模糊滑模控制算法研究綜述

米文鵬+蔣奇英+郭剛

摘要：模糊控制及滑模控制作為兩種先進的控制方法，有著非常好的優勢，但也存在著缺點，結合兩者的優點，互補其缺點，從而形成了模糊滑模控制律，本文主要概述研究了模糊控制的一些基本算法。

關鍵詞：模糊控制；滑模控制；復雜系統

中圖分類號：G632 文獻標識碼：B 文章編號：1002-7661（2014）14-094-01

隨著控制理論實踐的不斷深入，被控對象的結構及數學模型也越來越復雜，呈現出時變性、多輸入多輸出、高度復雜性、非線性、不確定性等特點。面對這些復雜特征，傳統的基于精確數學模型的控制理論的局限性日趨明顯，于是出現了諸如變結構控制、自適應控制、模糊控制、神經網絡控制以及智能控制等新的控制手段。本文就模糊滑模控制的產生及發展現狀做簡單介紹。

滑模控制因其獨特的優勢在伺服機構、飛行器控制等領域有著廣闊的發展前景。但是，實際系統由于切換裝置不可避免地存在慣性，變結構控制在不同的控制邏輯中來回切換，會導致實際滑模運動不是準確地發生在切換面上，容易引起系統的劇烈抖動。這一缺點使其在實際應用中受到了很大的限制。抖動不僅影響控制的精確性，增加能量消耗，而且系統中的高頻未建模動態很容易被激發起來，破壞系統性能，甚至使系統產生振蕩或失穩，損壞控制器部件。而將模糊控制與滑模變結構控制結合應用來克服變結構控制所帶來的抖動便成為很多專家學者的研究重點。

一、常規模糊滑模控制

模糊控制和滑模變結構控制各有優缺點，有某種相似之處，又有互補之處。90年代以后專家學者把二者結合，構成模糊滑模控制，實現兩者之間的取長補短。同時還可在一定程度上削弱或克服滑模變結構控制的抖動現象。目前，模糊控制與滑模變結構控制的結合運用主要有以下三種方式[1]。

1、通過模糊控制規則自適應地調節符號函數項的值，可以在保證趨近速度和減小抖動的前提下較好地選擇和 。

2、通過模糊控制規則直接確定滑模控制量，即直接把切換函數及其微分 作為輸入量，通過模糊推理獲得滑模控制的控制量。

3、變結構控制、模糊控制的復合控制策略。在大偏差時采用滑模變結構控制，在小偏差時采用模糊控制的運行方式。

二、自適應模糊滑模控制

普通的模糊滑模控制的設計仍然是基于經驗的。由于模糊規則的選取有很大的任意性，在很多情況下有效經驗的獲取并不是容易的事。為了達到一定精度，選擇的模糊規則可能非常復雜[2,3]，且系統參數在控制過程中也沒有自適應和自學習能力。為使系統在不確定性以及對象出現參數和結構變化的情況下保證不變性，自適應模糊滑模控制應運而生，并成為非線性系統自適應控制方法研究的主流[4]。

三、基于模糊神經網絡的滑模控制

人工神經網絡同樣具有自學習和自適應的能力。它和模糊系統的結合有助于擴大二者在滑模控制領域內的應用。模糊神經網絡（Fuzzy Neural Networks, FNN）結合了模糊控制與神經網絡控制兩者的優勢，不僅具有神經網絡自學習和快速處理的能力，而且具有模糊控制系統能夠充分利用先驗知識、以較少的規則數來表達知識的優勢，避免了神經網絡不能很好地利用已有經驗知識，往往將初始權值取為零或隨機數使網絡訓練時間變長或者陷入非要求的局部極值的缺點，也避免了模糊控制由于缺乏自學習和自適應能力，給控制器參數的學習和調整帶來的困難。模糊神經網絡與滑模控制的結合應用可以通過以下幾種方式：一、用T-S模糊神經網絡等價系統不確定的動態特性 和 ，再按一般滑模控制的方法形成控制律。控制過程中FNN 的參數根據實際系統的輸入輸出數據在線自學習。或者以 為輸入的標準模糊神經網絡實時估計系統動態不確定性的上界，以此與狀態反饋相結合構造滑模控制。也可用結構自組織的廣義參數學習的模糊徑向基函數網絡完成系統動態不確定性的等價，在此基礎上構造系統的滑模控制律。這幾種方式均是通過模糊神經網絡來等效系統不確定項的，也可直接采用模糊神經網絡構造滑模控制率，如：L in等[8]直接用以 為輸入的標準模糊神經網絡構造滑模控制律，基于 最小化用梯度下降方法完成FNN的參數自適應；為了保證滑模產生條件存在，還構造了帶符號函數的監督控制律。當與系統狀態相關的李亞普洛夫函數值進入零的一個鄰域時，監督律作用撤消。于是從總體上保證了滑模產生條件的滿足和穩態時的無抖振。

四、模糊滑模控制與其它策略的結合

除了以上所描述的問題之外，關于模糊滑模控制和其它策略相結合還有其他諸多方面的內容，它們體現了控制理論的交叉融合。遺傳算法作為一種優化算法，在模糊滑模控制中亦得到較多應用。可以采用遺傳算法對控制器增益參數、模糊規則、隸屬函數進行優化，有效減小或消除抖振。當然還有其他算法與模糊滑模控制的結合應用，在此就不在累述。

參考文獻：

[1] 王翠紅 自適應模糊滑模控制的設計與分析[D] 西南交通大學 2002

[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321

[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306

[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17

[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502

[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39

[7] Kim Y T. An adaptive fuzzy sliding mode control of a direct drive motor[C]. Proc. Of IEEE Int. Conf. on Systems, Man and Cybernetics, 1997, (2): 1668-1673

[8]Lin F J, Hwang W J. A supervisory fuzzy neural network control system for tracking periodic inputs [J]. IEEE Trans. on Fuzzy Systems, 1999, 7(1): 41-52