کنترل مدل-پیش‌بین دقیق سیستم‌های چند-متغیره نامعین سوییچ شده بر پایه شبکه‌های عصبی فازی- موجک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه ‌نصیرالدین طوسی، تهران، ایران

2 دانشیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه ‌نصیرالدین طوسی، تهران، ایران

چکیده

در این تحقیق، روشی جدید جهت کنترل مدل-پیش‌بین (Model Predictive Control و به‌اصطلاح MPC) سیستم‌های سوییچ شده چند-متغیره تحت سیگنال‌های سوییچ نامشخص مطرح می‌گردد. در این روش، از الگوریتم تخمین دقیق ارائه‌شده بر پایه شبکه‌های عصبی فازی-موجک (Fuzzy-Wavelet Neural Networks  و به ‌اصطلاح FWNN) استفاده شده که این الگوریتم در این تحقیق برای سیستم‌های چند-متغیره ارائه می‌شود. با توجه به تخمین دینامیک فعال سیستم سوییچ شده، در ادامه توابع لغزش پیش‌بینی‌شده محاسبه شده و با توجه به توابع کاندیدای لیاپانوف تعریف شده به ازای درجات آزادی مختلف، قیود پایدارسازی کنترل مدل-پیش‌بین مشخص می‌گردد. روش‌های موجود در کنترل سیستم‌های با سیگنال سوییچ نامشخص بر پایه طراحی برحسب بدترین حالت سوییچ بوده که موجب محافظه‌کاری الگوریتم کنترل می‌شوند. با توجه به طراحی الگوریتم کنترلی بر اساس حالت سوییچ فعال در این تحقیق، مشکل محافظه‌کاری کنترل برطرف شده و در نتیجه سیگنال‌های کنترلی کوچک‌تر شده و دقت تعقیب ورودی‌های مرجع افزایش می‌یابد.

کلیدواژه‌ها

موضوعات


[1]          Homaeinezhad MR, S. Yaqubi S. Discrete-time sliding-surface based control of parametrically uncertain nonlinear systems with unknown time-delay and inaccessible switching mode detection. Int. J. Control.. 2021; 94:3.
[2]          Yang D, Li X, Qiu J. Output tracking control of delayed switched systems via state-dependent switching and dynamic output feedback. Nonlinear Anal. Hybrid Syst.2019; 32:294-305.
[3]          Homaeinezhad MR, Yaqubi S, Fotoohinia F. .FEA based discrete-time sliding mode control of uncertain continuum mechanics MIMO vibrational systems. J. Sound Vib. 2019; 460.
[4]          Liberzon D. Switching in systems and control. Birkhäuser. Basel. 2003.
[5]          Zhai D, Lu AY, Ye D, Zhang QL. Adaptive tracking control for a class of switched uncertain nonlinear systems under a new state-dependent switching law. Nonlinear Anal. Hybrid Syst. 2017; 24: 227-243.
[6]          Zhang H, Xie D, Zhang H, Wang G. Stability analysis for discrete-time switched systems with unstable subsystems by a mode-dependent average dwell time approach. ISA Trans. 2014; 53: 1081-1086.
[7]          Badar R, Khan L. Legendre wavelet embedded NeuroFuzzy algorithms for multiple FACTS. Int. J. Electr. Power Energy Syst. 2016; 80: 81-90.
[8]          Ricalde LJ, Sanchez EN. Inverse optimal neural control of a class of nonlinear systems with constrained inputs for trajectory tracking. Optim. Control Appl. Methods. 2012; 33: 176-198.
[9]          Lu CH. Wavelet fuzzy neural networks for identification and predictive control of dynamic systems. IEEE Trans. Ind. Electron. 2011; 58: 3046-3058.
[10]        Kahkeshi MS, Sheikholeslam F, Zekri M. “Design of adaptive fuzzy wavelet neural sliding mode controller for uncertain nonlinear systems. ISA Trans. 2013; 52: 342-350.
[11]        Cheng R, Bai Y. A novel approach to fuzzy wavelet neural network modeling and optimization. Int. J. Electr. Power Energy Syst. 2015; 64: 671-678.
[12]        Mayne DQ, Falugi P. Stabilizing conditions for model predictive control. Int. J. Robust Nonlinear Control. 2019; 29: 894-903.
[13]        Ong CJ, Wang Z, Dehghan M. Model predictive control for switching systems with dwell-time restriction. IEEE Trans. Automat. Contr. 2016; 61: 4189-4195.
 [14]       Du H, Yu X, Chen MZQ, Li S. Chattering-free discrete-time sliding mode control. Automatica. 2016; 68: 878-91.
[15]        Hairer E, Wanner G, Nørsett SP. Solving ordinary differential equations I: Nonstiff problems. 1993; Berlin-Springer.