Transcript کنترل فازی
به نام حضرت
دوست
استاد :
دکتر توحید خواه
ارائه:
وحید ابوئی
زمستان 88
1
قسمت
اول
2
کنترل فازی
استفاده از منطق فازی و سیستم های فازی برای کنترل سیستم های مختلف،
باعث ایجاد و گسترش راه کار هائی جدید در جهت بهینه تر کردن فرآیند های
کنترلی شده است .این گفته می تواند با در نظر گرفتن عملکرد سیستم های فازی
و همچنین توانائی آن ها در ایجاد سیستم های غیر خطی به خوبی اثبات شود.
این سیستم ها همچنین دارای معایبی نیز می باشند ،بدین صورت که این سیستم
های کنترلی دارای محدودیت هایی از جهت آنالیز میباشند که از پیچیدگی بیان
ریاض ی غیر خطی آن ها نشئت میگیرد.
3
کنترلر های فازی میتوانند به طرق مختلفی ساخته شوند که تفاوت اصلی همهی
آن ها در وابستگی به مدل سیستم و عدم وابستگی به آن میباشد .بر همین مبنا
کنترلر های فازی بر دو نوعند،
نوع اول برمبنای مدل
و
نوع دوم مستقل از مدل.
4
کنترلر بر مبنای مدل
می بایست دینامیک کل سیستم به خوبی مشخص باشد
کنترلر مستقل از مدل
احتیاجی به دانستن دینامیک سیستم تحت بررس ی نیست.
البته نمی توان گفت که مستقل مستقل از مدل چرا که در طراحی این کنترلر ها نیز
میبایست اطالعاتی از ورودی و خروجی سیستم موجود باشد که این اطالعات از آزمایش
و یا این که از تجربهی متخصصین آشنا به سیستم به دست میآید.
5
کنترلر های فازی مستقل از مدل
طراحی صحیح و خطای ذهنی
طراحی کنترلر های فازی به مانندPID
6
طراحی صحیح و خطای ذهنی
این روش احتمال اولین تکنیکی است که در طراحی سیستم های فازی مورد
استفاده قرار گرفته است .در این روش از اطالعات متخصص ی که سیستم را به
صورت دستی کنترل می کرده استفاده میشود بدین صورت که از اطالعات وی
که به صورت تجربی حاصل شده است قواعد فازی کنترلر نوشته میشود.
7
به صورت کلی در این نوع کنترلر ها در طراحی کنترلر اتوماتیک مورد استفاده قرار
نمیگیرند و تنها به عنوان یک کنترلر کمکی برای اپراتور عمل می کنند .موفقیت
طراحی این کنترلر ها در موارد متعددی گزارش شده است از جمله کنترل خشک
کردن سیمان ،مراحل راه اندازی دیگ بخار آب ،تولید پودر رخت شوئی،
سوزاندن زباله ها و گندزدائی آب.
8
طراحی کنترلر های فازی به
مانندPID
در طراحی این کنترلر ها از آزمایشاتی استفاده میشود که در تنظیم پارامتر های
PIDنیز مورد استفاده قرار میگیرد .همانطور که کنترلر های PIDمستقل از
مدل میباشند یا اینکه برمبنای مدل ساده ای به مانند پاسخ پلهی سیستم
طراحی می شوند ،این کنترلر ها نیز بدین گونه میباشند .بدیهی است که بتوانیم
معادل با یک کنترلر PIDبا محدودیت ورودی و خروجی ،یک کنترلر فازی طراحی
بنمائیم.
9
روش طراحی کنترلر فازی به صورت
PIDبدین صورت میباشد که:
-1در ابتدا میبایست یک کنترلر PIDبر مبنای روش های ابتدائی به مانند زیگلر
نیکلز طراحی کنیم.
-2یک کنترلر فازی برابر با PIDطراحی شده ایجاد کنیم.
-3حال تنظیم بیشتر کنترلر فازی را بر اساس آنچه رویت میشود انجام میدهیم.
10
دو نمونه از کنترلر های فازی
11
یک کنترلر فازی
PID
می بایست یک فازی کنترلر با سه ورودی خطا و تغییرات خطا و انتگرال خطا
طراحی کنیم که در این صورت تعداد قواعد فازی به شدت زیاد می شود که برای
رفع این مشکل آن را به دو بخش PDو Iتقسیم میکنند
12
خالصه:
کنترلر فازی می تواند دقیقا به صورت کپی از کنترلر PIDطراحی شود .به عبارت
دیگر کنترلر فازی یک کنترلر PIDاست که ضرایبش در نقاط کار متفاوت تغییر
میکند و این تغییر به گونه ای است که خروجی آن در مواردی که سیستم غیر
خطی نیز می باشد به صورت نرم تغییر می کند.
13
کنترل فازی بر مبنای مدل
استفاده از روش تطبیقی
استفاده از سنتز مستقیم
زمان بندی گین فازی
Fuzzy Gain Scheduling
14
استفاده از روش تطبیقی
یادگیری معکوس:
اساس طراحی این کنترلر بر مبنای تولید یک مدل معکوس میباشد بدین صورت که در این
ببرد.
حالت کنترلر می بایست با اعمال ورودی به سیستم آن را از حالت به حالت
برای xk
استفاده از این nروxkd
ش فرض بر این است که حالت سیستم قابل اندازه گیری میباشد و
در ضمن دینامیک سیستم نیز میبایست گسسته باشد یا اینکه حداقل نمونه برداری شده
و با تابع زیر قابل بیان باشد.
15
حالت سیستم و ور
ودی uسیستم
که در این حالت Kبیانگر زمان گسسته،
xk
k
میباشد .حالت سیستم در زمان K+Nبا رابطهی زیر بیان میشود.
16
که در این رابطه ،Uبرداری با توالی ورودیها میباشد .با این بیان و فرض معکوس
پذیری Fیک نقشهی معکوس سیستم به صورت زیر میباشد.
که در این حالت Gمی تواند با ایجاد بردار توالی ورودی های ، Uحالت سیستم
در Nگام جلوتر منتقل کند.
را از به
xk n xk
17
می شود.
سیستم فازی استفاده ˆG
در راستای ایجادتابع معکوس از G
که به عنوان
که این سیستم فازی با دراختیار داشتن حالت مورد نظر
برxk
دار Uرا
مرجع نیز به حساب میآید و با در نظر گرفتن حالت فعلی سیستم n
برود.
به گونه ای ایجاد می کند که سیستم از حالت به حالت
xk
18
xk n
استفاده از روش تطبیقی
کنترل فازی تطبیقی مستقیم یا یادگیری ویژه:
در این حالت ایجاد کنترلر فازی به صورت آنالین اتفاق می افتد به عبارتی دیگر به صورت
همزمان با عملکرد سیستم ،کنترلر فازی به گونه ای اطالح می شود که فرآیند کنترلی به
صورت بهینه پیش رود.
19
20
بدیهی است که در این حالت برای حل معادله و یافتن بهینه می بایست با
استفاده از روش های عددی اقدام نمود.
21
خالصه:
استفاده از روش کنترل فازی تطبیقی مستقیم این امکان را فراهم می آورد تا
بتوانیم یک کنترلر بهینهی فازی طراحی کنیم .البته ذکر این نکته نیز خالی از لطف
نمیباشد که در این حالت نیازمند مدلی از سیستم هستیم که دینامیک های مدل
را به خوبی نشان دهد.
22
استفاده از سنتز مستقیم
خطی ساز فیدبکی:
این روش برای سیستم های غیر خطی از درجه ی nکه به فرم زیر میباشند
کاربرد دارد.
23
این سیستم ها به سیستم های غیر خطی زوجی معروفند .یکی از ویژگی های جالب
این دسته از سیستم های غیر خطی این است که اطالعات توابع fو gمی تواند
به صورت مستقیم در ایجاد سیگنال کنترلی uبه کار رود .بنابر این با این وجود
غیر خطی بودن از بین میرود و کنترلر را میتوانیم به کمک روشهای خطی طراحی
کنیم.
24
25
قانون کنترل در این حالت به صورت زیر میباشد.
در این حالت خطای ورودی به سیستم کنترلی برابر خواهد بود با:
از طرفی بردار خطاهای حالت به صورت زیر بیان میشوند.
و بردار kدینامیک های خطا را نشان میدهد.
بر مبنای فرمول قانون کنترل و نیز رابطهی سیستم خواهیم داشت:
از طرفی دینامیک های خطا به صورت زیر خواهد بود.
26
از این معادله چنین اثبات میشود که دینامیک های سیستم حلقه بسته از عناصر بردار
را
Kحاصل میشود .لذا انتخاب مناسبی از عناصر kپایداری و همگرائی به
تضمین می y
کندyref .
در عمل مدل فازی برای بیان توابع fو gبه کار میروند
به صورت اختصار روند طراحی کنترلر در زیر آورده شده است.
-1 طراحی یک مدل فازی اولیه برای سیستم به عبارتی طراحی همان fو gبه کمک روش های شناسائی
سیستم.
-2 طراحی بردار Kبر مبنای رفتار مورد نیاز.
و ایجادشده.
-3 به روز کردن قواعد فازی و یا گین ها بر مبنای
g
27
`f
مزیت اصلی استفاده از این روش طراحی کنترلر این است که می توانیم به صورت
مستقیم و بر مبنای مدل سیستم ورفتار خطی مورد نظر ،آن را طراحی کنیم.
عیب اصلی این سیستم ها این است که تنها برای یک سری محدود از سیستم ها
قابل استفاده اند از طرفی به گونه ای نیستند که اثر اغتشاش را خنثی کنند.
28
استفاده از سنتز مستقیم
کنترل فازی متحرک
Sliding Mode Fuzzy Control
این روش کنترل بسیار به روش کنترلی خطی سازی فیدبکی شبیه است با این تفاوت که
درآن فرایند آنالیز اغتشاش نیز وجود دارد و همین امر سبب شده است که این روش
واقعی تر باشد .هدف در این روش این است که سیستم را به گونه ای مجبور کنیم که
شبیه به یک سیستم خطی با دینامیکی که اصطالحا سطح متحرک نامیده میشود رفتار
کند.
این روش کنترلی برای سیستم های به شکل زیر مورد استفاده قرار میگیرد.
29
به طور خالصه می توان گفت که سیستم های فازی در این روش کنترلی به دو
منظور استفاده میشوند .یکی به عنوان تخمین زنندهی مدل سیستم به مانند
آنچه در کنترلر قبلی مورد استفاده قرار گرفت و دیگری به عنوان تابع که بردار
K fuzz
سطح متحرک بماند.
خطا را مجبور میکند تا در
30
زمان بندی گین فازی
زمان بندی گین به صورت گسترده در صنعت مورد استفاده قرار میگیرد به عنوان مثال
کنترل هواپیما .مزیت اصلی این روش این است که ما به کمک روش های خطی می
توانیم کنترلر هائی را برای سیستمهای غیر خطی به کمک خطی سازی در اطراف نقاط
کار مختلف ایجاد نمائیم .در این راستا چندین کنترل خطی طراحی شده و بر اساس
نقطهی کار سیستم به آن متصل میشود به عبارتی هر کدام در یک نقطه کار مشخص
فعال میشود.
31
عیب اصلی این روش پرش از یک نقطه کار به نقطه کار دیگر است که این مشکل
به کمک سیستمهای فازی قابل حل خواهد بود چرا که این سیستم ها قابلیت
شناسائی نقطه کار و همچنین برقراری ارتباط نرم بین نقاط کار مختلف را دارند.
به وضوح به اثبات رسیده است که کنترلر های فازی کنترل کننده های زمان بندی
گین نرم میباشند .برای رسیدن به مزیت این روش میبایست مدل سیستم به
صورت سیستم فازی Takagi-Sugenoآن هم با قواعد به فرم زیر بیان
شده باشد.
32
مثالی از کنترل یک هلیکوپتر
آزمایشگاهی:
کنترل در شرایط بدون اغتشاش:
Fuzzy
33
PID
کنترل در شرایط با اغتشاش:
Fuzzy
PID
همانطور که مشاهده میشود کنترل فازی خیلی بهتر از PIDجواب می دهد هم در نوع پاسخ و هم در
حالت وجود اغتشاش در سیستم.
34
قسمت
دوم
کنترلرپیش بین مبتنی بر مدل فازی
35
کنترل پیش بین
روش کنترل پیش بین بر پایه ی پیش بینی افق محدود در آینده و اصالح
ورودی به کنترلر بر مبنای همین پیش بینی کار می کند.الگوریتمی که می توان
برای آن عنوان نمود به صورت زیر می باشد.
-1نمونه برداری از خروجی سیستم
-2استفاده از مدل سیستم برای پیش بینی رفتار آینده ی سیستم در یک افق معین
36
-3محاسبه ی بهینه ترین توالی کنترلی
که بتواند رابطه ی زیر را کمینه کند.
37
که در آن ) J(.را تابع هزینه مینامند و اگر آن از درجه 2باشد به شکل زیر
خواهد بود.
که در آن ) x(kبیانگر حالت های سیستم و ) u(kبیانگر ورودی به سیستم و
) y(kبیانگر خروجی سیستم میباشد .تابع ) f(.,.و) g(.,.بیان کنندهی
دینامیک مدل سیستم اند و ) w(kنیز نشان دهندهی سیگنال مرجع میباشد.
) δu(t) = u(t) − u(t − 1و Qیک ماتریس معین مثبت و Rو Sنیزیک
ماتریس مثبت نیمه معین میباشد.
38
-4اعمال ورودی ) u(kبه سیستم و تکرار پروسهی قبل در زمان نمونه برداری
بعدی
39
مشکل اصلی موجود در مرحلهی 3از الگوریتم این است که فرآیند بهینه سازی
پیچیده میباشد .این مشکل هنگامی که محدودیتی بر روی ورودی و خروجی وجود
نداشته باشد و از طرفی مدل سیستم خطی باشد بسیار آسان میشود.
به صورت معمول و در پدیده های موجود ،هم سیستم غیر خطی است و هم بر
روی ورودی و خروجی محدودیت داریم.
40
کنترلرپیش بین مبتنی بر مدل فازی برای اولین بار توسط آقای یاسونوبا پیشنهاد
شد آن هم به عنوان سیستم کنترلی قطار شهری سندای .
دیگر فعالیت های علمی در این زمینه شامل مقالت کنفرانس ی و تز های دکتری
میشود.
41
آنالیز ارائه شده در این فصل بر این فرض استوار است که مدل سیستم که در
فرآیند بهینه سازی مورد استفاده قرار میگیرد و به وسیلهی توابع غیر خطی
) f(.,.و) g(.,.بیان میشود به صورت فازی بیان شده است.
42
کنترل پیش بین غیر خطی بدون
محدودیت
در حالت کلی مسئله به صورت زیر بیان میشود
که در نمونهی کنونی مدل سیستم به کمک توابع ) f(.,.و) g(.,.بیان میشود
که این توابع به کمک یک مدل فازی بیان شده اند.
43
یک پیشنهاد دیگر برای مدل سیستم
که در آن تابع) f(.یک مدل فازی است و مدل نویز به وسیله ی رابطه ی زیر بیان
می شود
1
1 z
این انتخاب مدل نویز خطای حالت ماندگار صفر را برای اغتشاش پله و ورودی
ثابت تضمین میکند
44
یک تخمین از پیش بینی خروجی به وسیلهی رابطه ی زیر بیان خواهد شد
که در آن ) yforced(t+k|tتنها به افزایش ورودی در آینده و ) yfree(t+k|tتنها
به گذشته ی ورودی و خروجی بستگی دارد.
45
در این نمونه yfreeبه وسیله ی رابطه ی زیر بیان میشود.
که در آن ) u(t) = u(t + 1) = . . . = u(t + k − 1) = u(t − 1و
) n(t + k|tبرای مقادیر k > 1برابر صفر خواهد بود.
46
yforced پیش بینی شده به وسیلهی رابطهی زیر بیان خواهد شد که درآن gi
هاضرایب پاسخ پله ی سیستم میباشند که در نقطهی کاری فعلی به وسیله ی
شبیه سازی پاسخ پله روی مدل بدست میآیند.
47
نکته ی قابل توجه این است که معادله ی بیان شده به صورت یک رابطه ی
خطی نیست چرا که عبارت yfreeبه وسیله ی شبیه سازی به وسیله ی مدل غیر
خطی حاصل میشود و نیز ضرایب giبه نقطهی کار فعلی سیستم و اندازه ی
سیگنال ورودی وابسته اند.
یک روند بسیار مناسب برای آنالیز این مسائل که حل آنها را نیز آسان میکند
استفاده از روش بهینه سازی به فرم ماتریس ی می باشد.
48
49
که در آن بردار رفرانس به صورت زیر خواهد بود.
و تابع هزینه به صورت زیر بیان میشود.
50
51
روابط ماتریس ی ارائه شده در این بخش با روابط ارائه شده در GPCیکسان
میباشد .به هر حال در روابط GPCعناصر شرکت کننده در محاسبهی
فرمولها از یک مدل خطی بدست آمدهاند اما در این مورد عناصر معرفی شده
در فرمول ها به وسیله ی مدل غیر خطی فازی حاصل شده اند.
52
فرمول پیچیده تر از این موردی که بیان شد می تواند به صورت زیر بیان شود
که درآن عناصر متغییر با زمان میباشند.
در این حالت در هر نمونه زمانی بردار های ) G(t),Yfree(t),W(tمجددا باز
سازی میشوند و بردار ) Yfree(tبه وسیلهی شبیه سازی مدل فازی با ورودی
) u(tدر همان زمان و بردار ) G(tنیز در هر نمونهی زمانی به وسیلهی فرمولی
که دراسالید توضیح داده خواهد شد تولید میشود
53
که در آن ) du(tبیانگر اندازه پله و دیگر روابط به شرح ذیل میباشند.
54
کنترل پیش بین غیر خطی با
محدودیت
در نظر گرفتن محدودیت در روش کنترل پیش بین بسیار حائز اهمیت میباشد چرا
که در بسیاری از موارد مجبور به لحاظ کردن این محدودیت ها میباشیم .این
محدودیت ها بر روی ورودی و خروجی و نیز تغییرات آنها لحاظ میشود.
کنترل پیش بین غیر خطی با محدودیت مسئله ای است در راستای پیدا کردن
ورودی های بهینه برای انتقال دینامیک سیستم از حالتی به حالت مورد نظر ،با
در نظر گرفتن محدودیت بر روی ورودی و خروجی .در این راستا میبایست از مدلی
برای پیش بینی آینده استفاده شود که در اینجا این مدل یک مدل فازی است.
55
راه حل این مسئله به صورت محاسباتی بسیار هزینه بر است چرا که آن یک
مسئلهی مرتبه ی دو و غیر خطی با محدودیت است.
راه حل اصلی آن بسیار پیچیده و به صورت آنی و همزمان با فرآیند قابل انجام
نیست.
56
طراحی یک کنترلر پیش بین به محدودیت های پیش بین گر بستگی دارد.
محدودیت های پیش بین گر در بیان فضای حالت میتواند در شکل زیر بیان شود.
میباشد).
(خطی سازی سیستم برای نقاط تراژکتوری
* x * ,u
57
58
با استفاده از این ساده سازی پیش بینی حالت و خروجی در nگام جلوتر با در
اختیار داشتن بردار ورودی های به صورت زیر خواهد بود.
59
در ماتریس بیان شده پیش بینی می تواند به صورت زیر نشان داده شود.
60
هنگامی که پیش بینی کننده با یک توالی ورودی و افق پیش بینی ساخته شود
ماتریس های پیش بین گر به صورت زیر تغییر میکنند.
61
62
به محض ی که به این بیان خطی محلی رسیدیم مسئلهی بهینه سازی میتواند به
صورت برنامهی درجه 2حل شود .در حقیقت ،اآلن مسئله به صورت یک
مسئلهی کنترل پیش بین خطی با محدودیت در آمده است.
63
که در آن:
که در واقع مینیمم هزینه مرتبط با رفرانس و پاسخ آزاد سیستم است و نمی تواند
به وسیلهی ورودی اصالح شود.
64
اعمال محدودیت ها
65
خالصه:
مسئله ی کنترل پیش بین غیر خطی با محدودیت ،به صورت یک مسئلهی بهینه
سازی غیر خطی از درجه 2درآمد .به وسیلهی خطی سازی محلی مسئله تا حدودی
ساده تر می شود و به وسیله ی یک برنامهی مرتبهی 2قابل حل خواهد بود.
نتیجه اینکه ،این یک راه حل کنترل پیش بین محدود خطی خواهد بود.
66
قسمت
سوم
کنترلرپیش بین غیر خطی روباست مبتنی بر مدل فازی
67
in the previous chapter. Relaxations to the problem and its
reduction to a quadratic program were the strategies
applied to obtain a solution. This solution is very close to
the real “optimal” solution but it demands a very accurate
description of the nonlinear plant to guarantee such a
performance.
68
An accurate description of the plant is not always an
achievable goal. The limitations are (1) the impossibility
of performing extensive experiments on the plant and (2)
the fact that the aging process of the plant generates a
mismatch with respect to the model.
For stability and performance reasons, it is very important
to take into account this mismatch during the optimization
process.
69
The solution of the robust quadratic program is obtained
by transforming the program into a second–order cone
program
the uncertainties are extended to the linear term of the cost
function and the problem is once more reformulated as a
second-order cone program
70
Robust Quadratic Programming
Robust programming is a class of optimization problems
where the parameters such as coefficients of cost functions
and/or constraints are uncertain and prescribed into a
defined set.
Lobo show that a robust quadratic program can be
written as a second-order cone program (SOCP)
71
The problem of robust quadratic programming can be reduced
to a second-dorder cone program, which can be solved very
efficiently using interior point optimization algorithms.
The objective is to minimize the cost function where x is the
optimization variable, P is a symmetric positive definite matrix
also known as the Hessian matrix, the vector q is also known
as the linear term of the cost function and the scalar value r.
72
Problem Description
The formulation of the robust nonlinear predictive control
problem is expressed in the following lines as
73
The minimization searches for a sequence of inputs (u(k +
1), u(k + 2), . . . , u(k + Nc)) subject to constraints such as
the plant dynamics described by f(...) and g(...) and input
constraints related with saturation and slew rate. The
parameter ||δ|| ≤ ρ represents a bounded uncertainty in the
plant dynamics. For the present case the dynamics of the
plant [f(...) and g(...)] will be represented using dynamic
fuzzy models, in a state-space form or in an input–output
form.
74
This optimization problem is a very complex problem of
robust nonlinear programming (RNLP), and with the
actual computational resources it is impossible to
guarantee that a solution is found in a prescribed number
of steps.
75
Nominal Solution
||δ|| = 0
76
77
Formulation of the Predictive Control Problem as a
robust quadratic program
For the current formulation the uncertainty will be
restricted to the forced response term (Λ + δΛ)U.
78
Using this description, we can give the P matrix for the
RQP by
79
Summary:
Using the concept of “pseudo-linearization” the problem
of robust nonlinear predictive control can be reduced to a
problem of robust quadratic programming.
80
Uncertainty Description in Fuzzy Models
81
82
با تشکر از
توجه شما
83