太陽能硅片酸洗池溫度控制系統(tǒng)設計【獨家畢業(yè)課程設計帶任務書+開題報告+外文翻譯】,太陽能,硅片,酸洗,溫度,控制系統(tǒng),設計,獨家,畢業(yè),課程設計,任務書,開題,報告,講演,呈文,外文,翻譯 對非線性系統(tǒng)應用小波網(wǎng)絡 制器的比較研究 M. A. . P. . a 要 ： 在本文中，主要 對非線性系統(tǒng)應用 小波網(wǎng)絡 制器進行比較研究。小波網(wǎng)絡 制器結合神經(jīng)網(wǎng)絡學習的優(yōu)勢與小波網(wǎng)絡表示一個 高 效的識別非線性動態(tài)系統(tǒng)，當我們想要應用這些程序控制植物 未知 的和高度非線性的數(shù)學模型 特征時， 存在著不同類型的 即 小波網(wǎng)絡 糊小波網(wǎng)絡 過 對 植物的 識別， 這些經(jīng)典離散 小波 激活 功能 ，可以 在線調(diào)整比例 、 積分和微分增益。為此，該 小波網(wǎng)絡 波 子控制系統(tǒng)性能與傳統(tǒng)的 真結果表明，用模糊小波網(wǎng)絡 具有良好的性能，例如倒立擺。 關鍵詞： 小波網(wǎng)絡 模糊小波網(wǎng)絡的 立擺；神經(jīng)網(wǎng)絡。 一、簡介 如今，小波的使用一直在增長，因為它們結合了神經(jīng)網(wǎng)絡的學習特點， 并以小波表現(xiàn)。以這種方式， 于這一特點 查與工業(yè)領域 。 這些應用程序的一個例子呈現(xiàn)在 [1]，在他們目前的 車懸架系統(tǒng)的建模技術， 在 這項 工作中，他們用多項式加窗高斯（蝌蚪）作為激活函數(shù)和小波在其學習過程中，它是優(yōu)化的參數(shù)反向傳播算法。另一個 用的重要例子在 [2]，在這項工作中，他們使用一個 空氣燃料的估計在火花噴射發(fā)動機的比例控制，在這里他們得出的結論 ; 1）利用小波遞增魯棒性和 2）消耗訓練的時間比一個多層感知短。其他領域，在行業(yè)內(nèi)不斷增長研究群體之間的模糊邏輯，因為以模糊邏輯為基礎的控制系統(tǒng)提供了一種有效的方法控制復雜和非線性系統(tǒng)。例如，在 [3]，作者提出了一種基于 模糊邏輯控制器過程控制，在此項工作中 ，在 外，他們得出結論是模糊邏輯的組合采用了經(jīng)典的 糊 于傳統(tǒng)的 [ 4 ]，它提出了一種基于 實時自適應模糊邏輯控制器，在這種控制器下測試使用四分之一汽車半主動懸架模型的雙自由度控制的運轉狀態(tài)，并證明該體系結構的一個特點是接受新的規(guī)則和成員函數(shù)的能力，在運行時不會對植物造成任何不良反應。此外，他們表明，該控制器具有穩(wěn)定的車輛懸架系統(tǒng)的能力。在 [ 21 ]提出了一種小波微分神經(jīng)網(wǎng)絡觀測器。使用其他實例模糊控制器的是 [22此外，它或它的一些變化涉及超過一半的控制器被用于工業(yè)中的控制器。由于巨大的技術進步，離散 數(shù)字計算機、微處理器、 。然而， 不同的變化規(guī)律，如：魯棒 糊 糊神經(jīng)網(wǎng)絡 線性 制，小波 制和模糊小波網(wǎng)絡的 然所有 一般的操作模式是一樣的，這是基于起作用的比例、積分和微分形式的誤差信號 e（ t） [ 5 ]，定義為參考信號 t）之間的差異和植物的輸出信號 y（ t），以這種方式產(chǎn)生的。控 制信號 u（ t），該控制信號操縱用期望的方式來實現(xiàn)植物的輸出，它是描述由方程（ 1）。 )()()()(*)(0 t ??? ? （ 1） 在 制器的增益。存在最后調(diào)整這些增益 [ 5 ]的分析和試驗技術，當植物的數(shù)學模型在某些情況下，進行的控制是未知的，建立這些增益是非常復雜的。因為這個問題， 如，為解決這一問題，提出的替代方案是自動調(diào)整 益在線 [6在這些作品中 ，他們近似植物的未知的數(shù)學模型并建立自動 制器的增益，用于這一目的的控制器有變化，這種變化是由模糊邏輯引入自動建立 這項工作中，比較研究經(jīng)典的 制， 制和模糊小波網(wǎng)絡 控制非線性系統(tǒng)的性能。仿真結果表明，模糊 如倒立擺。 二、 制器 在本節(jié)中，我們簡要地描述 [6出了如圖 1 所示。該控制器有三個主要階段來操縱非線性輸出植物中所期望的方式。第一階段是植物識別，在這個階段中，植物的輸出由 級聯(lián) [ 9 ]一個 波器的神經(jīng)網(wǎng)絡估計，該濾波器采用持續(xù)信號 v（ k）， 波器的功能是過濾，有 “ 對鑒定過程的貢獻小的神經(jīng)元。在這個階段，它要求你輸入的植物 U（ K）；估計誤差e（ k）的值，估計誤差定義為植物的實際輸出之間的差異 e（ K）和植物估計 y（ K）。第二階段是離散 送控制信號 U（ K），這個信號是用來處理植物的輸出的。此外，它是必要的跟蹤誤差 ε （ K），它被定 義為參考信號 K）和植物的輸出 y（ k）。最后一個階段是在線自整定 益 I， Γ （ K）的參數(shù)是由 （ 2） 在 出了 Z（ k）是 作為 糊 你所期望的方式操縱裝置下輸出一個未知的非線性系統(tǒng)辨識數(shù)學模型和在線的離散 定增益 D。然而，在這種模糊邏輯控制器引入學習率的自動刷新 制器μ P，μ i，和μ d [ 10 ]。模糊 操作 個模糊小波網(wǎng)絡控制器和 圖 1 框圖 一個模糊邏輯控制器的第一部分是模糊化，這個組件將清晰的輸入為一組在區(qū)間[0， 1]的隸屬度值。存在不同類型的隸屬函數(shù)例如：三角形、梯形、指數(shù)等。 [10]采用三角形和梯形隸屬函數(shù)。使用的控制器呈現(xiàn)在 [10]，模糊邏輯的兩個輸入的考慮在內(nèi) 。第一個是跟蹤誤差ε（ K），第二是其派生的近似 ε 1（ k） =ε（ K） K - 1）。這些，我們得到一個模糊系統(tǒng)與兩輸入三輸出；輸出的每一個代表一種學習速率 μ P，μ i，和μ d，這種調(diào)查提出確定學習速率的范圍，在方程（ 3） [μ μ (3) 需要提及的是重要的學習速率的范圍通過試錯來確定，為了這個目的，一組數(shù)字必須進行模擬，觀察在閉環(huán)系統(tǒng)中的狀態(tài)。學習需要滿足的方程（ 4）。 (4) 為方便起見，μ P，μ 和 1之間，用下面的線性變換 （ 5 其中，，和是通過模糊調(diào)節(jié)系統(tǒng)的參數(shù)。將這些參數(shù)用于計算增益 的 其中 e（ k）定義為識別錯誤， ε （ k）是由下式給出的跟蹤誤差 和 是識別的一部分。由 6行。另外，自動地學習速率自適應，尋找試錯最好的參數(shù)初始值是可以避免的。為一個典型的模糊系統(tǒng)以其規(guī)范化的輸出，顯示在圖 2中，我們可以確定學習速率的范圍很容易。 圖 2 模糊系統(tǒng)表示。 其中 ε （ k）和 ε 1（ k）是跟蹤誤差及其衍生物分別逼近。在圖 3（ ，是與隸屬函數(shù)跟蹤誤差 ε （ k）及其衍生物近似 ε1 （ k）的顯示。 （ a） （ b） 在圖 3 隸屬函數(shù)ε（ k）和ε 1（ k），其中， K）陰性， k）為零， k）陽性， （ k）陰性， 意味著ε 1（ k）零，和 （ k）陽性。 在這種情況下，使用的隸屬函數(shù)是三角形和梯形的形式，為簡單起見。在圖4中，這些為 4（ a）只表示為學習速率的比例增益 4（ b）只表示為學習速率 的 積分增益 后，圖 4（ c）只表示為學習速率的微分增益 （ a） （ b） （ c） 圖 4隸屬函數(shù) C），其中， 0意味著μ 'p，μ 'd 為 味著μ 'p，μ 'i 和μ 'd 小。 味著μ'p，μ 'p，μ '糊規(guī)則具有結構類型 換言之，該結構是： 其中 模糊集西斯規(guī)則與 i=1， 2， ...， M。將所得的模糊系統(tǒng)由 9規(guī)則形成被顯示于表一中。 表一 模糊規(guī)則 其中， N， [Z/ Z]， P， p， m， ，正，小，中，大。去模糊化使用的方法是重力（ 法的中心。 三、仿真設置 倒立擺車系統(tǒng)是在圓柱桿（鐘擺）周圍的固定點可自由擺動，它是說系統(tǒng)具有重要的機械限制，因為它只能在一個平面上移動。鐘擺被安裝在一個移動的（汽車）上，這一塊可以在水平面內(nèi)移動 [ 12 ]。倒立擺車如圖 6所示，可以觀察到，這一系統(tǒng)是分動，因為它只有一個致動器和兩自由度；位置 x，和角位置θ。該系統(tǒng)的變量和參數(shù) 的說明在表 2中，并從采取 [ 13 ]。 圖 5 倒立擺系統(tǒng) 表二 系統(tǒng)的變量和參數(shù) 對于空間狀態(tài)表示，下面的狀態(tài)變量是必要的： θ； ； (11) 其中， 是擺角位置。這種非線性系統(tǒng)可以表示成方程組系統(tǒng)的形式（ 8）： (12) 其中， x□ R 4， U□ R，和： (13) (14) 在本文中，這種表示是用于我們的所有模擬并執(zhí)行的比較分析控制器?？刂扑惴ú捎?真，為倒立擺車系統(tǒng)的數(shù)學模型。此外，用離散的 模擬了經(jīng)典的 們控制了系統(tǒng)使用的第二節(jié)中所描述的三個控制器，在相同的初始條件和仿真參數(shù)，如表三。 表格三 模擬條件 首字母學習速率 制器 μP = μi=d= 些值被以隨機的形式設置。最初通過自動調(diào)諧被選定為 d 值離散 塊的功能。我們選擇了這個功能，因為我們的目的是評估每個控制器有完全相同的增益的性能，簡單起見，用于選擇控制器的增益。 四 、仿真結果 已經(jīng)進行了不同的實驗，以評估三個控制器的性能。第一個實驗是對倒立擺小車的外部擾動進行控制，其主要目的是觀察在外部干擾下的控制器的響應。在第二個實驗中，引入一個噪聲信號，在這里我們可以觀察到外部擾動和噪聲下的控制器的響應。所有仿真，在 在這個實驗中， 度量級外部擾動在 15 秒后系統(tǒng)引入初始化 。在圖 7（ a）中，我們可以觀察控制器的跟蹤誤差。此外，在圖 7（ b）中，我們可以觀察到三個控制信號。本實驗的結果分析如表四所示，對于經(jīng)典的 a）中， b）和模糊小波網(wǎng)絡的 C）所示。 表四 第一個試驗結果分析 （ a） （ b） （ c） 圖 7 第一次實驗結果 在這個實驗 度量級外部擾動了 15 秒后，引入系統(tǒng)初始化，同時引入噪聲信號到控制器，觀察它的響應。在圖 8（ a）中，我們可以觀察到控制器的跟蹤誤差。以同樣的方式作為最后的實驗中，三個控制信號被顯示在圖 8（ b）中。本實驗結果的分析見表 5（ a）、 5（ b）和 5（ c）分別為經(jīng)典的 表五 所獲得的結果分析 （ a） （ b） （ c） 圖 8 第二個實驗結果 五、結論 這項工作的主要目的是比較 制器有效跟蹤非線性 統(tǒng)的參考信號，我們已經(jīng)考慮了三種不同的控 制器，經(jīng)典的 模糊及它們的性能控制倒立擺小車，都把注意力集中在三個主要的標準，植物響應，控制信號和跟蹤誤差。隨著收集的數(shù)據(jù)，我們可以得出這樣的結論：無論 模糊 經(jīng)典 有效。然而，即使們必須注意學習速率自調(diào)整模糊 要選擇最優(yōu)學習速率的 有證據(jù)表明 感謝 作者感謝來自墨西哥國家科學技術委員會資金，資助號 169062 和 204419以及 參考 文獻 [1] Y. Y. “of 144006 [2] J. A. F. K. . “in on 011. [3] V. T. S. . ID 2, 495004. [4] A. . M. . “ 010, 44. [5] K. . 2006. [6] C. J., L. . “ V 2009. [7] L. . “A 20010). 2010. [8] S. M. . “of 008. [9] H. S., 2001. [10] “an ac 11012), 2012. [11] “ID on 23, 5, 1392 1993. [12] F., R., of a : 0, 000. [13] J. A 3rd 1892, 3. [14] I. S. . P. “ G. T. . 1963, 271–350. [15] I., 20(9), 14392009. [16] Y. C., F. J., J. C., J. K., & K. C., 30(4), 2350015. [17] S. L., in ID , 18(5), 1001998. [18] G., A on of , 14(5), 6762006. [19] H., H., A of a of 21(3), 4472013 [20] s. ID 3, , 2012. [21] 30, , 2350015. [22] in ID 18, , 1001998. [23] G., A on of 14, , 676006. [24] H. H., A of a of 21, , 4472013.