پروژه متلب مدل فازی کنترل پیش‌بین فرآیندهای غیر خطی با استفاده از الگوریتم ژنتیک

پروژه متلب مدل فازی کنترل پیش‌بین فرآیندهای غیر خطی با استفاده از الگوریتم ژنتیک

شبیه سازی فازی کنترل پیش‌بین فرآیندهای غیر خطی با استفاده از الگوریتم ژنتیک با متلب | MATLAB

چکیده

این مقاله یک تکنیک کنترل فازی جدید را معرفی می‌کند که متعلق به خانواده محبوب الگوریتم های کنترلی بنام کنترل‌کننده پیشگویانه مدل است. این روش بر پایه یک مدل گنگ پویا از فرآیند کنترل است که برای پیش‌بینی رفتار آینده متغیرهای خروجی مورد استفاده قرار می‌گیرد. سپس یک مساله بهینه‌سازی غیر خطی فرمول‌بندی می‌شود که تفاوت بین پیش‌بینی‌های مدل و خط سیر مورد نظر در افق پیش‌بینی و انرژی کنترل بر یک افق کنترل کوتاه‌تر را به حداقل می‌رساند. این مساله با استفاده از الگوریتم ژنتیک طراحی شده‌است که دارای مزایایی نسبت به روش‌های بهینه‌سازی غیرخطی غیر خطی است. این روش می‌تواند با هر نوع مدل گنگ استفاده شود و به ویژه زمانی مفید است که یک کنترل‌کننده فازی مستقیم به علت پیچیدگی فرآیند و دشواری در توسعه قواعد کنترل فازی طراحی شود. این روش از طریق کاربرد برای یک رآکتور تک خروجی تک ورودی تک ورودی نشان‌داده شده‌است، که در آن مدل تاکاگی – سوگنو به عنوان پیش‌بینی‌کننده رفتار آینده فرآیند عمل می‌کند.

در این مقاله یک روش برای کنترل سیستم ها غیر خطی بر اساس تئوری کنترل پیش بین ارائه شده است. در این مقاله از یک سیستم فازی برای شناسایی مدل یا پلانت مورد نظر استفاده شده است. برای بدست آوردن بهترین سیگنال کنترلی اعمالی به سیستم از الگوریتم ژنتیک استفاده شده است. در این مقاله کنترلر پیش بین با استفاده از الگوریتم ژنتیک بهترین سیگنالی را که می توان به مدل فازی اعمال کرد تا خطا حداقل گردد را به صورت آنلاین محاسبه و سپس به سیستم اصلی اعمال می کند. به طور کلی این پروژه شامل چندین قسمت می باشد که هریک جداگانه آورده شده است

مرحله اول- شناسایی  و مدل سازی سیستم تحت کنترل: برای این کار ابتدا ۵۰۰ داده تست و ۵۰۰ داده آموزش تولید شده و تعداد قوانین فازی ۲۲ در نظر گرفته شده است. سپس  همانطور که در مقاله گفته شده است با استفاده از الگوریتم حداقل مربعات خطا، ضرایب قسمت تالی سیستم فازی تاکاگی- سوگنو (H ) را بدست می آوریم که برای اینکار از دستور lsqlin در متلب استفاده می شود. (ادامه دارد…)

Fuzzy model predictive control of non-linear processes using genetic algorithms

Abstract

This paper introduces a new fuzzy control technique, which belongs to the popular family of control algorithms, called Model Predictive Controllers. The method is based on a dynamic fuzzy model of the process to be controlled, which is used for predicting the future behavior of the output variables. A non-linear optimization problem is then formulated, which minimizes the difference between the model predictions and the desired trajectory over the prediction horizon and the control energy over a shorter control horizon. The problem is solved on line using a specially designed genetic algorithm, which has a number of advantages over conventional non-linear optimization techniques. The method can be used with any type of fuzzy model and is particularly useful when a direct fuzzy controller cannot be designed due to the complexity of the process and the difficulty in developing fuzzy control rules. The method is illustrated via the application to a non-linear single-input single-output reactor, where a Takagi–Sugeno model serves as a predictor of the process future behavior.

https://www.sciencedirect.com/science/article/pii/S0165011402005067