07-01
动态模糊滑模控制06-25
动态模糊神经网络08-17
模糊逻辑10-20
模糊逻辑系统05-16
模糊逻辑算法08-10
自适应模糊逻辑控制器09-02
基于模糊逻辑的高性能融合制导研究09-26
灰色模糊07-16
模糊理论10-18