Fuzzy Model Identification for Control

نمای اجمالی از اوایل دهه 1990، مدل سازی فازی و شناسایی از داده های فرآیند یکی از موضوعات مورد توجه در حال تکامل بوده و همچنان ادامه دارد. اگرچه استفاده از مدل‌های فازی برای تقریب فرآیندهای غیرخطی نامشخص مؤثر است، شناسایی مدل‌های فازی مبتنی بر داده‌ها به تنهایی گاهی اوقات مدل‌های پیچیده و غیر واقعی را به دست می‌دهد. به طور معمول، این به دلیل پارامتر بیش از حد مدل و ناکافی بودن محتوای تشکیل مجموعه داده های شناسایی است. این مشکلات ناشی از فقدان دانش قبلی یا اطلاعات اولیه در مورد سیستمی است که باید مدل‌سازی شود. برای حل مشکل دانش محدود، در حوزه مدل‌سازی و شناسایی، تمایل به ترکیب اطلاعات با ماهیت‌های مختلف برای به کارگیری هر چه بیشتر دانش برای ساخت مدل وجود دارد. از این رو، ادغام انواع مختلف دانش پیشینی در تولید مدل فازی مبتنی بر داده، یک کار چالش برانگیز و مهم است. با انگیزه تحقیق ما در مورد این موضوع، کتاب ما رویکردهای جدیدی را برای ساخت مدل‌های فازی برای کنترل مبتنی بر مدل ارائه می‌کند. ساختارهای مدل جدید و الگوریتم‌های شناسایی برای استفاده مؤثر از اطلاعات ناهمگن در قالب داده‌های عددی، دانش کیفی و مدل‌های اصل اول توصیف شده‌اند. با بهره‌برداری از ویژگی‌های ریاضی ساختارهای مدل پیشنهادی، مانند برگشت‌پذیری و خطی بودن محلی، الگوریتم‌های کنترل جدیدی ارائه خواهند شد.

Overview Since the early 1990s, fuzzy modeling and identification from process data have been and continue to be an evolving subject of interest. Although the application of fuzzy models proved to be effective for the approxima­ tion of uncertain nonlinear processes, the data-driven identification offuzzy models alone sometimes yields complex and unrealistic models. Typically, this is due to the over-parameterization of the model and insufficient in­ formation content of the identification data set. These difficulties stem from a lack of initial a priori knowledge or information about the system to be modeled. To solve the problem of limited knowledge, in the area of modeling and identification, there is a tendency to blend information of different natures to employ as much knowledge for model building as possible. Hence, the incorporation of different types of a priori knowledge into the data-driven fuzzy model generation is a challenging and important task. Motivated by our research into this topic, our book presents new ap­ proaches to the construction of fuzzy models for model-based control. New model structures and identification algorithms are described for the effec­ tive use of heterogenous information in the form of numerical data, qualita­ tive knowledge and first-principle models. By exploiting the mathematical properties of the proposed model structures, such as invertibility and local linearity, new control algorithms will be presented.