创新战略来提高精度和节省电力的实时控制过程使用一个在线自适应模糊逻辑控制器

文摘

本文的主要目的是为了证明带来我们的巨大优势智能控制领域的新方法。一套各种类型的智能控制器的设计来控制一个房间的温度实时控制过程中为了比较结果。通过培训委员会允许我们控制温度,所有使用的算法应该提供他们最好的表现在这个控制过程;因此,我们的自组织和在线自适应模糊逻辑控制器(方法)将被要求展示伟大的改进控制任务和一个真正的高控制性能。仿真结果可以清楚地显示,提出的新方法和测试在这工作是非常有效的。因此,我们的自适应和自组织方法提供了最好的精度与其余使用控制器相比,除此之外,它能保证的一个重要控制过程中减少功耗。

1。介绍

一个智能控制系统通常由两部分组成:第一个是“知识库”,提供了必要的知识来控制植物,第二个是一个“推理引擎”,通过推理过程的知识,可能使用一组新的数据获取的决定。因此,两个表示和处理,在“智能控制至关重要。“我们的研究使用基于模糊逻辑的智能控制技术和PID控制器结构。几个结构控制器测试的控制流程来演示我们的自适应模糊控制器的盈利能力。

在过去30年里,许多研究提出了几个例子的自适应控制器。在1970 Mamdani和他的学生Assilian发明了一个自适应控制器1]目的来确定规则负责工厂的不良状态和适当的值替换它。这些步骤已经初始化一个新的策略自适应模糊逻辑控制器的自组织控制系统(SOC) (2]。在大多数SOC的方法,这依赖是只使用植物的单调性符号来表达,也就是说,之间的关系的标志植物产量和控制器输出,因为雅可比矩阵的知识很少。soc“简单”应用程序中已被证明是成功的,因为只有规则的调整。在高度非线性植物、soc,只能粗优化控制器的参数;因此,必须构建更复杂的模糊控制器(3- - - - - -20.]。例如,在[11),混合自适应模糊控制建议控制的非线性系统的状态反馈控制器和自适应模糊控制器。该方法的主要优势是自适应模糊控制律可以调整的增益的滑模控制器,以应付非线性机器人系统的不确定性和建模误差。在[3)模糊控制器由模糊反馈线性化控制器,其参数调整间接从植物的估计参数,提供渐近跟踪参考信号的系统或缓慢时变参数不确定性。后一种方法的主要缺点是,这种并行交互并不总是最优和一定量的数据必须实时从植物中提取,以实现全球学习。

本文的重点是证明我们的自适应模糊控制器能够实现高精度和良好的鲁棒性通过实时修改规则的结果。控制器确定的规则必须移动,即autolearning。提出对参数的修改方法是健壮的植物(故障)。重要的是要注意,没有最初的知识模糊控制器的控制策略是必需的,因此可以从一组空的规则。

本文提出的控制器,除了呈现一个非常可靠的控制策略易于实现,在节约能源方面显示出卓越的改进。在过去的十年中,节能一直是几个科学辩论的主题。今天,节能已经成为一个主要的人类必然超过经济利益;地球遭受气候变化和需要减少有限公司₂能源生产推动研究对新产生的排放和清洁系统,因此,用更少的能源消耗。然而,组织和优化的品质,提供智能控制可以促进节约能源的过程。

在过去十年的几项研究已经解决的问题使用各种技术节能智能控制的自适应算法,遗传算法和模糊逻辑控制器(21- - - - - -24]利用他们的质量优化和组织,有助于精确何时以及如何使用能源资源,以确保最佳的使用的能量。在[21建筑空调的能源消耗是由一个方法,利用遗传算法优化其参数,和控制器负责修改设置点基于当前变量控制地区检测到每时每刻;事实上,这里的能源消费结果优化设置点的值,而不是空调。结果,使用这种技术,已经比同建筑的传统的自动控制系统。在[22传统方法是用于管理复合的教室的空调控制温度;因此,能源消耗已经减少8.92%相比,传统的开/关,和方法的控制器管理和组织球迷的操作模式。规则库由分析每个单元的多部件空调的影响有助于澄清这是适当的单元操作,避免产生的能量损失了整个系统的使用。

本文提出的自适应模糊控制器能够降低能源消耗与其他控制器用于相同的控制过程,在相同的条件下。之间的区别我们的技术和技术使用的参考书目是我们的控制器不仅管理使用的时间和频率的致动器消耗的能量,而且我们的自适应模糊控制器能够产生一个非常温和的输出为高的传动装置,确保可靠的控制平滑,因此消耗更少的能量。

这种贡献组织如下。培训委员会用于我们的实验是简要描述的部分2,其次是所有算法的设计和实现问题的比较研究部分3。部分4礼物为每个算法,实时获得的结果,也将各种对比他们的表演。结论和未来的工作5。

2。硬件描述

在本文中,我们将尝试模拟温度的控制一个房间使用一个训练板与几个智能控制算法(图1)。我们的目标是房间的温度维持在期望值;房间配有温度源热环境和风扇降低温度的设置点。控制器将在风机发电的目标信号,确定他们的表现评级方面的区别感觉到房间里的温度和所需的温度。

3所示。设计和实现的控制器使用

3.1。调优控制器

在测试之前我们的模糊逻辑控制器和自适应算法训练董事会,我们试图评估他们的行为的,,控制器。在闭环(使用Ziegler-Nichols的调优方法25),我们可以很容易地调整控制器参数的值,,从预定义的公式表1。


结构	参数
结构

P控制器	0.5	∞	0
π控制器	0.45	/ 1.2	0
PID控制器	0.6	/2	/ 8 = /4

Ziegler-Nichols闭环优化方法是一种启发式的调优方法控制器。它是通过设置执行(积分),(导数)收益为零。的(比例)获得然后增加(从0),直到它到达最终的收获,控制回路的输出恒幅振荡。和振荡周期用于设置吗,,收益取决于使用的控制器类型(图2)。

后设置的参数控制器处理评估的性能,,算法在我们的控制装置,接下来,我们将看到这些算法的不同反应。

3.2。静态模糊逻辑控制器的设计

TSK-0模糊逻辑控制器是一个简单的和稳定的控制器,这是本研究中使用控制器(静态),有两个输入和一个输出。温度控制器输入错误和它的导数之间的区别是,错误所需的温度在即时和温度 ;事实上误差方程,误差变化计算了以下表达式:。控制器输出张力控制风机的操作。对于一个典型的模糊控制设计,每个变量的隶属度函数将输入空间的不同状态,可以把这个输入在控制过程中,每一个这些MFs语言标签描述输入的状态在这个阶段的控制。本文的隶属度函数是一组三角形隶属函数来描述这些输入的状态在允许范围(5第一第二个输入和7)。为输出,我们使用TSK-0类型,所以它应该是一个标量值,将被用作营养粉丝。为此,五个标量值作为输出MFs (0 V, 3 V, 5 V, 9.5 V, 15 V),和每一个值有一个语言标签描述风机的运行状态。图3介绍了分布提出了控制器的输入和输出,和表2介绍了该控制器的基本规则;规则包含以下专家知识(规则1(表2)为例):如果实际温度()是非常高的和变化的错误()是下降快然后风扇转速必须介质(风扇营养)。


	Δ
	Decr_Fast	Decr_Slow	慢	Incr_Slow	Incr_Fast

Extrm_High	媒介	慢慢地	慢慢地	停止	停止
Very_High	媒介	慢慢地	慢慢地	停止	停止
高	媒介	慢慢地	慢慢地	停止	停止
好吧	Very_Quickly	很快	媒介	慢慢地	慢慢地
低	Very_Quickly	Very_Quickly	很快	很快	很快
Very_Low	Very_Quickly	Very_Quickly	Very_Quickly	很快	媒介
Extrm_Low	Very_Quickly	Very_Quickly	Very_Quickly	很快	很快

(一)

(b)

(c)

整个使用规则遵循标准形式:如果是和是然后是。

给出了运行机制如下。首先,为了得到信仰的程度对于每个规则,一个可以让和,然后,所以如果是由会员的价值,即;。然后,去模糊化方法,重心的方法(3),实现执行去模糊化过程集成的控制信号。

后我们工厂的逻辑行为的深入研究,充分的规则基础创建所需的设置点。

3.3。实现先进的(自适应自组织)实时模糊逻辑控制器

一般来说,植物可以控制用数学表达在哪里是工厂即时的输出,是植物的延迟,是一个未知的连续可微函数,是控制器的输出。在大多数工程系统,如电气网络,涡轮喷气发动机,建模的信号,和核反应堆,一个变量在建立中发挥着关键作用可以找到系统的最佳性能。这个变量是时间延迟。因此,许多研究人员在过去的几年中显示显著的利益对稳定性分析的问题和动态时滞系统的鲁棒控制26- - - - - -28]。

一般来说,植物的可控性是一个主要的限制,也就是说,总是存在一个控制策略能够翻译输出所需的值(在操作范围内)。这意味着植物的偏导数输出对控制输入总是不同于零。因此,作为植物应该是连续的,它必须有一个常数单调性;也就是说,工厂产出和控制器的输出之间的关系必须有一个持续的迹象。

一组if - then模糊规则在模糊控制系统中使用有以下形式: 在哪里与作为输入变量的隶属度函数的数量。为输出变量,的数字的规则(因为单例采用模糊规则为这项工作)。在本文中,我们使用的产品作为模糊推理方法和T-norm sum-product运营商的“重心”去模糊化策略。使用前面的符号,我们可以表达模糊控制器的输出如下: 在哪里是维在即时输入向量。

3.3.1。顺向改编的规则

最近,许多作品试图改善控制过程的性能是基于自适应控制器。事实上,集约利用自适应模糊控制器由工程师在几个应用程序是合理的这些后者提供的特殊性能;因此,自适应控制器能够执行一个没有人类干预的情况下自动调整其参数/设置,这有利于显著改善控制过程。在文献中我们可以找到许多自适应机制,服务于同样的目的(增强传统控制器的性能或静态)。在[29日),提出了一个增强的自组织模糊逻辑控制器来控制主动悬架系统。原SOFLC使用的主要特征是当前的修改模糊规则,并建议适当的修正控制输入,增强过程是通过使用一个滑模控制提供了一种滑动控制器的输入表面,而在(30.],滑模控制是用来执行一个AFLC但这一次,无需修改模糊规则和secondary-controlled液压传动系统(SC-HST)可以跟踪所需的速度和有效性。在[31日),电力网络性能是利用自适应模糊逻辑控制器由控制遗传算法可以显著地提高控制性能。遗传算法和自适应模糊集的使用降低了系统的复杂性和数量的规则。拟议的技术已经能够协助系统操作员控制决策改善电压概要文件系统中。自适应和SOFLC的另一个例子是在(32),但这一次auto-learning过程是通过使用一个神经网络,可以修改或添加新的存在的模糊规则。非线性混沌系统的控制使用这种技术很成功;因此,新方法所使用的模糊规则由神经网络能够优化控制器的输出。

在我们的方法中,我们试图提出一种自适应算法,能够适应控制器参数使用获得的信息从当前的输出误差。推导出修正意义上的单调。使用相同的静态模糊逻辑控制器的结构提到earliar但是没有明确的规则,我们将努力实现自适应控制系统。实时控制策略必须面对的主要问题在于,作为控制系统的内部功能是未知的,我们不知道如何修改控制器的参数。

为了得到更准确的动力学系统必须知道哪些规则是主要负责植物稳定所需的状态。学习发生在算法开始处理的参数(在本例中主控制器的规则)的结论,试图改善其控制行为。在这种情况下,系统学习,获得知识是反映在规则的新值。图4简历的基本结构提出了自适应模糊逻辑控制器。

为了建立一个精确的自组织控制器,使用工厂的信息输出变化对每一个可能的操作区域的控制信号是至关重要的。这包括了解植物的功能的雅可比矩阵。不幸的是,这些信息通常不提供一个控制任务。因此,很明显,因为工厂的信息的类型(其单调性标志和延迟)只能应用到一个相对粗糙的控制系统。在本研究的算法问题,粗模糊规则顺向改编是通过评估工厂的现状并提出修正的规则负责这样一个状态的存在,作为奖励或惩罚,以下列方式: 在哪里是力量或α层次的规则。在即时是错误吗。

以来,在33),规则的程度的激活导致实现控制输出使用比例在即时通过修改吗。在上述表达式,代表了时间延迟,是植物的需要设置点在即时输出吗,是当前植物输出。最好的理解,并确保这一修改的方向总是更好的定位规则的,让我们假设植物与控制输入输出增加。所以如果在即时所需的设置点大于输出呢将会更大。因此,将会有一个积极的迹象和修正规则负责取得应该改变当前植物比例错误。在这一点上,是非常重要的清理,使用是不正确的,因为在瞬间被激活的规则吗服务实现所需的值而不是。

系数的绝对值的决心在离线计算使用公式:,在那里装置输出的操作范围,必须事先估计的知识我们要使用的设置点,然后呢是控制器的致动器的操作范围。学习后在我们的例子中,我们选择我们的工厂。

3.3.2。适应规则的先例

方法引用earliar只允许我们调整模糊规则的结果。侵位和隶属函数的形式对控制性能有很大影响,为了达到高水平的精度控制过程中是非常重要的优化。为了解决这个问题我们打算找到一个新配置的MF确保了均匀分布的某一性能指标操作区域。性能标准将这种优化中使用的积分平方误差(伊势)。因此,该地区有一个重大的贡献是伊势地区更频繁地激活。的方程的贡献之间操作的伊势地区中心和的输入变量,是在哪里是th组件的输入向量,中心的位置吗的隶属函数输入变量。第一个积分计算贡献伊势当输入范围内的[(),]。第二个贡献积分计算,当输入范围内(,()]。植物产量的方差,作为归一化因子。在现实情况下,离散域,这个方程可以简化求和代替积分符号的标志。

从(5)当左地区的错误比正确的,伊势的贡献将是积极的;因此为了补偿这一点,中心必须搬到左边。在相反的位置,如果它是负的中心必须搬到右边。隶属度函数的中心的运动不应该改变的原始订单的所有过程中隶属度函数。以下方程描述的运动中心可以保存的顺序计算中心和定位他们在合适的地方贡献总可以均匀分布(伊势指数已被移除为了简单起见): 在哪里是负责任的参数,精确;中心可以移动的距离不超过允许的范围内使用的每一个成员函数。高的值,中心可以使一个非常大的位移,而对于低运动是非常有限的。在学习过程中,我们将使用在这个工作中,我们从高值(100)为中心,减少他们的每一个评价伊势除以2。每一个迭代计算的数目。首先,顺向调在一次学习运行没有伊势计算。在下一次运行伊势计算,和隶属函数的位置改变的运行使用(6)。在未来的运行并没有伊势输出随之调整。定期之后,伊势计算。因此有一个学习运行和伊势的大小计算每个迭代。后控制过程的迭代和这一次小伊势计算。

4所示。仿真结果

4.1。真实的模拟:温度控制

在实际模拟中,我们将使用一个训练板来控制温度使用我们以前设计的算法。所有的实验都是在相同的条件下进行。由于自然结果的控制过程,基于图形表示的比较有点模糊。事实上,我们进行一个简短的定量分析基于均方误差(MSE)。这里的MSE计算不是函数近似的MSE控制器但MSE设置点和植物之间的输出测量后瞬间的时间,工厂的延迟。考虑

以下4.4.1。温度控制使用,,控制策略

控制器是基于优化机制结构。通过Ziegler-Nichols闭环方法和使用他们的公式,我们可以确定的值,,为不同的结构。随后,每个结构所示的结果。

的 控制器。的控制器能够控制温度,MSE(均方误差)在这种情况下,第一40分钟,大约是0.63和图5显示了不同的进化控制在这种情况下设置点。

的 控制器。的控制器显示相同的行为,也是能够控制温度与某种形式的改进。MSE(均方误差)在过去40分钟大约是0.43。图6介绍了响应不同的设置点。

使用一个完整的 控制器。值得注意的是,在我们的实验中我们降低温度控制风扇。温度增加的改变设定点的温度高于目前是通过阻止球迷,只允许系统加热(加热过程),以便达到新的更高的设置点需要一个相对时间长,影响精度在这个阶段由于表现不佳的灯泡(温度)来源。

图7清楚地表明,我们的作品以及各种值的设置点的控制器,保证收敛周围设置点0.47 MSE在过去40分钟。的结果和控制器是几乎相同的。事实上,在这种情况下控制器可以使用,而不是一个完整的。以前已经表明,控制器基于,,还可以控制温度,虽然他们得到不同的MSE和显示一些限制(相对大的错误和时间控制)。下一节将展示传统的静态模糊逻辑控制器的性能在这个工厂。

4.1.2。温度控制使用静态模糊逻辑控制器

图8介绍了模糊逻辑控制器的一般行为在200分钟各种设置点,表明该控制器能够降低温度从41°C到34°C,提出合理控制过程中犯下的错误。很好的控制时间的控制和一个更小的错误算法反映这种控制器的良好性能。去年的MSE 40分钟是0.31。

4.1.3。温度控制采用自适应模糊逻辑控制器(规则适应)

拟议中的修改操作模式的模糊逻辑控制器进行测试,使其对控制器性能的影响;这个修改是一个适应和学习的过程。规则将能够适应和学习如何反应以达到最小误差从空的规则或随机值使用错误的信息从之前的状态33]。换句话说,它得到了控制器的变化和应用适当的校正规则奖励或者惩罚的方式。图9显示了该算法的态度来控制温度设置点的不同的值。

像所有我们之前测试的控制算法,自适应模糊逻辑控制器已经显示出良好的性能在控制温度,设置点的不同变化。MSE过去40分钟的分析显示了明显的优越性与他人相比后者;自适应算法能够减少近50%的误差。在这种情况下均方误差是0.24。

4.2。结果比较

所有的算法中使用这种贡献能够执行控制过程,但是究竟是什么使他们之间的区别是在监管过程中误差。图形的比较结果不明确每个算法的精度之间的区别,由于系统的响应的本质。事实上,为了显示清楚每一个他们之间的区别,我们使用了两种比较方法基于MSE(图形和数值)。

图表示曲线的图解法由犯下的错误两种不同算法之间的差异在同一时间间隔,实现同一组点,这是函数定义为代表 ;如果。

函数的图形表示错误的区别是高于零。考虑如果。

函数的图形表示误差的区别是在零。

在图10我们可以看到的图形表示区别犯下的错误自适应算法和其他算法犯下的错误在前40分钟。

(一)

(b)

(c)

(d)

图中给出的四个病例10显示错误的区别曲线几乎总是在零线,这意味着数学 ;意味着<;在我们的例子中:是。

错误的区别几乎总是小于零(错误差< 0)在四种情况下,这意味着小于其他承诺他人错误的算法。

数值比较分析的基础上每个算法的均方误差。表3在这项研究中显示了每个算法的均方误差在过去40分钟。计算均方误差的模拟的时间步长。第二个指数也是MSE但现在只计算时间从100年到200分钟。


均方误差	算法
均方误差				经典的方法	自适应方法

均方误差_{160年到200年}	0.43	0.49	0.47	0.31	0.17
均方误差_{100年到200年}	0.38	0.44	0.41	0.28	0.23
均方误差_0到200	0.84	0.89	0.85	0.78	0.67

结果提出了表显示算法之间的差异。自适应控制器有最好的错误减少相比;即适应提出更换和测试是一个很好的替代品,,控制器或经典模糊逻辑控制器为这些种类的植物。

4.3。适应的顺向和模糊规则的先例

之前我们提出了一种新的方法模糊规则的自适应实时顺向改善方法的性能,实验结果显示这种技术带来的巨大贡献。基本上我们知道提供的修正方法提取基本上顺向和祖先的模糊规则。事实上,显著改善后通过修改规则的方法,我们有继续优化他们的祖先为了达到最大的稳定性和准确性。知道的值规则的前身是直接从输入变量的隶属度函数计算,然而,后者的位置会影响这些价值观的决心。优化模糊规则的前身是由MFs维持平衡的再分配中心的伊势的贡献的输入空间之前解释道。在未来将会看到顺向改编后的结果和祖先的模糊规则。

数据11和12分别代表温度的演变和隶属函数引入后的新位置的优化规则的祖先适应的过程。我们可以观察到,在这种情况下温度的演变是平滑和相对误差小于只适应规则的结果。

(一)

(b)

(c)

(d)

这项新政策控制的又一次显示了巨大的改进,这一次更加平滑。表4介绍了自适应控制器在这两种情况下的MSE指数(顺向的只适应和适应的顺向和前身)在所有的控制过程,在过去的100分钟。


	均方误差_总	均方误差_{100年到200年}

顺向改编的	0.67	0.23
适应的顺向和祖先	0.53	0.17

最后表5总结了所有MSE获得的结果在所有算法的仿真测试在这项研究中,显示所有使用算法精度差异。


	均方误差_总	均方误差_{100年到200年}

PD控制器	0.89	0.44
π控制器	0.84	0.38
PID控制器	0.85	0.41
控制器方法	0.78	0.28
全自适应控制器方法	0.53	0.17

4.4。行为上的摄动影响的算法

图13描述了算法的行为(静态方法和自适应方法25%的扰动后20分钟。这里使用的干扰是一个模拟的温度下降引起的二次风机,65分钟,我们造成干扰的20%,但这一次我们模拟温度升高引起的温度的另一个来源。植物的反应后每个算法的干扰可以清楚地解释每一个人之间的差异。图(13日)显示静态方法在扰动情况下的行为。我们可以注意到这些干扰会影响控制精度;静态方法使控制核电站,但大错误没有立体的摄动影响。

(一)

(b)

在第二个图,自适应方法针对这些障碍提出了一个很好的性能。它可以清楚地注意到,控制精度不受大的变化,自适应算法在几分钟后可以克服扰动的影响;它可以纠正新的错误并返回它在允许的范围内。因此,表6提出了一种数值对比误差在10分钟前造成干扰和误差在10分钟内为每个算法与干扰。这种比较是正确而MSE的计算中使用的10分钟之前和之后的扰动总是相同的温度。


均方误差在10分钟内	+ 25%的力量风扇		−20%的力量风扇
	方法	自适应方法	方法	自适应方法

之前摄动	0.78	0.42	0.64	0.1
后摄动	0.32	0.36	1.77	0.14

这里重要的是要明确的错误在第一种情况下减少扰动并不意味着控制改善,但这是由于模拟新风扇添加(+ % 25日在粉丝的力量),并添加风扇与权力更大意味着大幅减少错误承诺,可能错误将改变标志如果这扇权力太大。

这个表中给出的MSE证明了扰动影响自适应算法的行为与他们的影响相比非常小的行为方法的算法。自适应方法可以快速补偿新的环境变化通过维护误差在允许的范围内,而方法不能适应新环境的变化。因此,控制精度患有严重的变化。

4.5。概述了每个算法的电力消耗

一个智能控制系统,它提供了对几种类型的稳定性强,测量精度高干扰被认为是一个好的控制策略。非常大的需要控制策略用于工业应用的应用程序的最佳性能并不是唯一标准选举,和使用技术的成本也在这次选举中扮演重要的角色。事实上,最好的控制策略能够确保一个好的组合之间的性能优势和价格适中。这个温度控制过程中完整的自适应方法已经证明它的优越性表现最佳的控制性能。

现在是时候要问,成本将这种技术需要什么?

因为这个原因我们将看到每个控制算法的电力消费使用。最简单的方法来计算功率消耗的活动或电阻负载连接到一个单相电路(直流或交流)乘以伏特的外加电压的值强度的值安培电流流经它的执行(A)。这个计算使用以下公式:

图14显示所有使用算法的电力消费在200分钟通过各种设置点。分钟0到40,80年到120年,和120年到160年,控制系统必须把温度达到设定值;事实上,风扇必须连续操作设置温度。在间隔40到80年和160年到200年,设置点大于当前的温度,这意味着必须关掉风扇温度时温暖的大气和re-operate立交桥所需的设置点。我们回忆起这里控制器输出风机饲料。

(一)

(b)

(c)

(d)

(e)

分析结果呈现在图14我们可以很容易地推断出信号生成的自适应算法比其它算法更温和。的算法,输出信号经常触摸的极端范围意味着当前的高消费的致动器,从而迫使风扇残忍地运行;它必须通过与其他模式的最大性能影响的转子风扇。表7显示了每个算法在仿真期间的电力消耗。


				方法	自适应方法

电成本	1776.3	1599.3	1601.55	1621.3	1384.1

在同等条件下和在同一时间控制,自适应控制器保证一个非常温和的电力消费通过生成一个提要确保风机运行的平滑信号。其余控制器显示的消费比较高,迫使风扇操作残忍地影响他们的幸福。

4.6。采样时间电力消费的影响

前面给出的结果表明,本文采用的自适应控制策略保证了显著减少电力消费在控制过程中与传统控制器(在同等条件下)。这一段我们将努力专注于采样时间的变化的影响在控制过程中对电力消费的演变,和图15展示了电子商务的发展(电气消费)和均方误差(均方误差)为各种采样时间在30分钟使用自适应模糊控制器(只有一个设定值)。

(一)

(b)

从图中给出的图表15我们可以很容易的推断出采样时间的增加意味着减少电力消费与扩大犯下错误,这里需要注意的是,误差增长注册使用稍大的采样时间(3/ 2和2)对控制性能的影响不大。

换句话说,使用一个自适应控制器与通常的采样时间提供了最佳的控制性能,高精度,低功耗(图11和表5)与其余的控制器相比,但自适应控制器的使用稍长一些的采样时间(3/ 2或2)可以节约更多消费高达50%(表8)。使用一个较大的采样时间造成的误差增长似乎是一个缺点,这个新的错误仍在允许范围内,因为它几乎是类似于错误通过传统的控制器与通常的采样时间,也就是说,在这种情况下,控制过程不需要很高的精度(空调建筑,ext。);利用自适应模糊逻辑控制器与一个相对较长的采样时间将确保一个非常重要的节能与可容忍的误差。表8提出了一种使用自适应方法实际消费在30分钟。


		/ 2		/ 2

均方误差	0,58	1、21	1、6	2,63	92
电子商务	644年,33	460年,6	343年,36	282年,7	276年

另一方面,控制器输出驱动器喂养,观察图(图14),我们可以注意到,自适应控制器产生一个非常平稳的信号用温和的值没有达到致动器的极限范围,也没有提供许多输入信号的变化;即喂养致动器与稳定和温和的值相对长时间保证后者的一个完美的操作他们的最佳范围内将反映在致动器幸福的时间。

4.7。统计分析的结果

后证明算法的优越性和有效性相比其他控制器使用数值和图形比较真实的模拟结果,我们继续说明这优势通过一个推论统计分析结果的基础上通过重复每一个模拟的5倍和两组不同的设置点在相同条件下。

这个分析的目的是证明我们的方法的有效性和准确性的水平在未来的模拟。

表9礼物都意识到模拟的结果,给了每个算法的MSE和EC获得使用两套设置点。


		设置点1						设置点2
		1	2	3	4	5	∑/ 5	1	2	3	4	5	∑/ 5

	均方误差	1.62	1.09	1.56	1.36	1。7	1.46	1.22	1.28	1.35	1。7	1.65	1.45
	电子商务	1142年	968.4	1159.9	1136.7	1158年	1113年	1112年	1108年	1106年	1092年	1121.3	1107.8
	均方误差	1.07	1.07	1。5	1.12	1.45	1.25	1.37	1.28	1。3	1.35	1。4	1.35
	电子商务	1048.2	1022年	1163.4	1024.3	1109.3	1074年	1092年	1120.83	1133年	1089年	1079.9	1103年
	均方误差	1.07	1.16	1.66	1.35	1.06	1.26	1.34	1.27	1.26	1.32	1.26	1。3
	电子商务	1121.1	1120.2	1151.9	1135.2	1133.1	1132.3	1127.3	1102.04	1101.1	1179.3	1121.7	1126.3
方法	均方误差	0.92	1.03	1.49	1.31	1.05	1.12	1.47	1.08	1.11	1.33	1。3	1.25
方法	电子商务	1159.3	1140.3	1130.9	1139.5	1108.7	1135.7	1121年	1098.2	1107.4	1115.2	1162.3	1120.8
调整方法	均方误差	1。1	0.7	0.74	0.65	0.5	0.74	1。1	1	0.83	0.78	0.84	0.9
调整方法	电子商务	1084.4	1088.2	1084.3	932年	1082.3	1054.2	1187年	1121.3	1009.7	1013.8	987.5	1063.8

表14显示了模拟的结果在不同类型的干扰,给使用方法和获得的MSE AdaptFLC;每个模拟重复了五次有两个不同的设置点。

4.7.1。方差分析(方差分析)

分析MSE我们继续构建的方差分解MSE变异性的方差分析表贡献由于若干因素。我们注意到这里平方和类型III选择(默认情况下);每个因素的贡献以避免其他因素的影响。

的值测试每个因素的统计学意义,值小于0.05意味着这个因素有统计上显著的影响在MSE 95%置信水平,所以从方差分析表中提供的数据我们可以确定MSE的效果有显著影响。

多个测试MSE的控制范围。在多个范围内测试一个多重比较过程完成确定显著不同于其他人,这意味着该方法用于区分的意思是最小的方法显著差异(LSD)的费舍尔。

星号毗邻对表明这些双显示统计学意义差异置信水平为95%。

统计结果。从方差分析表10和11我们可以推断出效果B:控制有统计上显著的影响在MSE在95%置信水平(注册价值);也就是说,如果我们重复模拟MSE的几率有95%相似。另一方面,从表12(一)和12(b)和表13(一)和13(b)的多个范围测试MSE和欧共体我们可以推断出有显著差异(MSE和EC)之间的自适应算法和其他算法的95%置信水平;也就是说,如果我们重复模拟几次的几率有95%相似的MSE和类似的EC算法和其他人之间的差异。


源	的总和广场	DF	的意思是广场	F比	P -价值

主要的影响
答:设置点	0,069192	1	0,069192	98	0,1663
B:控制	2,18831	4	0,547078	15日,66年	0,0000
剩余	53669	44	0,0349247
总 (修正)	3,79419	49

所有的F比率是基于剩余均方误差。


源	的总和广场	DF	的意思是广场	F -比	P -价值

主要的影响
答:设置点	85年,2035年	1	85年,2035年	0,04	0,8504
B:控制	35365年0	4	8841年,24	3,74	0,0106
剩余	104108年,	44	2366年,09年
总 (修正)	139558年,	49

所有的F比率是基于剩余均方误差。

(一)LSD法95年,0%的MSE影响B:控制


控制	情况下	意思是LS	∑LS	均匀组

调整方法	10	0824年	0,0590971	X
方法	10	1209年	0,0590971		X
PID	10	1275年	0,0590971		X
PD	10	1291年	0,0590971		X
π	10	1453年	0,0590971		X

(b)使用算法的对比


对比	团体。	区别	+ /−限制

Adapt-FLC	*	−0385	0,168437
适应- - - - - -PID	*	−0451	0,168437
适应- - - - - -PD	*	−0467	0,168437
适应- - - - - -π	*	−0629	0,168437
方法- - - - - -PID		−0066	0,168437
方法- - - - - -PD		−0082	0,168437
方法- - - - - -π	*	−0244	0,168437
PD-PID		0016年	0,168437
π- - - - - -PID	*	0178年	0,168437
PD- - - - - -π		−0162	0,168437

表示差异显著。

(一)LSD法95年,0%的EC影响B:控制


控制	情况下	意思是LS	∑LS	均匀组

调整方法	10	1059年,05年	15日,3821年	X
方法	10	1128年,28	15日,3821年		X
	10	1129年,29	15日,3821年		X
	10	1088年,19	15日,3821年		X
	10	1110年,43	15日,3821年		X

(b)使用算法的对比


对比	团体。	区别	+ /−限制

Adapt-FLC	*	−69,23岁	43岁,8415年
适应- - - - - -PID	*	−70244	43岁,8415年
适应- - - - - -PD		−29143	43岁,8415年
适应- - - - - -π	*	−51岁,38	43岁,8415年
方法- - - - - -PID		−1014	43岁,8415年
方法- - - - - -PD		40087年	43岁,8415年
方法- - - - - -π		17日,85年	43岁,8415年
PD- - - - - -		−41101	43岁,8415年
- - - - - -		−18864	43岁,8415年
- - - - - -		−22237	43岁,8415年

表示差异显著。


	摄动	设置点1						设置点2
	摄动	MSE 1	MSE 2	MSE 3	MSE 4	MSE 5	MSE / 5	MSE 1	MSE 2	MSE 3	MSE 4	MSE 5	MSE / 5

+ 30%	改编电影方法	1.02	0.82	0.75	0.66	0.75	0.8	1.34	1.03	0.82	1.02	0.8	1
+ 30%	方法	1.24	1.04	1。4	1。3	1。1	1.21	1.56	1.47	1。5	1.55	1.85	1。6
+ 15%	改编电影方法	1.18	1.03	0.78	0.93	0.78	0.94	0.95	0.93	0.95	0.92	0.81	0.91
+ 15%	方法	1。2	1.16	1。1	1.23	1.28	1。2	1.13	1.28	1.36	1.37	1.41	1.31
−15%	改编电影方法	0,92	0.91	0.97	0.94	0.9	0.92	1.05	1.07	1.07	0.95	0.98	1
−15%	方法	1、3	1.16	1。2	1.17	1。5	1.26	1。1	1.14	1.27	1.58	1.86	1。4
−30%	改编电影方法	1.01	0.96	0.91	0.87	0.84	0.91	1.01	0.89	1.07	0.9	0.94	0.96
−30%	方法	3.76	2.96	3.72	3.88	2.7	3.4	1.84	1。9	1.66	1。7	1.26	1。7

对于扰动的情况下,我们注意到从方差分析表15的影响C:噪音和B:控制有统计上显著影响MSE注册以95%的置信度(两个吗价值);也就是说,如果我们重复相同的模拟程度的扰动有95%拥有相同的MSE范围的风险。另一方面,表16(一)和16(b)的多个测试MSE的控制范围证明有统计上的显著差异(MSE注册我们的自适应算法和其他算法的干扰)95%的置信水平;也就是说,如果我们重复模拟几次,有95%的几率是一样的错误我们的算法和方法之间的差异。


源	平方和	DF	均方	F比	P价值

主要性能
答:设置点	0,20402	1	0,20402	0,95	0,3341
B:控制	9日,63272年	1	9日,63272年	44岁,63年	0,0000
C:噪音	60313	3	86771	65	0,0001
剩余	15日,9709年	74年	0,215823
总(修正)	31日,4108年	79年

所有的F比率是基于剩余均方误差。

(一)LSD法95年,0%的MSE影响B:控制


控制	情况下	意思是LS	∑LS	均匀组

调整方法	40	0,93575	0,0734546	X
方法	40	62975	0,0734546		X

(b)使用算法的对比


对比	团体。	区别	+−限制

适应FLC-FLC	*	−0694	0,206987

表示差异显著。

5。结论

本文提出一种多级几个传统的控制算法和自组织之间的比较研究和在线自适应模糊逻辑控制器。使用相同的训练,在相同的条件下,我们已经测试了算法的行为在这种植物。传统的模糊逻辑控制器和控制器的基础上,,和结构显示他们的能力来控制植物与合理的误差。自适应算法没有任何离线pretraining和从没有明确的规则库能够收集很强背景的真实行为实时植物,并使用这个宝贵的背景,自组织和autolearning将达到最优配置的内部参数的自适应控制器(规则顺向和最优位置适合船成员函数)和改善控制过程中犯下的错误。自适应算法不需要任何复杂的数学模型。它只需要从工厂非常有限的信息。植物的单调性和延迟是唯一使用的信息自适应算法来优化核电站的错误输出。该算法除了精度的另一个优点,它易于实现节能。自适应控制器达到控制过程非常非常流畅准确和低功耗。比较结果可以证明的优越性提出自组织和在线自适应方法对剩下的算法和统计研究可以证明这种方法的有效性。

引用

e·h·Mamdani s Assilian,“语言实验合成与模糊逻辑控制器,”国际人机研究杂志》上,7卷,不。1,1-13,1975页。视图:谷歌学术搜索
t . j . Procyk和e·h·Mamdani语言自组织过程控制器,”自动化,15卷,不。1、15 - 30,1979页。视图:谷歌学术搜索
研究。松林和S.-F。苏,“模糊滑动控制器设计与自适应近似误差反馈,”国际期刊的模糊系统,11卷,不。1,第36 -,2009页。视图:谷歌学术搜索
y, m . j .呃,d .黄问:王,“最优逼近误差的自适应模糊控制与保证收敛,“IEEE模糊系统,19卷,不。5,807 - 818年,2011页。视图:出版商的网站|谷歌学术搜索
张炳扬。许,C.-M。林,M.-C。李,“自适应动态RBF模糊神经控制器设计与建设性的学习,“国际期刊的模糊系统,13卷,不。3、175 - 184年,2011页。视图:谷歌学术搜索
问:周、施p . j . Lu,徐,“自适应模糊输出反馈对一类非线性系统的跟踪控制,”IEEE模糊系统,19卷,不。5,972 - 982年,2011页。视图:出版商的网站|谷歌学术搜索
m .聂和w·w·谭”,稳定的自适应模糊PD +π控制器非线性不确定系统,”模糊集和系统,卷179,不。1 - 2011页。视图:出版商的网站|谷歌学术搜索
h . Chaoui和p . Sicard自适应模糊逻辑控制的永磁同步机非线性摩擦,”IEEE工业电子产品卷,59号2、1123 - 1133年,2012页。视图:出版商的网站|谷歌学术搜索
郭t g·刘,“未知的非线性时滞系统的自适应模糊控制与虚拟控制功能,“国际期刊的控制、自动化和系统,9卷,不。6,1227 - 1234年,2011页。视图:出版商的网站|谷歌学术搜索
R.-J。丽安,”一个增强的自适应自组织模糊滑模控制器设计机器人系统”专家系统与应用程序,39卷,不。1,第1554 - 1545页,2012。视图:出版商的网站|谷歌学术搜索
H.-C。陆,M.-H。Chang和学术界。蔡”,自适应self-constructing模糊神经网络控制器对倒立摆系统的硬件实现,”应用软计算杂志,11卷,不。5,3962 - 3975年,2011页。视图:出版商的网站|谷歌学术搜索
学术界。王,学术界。林,B.-K。李,C.-N。吉米·刘,c·苏,“适应性两级模糊温度控制的电热系统,”国际期刊的模糊系统,11卷,不。1,59 - 66年,2009页。视图:谷歌学术搜索
t . o . Kowalska m . Dybkowski, k . Szabat”自适应滑模神经模糊控制两个电机无机械传感器,”IEEE工业电子产品卷,57号2、553 - 564年,2010页。视图:出版商的网站|谷歌学术搜索
A . Fadaei和k . Salahshoor”小说实时串级PID控制器、模糊自适应自动方案”国际期刊的控制、自动化和系统,9卷,不。5,823 - 833年,2011页。视图:出版商的网站|谷歌学术搜索
m . j .呃,f·刘,m·b·李”与扩展卡尔曼滤波器Self-constructing模糊神经网络”,国际期刊的模糊系统,12卷,不。1,第72 - 66页,2010。视图:谷歌学术搜索
曹,j . Kim和S.-T。钟”,基于模糊神经网络的自组织模糊控制器。”软计算的进步41卷,第194 - 185页,2007年。视图:出版商的网站|谷歌学术搜索
R.-J。丽安,B.-F。林,W.-T。您,”自组织模糊控制的主动悬架系统”,国际系统科学杂志》上,36卷,不。3、119 - 135年,2005页。视图:出版商的网站|谷歌学术搜索
C.-J。吴,C.-N。Ko, y y。傅和学术界。曾先生,”会自动模糊PID控制器的设计。”国际期刊的模糊系统,11卷,不。1,49-58,2009页。视图:谷歌学术搜索
R.-J。丽安,”机器人运动控制,智能控制器”IEEE工业电子产品,卷。58岁的没有。11日,第5230 - 5220页,2011年。视图:出版商的网站|谷歌学术搜索
p . a .表象和t·j·盖尔”与self-structuring直接自适应模糊控制算法”,模糊集和系统,卷159,不。8,871 - 899年,2008页。视图:出版商的网站|谷歌学术搜索
j . Pargfrieder和惠普Jorgl集成控制系统优化建筑物的能源消耗和用户舒适,计算机辅助控制系统设计中,“IEEE国际研讨会上辅助控制系统设计,127卷,2002年。视图:谷歌学术搜索
c·b·邱c·h·邱c . m .楚和s . l .林”的应用模糊控制对多部件的房间空调、节能”应用热工程卷,29号2 - 3、310 - 316年,2009页。视图:出版商的网站|谷歌学术搜索
r . Talebi-Daryani和j·普法夫”,智能控制和电源管理空调系统使用模糊逻辑及地方oeration网络”程序自动化国会第五届两年一度的世界,14卷,第202 - 195页,2002年6月。视图:谷歌学术搜索
Y.-W。白和学术界。程”,使用嵌入式控制器和模糊逻辑来降低功耗的移动电脑,”学报》第36届会议IEEE工业电子产品协会(IECON的10)2010年11月,页236 - 241。视图:出版商的网站|谷歌学术搜索
j·g·齐格勒和n . b . Nichols”最佳设置自动控制器,”ASME的交易卷,64年,第768 - 759页,1942年。视图:谷歌学术搜索
G.-R。Yu和c。你,”非线性模糊时滞系统的鲁棒控制。”国际期刊的模糊系统,11卷,不。1,29-35,2009页。视图:谷歌学术搜索
c .彭L.-Y。温,J.-Q。杨,“时滞相关鲁棒稳定性条件与区间时变时滞不确定t - s模糊系统,”国际期刊的模糊系统,13卷,不。1,35-44,2011页。视图:谷歌学术搜索
a . Boulkroune M M 'Saad, M . Farza”多变量非线性状态时变时滞系统自适应模糊控制器输入非线性,”模糊集和系统,卷164,不。1,45 - 65年,2011页。视图:出版商的网站|谷歌学术搜索
r - j。丽安”,增强自适应自组织模糊滑模控制器对于主动式悬吊系统,”IEEE工业电子产品,60卷,不。3、958 - 968年,2013页。视图:谷歌学术搜索
h·t·k·k·安,”速度控制的二次控制闭环液压传动系统使用一种自适应模糊滑模控制器,”机械科学与技术杂志》上,27卷,不。3、875 - 884年,2013页。视图:谷歌学术搜索
a . m . Abusorrah”,使用自适应模糊逻辑控制器最优功率流。”数学问题在工程ID 975170条,卷。2013年,7页,2013。视图:出版商的网站|谷歌学术搜索
学术界。花王,张炳扬。许,H.-S。堂,“设计自适应自组织模糊神经网络控制器的不确定非线性混沌系统,”神经计算和应用》第六卷,没有。21日,第1253 - 1243页,2011年。视图:出版商的网站|谷歌学术搜索
罗哈斯,h·珀玛,j·冈萨雷斯et al .,“自适应模糊控制器:应用程序的控制温度的实时动态的房间,“模糊集和系统,卷157,不。16,2241 - 2258年,2006页。视图:出版商的网站|谷歌学术搜索

模糊系统的进步