Problema: Controlar sistemas com parâmetros não lineares e distúrbios desconhecidos continua sendo um desafio, pois as abordagens adaptativas clássicas dependem de técnicas de separação de variáveis e reparametrização, levando ao aumento das dimensões dos parâmetros, limites de estabilidade conservadores e complexidade na implementação. Objetivo: Este artigo desenvolve uma estrutura de controle adaptativo fuzzy preditivo baseado em dados (DD-PFAC) que elimina a necessidade de técnicas de separação, enquanto alcança um desempenho superior de rastreamento e estabilidade formalmente certificada. Novidade: A principal inovação é uma arquitetura de duas camadas. A Camada 1 fornece uma aproximação fuzzy direta de funções não lineares compostas (dinâmica do sistema mais limite de distúrbio) sem reparametrização de parâmetros, reduzindo a complexidade dos parâmetros de O(qn) para O(nN). A Camada 2 emprega otimização preditiva baseada em matriz Hankel para ajustar adaptativamente tanto os ganhos de controle ci(k) quanto as taxas de adaptação γi(k) online usando de 80 a 150 amostras recentes de entrada-saída. Metodologia: Uma função de Lyapunov aumentada com um termo de erro de predição é usada para provar a boundedness uniforme final de todos os sinais em malha fechada. Um algoritmo de mínimos quadrados recursivo baseado em projeção atualiza os parâmetros de ganho online enquanto garante ci(k)≥cmin>0 em todos os momentos. Resultados: Simulações comparativas demonstram uma redução de 31,4% no erro quadrático integral, 27,8% na redução do erro absoluto médio e 37,4% na redução do erro em regime permanente em comparação com o controle fuzzy adaptativo tradicional. Um estudo de ablação de quatro grupos confirma que o agendamento adaptativo de ganho contribui com 27,7% e a compensação preditiva contribui com 6,5% para a melhoria total do MAE. Testes de robustez validam uma vantagem de desempenho consistente de 28 a 32% em cenários sinusoidais, de pulso, de degrau e de grandes distúrbios.
Yue et al. (Sat,) estudaram esta questão.