台架控制系统的模糊控制方法、存储介质及设备技术方案

本发明专利技术涉及台架控制系统的模糊控制方法、储存介质及计算机设备，主要包括：采集历史数据集；利用FCM算法对历史数据集聚类，获取聚类后的历史数据子集中数据最密集区域的值作为隶属度函数的最大值，并利用隶属度函数将历史数据子集划分为模糊集合；构建基于Wang

【技术实现步骤摘要】
台架控制系统的模糊控制方法、存储介质及设备


[0001]本专利技术属于汽车发动机
‑
测功机台架
，具体涉及台架控制系统的模糊控制方法、存储介质及设备。

技术介绍

[0002]发动机台架试验是通过模拟发动机在不同工况(负载、转速)下运行特性，并记录各项试验参数来分析评估发动机各项性能指标的重要方法和手段。台架试验中需要对和发动机和测功机的主要参数如转速、扭矩、发动机油门开度、励磁等精确控制并检测，同时对试验中大量参数如油耗量，发动机多点进气、排气温度、压力、油温、水温以及尾气排放进行检测，通过一系列模拟工况试验得到发动机各项关键数据和曲线。
[0003]发动机台架性能试验需要按照试验规范模拟不同工况下(不同转速、不同扭矩参数的组合)发动机工作情况，通常采用电涡流测功机或者四象电力限测功机来作为发动机的模拟负载。
[0004]由于“发动机+测功机”组合系统是一个复杂非线性系统，通常该控制系统的输入为发动机的油门信号和测功机的励磁信号，控制系统的输出为拖动系统的扭矩和转速，输入和输出量之间是强耦合量，尤其发动机台架性能试验中工况需要频繁切换对闭环控制带来很多控制难题，普通PID调节控制在处理这类问题时往往容易出现超调量过大，稳定时间长的问题，很多台架控制系统超调量达到10％甚至25％以上。同时由于不同发动机性能存在较大差异，控制系统PID参数经常需要人为修改调试才能获得比较好的控制性能，给现场试验人员造成很大的技术困扰。
[0005]现阶段应用于发动机台架的控制最为典型的还是传统的PID控制，然而对于发动机台架系统而言，待测发动机的类型往往有多种(功率不同，飞轮矩不同，发动机类型性能不同)，这就意味着每更换一个发动机，都要重新对PID参数进行整定，PID参数的整定依赖于实际经验，使得在发动机台架的试验的过程中，PID参数的调节往往费时费力，不利于实际操作。在此基础上，引入了模糊控制来实现PID参数的自整定，设计模糊控制器的关键就是模糊规则的选择，模糊规则的选择直接决定了控制效果的好坏，自适应模糊PID控制在一定程度上弥补了传统PID控制的不足，但是传统的模糊规则的选取依赖于现场工程师的实际经验，往往需要经过多次试验才能得到一个较为满意的规则，获取过程繁琐、模糊规则提取的鲁棒性和准确性低。

技术实现思路

[0006]为了解决上述自适应模糊PID控制中模糊规则提取的鲁棒性和准确性低的技术问题，本专利技术提出台架控制系统的模糊控制方法、存储介质及计算机设备并应用于发动机台架闭环控制系统中。
[0007]本专利技术涉及台架控制系统的模糊控制方法、存储介质及计算机设备。
[0008]根据本专利技术的一个方面，公开台架控制系统的模糊控制方法，主要步骤包括：以发
动机特性曲线的速度拐点为界线采集台架试验中的历史数据集；利用FCM算法对所述历史数据集聚类，获取聚类后的历史数据子集中数据最密集区域的值作为隶属度函数的最大值，并利用所述隶属度函数将所述历史数据子集划分为模糊集合；构建基于Wang
‑
Mendel算法的模糊控制模型；获取专家经验数据作为训练数据，采用监督学习方法训练所述模糊控制模型；将所述模糊集合输入训练后的模糊控制模型，获取第一模糊规则集；将所述第一模糊规则集中条件不相同的模糊规则定义为临近规则，利用所述临近规则补全所述第一模糊库中不完备的模糊规则，获得第二模糊规则集；输入所述第二模糊规则集至台架控制系统进行PID参数自整定。
[0009]进一步地，以发动机特性曲线的速度拐点为界线采集台架试验中的历史数据集的步骤包括：
[0010]给定速度由怠速突变到速度拐点右侧的转速，且给定扭矩为额定扭矩50％时记录第一组历史数据；
[0011]给定速度由怠速突变到速度拐点右侧的转速，且给定扭矩为额定扭矩100％时记录第二组历史数据；
[0012]给定速度由速度拐点右侧任意速度突变到速度拐点左侧大于或等于怠速的转速，且给定扭矩为额定扭矩50％时记录一组历史数据；
[0013]给定速度由速度拐点右侧任意速度突变到速度拐点左侧大于或等于怠速的转速，且给定扭矩为额定扭矩100％时记录一组历史数据。
[0014]进一步地，获取聚类后的历史数据子集中数据最密集区域的值作为隶属度函数的最大值包括：
[0015]将所述历史数据子集划分为簇，利用所述FCM算法的目标函数和约束条件得到簇的中心点，将所述中心点的值作为隶属度函数的中点，其中所述FCM算法的目标函数为：
[0016][0017]约束条件为：
[0018][0019]其中，J为中心点值，C
i
为每一个簇的中心，j为样本数据，x
j
为输入样本数据集合，i为簇，i＝1,2,3,...c,为簇i的隶属度。
[0020]进一步地，所述采用监督学习方法训练所述模糊控制模型包括：使用监督学习对利用所述Wang
‑
Mendel算法获取第一模糊规则集时的提取权重系数进行训练优化。
[0021]进一步地，所述对所述提取权重系数进行训练优化包括：利用所述Wang
‑
Mendel算法分别获取PID参数的比例系数、微分系数和积分系数的预测值；
[0022]定义Wang
‑
Mendel算法的目标函数为：
[0023][0024]其中，λ1、λ2、λ3均为人为设定的权重系数，λ1+λ2+λ3＝1，J为Wang
‑
Mendel算法的目标函数，为比例系数的预测值，为微分系数的预测值，为积分系数的预测值，i为数据组数，其中i＝1,2,3...n；
[0025]将所述提取权重系数与预测值分别表示为下述函数关系：
[0026][0027]其中，f1(ε)、f2(ε)和f3(ε)分别代表要求解的权重系数和输出的预测值的函数关系，ε为提取权重系数；
[0028]将所述函数关系代入所述Wang
‑
Mendel算法的目标函数得到新的目标函数：
[0029][0030]利用遗传算法对所述新的目标函数进行求解。
[0031]进一步地，所述获取第一模糊规则集包括：将所述模糊集合划分为模糊数据子集，利用所有数据组的隶属度乘积不为零的模糊数据子集生成所述模糊规则。
[0032]进一步地，所述获取第一模糊规则集包括：同一个模糊集合的输出权重表示为：
[0033][0034]其中，代表模糊规则的输入条件在输出条件的模糊集合中的输出权重；为输出条件，为系统输出条件的模糊数据子集，代表在下的隶属度函数，是输入条件在语义集合下的隶属度乘积，p为数据组，m代表一个数据组中模糊规则的个数，m＝1，2，...，N；
[0035]比较模糊集合下的所述输出权重，调节下述公式中的提取权重系数ε进而选取输出权重
[0036][0037]其中为模糊规则的置信度；
[0038]对输出权重利用下述公式进行变换：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.台架控制系统的模糊控制方法，其特征在于，所述台架控制系统的模糊控制方法包括以下步骤：以发动机特性曲线的速度拐点为界线采集台架试验中的历史数据集；利用FCM算法对所述历史数据集聚类，获得聚类后的历史数据子集；获取所述历史数据子集中数据最密集区域的值作为隶属度函数的最大值，并利用所述隶属度函数将所述历史数据子集划分为模糊集合；构建基于Wang
‑
Mendel算法的初始模糊控制模型；获取训练数据，采用监督学习方式训练所述初始模糊控制模型，获得训练后的模糊控制模型；将所述模糊集合输入所述训练后的模糊控制模型，获得第一模糊规则集；将所述第一模糊规则集中条件不相同的模糊规则定义为临近规则，利用所述临近规则补全所述第一模糊规则集中不完备的模糊规则，获得第二模糊规则集；根据所述第二模糊规则集对台架控制系统中PID参数进行自整定。2.如权利要求1所述的台架控制系统的模糊控制方法，其特征在于，以发动机特性曲线的速度拐点为界线采集台架试验中的历史数据集的步骤包括：给定速度由怠速突变到速度拐点右侧的转速，且给定扭矩为额定扭矩50％时记录第一组历史数据；给定速度由怠速突变到速度拐点右侧的转速，且给定扭矩为额定扭矩100％时记录第二组历史数据；给定速度由速度拐点右侧任意速度突变到速度拐点左侧大于或等于怠速的转速，且给定扭矩为额定扭矩50％时记录一组历史数据；给定速度由速度拐点右侧任意速度突变到速度拐点左侧大于或等于怠速的转速，且给定扭矩为额定扭矩100％时记录一组历史数据。3.如权利要求1所述的台架控制系统的模糊控制方法，其特征在于，获取聚类后的历史数据子集中数据最密集区域的值作为隶属度函数的最大值包括：将所述历史数据子集划分为簇，利用所述FCM算法的目标函数和约束条件得到簇的中心点，将所述中心点的值作为所述隶属度函数的最大值，其中所述FCM算法的目标函数为：约束条件为：其中，J为所述中心点的值，C
i
为每一个簇的中心点，j为样本数据，x
j
为输入样本数据集合，i为簇，为簇i的隶属度。4.如权利要求3所述的台架控制系统的模糊控制方法，其特征在于，所述采用监督学习方法训练所述模糊控制模型包括：利用所述Wang
‑
Mendel算法获取第一模糊规则集时的提取权重系数；
采用监督学习对所述提取权重系数进行训练优化。5.如权利要求4所述的台架控制系统的模糊控制方法，其特征在于，所述对所述提取权重系数进行训练优化包括：利用所述Wang
‑
Mendel算法分别获取PID参数的比例系数、微分系数和积分系数的预测值；定义Wang
‑
Mendel算法的目标函数为：其中，λ1，λ2，λ3均为人为设定的权重系数，且λ1+λ2+λ3＝1，J为Wang
‑
Mendel算法的目标函数，为比例系数的预测值，为微分系数的预...

【专利技术属性】
技术研发人员：吴涛，陈浩南，何王勇，曹卫华，李勇波，吴笑民，徐迟，王新梅，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：