本发明涉及一种基于模糊逆模型的网络化控制方法，通过求解模糊单点模型的逆系统，采用迭代的方式可得到未来的控制作用以补偿网络时延对控制系统性能的影响，属自动化控制
技术领域：
：。
背景技术：
：：网络技术的进步推动了控制理论的发展。在网络环境下，控制结构不再是传统意义上的点对点方式，而是一种分布式结构。这种结构下传感器、控制器及执行器会通过网络媒介形成闭环，组成网络化反馈控制系统。具有结构简单、成本低、易于维护等特点。但由于网络共享介质的特性，网络中不可避免地会存在时延，数据丢包等现象，这就为传统的控制理论提出了新的挑战。同时，实际应用中，一些被控过程的机理不清，难以直接建立机理数学模型，而现有的网络化控制方法，大多是基于模型的方法，迫切需要开发一些基于数据的控制方法。本发明应用模糊聚类建模技术，可直接根据被控对象的输入输出数据，建立系统的模糊聚类模型，再将系统转成模糊单点模型，通过迭代和求逆的方式得到一系列未来的控制作用，从而可以通过在过程端选择合适控制序列的方式补偿网络时延和数据丢包等对控制系统性能的影响。由于是基于数据的方法，因而，具有广泛的应用空间。技术实现要素：(一)要解决的技术问题针对上述现有技术存在的问题，本发明的主要目的在于提供一种基于模糊逆模型的网络化控制方法，以充分提高网络化控制系统的控制性能。(二)技术方案为达到上述目的，本发明的技术方案是这样实现的：基于模糊逆模型的网络化控制方法，该方法包括：a、根据被控过程的输入和输出，通过模糊聚类的建模方法获得系统的动态数学模型；b、将模糊聚类的数学模型转化成等价的模糊单点模型；c、根据过去的过程输出和过去的控制作用，以模糊单点模型为基础，通过迭代的方式可获得一系列未来的过程输出；d、判断模糊单点模型的逆系统是否存在，如存在则继续向下执行。如不存在，需要对模糊单点模型进行分割，返回到步骤b；e、根据给定值和未来的过程输出，通过求解模糊单点模型的逆系统，可得到一系列未来的控制作用；f、将这些控制作用打包通过网络由控制器端发送到过程端，在过程端通过网络时延补偿器选择合适的控制序列作用于被控过程以补偿前向网络通道的时延；g、在下一个执行周期，重复执行步骤e和f。作为优选，所述步骤a中的预测模型只需根据系统充分激励的输入输出数据即可获得，其中前件变量的隶属度由g-k算法获得，后件变量的参数由最小二乘法获得。作为优选，所述步骤b的模糊单点模型的前件变量采用分片三角隶属度函数，其划分要多于模糊聚类模型，后件的单点参数由最小二乘法获得，从而使模糊单点模型和模糊聚类模型等价。作为优选，所述步骤c多次迭代后容易造成误差累积，实际应用中需采用内模控制结构，增加反馈控制。作为优选，所述前向通道的时延是固定时延或者是随机时延。作为优选，取一个最大的允许时延，如果某个控制序列超过了该最大的允许时延，则可用该最大的允许时延下的控制序列进行计算。(三)有益效果从上述技术方案可以看出，本发明具有以下有益效果：1、利用本发明，采用模糊聚类的方法建模，可以适用于过程机理不清的场合，只要能提供充分激励的过程输入输出数据，就可以通过模糊建模的方式来获得预测模型。2、利用本发明，模糊单点模型本质上是一个非线性的模型，因而本发明的方法可以应用于可逆非线性系统的网络化控制中。3、利用本发明，在模糊单点模型的逆不存在时，可通过重新分割论域使其分段单调的方式获得逆模型，因而具有更广的应用前景。4、利用本发明，在过程端通过网络时延补偿器选择合适的控制序列作用于被控过程，可以补偿前向网络通道存在的时延。5、利用本发明，在控制器设计时，通过直接求取模糊单点模型的逆获得控制作用，具有程序简单，计算量小，便于工业应用。附图说明图1为本发明提供的一种基于模糊逆模型的网络化控制方法总体技术方案的实现流程图；图2为本发明提供的基于模糊逆模型的网络化控制方法控制结构示意图；图3为基于模糊逆模型的网络化控制方法的内模控制结构图；图4为具体实施例中模糊聚类建模获得的前件变量的隶属度函数图5为基于模糊逆模型的网络化控制方法与常规pid控制方法在前向网络通道存在10步随机时延的情况下控制效果对比图；具体实施方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。如图1、2、3所示，本发明提供一种基于模糊逆模型的网络化控制方法，该方法包括：a、根据被控过程的输入和输出，通过模糊聚类的建模方法获得系统的动态数学模型；b、将模糊聚类的数学模型转化成等价的模糊单点模型；c、根据过去的过程输出和过去的控制作用，以模糊单点模型为基础，通过迭代的方式可获得一系列未来的过程输出；d、判断模糊单点模型的逆系统是否存在，如存在则继续向下执行。如不存在，需要对模糊单点模型进行分割，返回到步骤b；e、根据给定值和未来的过程输出，通过求解模糊单点模型的逆系统，可得到一系列未来的控制作用；f、将这些控制作用打包通过网络由控制器端发送到过程端，在过程端通过网络时延补偿器选择合适的控制序列作用于被控过程以补偿前向网络通道的时延；g、在下一个执行周期，重复执行步骤e和f。作为优选，所述步骤a中的预测模型只需根据系统充分激励的输入输出数据即可获得，其中前件变量的隶属度由g-k算法获得，后件变量的参数由最小二乘法获得。作为优选，所述步骤b的模糊单点模型的前件变量采用分片三角隶属度函数，其划分要多于模糊聚类模型，后件的单点参数由最小二乘法获得，从而使模糊单点模型和模糊聚类模型等价。作为优选，所述步骤c多次迭代后容易造成误差累积，实际应用中需采用内模控制结构，增加反馈控制。作为优选，所述前向通道的时延是固定时延或者是随机时延。作为优选，取一个最大的允许时延，如果某个控制序列超过了该最大的允许时延，则可用该最大的允许时延下的控制序列进行计算。所述步骤a，假设数据集z包含被控过程的输入输出数据，y(k),y(k-1),…,y(k-ny+1)为系统的输出，u(k),u(k-1),…,u(k-nu+1)为系统的输入，为输出的模糊集，为输入的模糊集，则被控过程可以用t-s模糊结构模型表示：ri:如果y(k)属于ai1且y(k-1)属于ai2且…且y(k-ny+1)属于且u(k)属于bi1且u(k-1)属于bi2且…且u(k-nu+1)属于那么根据系统的输入和输出，采用模糊聚类建模技术建立被控过程的数学模型，包括：选择c个聚类，1＜c＜n(n为整数)，模糊化参数m＞1，收敛准则ε＞0，随机初始化分割矩阵。令l＝1,2,…，按以下步骤计算：s1)计算模糊聚类中心其中，v为模糊聚类中心，μ为隶属度函数，z为模糊化矩阵的观测值，k为整数，表示第i个模糊聚类中的第k个模糊子集，其他符号如前所示。s2)计算模糊聚类方差矩阵f其中，t代表矩阵或向量的转置，其他符号如前所示。s3)计算距离d的范数其中，ai为第i个聚类的范数矩阵，ρi为其约束值，det表示求解矩阵行列式的值，n为整数，其他符号如前所示。s4)更新分割矩阵如果对于1≤i≤c,1≤k≤n,则其他：如果和且重复上述步骤直到|u(l)-u(l-1)||＜ε，其中u代表隶属度函数矩阵,ε是收敛准则，其他符号如前所示。s5)用最小二乘方法辨识后件变量aij,bijs6)得到系统的输出y(k+1)所述步骤b包括：将步骤a中的模糊聚类模型转化成如下形式的模糊单点模型：ri:如果y(k)属于a′i1且y(k-1)属于a′i2且…且y(k-p+1)属于a′ip且u(k)属于b′i1且u(k-1)属于b′i2且…且u(k-q+1)属于b′iq那么y(k+1)＝ci(7)引入状态向量x(k)，使其包含p-1个过去的输出，q-1个过去的输入和当前的输出,即x(k)＝[y(k),…,y(k-p+1),u(k-1),…,u(k-q+1)]t,则x＝a1×…×ap×b2×…×bq.简化表示，用b代替b1,则模糊单点模型中的规则可表示为下式:如果x(k)属于x且u(k)属于b，那么y(k+1)属于c(8)设m为模糊集xi的个数，n为模糊集bj的个数，则一共有k＝m·n条规则，如表1所示表1:模糊单点模型规则库通过使用t-范数算子，前件规则的隶属度为模型的输出y(k+1)可以通过归一化隶属度βij平均加权后件cij得到所述步骤c包括：以所述步骤b中的模糊单点模型为基础，通过迭代的方式获得一系列未来的过程输出y(k+2),…,y(k+p+1)及y(k)。所述步骤d包括：根据如下的定理判断模糊单点模型的逆系统是否存在，如存在则继续向下执行步骤e。如不存在，需要对模糊单点模型进行分割，返回到步骤b。定理1：设bj＝core(bj)为bj的核，步骤b中所描述的模糊单点模型当且仅当下列条件满足时可逆。1)每个bj的核都是单点,且|bj|＝1,j＝1,2,…,n,并且2)b1<b2<…<bn→ci1<ci2<…<cin,或b1<b2<…<bn→ci1>ci2>…>cin,i＝1,2,…,m所述步骤e包括：基于规则的模型(8)相当于下面的回归模型y(k+1)＝f(x(k),u(k))(11)模型的输入是当前的状态x(k)＝[y(k),…,y(k-p+1),u(k-1),…,u(k-q+1)]t和当前的输入u(k)，输出是过程的一步预测值y(k+1)。控制算法的目的是计算控制输入u(k)，以使得在下一个采样时刻的系统输出等于期望的输出r(k+1)。如果已知当前状态x(k)和参考值r(k+1)，则可以通过模型求逆来完成该操作，控制输入由下式给出：u(k)＝f-1(x(k),r(k+1))(12)一般来说，很难找到逆模型f-1。然而，利用单体模型结构，可以将多变量映射(11)简化为每个特定状态x(k)的单变量映射，y(k+1)＝fx(u(k))(13)因此，如果模型可逆，则可以容易地找到逆映射于是可根据下面的定理和步骤获得一系列未来的控制作用。定理2：假设被控过程可以用如步骤b中可逆的模糊单点模型表示，任取x,满足任取u,满足对于给定的状态x(k)，基于该单点模型的逆的控制律由以下规则给出：如果r(k+1)属于cj(k)，那么u(k)属于bj,j＝1,2,…,n(14)其中，cj:y→[01]，是由三角隶属度函数表示的模糊集。其中，核cj由式(16)得到且c1≤c2≤…≤cn，模糊集bj也按顺序排列。则其中，bj为bj的核。于是可按下列步骤对模糊单点模型求逆。步骤1：测量或估计当前的系统状态。对于输入输出模型，这意味着根据输出y(k)更新状态x(k)，参见式(8)。第2步：计算核cj，第3步：检查可逆性。如果检测到非单调，则将规则库(14)划分为仅包含单调规则的两个或更多规则库。第4步：使用公式(15)计算隶属度函数。如果由步骤3产生多个规则库，则为每个规则库构建单独的隶属度函数。步骤5：使用公式(17)计算控制作用u(k)。如果由步骤3产生多个规则库，则需要为每个规则库计算控制作用，并且根据附加标准进行选择。由公式(12)所示则u(k+1),u(k+2),…,u(k+p)可通过迭代的方式得到，即：事实上，单点模糊模型不能完全描述实际控制过程的动态变化。由于过程模型失配，干扰或噪声，模型与过程之间的差异是不可避免的，这将导致在开环控制中产生稳态误差。幸运的是，可以通过内模控制策略进行补偿。所述步骤e包括：假设前向信道的延迟不大于控制时域。由于互联网的“包传输”特性，在采样时刻k将一系列未来的控制作用u(k),u(k+1),…,u(k+p)打包在一起从控制器端发送到过程端。在过程端，可以从最新的控制序列中选择合适的控制作用以补偿网络的时延。例如，过程端获得的最新控制序列是则选择的控制信号将会是u(k)＝u(k|k-t)(20)本发明的核心思想是：1)采用模糊聚类建模技术建立被控对象的t-s模糊模型；2)将模糊聚类模型转化成等价的可逆模糊单点模型；3)以模糊单点模型为基础通过迭代的方式获得一系列未来的过程输出；4)根据过程输出和未来的给定值，通过求逆的方式获得一系列未来的控制作用，将控制作用打包，由控制器端通过网络发送到过程端；5)在过程端通过选择合适的控制序列可以补偿前向通道的网络时延。实现对被控过程的网络化控制；6)实际应用中为减少误差，需采用内模控制结构。下面以伺服电机控制系统为例阐述具体的实施方式。该系统由直流电机、转盘和角度传感器组成，控制目标是通过电机驱动转盘到一个给定的角度。通过最小二乘法可以得到该系统控制输入(电压)和角度位置(度)之间的离散模型，采样时间为0.04秒。被控过程和控制器放于不同的物理位置，分别称为过程端和控制端，两者通过网络组成闭环结构，如图2所示。在前向通道有10步随机时延，反向通道无时延。选择幅度为0.4，频率为0.06π，0.012π，0.03π弧度/秒的三个正弦叠加信号作为激励源以生成用于模糊聚类建模的数据集。将数据分成两半。一半用于模糊聚类建模，另一半用于验证。选取簇的数目c＝3，模糊化参数m＝2，终止条件为0.01。通过模糊聚类算法可获得前件变量y(k)和u(k)的隶属函数如图4所示。然后，可设计模糊单点模型中前件变量的分段三角隶属函数：然后，可用最小二乘法获得模糊单点模型的后件参数，如表2所示。table2:实施例中模糊单点模型规则库由可逆性条件可知，所建立的模糊单点模型可逆。因此，按照前述步骤即可获得控制作用。为了验证控制效果，将本发明方法与常规的pid控制效果进行比较(pid控制器的参数为p＝0.01，i＝0.001，d＝0.008)，图5为实施例中两种控制方法的控制效果比较，从中可以看出，本发明的控制方法具有非常好的控制效果。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12