论文部分内容阅读
倒立摆作为复杂的非线性系统,在对其进行控制前,首先要建立精确的倒立摆模型。传统的倒立摆建模时采用数学方法来建立,这种方法是忽略次要因素后经过线性化建立的线性模型,为达到更好的控制效果,需要建立更为精确的非线性模型,本文提出采用RBF-ARX(Radial Basis Function-AutoRegressive eXogenous)方案,基于数据建立三级倒立摆的非线性模型,并在此基础上建立三级倒立摆的控制系统,分别采用基于云遗传算法(Cloud Genetic Algorithm,CGA)优化的T-S模糊神经网络和传统遗传算法(Genetic Algorithm,GA)优化的T-S云推理神经网络作为控制器,仿真实现了三级倒立摆的稳摆控制。首先,对于RBF-ARX模型进行了深入研究,发现其原有的优化方法SNPOM在优化过程中,计算复杂,运算缓慢,在工程领域应用上难以推广,提出遗传算法(Genetic Algorithm,GA)代替SNPOM对模型参数进行优化,建立GA-RBF-ARX三级倒立摆非线性模型,在简化优化过程的基础上,也建立了更精确的非线性模型便于控制。其次,基于GA-RBF-ARX建立的三级倒立摆非线性模型,设计了T-S模糊神经网络控制系统,并针对GA本身收敛慢、易陷入局部收敛的不足,提出将CGA引入控制系统,优化T-S模糊神经网络控制器。CGA是一种将云模型与GA相结合的优化算法,综合了两者的优势,收敛速度与优化结果方面都优于传统遗传算法。经仿真验证,基于CGA优化的T-S模糊神经网络三级倒立摆控制系统具有很好的控制效果。最后,在T-S模糊神经网络的基础上,深入研究云理论,将云模型与T-S模糊神经网络相结合,设计了三级倒立摆的T-S云推理控制器,建立基于GA优化的T-S云推理神经网络三级倒立摆控制系统。经过仿真验证,结果表明该方法,兼备模糊神经网络与云模型的优势,增加了网络处理不确定性问题的能力,为复杂系统的控制问题提供了新的思路。