CN103345153A - 通用网络化预测模糊控制方法 - Google Patents

Abstract

本发明公开了一种通用网络化预测模糊控制方法。包括以下步骤：A、根据反向通道时延的被控过程输出和过去的控制作用，选择时间序列、神经网络等模型预测未来的过程输出；B、将未来期望的被控过程输出与模型预测的被控过程输出的误差和误差的变化作为模糊控制的输入设计模糊控制器，计算一系列未来的控制作用；C、将这些控制作用打包通过网络由控制器端发送到过程端，在过程端通过网络时延补偿器选择合适的控制序列作用于被控过程以补偿前向网络通道的时延；D、在下一个执行周期，重复执行步骤A、B和C。利用本发明非常灵活，可以选择线性的模型也可以选择非线性的模型。控制器可调参数多，调节过程更加精细。

Description

通用网络化预测模糊控制方法

技术领域

本发明涉及一种通用的基于模型预测、模糊控制器设计和网络时延补偿的网络化控制方法，属自动化控制技术领域。 

背景技术

互联网技术的出现加速了自动控制理论的发展。在网络环境下，传感器、控制器及执行器会通过网络媒介形成闭环，组成网络化反馈控制系统。由于网络中不可避免地会存在时延，丢包等现象，这就为传统的控制理论提出了新的挑战。 

G.P.Liu等人将预测控制理论应用到网络化环境提出了网络化预测控制方法，通过预测控制器产生一系列未来的控制作用，将这些控制作用打包通过网络由控制器端发送到过程端，再在过程端通过选择合适的控制序列补偿网络中存在的时延和丢包现象。 

现有技术已经能较好地解决线性系统的网络化控制问题，但由于只有三个可调参数，控制性能上还有提高的空间。 

发明内容

（一）要解决的技术问题 

针对上述现有技术存在的问题，本发明的主要目的在于提供一种基于模型预测、模糊控制器设计和网络时延补偿的通用网络化预测模糊控制方法，以充分提高网络化控制系统的控制性能。 

（二）技术方案 

为达到上述目的，本发明的技术方案是这样实现的： 

通用网络化预测模糊控制方法，该方法包括： 

A、根据反向通道时延的被控过程输出和过去的控制作用，选择时间序列、神经网络等模型预测未来的过程输出； 

B、将未来期望的被控过程输出与模型预测的被控过程输出的误差和误差的变化作为模糊控制的输入设计模糊控制器，计算一系列未来的控制作用； 

C、将这些控制作用打包通过网络由控制器端发送到过程端，在过程端通过网络时延补偿器选择合适的控制序列作用于被控过程以补偿前向网络通道的时延； 

D、在下一个执行周期，重复执行步骤A、B和C。 

所述步骤A包括：先以受控自回归滑动平均积分（CARIMA）模型为例，假设一个单入单出的被控过程 

A(z^-1)y(t)=z^-dB(z^-1)u(t) 

其中，y为输出变量，u为输入变量，d为时延，z为前向移位算子，t为时间， $A\left(z^{-1}\right)=1+a_1{z}^{-1}+\·\·\·+a_{n_a}{z}^{{-n}_a},B\left(z^{-1}\right)=b_0+b_1{z}^{-1}+\·\·\·+b_{n_b}{z}^{{-n}_b},$ n_a为多项式A的阶次，n_b为多项式B的阶次，

为多项式A各项的系数， 为多项式B各项的系数。 

引入丢番图方程ΔA(z^-1)E_i(z^-1)+z^-iF_i(z^-1)=1，其中

Δ=1-z^-1，e_i,j、f_i,j为多项式系数，i,j为整数。 

于是得到预测模型Y_p(t+1)=PΔU(t-d)+QΔU(t-d-1)+Fy(t-1) 

其中，

$Q=\left[\begin{array}{ccc}{g}_{n_b}& \·\·\·& g_1\\ \·& & \·\\ \·& \·\·\·& \·\\ \·& & \·\\ g_{n_n+N-1}& \·\·\·& g_N\end{array}\right],$

P,Q为通过计算用多项式系数构造的矩阵； 

Y_p(t+1)=[y_p(t|t),y_p(t+1|t),…,y_p(t+N-1|t)]^T，为N步预测值； 

ΔU(t-d)=[Δu(t-d),Δu(t-d+1),…,Δu(t-d+N_u-1)]^T，为未来N_u步的控制作 用ΔU(t-d-1)=[Δu(t-d-n_b),Δu(t-d-n_b+1),…,Δu(t-d-1)]^T，为过去的控制作用 

F=[F₁(z^-1),F₂(z^-1),…,F_N(z^-1)]^T，为与过去的输出相关的多项式。 

令 $G_i\left(z^{-1}\right)=B\left(z^{-1}\right)E_i\left(z^{-1}\right)=g_0+g_1{z}^{-1}+\·\·\·+g_{n_b+i-1}{z}^{-(n_b+i-1)},$ 通过求解丢番图方程可以构造矩阵P和Q，根据ΔU(t-d-1)和y(t-1)可以求出预测值Y_p(t+1)。 

除了CARIMA模型以外，另一种典型的模型是神经网络模型，与普通神经网络模型的区别在于为了提高模型对动态过程的响应，需要在输入节点上引入过去几步控制作用的变化值，例如u(t-j)-u(t-j-1),j=1,2,…N_u+1，网络训练好以后，就可以用过去的控制作用及控制作用的变化和过去的输出y(t-f)来预测未来的输出y_p(t|t),y_p(t+1|t),…,y_p(t+N-1|t)。 

作为一种通用网络化预测模糊控制方法，所述步骤A可以采用上述两种模型来预测，但绝不仅限于上述两种模型，只要模型具有能用过去的控制作用和过去的输出来预测未来的输出的功能，都可以采用。 

所述步骤B包括：以实时简化的模糊控制器设计为例。常规的模糊控制器是以当前的误差和误差的变化作为控制器的输入从而产生当前时刻的控制作用。通用网络化预测模糊控制器是以一系列未来的误差和误差的变化作为控制器输入从而产生一系列未来的控制作用。对于一个典型的二入一出的模糊控制系统，以三角隶属度函数表示误差和误差的变化，每个执行周期最多只能激活四条控制规则，在动态推理过程中，只需考虑这四条规则，而无需考虑所有的规则，从而可以采用实时动态推理的方式实现控制，控制算法简单。为了提高控制性能，可以引入变论域的思想，在整体上控制结构形式保持不变，但在局部论域会随着误差的变化而伸缩，论域缩小相当于控制规则的增加，在变论域机制下，可根据典型二阶系统的动态响应曲线设计有限几个关键的控制规则，通过论域的收缩，在关键控制规则之间进行插值，相当于增加了控制规则，从而可以实现较精确的控制。这种控制算法很好地处理了“整体与局部”的关系，提高了控制性能。 

作为一种通用网络化预测模糊控制方法，所述步骤B除了采用上述设计方法以外，还可以采用其他方法。其核心思想是用未来的误差和误差的变化， 通过模糊控制器设计来产生未来的控制作用，只要能达到这一目的，可以采用不同的设计方法。 

所述步骤C包括：在控制器端产生了一系列未来的控制作用，这些控制作用被打包通过网络媒介发送到过程端，这样就可以在最新的控制序列中选择合适的控制作用施加于被控过程以补偿前向通道的时延。假设t时刻在过程端接收到的控制序列为: 

$\left[\begin{array}{c}u(t-k_1|t-k_1)\\ u(t-k_1+1|t-k_1)\\ \·\\ \·\\ \·\\ u\left(t\right|t-k_1)\\ \·\\ \·\\ \·\\ u(t-k_1+N_u-1|t-k_1)\end{array}\right],\left[\begin{array}{c}u(t-k_2|t-k_2)\\ u(t-k_2+1|t-k_2)\\ \·\\ \·\\ \·\\ u\left(t\right|t-k_2)\\ \·\\ \·\\ \·\\ u(t-k_2+N_u-1|t-k_2)\end{array}\right],\·\·\·\left[\begin{array}{c}u(t-k_p|t-k_p)\\ u(t-k_p+1|t-k_p)\\ \·\\ \·\\ \·\\ u\left(t\right|t-k_p)\\ \·\\ \·\\ \·\\ u(t-k_p+N_u-1|t-k_p)\end{array}\right],$

备选的控制作用为u(t|t-k_i),i=1,2,…,p。那么控制作用可以从最新的控制序列中获得，即u(t)=u(t|t-min{k₁,k₂,…,k_p})。 

所述步骤A和所述步骤B中涉及8个控制参数，分别为预测时域N，控制时域N_u，误差e的调节因子K_e、误差的变化ec的调节因子K_ec及增量的控制作用Δu的调节因子K_Δu，与变论域伸缩因子α(x)、β(y)、γ(x,y)相关的参数τ₁,τ₂,τ₃。其调节规律为，预测时域N要大于等于控制时域N_u并且要覆盖前向通道的时延步数；误差e的调节因子K_e越大，超调量越大；误差的变化ec的调节因子K_ec越大，系统的动态响应越快；增量的控制作用Δu的调节因子K_Δu越大，控制作用越强；伸缩因子α(x)相关的参数τ₁越大，超调量越小；伸缩因子β(y)相关的参数τ₂越大，系统的动态响应越慢；伸缩因子γ(x,y)相关的参数τ₁,τ₂,τ₃越大，控制作用越小。一般取τ₁=0.1，τ₂=0.1，τ₃=0.01。 

（三）有益效果 

从上述技术方案可以看出，本发明具有以下有益效果： 

1、利用本发明，根据反向通道时延的被控过程输出和过去的控制作用，来预测未来的过程输出，可以补偿反向网络通道存在的时延。 

2、利用本发明，预测未来的过程输出时，可以采用时间序列、神经网络 等具有预测功能的模型，模型可以是线性的，也可以是非线性的。 

3、利用本发明，进行模糊控制器设计时，只要能根据未来的误差和误差的变化来产生未来的控制作用，可以采用各种不同的设计方法。 

4、利用本发明，在过程端通过网络时延补偿器选择合适的控制序列作用于被控过程，可以补偿前向网络通道存在的时延。 

5、利用本发明，在模糊控制器设计时，可以采用一些实时简化算法，计算量小，便于工业应用，也可以将变论域思想用于控制器的设计中，可以进一步提高控制性能。 

附图说明

图1为本发明提供的通用网络化预测模糊控制总体技术方案的实现流程图； 

图2为本发明提供的基于线性模型预测的网络化预测模糊控制方法控制结构示意图； 

图3为采用CARIMA模型预测，现有技术中网络化预测控制(NPC)方法和本发明提供的控制方法(NPFC)在反向和前向通道1步时延的情况下控制效果对比图； 

图4为采用CARIMA模型预测，现有技术中网络化预测控制(NPC)方法和本发明提供的控制方法(NPFC)在反向通道1步时延、前向通道6步时延的情况下控制效果对比图； 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。 

本发明的核心思想是：1）通过模型预测，由过去的控制作用和过去的被控过程输出来产生未来的被控过程输出；2）根据未来时刻期望的被控过程输出和预测的输出的误差和误差的变化来设计模糊控制器，从而产生未来的控制作用，将这些控制作用打包由控制端发送到过程端；3）在过程端通过选择 合适的控制序列可以补偿前向通道的网络时延。实现对被控过程的网络化预测模糊控制。 

通用网络化预测模糊控制方法可以有多种实施方式，下面以伺服电机控制系统为例阐述具体的实施方式。该系统由直流电机、转盘和角度传感器组成，控制目标是通过电机驱动转盘到一个给定的角度。通过最小二乘法可以得到该系统控制输入（电压）和角度位置（度）之间的离散模型 

$G\left(z^{-1}\right)=\frac{{-0.00866z}^{-1}+{1.268227z}^{-2}}{1-{1.66168z}^{-1}+{0.6631z}^{-2}}.$

被控过程和控制器放于不同的物理位置，分别称为过程端和控制端，两者通过网络组成闭环结构，如图2所示。在前向通道的时延为k，反向通道有一步时延。 

1）CARIMA模型预测 

过程输出被采集到控制端，和存储在控制端的过去的控制作用 

u(t-d-1),…,u(t-d-n_b)一起，被送到模型预估器，将过去的控制作用 

u(t-d-1),…,u(t-d-n_b)和上一步保存的控制作用相减得到 

Δu(t-d-1),…,Δu(t-d-n_b)，组成向量ΔU(t-d-1)，带入到CARIMA模型 

Y_p(t+1)=PΔU(t-d)+QΔU(t-d-1)+Fy(t-1)中，由于在当前时刻并不能得到 

ΔU(t-d)，所以可设这一项为0，得到预测值 

Y_p(t+1)=[y_p(t|t),y_p(t+1|t),…,y_p(t+N-1|t)]^T。 

2）模糊控制器设计 

将期望的给定值r(t|t),…,r(t+N-1|t)和模型的预测输出 

y_p(t|t),…,y_p(t+N-1|t)相减得到未来的误差e(t|t),…,e(t+N-1|t)，将这些误差及其变化作为输入来设计模糊控制器。 

采用典型的二入一出的控制结构，输入为误差e及误差的变化ec，输出为控制作用u。K_e、K_ec、K_Δu分别为误差e、误差的变化ec及增量的控制作用Δu的调节因子。变量e、ec可以通过等式x=K_e·e，y=K_ec·ec标准化成x、y。α(x)、β(y)、γ(x,y)是标准化论域X、Y及Z上的伸缩因子，为了使系统在达到稳态 时没有误差，需要引用积分作用，因而采用增量算法。 

设偏差e的语言变量为E，其相应的模糊子集为A_i(i=1,2,3,4,5)，论域为X=[-2,2]，模糊子集的5个语言值为L(e)=(NB,NS,ZE,PS,PB)，其三角型隶属度函数为 

其中，i=2,3,4，x₂=-1.33，x₃=-0.66，x₄=0，x₅=0.66，x₆=1.33。 

设偏差ec的语言变量为EC，其相应的模糊子集为B_j(j=1,2,3,4,5,6,7)，论域为Y=[-2,2]，模糊子集的7个语言值为L(ec)=(NB,NM,NS,ZE,PS,PM,PB)，其三角型隶属度函数为 

其中，i=2,3,4,5,6，x₂=-1.5，x₃=-1.0，x₄=-0.5，x₅=0，x₆=0.5，x₇=1.0，x₈=1.5。 

设输出控制量Δu的语言变量为ΔU，其相应的模糊子集为C_m(m=1,2,3,4,5,6,7)，论域为Z，划分成7个等级Z={-3,-2,-1,0,+1,+2,+3}，模糊子集C_m的7个语言取值为L(Δu)=(NB,NM,NS,ZE,PS,PM,PB)，相应的隶属度如表1所示。 

表1 变量Δu的隶属度函数 

变论域策略 

变论域是通过伸缩因子α(x)、β(y)、γ(x,y)与标准化论域X、Y、Z相乘作为新的论域来实现的。伸缩因子有多种定义方法，本文采用如下的指数型伸缩因子。 

$\mathrm{\&alpha;}\left(x\right)={\left[\frac{\left|x\right|}{X}\right]}^{{\mathrm{\&tau;}}_1},0<{\mathrm{\&tau;}}_1<1$

$\mathrm{\&beta;}\left(x\right)={\left[\frac{\left|y\right|}{Y}\right]}^{{\mathrm{\&tau;}}_2},0<{\mathrm{\&tau;}}_2<1$

$\mathrm{\&gamma;}(x,y)={[{\left[\frac{\left|x\right|}{X}\right]}^{{\mathrm{\&tau;}}_1}\&CenterDot;{\left[\frac{\left|y\right|}{Y}\right]}^{{\mathrm{\&tau;}}_2}]}^{{\mathrm{\&tau;}}_3},0<{\mathrm{\&tau;}}_1,{\mathrm{\&tau;}}_2,{\mathrm{\&tau;}}_3<1$

其中，γ(x,y)是标准化的论域Z的伸缩因子，用于调节输出论域的大小，当输入论域随着误差的减小而收缩时，输出论域也应该随之减小，论域的收缩相当于控制规则的增加，因而可以采用较少的控制规则实现较精确的控制。在这种情况下，专家的经验，区域的划分以及隶属度函数的选择都变得不重要了，只要掌握规则的大致趋势就可以了。 

实时推理策略 

由典型的二阶系统动态响应曲线，根据偏差和偏差的变化便可决定相应的控制作用大小，在波峰和波谷处，误差的变化EC为零，如果输出值远小于给定值，即E=PB，这时要使误差减小，需要增大控制作用，可将控制作用输出设置成PB。如果输出值远大于给定值，即E=NB，这时要使误差减小，需要减小控制作用，可将控制作用输出设置成NB。在曲线误差等于零的附近，控制作用的大小可采用和误差的变化EC相同的方向。这样，控制规则的设计就变得非常简单，只需分别考虑误差E为零及误差的变化EC为零的点。因而可以得到如表2所示的简化控制规则。 

表2 控制规则表 

由三角型的隶属度函数可以看出，任何输入最多属于两个隶属度函数，因此，对于一个双输入系统，一次最多只能激活四条控制规则。具体来说，假设在某一时刻k，(x,y)是标准化的输入变量，属于x的隶属度函数为和 

属于y的隶属度函数为

和

这样，就可以激活

四条控制规则。相应的就可获得四条“如果-那么”规则： 

如果 $(x=L_e^{\left(i\right)})$ 并且 $(y=L_{\mathrm{ec}}^{\left(j\right)}),$ 那么 $(\mathrm{\&Delta;u}=L_{\mathrm{\&Delta;u}}^{(i,j)}).$

如果 $(x=L_e^{\left(i\right)})$ 并且 $(y=L_{\mathrm{ec}}^{(j+1)}),$ 那么 $(\mathrm{\&Delta;u}=L_{\mathrm{\&Delta;u}}^{(i,j+1)}).$

如果 $(x=L_e^{(i+1)})$ 并且 $(y=L_{\mathrm{ec}}^{\left(j\right)}),$ 那么 $(\mathrm{\&Delta;u}=L_{\mathrm{\&Delta;u}}^{(i+1,j)}).$

如果 $(x=L_e^{(i+1)})$ 并且 $(y=L_{\mathrm{ec}}^{(j+1)}),$ 那么 $(\mathrm{\&Delta;u}=L_{\mathrm{\&Delta;u}}^{(i+1,j+1)}).$

查询Δu的隶属度函数表可以获得四个1×7的隶属度函数矩阵：

和

令

是最小化算子，计算 

${\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i,j)}}^{\left(n\right)}=\&CircleTimes;({\mathrm{\&mu;}}_{A_i},{\mathrm{\&mu;}}_{B_j},{\mathrm{\&mu;}}_{L_{\mathrm{\&Delta;u}}^{(i,j)}}^{\left(n\right)})$

${\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i,j+1)}}^{\left(n\right)}=\&CircleTimes;({\mathrm{\&mu;}}_{A_i},{\mathrm{\&mu;}}_{B_{j+1}},{\mathrm{\&mu;}}_{L_{\mathrm{\&Delta;u}}^{(i,j+1)}}^{\left(n\right)})$

${\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i+1,j)}}^{\left(n\right)}=\&CircleTimes;({\mathrm{\&mu;}}_{A_{i+1}},{\mathrm{\&mu;}}_{B_j},{\mathrm{\&mu;}}_{L_{\mathrm{\&Delta;u}}^{(i+1,j)}}^{\left(n\right)})$

${\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i+1,j+1)}}^{\left(n\right)}=\&CircleTimes;({\mathrm{\&mu;}}_{A_{i+1}},{\mathrm{\&mu;}}_{B_{j+1}},{\mathrm{\&mu;}}_{L_{\mathrm{\&Delta;u}}^{(i+1,j+1)}}^{\left(n\right)})$

令⊕是最大化算子，计算 

${\widetilde{\stackrel{~}{\mathrm{\&mu;}}}}_{\mathrm{\&Delta;u}}^{\left(n\right)}=\&CirclePlus;({\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i,j)}}^{\left(n\right)},{\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i,j+1)}}^{\left(n\right)},{\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i+1,j)}}^{\left(n\right)},{\widetilde{\mathrm{\&mu;}}}_{L_{\mathrm{\&Delta;u}}^{(i+1,j+1)}}^{\left(n\right)})$

其中，n=1,2,…,7。 

标准化的控制输出增量Δu可以采用重心法解模糊 

$\mathrm{\&Delta;u}=\frac{\underset{n=1}{\overset{7}{\mathrm{\&Sigma;}}}{\widetilde{\stackrel{~}{\mathrm{\&mu;}}}}_{\mathrm{\&Delta;u}}^{\left(n\right)}\&CenterDot;C_n}{\underset{n=1}{\overset{7}{\mathrm{\&Sigma;}}}{\widetilde{\stackrel{~}{\mathrm{\&mu;}}}}_{\mathrm{\&Delta;u}}^{\left(n\right)}}$

解标准化是通过标准化的输出值Δu乘以调节因子K_Δu实现，因此控制作用u^(t)可以通过下式计算： 

u^(t)=u^(t-¹⁾+K_Δu·Δu^(t)

模糊控制器设计好以后，就可以根据当前的误差e(t)和误差的变化ec(t)来计算控制作用u(t)。同理也可以用未来的误差e(t+1|t),…,e(t+N-1|t)通过模糊控制器计算，得到未来的控制作用u(t+1|t),…,u(t+N-1|t)。 

3）前向通道时延补偿 

将控制器端产生的一系列未来的控制作用打包，通过网络媒介发送到过程端。假设在过程端接收到的控制序列为: 

$\left[\begin{array}{c}u(t-k_1|t-k_1)\\ u(t-k_1+1|t-k_1)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ u\left(t\right|t-k_1)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ u(t-k_1+N_u-1|t-k_1)\end{array}\right],\left[\begin{array}{c}u(t-k_2|t-k_2)\\ u(t-k_2+1|t-k_2)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ u\left(t\right|t-k_2)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ u(t-k_2+N_u-1|t-k_2)\end{array}\right],\&CenterDot;\&CenterDot;\&CenterDot;\left[\begin{array}{c}u(t-k_p|t-k_p)\\ u(t-k_p+1|t-k_p)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ u\left(t\right|t-k_p)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ u(t-k_p+N_u-1|t-k_p)\end{array}\right],$

那么控制作用可以从最新的控制序列中选择，即u(t)=u(t|t-min{k₁,k₂,…,k_p})， 作用于被控过程，可以补偿前向通道存在的网络时延对控制性能的影响。 

图3是基于CARIMA模型预测，前向和反向通道都只有一步时延时网络化预测控制方法（NPC）和网络化预测模糊控制方法（NPFC）的控制效果对比图，NPFC具体的模型及控制器参数为：采样周期t_s=0.04s，预测时域为N=12，控制时域为N_u=10，K_e=0.00146，K_ec=0.0215，K_Δu=0.63，τ₁=0.1，τ₂=0.1，τ₃=0.01；NPC的控制参数为：采样周期t_s=0.04s，预测时域为12，控制时域为10，加权系数ρ=1500。图3还给出了没有时延补偿时的控制效果。 

图4是基于CARIMA模型预测，前向通道6步时延和反向通道一步时延情况下网络化预测控制方法（NPC）和网络化预测模糊控制方法（NPFC）的控制效果对比图，NPFC具体的模型及控制器参数为：采样周期t_s=0.04s，预测时域N=12，控制时域N_u=10，K_e=0.0004，K_ec=0.008，K_Δu=0.8，τ₁=0.1，τ₂=0.1，τ₃=0.01；NPC的控制参数为：采样周期t_s=0.04s，预测时域为25，控制时域为10，加权系数ρ=100000。图4也给出了没有时延补偿时的控制效果。 

从中可以看出，由于网络化预测模糊控制方法有8个可调参数，而网络化预测控制方法只有3个可调参数，所以前者的调节手段较多，可以获得更好的控制效果，具有较快的动态响应和较小的超调。 

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (5)

1.一种通用网络化预测模糊控制方法，其特征在于，该方法包括：

A、根据反向通道时延的被控过程输出和过去的控制作用，通过预测模型预测未来的过程输出；

B、将未来期望的被控过程输出与模型预测的被控过程输出的误差和误差的变化作为模糊控制的输入设计模糊控制器，计算一系列未来的控制作用；

C、将这些控制作用打包通过网络由控制器端发送到过程端，在过程端通过网络时延补偿器选择合适的控制序列作用于被控过程以补偿前向网络通道的时延；

D、在下一个执行周期，重复执行步骤A、B和C。

2.根据权利要求1所述的方法，其特征在于，所述步骤A中的预测模型是时间序列模型或者是神经网络模型；所述步骤A中的预测模型是线性的模型或者是非线性的模型。

3.根据权利要求1所述的方法，其特征在于，所述步骤C是根据前向通道的时延，在最新的控制序列中通过控制作用来补偿前向网络通道的时延。

4.根据权利要求1所述的方法，其特征在于，所述前向通道的时延是固定时延或者是随机时延。

5.根据权利要求1所述的方法，其特征在于，取一个最大的允许时延，如果某个控制序列超过了该最大的允许时延，则可用该最大的允许时延下的控制序列进行计算。

Images