模糊控制外文文献

附录

CONTROL, PID CONTROL, AND

ADVANCED FUZZY CONTROL

FOR SIMULATING A NUCLEAR

REACTOR OPERATION

XIAOZHONG LI and DA RUAN*

elgian Nuclear Research Centre (SCKoCEN

Boeretang 200, 8-2400 Mol, Belgium

(Received 15 March 1999)

Based on the background of fuzzy control applications to the first nuclear reactor

in Belgium (BRI) at the Belgian Nuclear Research Centre (SCK.CEN), we have made a real

fuzzy logic control demo model. The demo model is suitable for us to test and com- pare some

new algorithms of fuzzy control and intelligent systems, which is

advantageous because it is always difficult and time-consuming, due to safety aspects, to do all experiments in a real nuclear environment. In this paper, we first report briefly on the construction of the demo model, and then introduce the results of a fuzzy control,

a proportional-integral-derivative (PID) control and an advanced fuzzy control, in which

the advanced fuzzy control is a fuzzy control with an adaptive function that can

Self-regulate the fuzzy control rules. Afterwards, we present a comparative study of those

three methods. The results have shown that fuzzy control has more advantages in terms

of flexibility, robustness, and easily updated facilities with respect to the PID control of

the demo model, but that PID control has much higher regulation resolution due to its

integration term. The adaptive fuzzy control can dynamically adjust the rule base,

therefore it is more robust and suitable to those very uncertain occasions.

Keywords: Fuzzy control; PID control; fuzzy adaptive control; nuclear reactor

I INTRODUCTION

Today the techniques of fuzzy logic control are very mature in most

engineering areas, but not in nuclear engineering, though some research has been done (Bernard, 1988; Hah and Lee, 1994; Lin et al. 1997; Matsuoka, 1990). The main reason is that it is impossible to do experiments in nuclear engineering as easily as in other industrial areas. For example, a reactor is usually not available to any individual. Even for specialists in nuclear engineering, an official licence for doing any on-line test is necessary. That is why we are still conducting projects such as "fuzzy logic control application" in BRl (the first nuclear reactor in Belgium) (Li and Ruan, 1997a; Ruan, 1995; Ruan and Li, 1997; 1998; Ruan and van der Wal, 1998). In the framework of this project, we find that although there are already many fuzzy logic control applications, it is difficult to select the most sui-

table for testing and comparison of our algorithms. Moreover, due to the safety regulations of the nuclear reactor, it is not realistic to perform many experiments in BRl. In this situation, we have to conduct part of the pre-processing experiments outside the reactor, e.g., com-

parisons of different methods and the preliminary choices of the parameters. One solution is to make a simulation programme in a computer, but this has the disadvantage that in

which, however, the real time property cannot be well reflected. Therefore another solution has adopted, that is, we designed and made a water-level

control system, referred to as the demo model, which is suitable for our testing and experiments. In particular, this demo model (Fig. 1) is designed to simulate the power control principle of BRl (Li et al., 1996a,b; Li and Ruan, 1997b).

In this demo model, our goal was to control the water level in tower TI at a desired level by means of tuning VL (the valve for large control tower T2) and VS (the valve for small control tower T3). The pump keeps on working to supply water to T2 and T3. All taps are for manual tuning at this time. VI and V2 valves are used to control the water levels in T2 and T3 respectively. For example, when the water level in T2 is lower than photoelectric switch sensor 1 then the on-off valve V, will be opened (on), and when the water level in T2 is higher than photoelectric switch sensor 2 then the on-off valve Vl will be closed (off). The same is true of V2. Only when both VI and

V2 are closed V3 will be opened, because it can decrease the pressure of the pump and thereby prolong its working life. The pressure sensor is used to detect the height of water level in TI. So for TI, it is a dynamic system with two entrances and one exit for water flow.

COMPARATIVE STUDY OF FUZZY CONTROL

The Demo Model Structure

FIGURE 1 The working principle of the demo model.

BRI is a 42-year old research reactor, in which the control method is the simple on-off method. Many methods called traditional meth- ods, when compared to fuzzy logic, are still very new to the

BR1 reactor. One of these, proportional-integral-derivative (PID) control, has to be tested as well as fuzzy logic method. So far, we have tested the normal fuzzy control, traditional PID control, and an advanced fuzzy control on this demo model. To obtain a better demonstration, these three approaches have been programmed and integrated into one con- roller system based on the programmable logic controller (PLC) of the OMRON company. The purpose of tlus paper is to report comparative

experimental results of these three methods from the demo model. Section 2 simply introduces a normal fuzzy control and its result.

Section 3 introduces a PID control and its result.

Section 4 introduces an advanced fuzzy control which is able to self-regulate the Fuzzy control rules. Section 5 compares the previous three methods and their results.

2 FUZZY CONTROL

The fuzzy control algorithm in this demo model is a normal algorithm based on the Mamdani model. To simulate the BRl reactor, we use two fuzzy controllers (FLCl and FLC2) to control VL and VS separately (note: it is possible to use one fuzzy logic controller with two outputs to control VL and VS and the related result can be referred to (Li and Ruan, 1997b)). Let D be the difference between the actual value (P) of water level and the set value (S) and DD be the derivative of D, in other words, the speed and direction of the change of water level. VL and VS represent the control signal to VL (Iarge valve) and VS (small valve), respectively. When D is too big, we use FLC1 to control VL (main-tuning); When D is small, we use FLC2 to control VS

(fine-tuning). We choose D and DD as inputs of the fuzzy logic con- troller, and VL or VS as the output of the fuzzy logic controller. D and DD must be fuzzified before fuzzy inference. Suppose the universes of discourse (or input variables' intervals) of D and DD are -d, dj and [-dd,dd], respectively. We use 7 fuzzy sets to partition hem, i.e., Negative Large (NL), Negative Middle (NM), Negative Small (NS), Zero (ZE), Positive Small (PS), Positive Middle (PM), and Positive Large (PL). As for VL and VS, because the result of fuzzy reasoning is also a fuzzy linguistic value, the universes of discourse of VL and VS also need to be fuzzified. We use those 7 fuzzy linguistic erms too. Symmetrical trianglar-shaped functions are used to define the membership functions for input variables (Li et al., 1995; 1996a,b), and singletons are for output variables (Ornron, 1992). Each fuzzy controller has one rule base which contains 49 fuzzy control rules. The its rule can be represented as the following form: if D is Ai and DD is Bi, then VL (or VS) is Ci where A, Bi, and Ci are fuzzy linguistical values, such as NL, PS, and so on. The above rule is sometimes abbreviated as (Ai, Bi : Ci). Figure 2 shows a control effect of a synthetic control process. It first goes up from 0 to 20cm then keeps on at 20 an, next drops down from 20 to 10 cm and finally keeps on at 10 cm.

In view of this figure, we know that the fuzzy control has quick responses (quickly approaching the set value) and small overshoot (almost invisible), but with a small steady error (not so smooth in a steady state).

COMPARATWE STUDY OF FUZZY CONTROL

FIGURE 2 The control effect of fuzzy control to the demo model.

3 PID CONTROL

In the PID control, it is difficult to control VL and VS separately like the previous fuzzy control with a good control result, because the integration term of the PID control needs some time, and this will result in an oscillation when switching control signal between VL and VS. From this point of

view the PID control is worse than the fuzzy control. Therefore, in our tests, VL and VS have to be controlled by the same signal. We use the following formula:

dt

de d i pe T dt T e K U(t)++=?

By substitution, dt

de d ie pe K dt K K U(t)++=?

where U(I): control value to VL and VS at time r; e: the set value-the real value at time I; Kp: the proportional parameter and Kp = (1IPB) x loo%, where PB is the proportional band; Ki: the integration

FlGURE 3 The trajectory of the water level by the PID control.

parameter and Ki = l/Ti where Ti is the integration time; Kd: the differential parameter and Kd = Td where Td is the differential time. In practice, a discrete form of the above formula is used

)]1()([)](....)2()1([K e(t)K U(t)i P --++++=t e t e T K t e e e T s

d s

where T, is the sample period. Figure 3 shows a result of the PID control,where PB= l5%, Ti=30s, Td= 10s. In view of this figure, the PID control is very stable (very smooth in steady states), and has quick responses too, but with visible overshoots.

4 ADVANCED FUZZY CONTROL

The kernel part of the fuzzy logic control is the fuzzy rule base with linguistic terms, though the membership functions and scale factors also have an important effect on the fuzzy logic controller. There are some papers which discuss how to adjust membership functions and/or scale factors (Batur and Kasparian, 1991; Chou and Lu, 1994; Tonshoff and Walter, 1994; Zheng, 1992). This section focuses on rules. Normally the methods of deriving rules can be broadly divided into two types, sourceable and non-sourceable. The sourceable method means the rules are obtained from some information source, such as human experience or historical input-output data. Experience has been widely used by the fuzzy engineers, especially by the early fuzzy engineers. The problem of using human experience is that it is time-consuming, and to some degree subjective. In order to overcome these problems, particularly avoiding the subjectivity, historical input -output data-if available can be used. To obtain rules from such data, many methods are used, one of the popular approaches is neural net- works (NN) (Berenji and Khedkar, 1992; Halgamuge and Glesner, 1994; Jang, 1992; Kosko, 1992; Li et al., 1995; Lin ez al., 1995; Takagi and Hayashi, 1991; Wang and Mendel, 1992). One problem of the sourceable method is that it depends strictly on the source which will be transformed into rules. In the case that the source is noisy, then the rules might be biased. Another problem of the sourceable method is that it is usually non-adaptive, i.e., all the rules are fixed, therefore it cannot perform well under a dynamic environment. The non-source- able methods are source-free and they produce and choose rules according to a performance measurement of the controller, such as

genetic algorithms (GA) (Karr, 1991; Lim et al., 1996; Qi and Chin, 1997) (mostly also generating membership functions and scale factors) and self-organizing controllers (SOC) (He er al., 1993; Li et al., 1996a,b; Lin et al., 1997, Procyk and Mamdani, 1979; Shao, 1988; Tanscheit

and Scharf, 1988; Wu et al., 1992). With GA it is possible to find integratedly optimal parameters but GA is very computation rich, and furthermore, it is almost impossible to apply GA in a real complex system without a simulation model. Perhaps the SOC is the only method which has the following advantages: objective, adaptive, less computation required, more error-tolerant, and simple.

FIGURE 4 An adaptive function is incorporated into a fuzzy control system.

The general principle of the SOC is that the controller monitors its own performance and adjusts its control rules to improve performance for time-varying and unknown

plants. The problem of the SOC show to perform the performance measurement. The basic way is to design a performance measurement table which looks like a fuzzy control rule table and to use it to assess the performance of the controller rules) (Procyk and Mamdani, 1979), but to design such a performance measurement table is also very difficult (Chung and Oh, 1993) and it is system-dependent. Based on the SOC, this section will introduce an adaptive method which uses a set of new norms to replace the ormer performance measurement. The new norms are very simple and system-independent, therefore they can be easily applied to most fuzzy controllers. In this section, the advanced fuzzy control means the above SOC, in other words, a fuzzy control with an adaptive function, where the adaptive function contains two steps: performance judgement and changing fuzzy control rules. Figure 4 illustrates how an adaptive function is incorporated into the fuzzy control system. At the beginning of each cycle, the controller's last behaviour is judged and then the rule base is changed accordingly. In this cycle, the controller will use the new rule base and output the result to the controlled object. The behaviour of the new rule base will be judged and changed again in the next cycle.

4.1 The Principle of the Adaptive Function

Let D and DD represent error (the difference between the actual value and the desired value) and change in error, respectively. Let D(t) and DD(t) represent error and change in error at time t, respectively. They are two input variables. Let U be an output variable, and assume thetotal number of the rules is n, then every rule has the following form: if D is A, DD is Bi, then U is C;, i= 1,2 ,..., n, where A, Bi, and Ci are fuzzy linguistic values and i is an index pointing out each rule's position in the rule table (or the rule data file). User[i] to represent the fuzzy control magnitude (conclusion fuzzy set) of the ith rule, and let simply

i r

7,6,5,4,3,2,1

][

where 1=NL,2=NM,3=NS,4=ZE,5=PS,6=PMY7=PL.

In general, a control locus may be expressed with Fig. 5, and it can be regarded as having up to four feature sections and four feature points. For each feature part, we offer a norm to guide the regulation of the fuzzy control rules. For example, the current water level P(t) is in the feature part (I), then after the fuzzy controlling using the current control rules, we measure the water level P(t + l) at the next time which has three possibilities:

P(l) < P(t + 1)

P(t + 1) < S and P(t + 1)

P(t+l)>S.

FIGURE 5 Any trajectory has up to four feature sections and four feature points.

The related norm to guide how to change rules is the following:

(i) if D(I + 1) 5 0 and DD(t + I) > 0, that is, P(t) < P(t + 1) 5 S, then r[i] = r[i]

(ii) if D(i f 1) < 0 and DD(t + 1) < 0, that is, P(t +1) < S and P(t + 1) < P(t), then r[i] = r[i] +a,

(iii) if D(t + 1) > 0, that is, P(t + 1) > S, then r[i] = r[i] - a,

where a is a step size and a = 1,2,3,4,5,6. In case (i), the fuzzy con-

troller makes the water level P(t f 1) closer to the set value S, therefore the behaviour of the fuzzy controller is good, no rules should be changed; In case (ii), the fuzzy controller makes the water level P(t + 1) further from the set value S, therefore the behaviour of the fuzzy con- troller is not good, the strength is too weak and the action of the corresponding rules 'should be stronger; In case (iii), the fuzzy controller makes the water level P(t $1) overpass the set value S, therefore the behaviour of the fuzzy controller is not good, the strength is too strong and the action of the corresponding rules should be weakened. Not all rules but some of those that are activated in last cycle should be regulated. We use the following formula to describe which should

be adjusted:

))()(A ()()(A j j i i DD B D DD B D i

j C C ∧∨=∧= which means the ith rule is changed only if it is the largest activated among those activated rules which have the same conclusion part. For example, (NL, NM : PL) and (NM, NM : PL) are two activated rules and have the same conclusion part, i.e., PL. Comparing NL(D) A NM(DD)

with NM(D) A NM(DD), the larger one corresponds to the rule which should be adjusted.

4.2 An Experimental Result

To guarantee no overshoot, the best way is to initialize all rules as the same conclusion part: NL, as shown in Table I. In this table, for example, NL at the row 2 and column 3 means: if D is NM and DD is NL then VL or VS is NL. All rules have the same conclusion part though condition parts are different. Figure 6 illustrates

TABLE I The initial rule table for both FLCl and FLC2

FIGURE 6 Comparison between adaptive fuzzy control and fuzzy control.

the comparison result between fuzzy adaptive control and. fuzzy con-

trol with the above rule base. In this example, the set value is 20cm.

Both start from Ocm. During the first stage, i.e., increasing from zero,

some analytic rules manipulate the valves and not fuzzy control. Only

after the water level reaches 18cm does the fuzzy controllers start to

operate VL and VS. Apparently, the adaptive fuzzy control has a much

better result by self-regulating gradually fuzzy control rules. The nor-

mal fuzzy control without adaptive function cannot self-regulate rules,

therefore it cannot draw up the water level.

About 10 min later, we observe the rule tables on the screen and find

both rule tables have changed a lot. Table I1 gives the result of FLCl and Table 111 gives the result

of FLC2, where the regulated rules are

marked by bold fonts.

4.3 Some Remarks for the Adaptive Function

The initial idea about the previously described norms of the adaptive function, which was published in (Li et al., 1996a,b), and where a simulated inverted pendulum system and a real industrial heating system were used to make testings, gave satisfactory results . a The parameter a is influential on the overshoot and response time (rise time). When cr is too big, there will be a large overshoot possibly; when a is too smaI1, possibly there will be a long response time (Li el al., 1996a,b). The adaptive function considers only the last value, that is, it uses P(r - 1) not P(t - T) (T is the delay) to decide P(t), but our experimental results show the effect is good, although the valves of the demo model have a maximum delay of 90 s. The adaptive function selects only some of the rules according to formula (1) for adjustment, not all activated rules like (Lin et al., 1997). This makes the transition of the rules more smooth, i.e., without or with less resonance. Selecting initial rules appropriately will benefit the control effect. For example,

if the overshoot is strictly limited, we may initialize all rules with the conclusion part of NL, as was done in the previous experiment. Once some experience has been obtained, it can be transformed into the initial rules of the adaptive function, the advantage being that the rise time will be shorter (Li and Ruan, 1998). The rule, "if D is ZE and DD is ZE then U is ZE," should be fixed, and this will help the system to become stable. The adaptive function is very helpful in keeping the system stable in a steady state. It cannot guarantee no overshoot if the initial rules are randomly selected. The adaptive function cannot adjust membership functions and scale factors.

5 COMPARATIVE STUDY

Each method has both advantages and disadvantages, the details of which are described in Table IV, where * is used to represent the degree of a property, and the more *, the higher the degree. For example, the realization of an adaptive fuzzy logic controller (FLC) is more difficult than a normal fuzzy controller, but a normal fuzzy controller is more difficult to realize than a PID controller. The PID control has the smallest static error and steady error. The dynamic regulation of TABLE IV Comparative study of FLC, PID and adaptive FLC the control rules in an adaptive controller can help in reducing the static error and steady error (Li et al., 1996a,b). As for robustness, it has been accepted that FLC is more robust than PID. Herein we also give one example, as shown as in Fig. 7. This experiment was carried out after tuning the Tap 1 (see Fig. 1) to make the outflow much smaller. We found that the reaction of FLC was better than that of PID, hough the FLC had a small static error. If we count the total number of * for each method, we will find that PID and FLC have the same score, 17. Adaptive FLC has a higher score of 20. This interesting result can be explained by the following facts. PID and FLC have their own strong points, and they compensate each other. Adaptive FLC adds an adaptive function to a normal FLC, therefore its score should be higher than that of FLC. A natural result is that combining FLC and PID should be better than each method alone. The comparative method above is perhaps a little subjective, but it does reflect some objective properties and relationships among those three methods. In the real world, one may use other ways to evaluate these methods. For example, if robustness is stressed, then it should be highly weighted when the total scores are calculated. For further descriptions of comparative studies between FLC and PID, readers may refer to Boverie et al. (1991), Chao and Teng (1997), Misir et al. (1996), Mizumoto (1995), Moon (1995), and Wu and Mizumoto (1996).

FIGURE 7 FLC is more robust than PID.

6 CONCLUSION

This paper gives comparisons between fuzzy control, PID control, and advanced fuzzy control based on the experimental results of a demo model which simulates the control principle of the BR1 reactor. Fuzzy control is more robust than PID control, but with a well-characterized system, such as a reactor, it should be better to use a hybrid method which inherits the advantages of both methods. Furthermore, the adaptive fuzzy control is able to aid the designer in finding the fuzzy control rules, especially for systems possessing much of dynamical uncertainty. References

Batur, C. and Kasparian, V. (1991), 'Adaptive expert control," International Journal of Control, 54(4), 867-88 1.

Berenji, H.R. and Khedkar, P. (1992). 'Learning and tuning firq logic controllers through reinforcements," IEEE Trans. Neural Networks, 3,724-740.

Bernard, J.A. (1988). 'Use of a rule-based system for process control," IEEE Control System Magazine, 8(5), 3- 13.

Boverie, S., Demaya, B. and Titli, A. (1991). 'Fuzzy logic control compared with other

automatic control approaches," Proceedings of the 30th IEEE-CDC Conjerence on

Decision and Control, Brighton, UK, pp. 1212-1216.

Chao, C.T. and Teng, C.C. (1997), 'A PD-like self-tuning fuzzy controller without steady-state error," Fuzzy Sets and System, 87, 141 -154.

Chou, C.H. and Lu, H.C. (1994), 'A heuristic self-tuning fuzzy controller," Fuzzy Sets

and Systems, 61,249-264.

Chung, B.M. and Oh. J.H. (1993). 'Control of dynamic systems using fuzzy learning algorithm," Fuzzy Sets and Systems, 59, 1 - 14.

Hah, Y.J. and Lee, B.W. (1994), 'Fwy power control algorithm for a pressurized water reactor," Nuclear Technology, 106,242-252.

Halgamuge, K. and Glesner, M. (1994), 'Neural networks in designing fuzzy systems for

real world applications," Fuzzy Sets and Systems, 65, 1- 12.

He, S.Z., Tan, S.H., Hang, C.C. and Wang, P.Z. (1993). 'Control of dynamical pro-

cesses using an on-line rule-adaptive fuzzy control system," Fuzzy Sets und Systems,

54, 1 1-22.

Jang, J.S.R. (1992), "Self-learning fuzzy controllers based on temporal back propaga- tion," IEEE Trans. Neural Networks, 3(S), 714-723.

Karr, C.L. (1991). 'Design of an adaptive fuzzy logic controller using a genetic algo- rithm." Proc. 4th ICGA, pp. 450-457.

Kosko, B. (1992), Fuzzy Systems and Neural Networks, Prentice-Hall, Englewood Cliffs,

NJ.

Li, X. and Ruan, D. (1997a), The Current Development of FLC Project at BRI and

New Algorithms Design, Internal Report, SCKmCEN, Mol, Belgium.

Li. X. and Ruan, D. (1997b). 'Constructing a fuzzy logic control demo model at SCKaCEN," Proceedings of the 5th European Congress on Intelligent Techniques and

Sofr Computing (EUFIT '97). Aachen, Germany, pp. 1408-1412.

Li, X. and Ruan, D. (1998), A Rule-Based Multi-Controller System Method with an Adaptive Function for the BRI Reactor, Internal Report, SCKmCEN, Mol, Belgium.

Li, X., Shao, M. and Ruan, D. (1996a). Fuzzy Logic Control Demo Model, Internal Report. SCKoCEN, Mol, Belgium.

Li, X., Bai. S. and Zhang, Z. (1996b), 'An introduction to a fuzzy adaptive control algo- rithm," Chinese Journal of Advanced Software Research, 3(1), 1 - 11.

Li. X., Bai, S. and Liu, Z. (1995), 'An algorithm for self-learning and selfcompleting fuzzy control rules,' Informatica, 19, 301 -312.

Lim, M.H., Rahardja, S. and Gwee, B.H. (1996), 'A GA paradigm for learning fuzzy rules," Fuzzy Sets and Systems. 82, 177- 186.

Lin. C., Jeng, F. and Lee, C. (1997), "Hierarchical fuzzy logic water level control in advanced oiling water reactors," Nuclear Technology, 118(3), 254-263.

Lin, C.T., Lin, C.J. and George Lee, C.S. (1995). 'Funy adaptive learning control net-

work with on-line neural learning," Fuzzy Sets and Systems, 71.25-45.

Matsuoka, H. (1990), 'A simple fuzzy simulation model for nuclear reactor system dynamics," Nuclear Technology, 94, 228-24 1.

Misir, D., Malki, H.A. and ,Chen, G. (1996), "Design and analysis of a fuzzy proportional-integral-derivative controller," Fuzzy Sets andSysrems, 79,297-314.

Mizurnoto, M. (1995). 'Realization of PID controls by fuzzy control method," Fuzzy Sers and Systems, 70, 171 - 182.

Moon, B.S. (1995), 'Equivalence between fuzzy logic controllers and PI controllers for

single input systems," Fuzzy Sets and Systems, 69, 105- 114.

Omron (1992), C200H-FZ001 Fuzzy Logic Unit, Operation Manual, Ornron company.

Procyk, T.J. and Mamdani, E.H. (1979), 'A linguistic self-organizing process con- troller,* Automat., 15(1), 15-30.

Qi, X.M. and Chin, T.C. (1997). 'Genetic algorithms based fuzzy controller for high order svstems." Fuz:v Sets and Svstems. 91.279-284. . .

Ruan. D. (i995). '~uzz;logic in the nuclear research world." Fuzzy Sets and System.

74(1), 5-13.

Ruan, D. and Li, X. (1997). "The test of fuzzy logic control with a closed loop at BRI reactor," Proceedings of the 7th World Congress IFSA'97, Prague, Czech Republic,

Vol. 3, pp. 126-131.

Ruan, D. and Li. X. (1998). 'Fuzzy-logic control applications to the Belpan reactor I (BRI)," Computers and Artificial Intelligence. 17(2-3), 127-150.

Ruan, D. and van der Wal, A.J. (1998). 'Controlling the power output of a nuclear reac-

tor with fuzzy logic," Information Scienkes, 110. 151 - 177.

模糊的比较研究控制，PID控制，先进的模糊控制用于模拟核反应堆运行

李晓东和阮达

比利时核研究中心（SCK CEN

Boeretang2008-2400摩尔，比利时

（1999年3月15日）

基于模糊控制应用在比利时的第一座核反应堆（BRI）在比利时核研究中心（SCK.CEN）的背景上，我们已经取得了真正的模糊逻辑控制的演示模型。演示模型是适合我们的测试以及比较模糊控制和智能系统的一些新的算法，这是有利的，因为它总是很困难和耗时，由于安全方面，做的所有在一个真正的核环境实验。在本文中，我们首先简要报告建造演示模型，然后引入一个模糊控制的结果，比例- 积分- 微分（PID）控制和先进的模糊控制，其中先进的模糊控制模糊控制具有自适应功能，可以自我调节模糊控制规则。之后，我们提出了一个比较研究那些三种方法。结果表明，模糊控制有更多方面的优势相对于PID控制的灵活性，鲁棒性，并很容易地更新设备演示模型，但PID控制调控具有更

高的分辨率，因为它积分项。可以动态调整的自适应模糊控制规则库，因此它是更强大，适合那些非常不确定的场合。

关键词：模糊控制，PID控制，模糊自适应控制;核反应堆

1简介

今天，模糊逻辑控制技术是非常成熟的，在大多数工程领域，但在核工程，虽然已经做了一些

研究（伯纳德，1988年，哈和Lee，1994;

Lin等人1997年松冈，1990）。最主要的原因是，它是不可能做实验，核工程，很容易在其他工业领域。例如，反应器中通常是不提供给任何人。即使核工程专家，做任何上线测试的官方许可是必要的。这就是为什么我们仍在进行的项目，如“模糊逻辑控制中的应用”在比利时的第一座核反应堆（BRL）（李和，1997年阮阮，1995年阮李，1997年，1998年，阮和van

der沃尔玛，1998）。在该项目的框架中，我们发现，虽然已经有许多模糊逻辑控制的应用程序，

这是很难选择最绥表格可用于检测和比较我们的算法。此外，由于核反应器的安全法规，执行BRL 的许多实验是不现实的。在这种情况下，我们也外的反应器中进行的预先处理实验的一部分，例如，的COM型坯的不同的方法和参数的初步选择。一种解决方案是，使在一台计算机的一个仿真程序，但有一个缺点，在其中，但是，在实时性不能被很好地体现出来。因此采用了另一种解决方案，那就是，我们设计并做了水位控制系统，简称为演示模式，这是适合于我们的测试和实验。特别是，这个演示模型（图1）是设计来模拟功率控制原理BRL（Li等人，1996年，B，李阮，1997）。在这个演示模型，我们的目标是要控制在一个理想的水平，通过调整VL（阀用于大型控制塔T2）和VS（阀小型控制塔T3）的水位塔TI。的泵保持供水T2和T3。所有水龙头在这个时候手动调整。VI和V2阀是用来控制水位在T2和T3分别。例如，在T2中当水位低于光电开关传感器1的开闭阀V，将被打开（导通），在T2中当水位高于光电开关传感器2的开- 关阀VL将被关闭（关闭）。同样是真实的V2。只有当VI和V2闭合V3将被打开，因为它可以降低泵的压力，从而延长其工作寿命。的压力传感器，用于检测水位的高度，在TI。因此，TI，它是一个动态的系统有两个入口和一个出口水流。的缺点，即在其中，然而，在实时性不能很好地体现出来。因此采用了另一种解决方案，那就是，我们设计并做了水位控制系统，简称为演示模式，这是适合于我们的测试和实验。特别是，这个演示模型（图1）是设计来模拟功率控制原理BRL（Li等人

，1996年，B，李阮，1997）。

演示模型结构

图1演示模型的工作原理。

BRI是一个42岁的研究反应堆，其中的控制方法是简单的开关方法。许多所谓的传统方法相比，模糊逻辑的方法，还是很新的BR1反应堆。其中，比例- 积分- 微分（PID）控制，还需要进行测试，以及模糊逻辑的方法。到目前为止，我们已经测试正常模糊控制，传统的PID控制，在此演示模型和先进的模糊控制。取得了较好的示范，这三种方法都被编程和集成成的辊欧姆龙公司的可编程逻辑控制器（PLC）系统的基础上。TLU处于纸的目的是报告比较实验结果。这三种方法的演示模型。

第2节简单介绍了一个正常的模糊控制及其结果。

第3节引入了PID控制及其结果。

第4节介绍了一种先进的模糊控制，这是能够进行自我调节的模糊控制规则。

第5节比较前三个方法及其结果。

2模糊控制

在这个演示模型的模糊控制算法的Mamdani模型算法是一种正常的。为了模拟BRL的反应器中，我们使用两个模糊控制器（FLCL和FLC2的）来控制VL和VS分开（附注的：它有可能使用一个具有两个输出的模糊逻辑控制器来控制VL和VS相关的结果可以被称为（李阮，1997））。设D是水位的实际值（P）与设定值（S）和DD之间的差异是D的衍生物，换句话说，水位的变化的速度和方向。VL和VS表示到VL（阀Iarge）的和VS（小阀）的控制信号。当D是太大，我们使用FLC1控制VL（主调谐），当D，我们使用FLC2的控制VS

（微调）。我们选择D和DD的模糊逻辑控制器，和VL或VS作为模糊逻辑控制器的输出作为输入。D和DD必须模糊化，模糊推理前。假设宇宙的话语（或输入变量的时间间隔），D和DD-D，DJ和[-DD，DD]，分别。我们用7个模糊子集到分区的下摆，即负大（NL），负中（NM），

负小（NS），零（ZE），正小（PS），正中（PM），大正（PL）。VL和VS，因为模糊推理

的结果是一个模糊语言值，VL 和VS 宇宙的话语也需要进行模糊化。我们使用这些模糊语言ERMS 。对称三边形函数是用来定义用于输入变量（Li 等人，1995年，1996年a ，b ）条的隶属函数，单身是输出变量（Ornron ，1992）。每个模糊控制器有一个规则库，其中包含49个模糊控制规则。其规则可以表示为以下形式：如果D 是艾和DD 是双向的，那么VL （或VS ）次，其中A ，Bi 和Ci 是模糊的的刘明海值，如NL ，PS ，等等。上面的规则有时缩写为（艾毕：CI ）。图2示出的合成的控制处理的控制效果。它首先从0至20厘米，然后保持在20，下下降20至10厘米，并最终保持在10厘米。

鉴于这个数字，我们知道，模糊控制具有快速响应（快速接近设定值）和超调量小，几乎看不见，但一个小的稳态误差（并非如此顺利，在一个稳定的状态）。

图2模糊控制的演示模型的控制作用。 3 PID 控制

在PID 控制中，这是难以控制的VL 和VS 分别像以前的模糊控制具有良好的控制结果的PID 控制的积分项，因为需要一定的时间，这将导致在一个振荡开关VL 之间的控制信号时， VS 。从这个角度来看，在PID 控制的模糊控制相比，更糟糕的是。因此，在我们的测试中，VL 和VS 有相同的信号被控制的。我们使用下面的公式：

dt

de d i pe T dt T e K U(t)++=?

通过取代， dt

de d ie pe K dt K K U(t)++=?

其中U （I ）：控制值在时间r VL 和VS E ：设定值的时候，我真正的价值在KP ：比例参数KP =

（1IPB ）所述％，其中PB 为比例：

图3PID 控制水位的轨迹。

参整合数和Ki=升/ Ti 的其中Ti 为积分时间，Kd 值：差参数和Kd 值= Td ，Td 是微分时间。在实践中，使用上述式的离散形式 )]1()([)](....)2()1([K e(t)K U(t)i P --++++=t e t e T K t e e e T s

d s 其中T 为采样周期。图3示出了结果的PID 控制，PB=15％时，钛=30秒，TD =10秒。在这个数字中，PID 控制是非常稳定（在稳定的国家非常流畅），太具有快速反应，但有明显的过冲。

4先进的模糊控制

模糊逻辑控制的核心部分是语言的模糊规则库的隶属函数和规模因素，但也有重要的影响模糊逻辑控制器。还有一些论文，讨论如何调整隶属函数和/或规模因素（巴杜尔和Kasparian ，1991;周鲁，1994; Tonshoff 和瓦尔特，1994年，郑，1992年）。本节重点介绍规则。通常情况下，规则的导出方法，大致可分为两种类型，的sourceable 和非sourceable 的。的sourceable 方法表示规则得到的一些信息源，如人的经验或年前的输入输出数据。经验已广泛应用于由模糊工程师，特别是由早期的模糊工程师。使用人类经验的问题是，它是耗时的，并在一定程度上主观。为了克服这些问题，特别是避免了主观性，年前的输入输出数据，如果有的话可以使用。流行的方法之一就是要获

得这些数据的规则，使用许多方法，神经网络工程（NN）（1992年Berenji和Khedkar; Halgamuge 和Glesner，1994张，1992年，1992年可赛可李等人。，1995年，林，1995年;高木

和林，1991年，王和孟德尔，1992）。的的sourceable方法的一个问题是，它严格地取决于将被变换成规则的源。源是嘈杂的情况下，那么规则可能会失之偏颇。另一个的sourceable方法的问题是，它是通常的非自适应，即，所有的规则是固定的，因此它不能执行以及在动态环境下。非源能的方法是源，它们的生产和选择规则，根据控制器的性能测量，如遗传算法（GA）（1991年KARR，Lim等，1996;齐和下巴，1997年）（大多也产生隶属函数和规模因素）和自组织控制器（SOC）（何人，1993年，李等，1996年，B;林等人，1997年，Procyk及Mamdani推理，1979年，邵，1988年Tanscheit沙尔夫，1988; Wu等人，1992）。与GA未能找到一个综合最优的参数，但GA计算是非常丰富，此外，这几乎是不可能应用遗传算法在实际的复杂的系统没有一个仿真模型。的SOC可能是唯一的方法，该方法具有以下优点：客观，自适应，需要较少的计算，容错，以及简单的。

图4自适应功能纳入一个模糊控制系统。

总的原则是控制器的SOC监控自身的性能，并调整其控制规则时变和不知名的植物，以提高性能。问题的SOC进行性能测量。基本的方法是设计一个性能测量表，它看起来像一个模糊控制规则表，并用它来评估控制器的性能规则）（Procyk和Mamdani型，1979），但设计这样一个性能测量表也很困难（涌，呵呵，1993年），它是依赖于系统的。基于SOC，本节将引入一个自适应的方法，使用一套新的规范，以取代的奥莫尔性能测量。新的规范是很简单的

系统无关的，因此，它们可以很容易地应用到最模糊控制器。在本节中，先进的模糊控制装置上面的SOC，换句话说，模糊控制的自适应功能，其中的自适应功能包含两个步骤：性能判断及不断变化的模糊控制规则。图4说明如何结合到模糊控制系统的自适应功能。在每个周期开始时，控制器的行为判断，然后相应改变规则库。在这个循环中，控制器将使用新的规则基础和输出结果被控对象。新规则库的行为将被判定，并在下一个周期中再次更改。

4.1原理的自适应功能

让D和DD表示误差（实际值与所需的值之间的差异），并改变错误的分别。设D（t）和DD（T）表示在t时刻的错误和误差变化。它们是两个输入变量。设U是一个输出变量，并假设规则thetotal为n，则每个规则有如下形式：如果D是A，DD是双向的，那么U是C;，I =1,2，...，n，其中A，Bi和Ci是模糊语言值，i是索引指出每个规则的规则表中的规则（或数据文件）的位置。用户[I]代表第i条规则的模糊控制幅度（结论模糊集），让简单

其中1 = NL，2= NM，3= NS，4= ZE，5= PS，6 = PMY7= PL。

在一般情况下，一个控制轨迹可表示与图。5，它可以被视为具有至多4个功能部分和四个特征点。对于每个功能部分，我们提供了规范指导的调节模糊控制规则。例如，目前的水平P（t）是

在特征部分（Ⅰ），然后在模糊控制的使用电流控制规则的后，我们测量水平P （吨+升），在下一时刻，有三种可能性：

P （L ）

P （T+1）

P （T+ L ）> S 。

图5，任何轨迹有多达四个功能部分和四个特征点。

相关的规范来指导如何改变规则是以下几点：

(i) if D(I + 1) 5 0 and DD(t + I) > 0, that is, P(t) < P(t + 1) 5 S, then r[i] = r[i]

(ii) if D(i f 1) < 0 and DD(t + 1) < 0, that is, P(t +1) < S and P(t + 1) < P(t), then r[i] = r[i] +a, (iii) if D(t + 1) > 0, that is, P(t + 1) > S, then r[i] = r[i] - a,

其中，a 是步长大小和=1,2,3,4,5,6。在情况（i ）中，模糊的

控制器使水位P （TF1）更接近设定值S ，因此，模糊控制器的行为是好的，应该改变任何规则，在情况（ⅱ）中，模糊控制器，使水位P （吨+ 1）还从设定值S ，因此，模糊con-控制器的行为是不好的，强度太弱，相应的规则“的动作应该更强;在情况（ⅲ）中，模糊控制器，使水位P （T$ 1）立交桥设定值S ，因此模糊控制器的行为是不好的，实力太强大了，和相应的规则的作用应该被削弱。并非所有的规则，但那些被激活，在最后一个周期，应该加以规范。我们使用下面的公式来形容应该调整：

))()(A ()()(A j j i i DD B D DD B D i

j C C ∧∨=∧= 这意味着只有，如果它是最大的那些活化的的的的规则，其中有了相同的结论的一部分的之间的激活的的的的，的第i 个的规则被改变。对于个例子，（NL ，NM ：PL ）和（NM ，NM ：PL ）是在两个活化的的规则，，，并有了相同的结论部分，即，PL 。比较NL （D ）NM （DD ）与NM （D ）NM （DD ）中，较大的一个对应到应进行调整的规则。根据这项规则。

4.2实验结果

为了保证无超调，最好的办法就是初始化了相同的结论部分的所有规则：NL ，如表一所示在此表中，例如，荷兰在第2行和第3列的手段：如果D 是NM 和DD NL 然后VL 或VS NL 。所有规则具有相同的结论部分，条件虽然部分是不同的。图6示出

图6比较自适应模糊控制和模糊控制。

之间的比较结果模糊自适应控制。模糊控制器控制上述规则基础。在这个例子中，设定值是20cm 。都开始自OCM。在第一阶段，即，从零增加，一些分析规则操纵的阀，而不是模糊控制。只后水位达到18厘米的不模糊控制器开始操作VL

VS。显然，自适应模糊控制具有更通过自我调节的的逐渐模糊控制规则更好结果。也不-

正常模糊自适应功能的控制，而不能自我监管规则，因此不能得出水位。约10分钟后，我们观察到规则表在屏幕上找到两个规则表已经改变了很。LCL的结果和表111给出的结果FLC2，其中的调节

规则粗体标记。

4.3自适应功能的一些备注

前所描述的规范的自适应功能，这是发表在（Li等人，1996年a，b）条，并在一个模拟的倒立摆系统和一个真正的工业加热系统被用来做化验，最初的想法给了令人满意的结果。一个参数是影响过冲和响应时间（上升时间）。当CR太大，将会有一个大的过冲可能;当太smaI1，可能会有一个较长的响应时间（李EL AL，1996年，B）。自适应功能，只考虑最后的价值，也就是说，它采用了P（R - 1）P（T - T）（T是延迟）P（T）来决定，但我们的实验结果表明，效果还是不错的，虽然阀门演示模型最大延迟为90秒。自适应功能，只选择一些规则，根据式（1）的调整，不是所有激活的规则，如（Lin等，1997）。这使得更光滑的规则，即，没有或较少的谐振过渡。选择适当的初始规则将有利于控制效果。例如，如果超调量被严格限制，我们可以初始化所有规则的结论部分的NL所做的那样，在以前的实验中。一旦已取得了一定的经验，也可以是

转化为初始规则的自适应功能，其优点是，上升时间会更短（Li和阮，1998）。规则，“如果D 是ZE和DD是ZE，则U ZE，”应该是固定的，这将有助于系统变得稳定。自适应功能是非常有用的，在保持系统稳定在一个稳定的状态。，如果最初的规则是随机选择的，它不能保证没有过冲。自适应功能无法调整隶属函数和规模因素。

5 比较研究

每种方法都有优点也有缺点，其中的细节描述在表IV中，其中的“*”是用来表示一个属性的程度，*越多，程度越高。例如，实现一个自适应模糊逻辑控制器（FLC）比常规的模糊控制器是比较困难的，但正常的模糊控制器是更难以实现比PID控制器。PID控制具有最小的静态误差和稳态误差。动态调节表四对比研究，FLC，PID和自适应FLC自适应控制器的控制规则，可以帮助降低静态误差和稳态误差（Li等人，1996年a，b）条。的鲁棒性，已被接受，FLC比PID更健壮。本文中还给出了一个示例中，如图2所示。7。本实验中进行了调整后的盈1（参照图1），以使流出小得多。我们发现，FLC反应优于PID，尽管FLC有一个小的静态误差。如果再算上总数*为每个方法，我们会发现，PID和FLC具有相同的比分，17。自适应FLC具有较高的得分为20。这种有趣的结果可以被解释为下面的事实。PID和FLC各有所长，他们互相弥补。自适应FLC添加一个正常的FLC的自适应功能，因此其得分应高于FLC。一个自然的结果是，FLC和PID相结合应该是每个方法优于单独。上面的比较方法也许是有点主观的，但它确实反映了一些客观的属性和关系，在这三种方法中。在现实世界中，人们可以使用其他的方法来评估这些方法。例如，如果强调鲁棒性，那么它应高度加权时的总分数计算。

FLC和PID之间的比较研究，进一步的描述，读者可以参考Boverie旁边等。（1991），超腾（1997），默瑟尔等。（1996年），水元（1995年），月亮（1995年），吴水元（1996）。

图7 FLC是更强大的PID。

6结论

本文给出了模糊控制，PID控制，先进的模糊控制的基础上的实验结果BR1反应器的控制原理模拟演示模型之间的比较。比PID控制，模糊控制是更强大的，但与特征的系统，如反应器，它应该是更好地使用一种混合的方法，它继承了这两种方法的优点。此外，自适应模糊控制能够帮助设计师在寻找模糊控制规则，特别是对系统具有许多不确定动态。

参考文献

[1]巴杜尔，C.和Kasparian的，，V.（1991），“自适应专家控制，”国际期刊

控制杂志，54（4），867-881。

[2]Berenji，H.R. Khedkar，P.（1992）。 “学习和调整FIRQ逻辑控制器

通过增援，“IEEE神经网络，3,724-740。

[2]伯纳德，J.A. （1988）。使用一个以规则为基础的系统，过程控制，“IEEE控制系统杂志（5)，

3 - 13。

[3]Boverie旁边，S.，B. Demaya Titli，A.（1991）。相比与其他的'模糊逻辑控制自动控制方法，“第30届IEEE-CDC Conjerence控制与决策，英国布莱顿，第1212-1216页。

[4]超C.T.腾C.C. （1997），“A像PD-自调整模糊控制器，稳态误差，“模糊集和系统，

87，141 -154。

[5]周，C.H.吕，H.C.（1994年），“一种启发式的自调整模糊控制器，模糊集与系统，61,

249-264。

[6]钟B.M.HAHH. （1993）。 “控制系统的动态模糊学习算法，“模糊集和系统，59岁，1 - 14。

[7]哈，Y.J.和Lee，B.W.的（1994年），“弗维功率控制算法的加压水

反应堆，核技术，106,242-252。

[8]Halgamuge，K.和Glesner的，M.（1994），“神经网络模糊系统设计现实世界中的应用，“模糊集

和系统，65，1 - 12。

[9]S.Z.，S.H.，谭恒，C.C.王P.Z. （1993）。

“控制动力亲规则自适应模糊控制系统，“模糊集系统，54，一月一日至22日。

[10]张，J.S.R. （1992年），“自学习模糊控制器的基础上颞回传播IEEE神经网络，3（S），714

[11]卡尔，C.L. （1991）。 '使用遗传算法的自适应模糊逻辑控制器设计

rithm。“过程。第四ICGA，第450-457页。

[12]可赛可，B.（1992），模糊系统和神经网络，普伦蒂斯 - 霍尔，州Englewood Cliffs，

新泽西州。

[13]李，阮，D.（1997年），在BRI FLC项目发展现状新算法设计，内部报告，SCKmCE

N，比利时Mol。

[14]李，和阮，D.（1997年b）。构建模糊逻辑控制的演示模型SCKaCEN“第五届欧洲国会智能技术

[15]Sofr计算（'97 EUFIT）。德国亚琛，第1408至12年。

[16]李，阮，D.（1998），以规则为基础的多控制器系统方法自适应功能为BRI反应堆内部报告，S

CKmCEN，摩尔，比利时。

[17]李.，邵.和阮，D.（1996）。模糊逻辑控制演示模型，内部报告。 SCKoCEN，比利时Mol。

[18]李，X.。.和张，Z.（1996年b），介绍了一种模糊自适应控制算法

，“中国中国高级软件研究，3（1），1 - 11。

[19]李，S.和刘，Z.（1995）的，'算法进行自我学习和模糊控制规则“Informatica的，19，301 -

312。

[20]林，Rahardja Gwee，B.H. （1996），“A GA学习的模糊范式规则“，模糊集和系统82，177 - 18

[21]林C.，.和Lee，C.（1997），“分层模糊逻辑水位控制先进的注油轻水反应堆，“核技术，118

[22]林，CT，CJ和乔治·（1995）。 'FUNY自适应学习控制网上神经学习，“模糊系统与数学，

H.（1990），“一个简单的模糊核反应堆系统的仿真模型动态，“核技术，94，228-24 1。

[23]马勒基，H.A.陈，G.（1996），“设计与分析的模糊比例- 积分- 微分控制器，“模糊集，

79,297-314。

[24]Mizurnoto，M.（1995）。实现PID控制，模糊控制的方法，“模糊的SERS和系统，

[25]B.S.

（1995年），“之间的对应关系的模糊逻辑控制器和PI控制器单输入系统，“模糊集和系统，69，10 5 - 114。

[26]欧姆龙（1992），C200H-FZ001模糊逻辑单元，操作手册，Ornron公司。

模糊控制理论在自动引导车智能导航中的应用 中英文翻译

Fuzzy Logic Based Autonomous Skid Steering Vehicle Navigation L.Doitsidis,K.P.Valavanis,N.C.Tsourveloudis Technical University of Crete Department of Production Engineering and Management Chania,Crete,Greece GR-73100 {Idoitsidis ,kimonv,nikost}@dpem.tuc.gr Abstract-A two-layer fuzzy logic controller has been designed for 2-D autonomous Navigation of a skid steering vehicle in an obstacle filled environment. The first layer of the Fuzzy controller provides a model for multiple sonar sensor input fusion and it is composed of four individual controllers, each calculating a collision possibility in front, back, left and right directions of movement. The second layer consists of the main controller that performs real-time collision avoidance while calculating the updated course to be applicability and implementation is demonstrated through experimental results and case studies performed o a real mobile robot. Keywords - Skid steering, mobile robots, fuzzy navigation. Ⅰ.INTRODUCTION The exist several proposed solutions to the problem of autonomous mobile robot navigation in 2-D uncertain environments that are based on fuzzy logic[1],[2],evolutionary algorithms [3],as well as methods combining fuzzy logic with genetic algorithms[4] and fuzzy logic with electrostatic potential fields[5]. The paper is the outgrowth of recently published results [9],[10],but it studies 2-D environments navigation and collision avoidance of a skid steering vehicle. Skid steering vehicles are compact, light, require few parts to assemble and exhibit agility from point turning to line driving using only the motions, components, and swept volume needed for straight line driving. Skid steering vehicle motion differs from explicit steering vehicle motion in the way the skid steering vehicle turns. The wheels rotation is limited around one axis and the back of steering wheel results in navigation determined by the speed change in either side of the skid steering vehicle. Same speed in either side results in a straight-line motion. Explicit steering vehicles turn differently since the wheels are moving around two axes. The geometric configuration of a skid steering vehicle in the X-Y plane is shown in Fig1，while a t is the heading angle, W is the robot width, θthe sense of rotation and S1, S2 are the speeds in the either side of the robot. The derived and implemented planner a two-layer fuzzy logic based controller that provides purely” reactive behavior” of the vehicle moving in a 2-D obstacle filled environment, with inputs readings from a ring of 24 sonar sensors and angle errors, and outputs the updated rotational and translational velocities of the vehicle. Ⅱ.DESIGN OF THE FUZZY LOGIC CONTROL SYSTEM

基于模糊控制的移动机器人的外文翻译

1998年的IEEE 国际会议上机器人及自动化 Leuven ，比利时1998年5月 一种实用的办法--带拖车移动机器人的反馈控制 F. Lamiraux and J.P. Laumond 拉斯，法国国家科学研究中心 法国图卢兹 {florent ,jpl}@laas.fr 摘要 本文提出了一种有效的方法来控制带拖车移动机器人。轨迹跟踪和路径跟踪这两个问题已经得到解决。接下来的问题是解决迭代轨迹跟踪。并且把扰动考虑到路径跟踪内。移动机器人Hilare的实验结果说明了我们方法的有效性。 1引言 过去的8年，人们对非完整系统的运动控制做了大量的工作。布洛基[2]提出了关于这种系统的一项具有挑战性的任务，配置的稳定性，证明它不能由一个简单的连续状态反馈。作为替代办法随时间变化的反馈[10,4,11,13,14,15,18]或间断反馈[3]也随之被提出。从[5]移动机器人的运动控制的一项调查可以看到。另一方面，非完整系统的轨迹跟踪不符合布洛基的条件，从而使其这一个任务更为轻松。许多著作也已经给出了移动机器人的特殊情况的这一问题[6,7,8,12,16]。 所有这些控制律都是工作在相同的假设下：系统的演变是完全已知和没有扰动使得系统偏离其轨迹。很少有文章在处理移动机器人的控制时考虑到扰动的运动学方程。但是[1]提出了一种有关稳定汽车的配置，有效的矢量控制扰动领域，并且建立在迭代轨迹跟踪的基础上。 存在的障碍使得达到规定路径的任务变得更加困难，因此在执行任务的任何动作之前都需要有一个路径规划。 在本文中，我们在迭代轨迹跟踪的基础上提出了一个健全的方案，使得带拖车的

机器人按照规定路径行走。该轨迹计算由规划的议案所描述[17]，从而避免已经提交了输入的障碍物。在下面，我们将不会给出任何有关规划的发展，我们提及这个参考的细节。而且，我们认为，在某一特定轨迹的执行屈服于扰动。我们选择的这些扰动模型是非常简单，非常一般。它存在一些共同点[1]。 本文安排如下：第2节介绍我们的实验系统Hilare及其拖车：两个连接系统将被视为（图1）。第3节处理控制方案及分析的稳定性和鲁棒性。在第4节，我们介绍本实验结果。 图1带拖车的Hilare 2 系统描述 Hilare是一个有两个驱动轮的移动机器人。拖车是被挂在这个机器人上的，确定了两个不同的系统取决于连接设备：在系统A的拖车拴在机器人的车轮轴中心线上方（图1 ，顶端），而对系统B是栓在机器人的车轮轴中心线的后面（图1 ，底部)。A l= 0 。这个系统不过单从控制的角度来看，需要更对B来说是一种特殊情况，其中 r 多的复杂的计算。出于这个原因，我们分开处理挂接系统。两个马达能够控制机器人的线速度和角速度（v r，r ω)。除了这些速度之外，还由传感器测量，而机器人和拖车之间的角度?，由光学编码器给出。机器人的位置和方向（x r,y r,rθ）通过整合前的速度被计算。有了这些批注，控制系统B是：

电子技术专业英语翻译

基本电路 包括电路模型的元素被称为理想的电路元件。一个理想的电路元件是一个实际的电气元件的数学模型，就像一个电池或一个灯泡。重要的是为理想电路元件在电路模型用来表示实际的电气元件的行为可接受程度的准确性。电路分析，本单位的重点，这些工具，然后应用电路。电路分析基础上的数学方法，是用来预测行为的电路模型和其理想的电路元件。一个所期望的行为之间的比较，从设计规范，和预测的行为，形成电路分析，可能会导致电路模型的改进和理想的电路元件。一旦期望和预测的行为是一致的，可以构建物理原型。 物理原型是一个实际的电气系统，修建从实际电器元件。测量技术是用来确定实际的物理系统，定量的行为。实际的行为相比，从设计规范的行为，从电路分析预测的行为。比较可能会导致在物理样机，电路模型，或两者的改进。最终，这个反复的过程，模型，组件和系统的不断完善，可能会产生较准确地符合设计规范的设计，从而满足需要。 从这样的描述，它是明确的，在设计过程中，电路分析中起着一个非常重要的作用。由于电路分析应用电路模型，执业的工程师尝试使用成熟的电路模型，使设计满足在第一次迭代的设计规范。在这个单元，我们使用20至100年已测试通过机型，你可以认为他们是成熟的。能力模型与实际电力系统理想的电路元件，使电路理论的工程师非常有用的。 说理想电路元件的互连可用于定量预测系统的行为，意味着我们可以用数学方程描述的互连。对于数学方程是有用的，我们必须写他们在衡量的数量方面。在电路的情况下，这些数量是电压和电流。电路分析的研究，包括了解其电压和电流和理解上的电压施加的限制，目前互连的理想元素的每一个理想的电路元件的行为电路分析基础上的电压和电流的变量。电压是每单位电荷，电荷分离所造成的断电和SI单位伏V = DW / DQ。电流是电荷的流动速度和具有的安培SI单位（I= DQ/ DT）。理想的基本电路元件是两个终端组成部分，不能细分，也可以在其终端电压和电流的数学描述。被动签署公约涉及元素，当电流通过元素的参考方向是整个元素的参考电压降的方向端子的电压和电流的表达式使用一个积极的迹象。 功率是单位时间内的能量和平等的端电压和电流的乘积;瓦SI单位。权力的代数符号解释如下： 如果P> 0，电源被传递到电路或电路元件。 如果p<0，权力正在从电路或电路元件中提取。 在这一章中介绍的电路元素是电压源，电流源和电阻器。理想电压源保持一个规定的电压，不论当前的设备。理想电流源保持规定的电流不管了整个设备的电压。电压和电流源是独立的，也就是说，不是任何其他电路的电流或电压的影响;或依赖，就是由一些电路中的电流或电压。一个电阻制约了它的电压和电流成正比彼此。有关的比例常数电压和一个电阻值称为其电阻和欧姆测量。 欧姆定律建立相称的电压和电流的电阻。具体来说，V = IR电阻的电流流动，如果在它两端的电压下降，或V=_IR方向，如果在该电阻的电流流是在它两端的电压上升方向。 通过结合对权力的方程，P = VI，欧姆定律，我们可以判断一个电阻吸收的功率：P = I2R= U2/ R 电路节点和封闭路径。节点是一个点，两个或两个以上的电路元件加入。当只有两个元素连接，形成一个节点，他们表示将在系列。一个闭合的路径是通过连接元件追溯到一个循环，起点和终点在同一节点，只有一次每遇到中间节点。 电路是说，要解决时，两端的电压，并在每个元素的电流已经确定。欧姆定律是一个重要的方程，得出这样的解决方案。 在简单的电路结构，欧姆定律是足以解决两端的电压，目前在每一个元素。然而，对于更复杂的互连，我们需要使用两个更为重要的代数关系，被称为基尔霍夫定律，来解决所有的电压和电流。 基尔霍夫电流定律是： 在电路中的任何一个节点电流的代数和等于零。 基尔霍夫电压定律是： 电路中的任何封闭路径上的电压的代数和等于零。 1.2电路分析技术 到目前为止，我们已经分析应用结合欧姆定律基尔霍夫定律电阻电路相对简单。所有的电路，我们可以使用这种方法，但因为他们而变得结构更为复杂，涉及到越来越多的元素，这种直接的方法很快成为累赘。在这一课中，我们介绍两个电路分析的强大的技术援助：在复杂的电路结构的分析节点电压的方法，并网电流的方

速度控制系统设计外文翻译

译文 流体传动及控制技术已经成为工业自动化的重要技术，是机电一体化技术的核心组成之一。而电液比例控制是该门技术中最具生命力的一个分支。比例元件对介质清洁度要求不高，价廉，所提供的静、动态响应能够满足大部分工业领域的使用要求，在某些方面已经毫不逊色于伺服阀。比例控制技术具有广阔的工业应用前景。但目前在实际工程应用中使用电液比例阀构建闭环控制系统的还不多，其设计理论不够完善，有待进一步的探索，因此，对这种比例闭环控制系统的研究有重要的理论价值和实践意义。本论文以铜电解自动生产线中的主要设备——铣耳机作为研究对象，在分析铣耳机组各构成部件的基础上，首先重点分析了铣耳机的关键零件——铣刀的几何参数、结构及切削性能，并进行了实验。用电液比例方向节流阀、减压阀、直流直线测速传感器等元件设计了电液比例闭环速度控制系统，对铣耳机纵向进给装置的速度进行控制。论文对多个液压阀的复合作用作了理论上的深入分析，着重建立了带压差补偿型的电液比例闭环速度控制系统的数学模型，利用计算机工程软件，研究分析了系统及各个组成环节的静、动态性能，设计了合理的校正器，使设计系统性能更好地满足实际生产需要 水池拖车是做船舶性能试验的基本设备,其作用是拖曳船模或其他模型在试验水池中作匀速运动,以测量速度稳定后的船舶性能相关参数,达到预报和验证船型设计优劣的目的。由于拖车稳速精度直接影响到模型运动速度和试验结果的精度,因而必须配有高精度和抗扰性能良好的车速控制系统,以保证拖车运动的稳速精度。本文完成了对试验水池拖车全数字直流调速控制系统的设计和实现。本文对试验水池拖车工作原理进行了详细的介绍和分析,结合该控制系统性能指标要求,确定采用四台直流电机作为四台车轮的驱动电机。设计了电流环、转速环双闭环的直流调速控制方案,并且采用转矩主从控制模式有效的解决了拖车上四台直流驱动电机理论上的速度同步和负载平衡等问题。由于拖车要经常在轨道上做反复运动,拖动系统必须要采用可逆调速系统,论文中重点研究了逻辑无环流可逆调速系统。大型直流电机调速系统一般采用晶闸管整流技术来实现,本文给出了晶闸管整流装置和直流电机的数学模型,根据此模型分别完成了电流坏和转速环的设计和分析验证。针对该系统中的非线性、时变性和外界扰动等因素,本文将模糊控制和PI控制相结合,设计了模糊自整定PI控制器,并给出了模糊控制的查询表。本文在系统基本构成及工程实现中,介绍了西门子公司生产的SIMOREGDC Master 6RA70全数字直流调速装置,并设计了该调速装置的启动操作步骤及参数设置。完成了该系统的远程监控功能设计,大大方便和简化了对试验水池拖车的控制。对全数字直流调速控制系统进行了EMC设计,提高了系统的抗干扰能力。本文最后通过数字仿真得到了该系统在常规PI控制器和模糊自整定PI控制器下的控制效果,并给出了系统在现场调试运行时的试验结果波形。经过一段时间的试运行工作证明该系统工作良好,达到了预期的设计目的。 提升装置在工业中应用极为普遍,其动力机构多采用电液比例阀或电液伺服阀控制液压马达或液压缸,以阀控马达或阀控缸来实现上升、下降以及速度控制。电液比例控制和电液伺服控制投资成本较高,维护要求高,且提升过程中存在速度误差及抖动现象,影响了正常生产。为满足生产要求,提高生产效率,需要研究一种新的控制方法来解决这些不足。随着科学技术的飞速发展,计算机技术在液压领域中的应用促进了电液数字控制技术的产生和发展,也使液压元件的数字化成为液压技术发展的必然趋势。本文以铅电解残阳极洗涤生产线中的提升装置为研究

电力电子技术外文翻译

外文翻译 题目：电力电子技术二 A部分 晶闸管 在晶闸管的工作状态，电流从阳极流向阴极。在其关闭状态，晶闸管可以阻止正向 导电，使其不能运行。 可触发晶闸管能使导通状态的正向电流在短时间内使设备处于阻断状态。使正向电压下降到只有导通状态的几伏（通常为1至3伏电压依赖于阻断电压的速度）。 一旦设备开始进行，闸极电流将被隔离。晶闸管不可能被闸关闭，但是可以作为一个二极管。在电路的中，只有当电流处于消极状态，才能使晶闸管处于关闭状态，且电流降为零。在设备运行的时间内，允许闸在运行的控制状态直到器件在可控时间再次进入正向阻断状态。 在逆向偏置电压低于反向击穿电压时，晶闸管有微乎其微的漏电流。通常晶闸管的正向额定电压和反向阻断电压是相同的。晶闸管额定电流是在最大范围指定RMS和它是有能力进行平均电流。同样的对于二极管，晶闸管在分析变流器的结构中可以作为理想的设备。在一个阻性负载电路中的应用中，可以控制运行中的电流瞬间传至源电压的正半周期。当晶闸管尝试逆转源电压变为负值时，其理想化二极管电流立刻变成零。 然而，按照数据表中指定的晶闸管，其反向电流为零。在设备不运行的时间中，电流为零，重要的参数变也为零，这是转弯时间区间从零交叉电流电压的参

考。晶闸管必须保持在反向电压，只有在这个时间，设备才有能力阻止它不是处于正向电压导通状态。 如果一个正向电压应用于晶闸管的这段时间已过，设备可能因为过早地启动并有可能导致设备和电路损害。数据表指定晶闸管通过的反向电压在这段期间和超出这段时间外的一个指定的电压上升率。这段期间有时被称为晶闸管整流电路的周期。 根据使用要求，各种类型的晶闸管是可得到的。在除了电压和电流的额定率，转弯时间，和前方的电压降以及其他必须考虑的特性包括电流导通的上升率和在关闭状态的下降率。 1。控制晶闸管阶段。有时称为晶闸管转换器，这些都是用来要是整顿阶段，如为直流和交流电机驱动器和高压直流输电线路应用的电压和电流的驱动。主要设备要求是在大电压、电流导通状态或低通态压降中。这类型的晶闸管的生产晶圆直径到10厘米，其中平均电流目前大约是4000A，阻断电压为5之7KV。 2。逆变级的晶闸管。这些设计有小关断时间，除了低导通状态电压，虽然在设备导通状态电压值较小，可设定为2500V和1500A。他们的关断时间通常在几微秒范围到100μs之间，取决于其阻断电压的速率和通态压降。 3。光控晶闸管。这些会被一束脉冲光纤触发使其被引导到一个特殊的敏感的晶闸管地区。光化的晶闸管触发，是使用在适当波长的光的对硅产生多余的电子空穴。这些晶闸管的主要用途是应用在高电压，如高压直流系统，有许多晶闸管被应用在转换器阀门上。光控晶闸管已经发现的等级，有4kV的3kA，导通状态电压2V、光触发5毫瓦的功率要求。 还有其它一些晶闸管，如辅助型关断晶闸管（关贸总协定），这些晶闸管其他变化，不对称硅可控（ASCR）和反向进行，晶闸管（RCT）的。这些都是应用。 B部分 功率集成电路 功率集成电路的种类 现代半导体功率控制相当数量的电路驱动，除了电路功率器件本身。这些控制电路通常由微处理器控制，其中包括逻辑电路。这种在同一芯片上包含或作

模糊控制理论外文文献翻译

模糊控制理论 概述 模糊逻辑广泛适用于机械控制。这个词本身激发一个一定的怀疑,试探相当于“仓促的逻辑”或“虚假的逻辑”,但“模糊”不是指一个部分缺乏严格性的方法,而这样的事实,即逻辑涉及能处理的概念,不能被表达为“对”或“否”,而是因为“部分真实”。虽然遗传算法和神经网络可以执行一样模糊逻辑在很多情况下,模糊逻辑的优点是解决这个问题的方法,能够被铸造方面接线员能了解,以便他们的经验,可用于设计的控制器。这让它更容易完成机械化已成功由人执行。 历史以及应用 模糊逻辑首先被提出是有Lotfi在加州大学伯克利分校在1965年的一篇论文。他阐述了他的观点在1973年的一篇论文的概念,介绍了语言变量”,在这篇文章中相当于一个变量定义为一个模糊集合。其他研究打乱了,第二次工业应用中,水泥窑建在丹麦,即将到来的在线1975。 模糊系统在很大程度上在美国被忽略了,因为他们更多关注的是人工智能，一个被过分吹嘘的领域，尤其是在1980年中期年代,导致在诚信缺失的商业领域。 然而日本人对这个却没有偏见和忽略，模糊系统引发日立的Seiji Yasunobu和Soji Yasunobu Miyamoto的兴趣。,他于1985年的模拟,证明了模糊控制系统对仙台铁路的控制的优越性。他们的想法是被接受了,并将模糊系统用来控制加速、制动、和停车，当线于1987年开业。 1987年另一项促进模糊系统的兴趣。在一个国际会议在东京的模糊研究那一年,Yamakawa论证<使用模糊控制,通过一系列简单的专用模糊逻辑芯片,在一个“倒立摆“实验。这是一个经典的控制问题,在这一过程中,车辆努力保持杆安装在顶部用铰链正直来回移动。 这次展示给观察者家们留下了深刻的印象,以及后来的实验,他登上一Yamakawa酒杯包含水或甚至一只活老鼠的顶部的钟摆。该系统在两种情况下,保持稳定。Yamakawa最终继续组织自己的fuzzy-systems研究实验室帮助利用自己的专利在田地里的时候。

发展战略-模糊逻辑与模糊控制技术的发展 精品

模糊逻辑与模糊控制技术的发展 宁廷群1 肖英辉1任惠英2 （1山东科技大学机电学院山东青岛 266510 2山东兖矿集团机械制修厂山东邹城 273500）The Development of Fuzzy Logic and Fuzzy Control Technology 摘要：针对现代工业控制领域的模糊控制技术的新发展，综合介绍了当代该领域的基本理论和发展现状，展望了未来的发展应用。 关键词：模糊控制；应用发展；自适应控制。 Abstract: This paper introduces the development of fuzzy logic and fuzzy control technology in modern control domain, and discusses the basic theory and main development in integration. At last it gives some prospects. Key words: fuzzy control, development and application, adaptive control 一、引言 在现代工业控制领域，伴随着计算机技术的突飞猛进，出现了智能控制的新趋势，即以机器模拟人类思维模式，采用推理、演绎和归纳等手段，进行生产控制，这就是人工智能。其中专家系统、模糊逻辑和神经网络是人工智能的几个重点研究热点。相对于专家系统，模糊逻辑属于计算数学的范畴，包含有遗传算法，混沌理论及线性理论等内容，它综合了操作人员的实践经验，具有设计简单，易于应用、抗干扰能力强、反应速度快、便于控制和自适应能力强等优点。近年来，在过程控制、建摸、估计、辩识、诊断、股市预测、农业生产和军事科学等领域得到了广泛应用。为深入开展模糊控制技术的研究应用，本文综合介绍了模糊控制技术的基本理论和发展状况，并对一些在电力电子领域的应用作了简单介绍。 二、模糊逻辑与模糊控制 １、模糊逻辑与模糊控制的概念 １９６５年，加州大学伯克利分校的计算机专家Ｌofty Ｚadeh提出“模糊逻辑”的概念，其根本在于区分布尔逻辑或清晰逻辑，用来定义那些含混不清，无法量化或精确化的问题，对于冯˙诺依曼开创的基于“真－假”推理机制，以及因此开创的电子电路和集成电路的布尔算法，模糊逻辑填补了特殊事物在取样分析方面的空白。在模糊逻辑为基础的模糊集合理论中，某特定事物具有特色集的隶属度，他可以在“是”和“非”之间的范围内取任何值。而模糊逻辑是合理的量化数学理论，是以数学基础为为根本去处理这些非统计不确定的不精确信息。 模糊控制是基于模糊逻辑描述的一个过程的控制算法。对于参数精确已知的数学模型，我们可以用Berd图或者Nyquist图来分析家其过程以获得精确的设计参数。而对一些复杂系统，如粒子反应，气象预报等设备，建立一个合理而精确的数学模型是非常困难的，对于电力传动中的变速矢量控制问题，尽管可以通过测量得知其模型，但对于多变量的且非线性变化，起精确控制也是非常困难的。而模糊控制技术仅依据与操作者的实践经验和直观推断，也依靠设计人员和研发人员的经验和知识积累，它不需要建立设备模型，因此基本上是自适应的，具有很强的鲁棒性。历经多年发展，已有许多成功应用模糊控制理论的案例，如Rutherford，Carter 和Ostergaard分别应用与冶金炉和热交换器的控制装置。 2、分析方法探讨 工业控制系统的稳定性是探讨问题的前提，由于难以对非线性和不统一的描述，做出判断，因此模糊控制系统的分析方法的稳定性分析一直是一个热点，综合近年来各位学者的发表的论文,目前系统稳定性分析有以下集中: 1、李普亚诺夫法:基于直接法的离散时间(D-T)和连续时间模糊控制的稳定性分析和设计方法,相对而言起稳定条件比价保守.

模糊控制的优缺点

模糊控制的优缺点

————————————————————————————————作者：————————————————————————————————日期：

１.模糊控制中模糊的含义 模糊控制中的模糊其实就是不确定性。从属于该概念和不属于该概念之间没有明显的分界线。模糊的概念导致了模糊现象。 2.模糊控制的定义 模糊控制就是利用模糊数学知识模仿人脑的思维对模糊的现象进行识别和判断,给出精确的控制量，利用计算机予以实现的自动控制。 3.模糊控制的基本思想 模糊控制的基本思想:根据操作人员的操作经验，总结出一套完整的控制规则,根据系统当前的运行状态，经过模糊推理，模糊判断等运算求出控制量,实现对被控制对象的控制。 4.模糊的控制的特点 不完全依赖于纯粹的数学模型，依赖的是模糊规则。模糊规则是操作者经过大量的操作实践总结出来的一套完整的控制规则。 模糊控制的对象称为黑匣（由于不知道被控对象的内部结构、机理，无法用语言去描述其运动规律,无法去建立精确的数学模型）。但是模糊规则又是模糊数学模型。 5 模糊控制的优缺点及需要解决的问题分析 5.1模糊控制的优点 (1)使用语言方便,可不需要过程的精确数学模型;(不需要精确的数学模型) (２）鲁棒性强,适于解决过程控制中的非线性、强耦合时变、

滞后等问题；鲁棒性即系统的健壮性。 (3）有较强的容错能力。具有适应受控对象动力学特征变化、环境特征变化和动行条件变化的能力; (4)操作人员易于通过人的自然语言进行人机界面联系,这些模糊条件语句容易加到过程的控制环节上。 5．2模糊控制的缺点 (１)信息简单的模糊处理将导致系统的控制精度降低和动态品质变差; (2)模糊控制的设计尚缺乏系统性,无法定义控制目标。 6.模糊数学 模糊数学就是利用数学知识研究和解决模糊现象。在数学和模糊现象之间架起了一座桥梁。 6．１模糊集合的概念 每一个概念都有内涵和外延。 内涵就是指概念的本质属性的集合。外延就是符合某种本质属性的全体对象的集合。 模糊数学的基础就是模糊理论集。 在模糊集合设计到的论域U 上，给定了一个映射A,A ：U →[0,1] ,)(x x A μ ,则称A 为论域U 上的模糊集合或者模糊子集； )(x A μ表示U 中各个元素x 属于集合A 的程度,称为元素x 属于模糊集合A 的隶属函数。当x 是一个确定的0x 时，称)(0x A μ为元素0x 对于模糊集合A 的隶属 度。 F 集合引出的几个概念

模糊控制外文翻译

基于模糊控制的matlab simulink仿真 摘要：为提高工业上所需温度的控制精度，在本文中详细介绍如何设计模糊控制器，以及如何在在MA TLAB中建立模型，并使用模糊工具箱和SIMULINK在Matlab中实现参数的计算机模拟控制系统。在该系统中，通过采用模糊控制算法对温度实现了很好的控制，并且该系统正处于实际工业电阻炉温度控制的应用和试行阶段，也达到了满意的控制效果。实践表明，模糊控制方法提高了控制的实时性，稳定性和精确度，并且实现了操作过程的简化，对于工程实际应用具有较强的借鉴意义。 关键词：模糊控制，SIMULINK，MATLAB，仿真 1介绍系统 MATLAB / Simulink是一种世界通用的科学计算和仿真的语言, Simulink则是一个以系统级仿真环境为基础的系统框图和程序框图,这个环境提供了很多的专业模块库:如CDMA参考仿真、数字信号处理器(DSP)模块库等。它是一个动态的系统建模,仿真和仿真结果具有以下特点: (1)调用代理模块框图是连接到系统的工程,使建模和仿真系统的框图,更全面，研究信息系统具有高的开放性。 (2)使用户可以自由修改模块的参数,并可以无限的使用所有的MATLAB分析工具，因此MATLAB具有高互动性。 (3)仿真结果可以几乎跟在实验室里显示的图形或数据是一样的。 模糊逻辑控制、自动化的发展和它们未来的发展策略,是一种智能控制系统，已经受到了极大的关注。它使用语言规则和模糊集进行模糊推理。为了解决复杂的系统,包括非线性、不确定性和精确的数学模型难以建立的问题,就可以采用模糊控制技术,目前，此技术被广泛使用。温度控制通常采用传统的PID控制算法，但是控制效果较不明显的。当情况的变化时将改变系统参数,PID参数也需要及时调整,否则会产生更糟糕的动态特性,使控制精度下降。当温度偏差太大时,容易导致积分饱和的现象,导致控制时间太久和其他的问题。在同一时间,模糊工具箱和SIMULINK在用MATLAB来实现参数控制系统的计算机仿真技术,能提高效率和系统设计的精度。 整个系统以AT89S51单片机为核心、以温度数据采集电路,过零检测和触发电路、键盘和显示电路、记忆电路(CF卡)、声光报警电路、复位电路等组成硬件部分，还有相应的控制软件等构成了完整电阻炉温度控制系统，其系统框图如图1-1所示。

电动汽车电子技术中英文对照外文翻译文献

(文档含英文原文和中文翻译) 中英文资料外文翻译 原文： As the world energy crisis, and the war and the energy consumption of oil -- and are full of energy, in one day, someday it will disappear without a trace. Oil is not in resources. So in oil consumption must be clean before finding a replacement. With the development of science and technology the progress of

the society, people invented the electric car. Electric cars will become the most ideal of transportation. In the development of world each aspect is fruitful, especially with the automobile electronic technology and computer and rapid development of the information age. The electronic control technology in the car on a wide range of applications, the application of the electronic device, cars, and electronic technology not only to improve and enhance the quality and the traditional automobile electrical performance, but also improve the automobile fuel economy, performance, reliability and emissions purification. Widely used in automobile electronic products not only reduces the cost and reduce the complexity of the maintenance. From the fuel injection engine ignition devices, air control and emission control and fault diagnosis to the body auxiliary devices are generally used in electronic control technology, auto development mainly electromechanical integration. Widely used in automotive electronic control ignition system mainly electronic control fuel injection system, electronic control ignition system, electronic control automatic transmission, electronic control (ABS/ASR) control system,

常规PID和模糊PID算法的分析比较外文文献翻译、中英文翻译、外文翻译

常规PID和模糊PID算法的分析比较 摘要：模糊PID控制器实际上跟传统的PID控制器有很大联系。区别在于传统的控制器的控制前提必须是熟悉控制对象的模型结构，而模糊控制器因为它的非线性特性，所以控制性能优于传统PID控制器。对于时变系统，如果能够很好地采用模糊控制器进行调节，其控制结果的稳定性和活力性都会有改善。但是，如果调节效果不好，执行器会因为周期振荡影响使用寿命，特别是调节器是阀门的场合，就必须考虑这个问题。为了解决这个问题，出现了很多模糊控制的分析方法。本文提出的方法采用一个固定的初始域，这样相当程度上简化了模糊控制的设定问题以及实现。文中分析了振荡的原因并分析如何抑制这种振荡的各种方法，最后，还给出一种方案，通过减少隶属函数的数量以及改善解模糊化的方法缩短控制信号计算时间，有效的改善了控制的实时性。 1 引言 模糊控制器的一个主要缺陷就是调整的参数太多。特别是参数设定的时候，因为没有相关的书参考，所以它的给定非常困难。众所周知，优化方法的收敛性跟它的初始化设定有很大关联，如果模糊控制器的初始域是固定的，那么它的控制就明显的简化了。而且我们要控制的参数大多有其实际的物理意义，所以模糊控制器完全可以利用PID算法的控制规律进行近似的调整。也就是说最简单的模糊PID控制器就是同时采用几种基本模糊控制算法（P+I+D或者PI+D），控制过程中它会根据控制要求，做出适当的选择，保证在处理跟踪以抗阶跃干扰问题上，其控制性能接近于任何一种PID控制。假设模糊集的初始域是对称的，两个调节器的参数采用Ziegler-Nichols方法。 为了改善上述设计的模糊控制器，我们有必要考模糊控制器的参数问题，有两种方法可以采纳，一种采用手动的方法改变，另一种就是采用一些相关的优化算法。其中遗传算法就是一种。控制器采用的参数不同，其收敛的优化值也会不一样。这些参数包括模糊集的分布，模糊集的个数，映射规则，基本模糊控制器的参数和不同的算法组合等。要注意的是在优化前必须选定模糊推理及解模糊的方法。很明显，优化过程很耗时，更有甚者，有些优化方法要已知系统的精确模型，但是实际过程中难以得到系统的精确模型，所以在大多数情况下，这些优化算法不能直接应用在实际过程。也就是说模型不精确直接影响优化成败。模糊控制的主要思想就是针对那些传递函数未知的或者结构难以辨识的系统进行控制，这也是模糊控制的性能为什么优于传统方法的原因。同时，把模糊控制和传统的PID控制算法结合起来，更能体现这种算法的优点，因为它大大简化实际过程的调整。 图1 隶属函数图图2映射规则图参数集的启发式优化法也适用于模糊PI控制器，它采用固定的定义域，其参数的选取和

变频空调器模糊控制的技术现状和发展趋势

变频空调器的模糊控制技术 (陇东人作品) （XXX 能源学院陕西西安710054 ） 摘要：对变频空调器的模糊控制技术的原理作了研究，讨论了变频空调器模糊控制系统的特点。分析总结了国内变频空调器模糊控制技术的研究现状以及发展趋势，同时对变频空调器模糊控制技术未来的研究问题进行了展望。 关键词：变频空调器；模糊控制；展望 Developing Tendency and Current Situation of Fuzzy Control in In- verter Room Air Conditioner XXX (Xi'an XX,College of Energy Resources Engineering, Shaanxi, Xi'an710054, P.R.China) Abstract：In this paper, the fuzzy control technology is briefly introduced, and from different directions discusses the characteristics of fuzzy control system. Current domestic developing ten-dency and current situation of fuzzy control in inverter room air conditioner is summarized, while future research issues about the technology of fuzzy control in inverter room air conditioner were discussed. Keywords: inverter room air conditioner; fuzzy control; current situation; developing tendency; development 0引言 随着世界范围内能源危机的到来，各国政府都在为经济的可持续发展积极地推广节能降耗技术。作为家庭用电的主要设备，传统空调器由于其运行效率低下正在逐渐退出市场，而变频空调器（Inverter Room Air Conditioner，MAC）是制冷理论、热动力学、电机驱动技术、电力电子技术、微电子技术和智能控制理论交叉发展应用的产物，由于其高效节能和实现智能化控制的优异特性，使之成为家用空调器的主要发展方向。 变频空调器的空气调节效果虽然比传统定速空调器有所提高，但变频空调器容易控制、反应快、高效节能等特点并没有完全展现出来。智能控制方法的出现打破了传统控制的模型限制，将模糊控制技术应用于变频空调器中，使空调性能更为优越。可以说控制系统是整个变频空调器的心脏，研究变频空调器的控制技术，对变频空调器的节能运行至关重要。 鉴于变频空调器系统属于参数时变、非线性、大纯滞后系统的特点，所以采用具有学习功能的模糊控制方法，根据系统响应自动建立和修改控制规则，不断自动改善其性能，与传统的控制方法相比能达到较好控制效果。本文主要讨论变频空调器的模糊控制技术，以及该技术的现状和研究进展。 1变频空调器模糊控制技术 1.1 模糊控制

LED点阵显示屏中英文对照外文翻译文献

LED点阵显示屏中英文对照外文翻译文献(文档含英文原文和中文翻译)

译文： 基于AT89C52单片机的LED显示屏控制系统的设计 摘要这篇文章介绍了基于AT89C52单片机的LED点阵显示屏的软件和硬件开发过程。使用一个简单的外部电路来控制像素是32×192的显示屏。用动态扫描，显示屏可以显示6个32×32的点阵汉字。显示屏也可以分为两个小的显示屏，它可以显示24个像素是16×16的汉字。可以通过修改代码来改变显示的内容和字符的滚动功能，而且可以根据需要调整字符的滚速或者暂停滚动。中文字符代码存储在外部存储寄存器中，内存的大小由需要显示的汉字个数决定。这种显示屏具有体积小，硬件和电路结构简单的优点。 关键词发光二极管汉字显示AT89C52单片机 1.导言 随着LED显示屏不断改善和美化人们的生活环境，LED显示屏已经成为城市明亮化，现代化、信息化的一项重要标志。在大的购物商场，火车站，码头，地铁，大量的管理窗口等，我们经常可以看到LED灯光。LED商业已成为一个快速增长的新产业，拥有巨大的市场空间和光明前景。文章，图片，动画和视频通过LED发光显示，并且内容可以变换。一些显示设备的模块化结构，通常有显示模块，控制系统和电源系统。显示模块是由LED管组成的点阵结构，进行发光显示，可以显示文章，图片，视频等。控制系统可以控制区域里LED的亮灭，电源系统为显示屏提供电压和电流。用电脑，取出字符字节，传送到微控制器，然后送到LED点阵显示屏上进行显示，很多室内和室外显示屏都是通过这个方法进行显示的。按显示的内容区分，LED点阵屏的显示可分为图形显示、图片显示和视频显示三个部分。与图片显示屏比较，不管是单色或者彩色的图形显示屏，都没有灰色色差，所以，图形显示不能反映丰富的色彩。视频显示屏不但可以显示运动、清楚和全彩的图像，也可以显示电视和计算机信号。虽然三者

电力电子技术外文翻译

电力电子技术（二） A部分 晶闸管 在晶闸管的工作状态，电流从阳极流向阴极。在其关闭状态，晶闸管可以阻止正向 导电，使其不能运行。 可触发晶闸管能使导通状态的正向电流在短时间内使设备处于阻断状态。使正向电压下降到只有导通状态的几伏（通常为1至3伏电压依赖于阻断电压的速度）。 一旦设备开始进行，闸极电流将被隔离。晶闸管不可能被闸关闭，但是可以作为一个二极管。在电路的中，只有当电流处于消极状态，才能使晶闸管处于关闭状态，且电流降为零。在设备运行的时间内，允许闸在运行的控制状态直到器件在可控时间再次进入正向阻断状态。 在逆向偏置电压低于反向击穿电压时，晶闸管有微乎其微的漏电流。通常晶闸管的正向额定电压和反向阻断电压是相同的。晶闸管额定电流是在最大范围指定RMS和它是有能力进行平均电流。同样的对于二极管，晶闸管在分析变流器的结构中可以作为理想的设备。在一个阻性负载电路中的应用中，可以控制运行中的电流瞬间传至源电压的正半周期。当晶闸管尝试逆转源电压变为负值时，其理想化二极管电流立刻变成零。 然而，按照数据表中指定的晶闸管，其反向电流为零。在设备不运行的时间中，电流为零，重要的参数变也为零，这是转弯时间区间从零交叉电流电压的参考。晶闸管必须保持在反向电压，只有在这个时间，设备才有能力阻止它不是处于正向电压导通状态。 如果一个正向电压应用于晶闸管的这段时间已过，设备可能因为过早地启动并有可能导致设备和电路损害。数据表指定晶闸管通过的反向电压在这段期间和

超出这段时间外的一个指定的电压上升率。这段期间有时被称为晶闸管整流电路的周期。 根据使用要求，各种类型的晶闸管是可得到的。在除了电压和电流的额定率，转弯时间，和前方的电压降以及其他必须考虑的特性包括电流导通的上升率和在关闭状态的下降率。 1。控制晶闸管阶段。有时称为晶闸管转换器，这些都是用来要是整顿阶段，如为直流和交流电机驱动器和高压直流输电线路应用的电压和电流的驱动。主要设备要求是在大电压、电流导通状态或低通态压降中。这类型的晶闸管的生产晶圆直径到10厘米，其中平均电流目前大约是4000A，阻断电压为5之7KV。 2。逆变级的晶闸管。这些设计有小关断时间，除了低导通状态电压，虽然在设备导通状态电压值较小，可设定为2500V和1500A。他们的关断时间通常在几微秒范围到100μs之间，取决于其阻断电压的速率和通态压降。 3。光控晶闸管。这些会被一束脉冲光纤触发使其被引导到一个特殊的敏感的晶闸管地区。光化的晶闸管触发，是使用在适当波长的光的对硅产生多余的电子空穴。这些晶闸管的主要用途是应用在高电压，如高压直流系统，有许多晶闸管被应用在转换器阀门上。光控晶闸管已经发现的等级，有4kV的3kA，导通状态电压2V、光触发5毫瓦的功率要求。 还有其它一些晶闸管，如辅助型关断晶闸管（关贸总协定），这些晶闸管其他变化，不对称硅可控（ASCR）和反向进行，晶闸管（RCT）的。这些都是应用。 B部分 功率集成电路 功率集成电路的种类 现代半导体功率控制相当数量的电路驱动，除了电路功率器件本身。这些控制电路通常由微处理器控制，其中包括逻辑电路。这种在同一芯片上包含或作为功率器件来控制和驱动电路将大大简化了整个电路的设计和扩大潜在的应用范围。这样的整合将会产生一个更便宜和更可靠的电源控制系统。总的来说，将减少复杂性（较少独立电路和使用这类功率集成电路系统组件）。 这样的整合已经被证明有很多应用。这里有三个类功率积体电路包括所谓