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

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.

precise model predictive control of multivariable uncertain switched systems using fuzzy-wavelet neural networks

in this paper, a novel method for model predictive control of switched multivariable systems under arbitrary switching signals is proposed. in this method, an accurate estimation algorithm based on fuzzy-wavelet neural networks is employed which is proposed for multivariable systems. based on estimation of active switched dynamical mode, predicted sliding functions are calculated and according to corresponding candidate lyapunov functions defined for various degrees of freedom, stabilizing mpc constraints are obtained. existing methods in control of switched systems are based on worst-case switching configurations which result in conservatism of controller. in the proposed method, conservatism is eliminated based on incorporation of active switched dynamics which in turn leads to smaller control inputs and more precise tracking response.