基于自适应模糊神经网络的非线性系统模型预测控制

周红标，张钰，柏小颖，刘保连，赵环宇

（淮阴工学院自动化学院，江苏淮安223003）

引 言

工业生产中的动态系统通常具有非线性、时变性、时滞性和不确定性，难以建立精确的数学模型，依赖数学模型的传统控制手段无法取得令人满意的控制效果[1]。模型预测控制(model predictive control,MPC)采用被控对象的动态模型来预测系统的未来输出，并结合滚动优化和反馈校正策略，在约束范围内最小化模型的性能指标以确定最优控制量[2-3]。与PID 和FLC等传统的“事后”控制方法相比，作为一种“事前”控制方法，MPC 从理论上能够保证控制效果优于传统控制方法[4]。因此，在非线性动态系统的控制问题中，MPC 控制器的设计引起了研究者的极大关注[5-8]。

理论证明模糊系统(fuzzy systems,FSs)和神经网络(neural networks,NNs)都是通用逼近器，能够以任意精度逼近任何系统，因此研究者提出了多种基于FSs 和NNs 的MPC 方法。例如：Khooban 等[9-10]采用Takagi-Sugeno(TS)模糊模型建立电动汽车速度预测模型从而建立了TS-MPC 控制器，Muthukumar 等[11]采用TS 模糊模型精确再现了分数阶动力系统从而建立了TS-MPC 控制器，Bououden 等[12]针对CSTR 过程构建了基于蚁群(ant colony optimization, ACO)的模糊模型预测控制器(ACO-AFMPC)，Zeng 等[13]采用多层感知器(multilayer perceptron, MLP)建立化学药剂和污染物去除率之间的关系模型从而设计了MLP-MPC 控制器，Caraman 等[14]采用MLP 作为污水处理过程的内部模型从而建立了溶解氧的MLPMOC 控制器。除了基于FS 和MLP 的MPC，研究者陆续提出了基于径向基函数神经网络(radial basis function neural network, RBFNN)的MPC 控制器[15-17]，基于递归神经网络(recurrent neural network,RNN)的MPC控制器[18-20]。

模糊神经网络(fuzzy neural networks, FNN)集FSs 的透明结构和NNs 的自学习能力于一身，在非线性系统辨识和控制领域有着许多成功的应用。……