基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

基于自适应模型非线性系统容错控制的研究

针对未知的多变量非线性动态系统,提出了一种新型的自适应故障容错控制方法。该方法首先通过设计一个自适应RBF神经网络模型建立未知过程的动态模型,并利用扩展卡尔曼滤波算法在线调节RBF网络权值学习系统的时变参数和故障动态,然后设计基于此模型的自适应迭代逆模控制算法实现相应的容错控制策略。将容错方法成功应用到一个连续的多变量三水箱过程。     

多模型自适应控制算法的性能分析

多模型自适应控制利用多个元素模型覆盖被控对象的不确定性,并针对这多个元素模型建立多个稳定的控制器。每一个采样时刻,基于一个以模型输出误差为变量的具有积分特点的指标切换函数,选择描述被控对象最优的元素模型,并将基于此模型的控制器切换为当前被控对象的控制器。研究如何调整多模型自适应控制器的结构和参数,提高控制品质,为多模型自适应控制器的应用和进一步研究提供理论基础。     

自适应反演滑模转台鲁棒控制器设计

针对未知非线性、外界干扰和参数摄动等不确定因素对实际转台控制系统的影响,提出了自适应反演滑模神经网络的转台鲁棒控制器设计。自适应反演滑模控制作为主控制器,RBF神经网络实现了不确定上界值的在线辨识。仿真结果表明,基于RBF神经网络的自适应反演滑模控制很好地克服对象的不确定性,实现控制系统的较强鲁棒性,适于高精度飞行仿真转台系统的实时鲁棒控制。     

基于在线优化的多模型自适应控制

针对常规多模型自适应控制中子模型数量过多问题,提出在线优化的多模型自适应控制算法。将整个控制系统分为基本工况级和控制模型级的两层递阶结构。在系统运行过程中,通过在线学习自动地建立多模型及相应的控制器,并对所建的动态模型库进行优化,以进一步减少子模型数量和计算时间。证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性。计算机仿真结果表明该算法的有效性。     

RBF网络模型参考自适应控制在温度控制中的仿真研究

减压塔侧线温度系统是一个时变非线性复杂系统,采用常规的PID控制回路难以达到较好的控制品质。针对克拉玛依石化厂原油蒸馏装置中的减压塔,根据实际控制要求,提出了RBF神经网络模型参考自适应控制策略,设计了减压塔减三线温度控制系统,给出了RBF神经网络控制器和模型辨识网络参数的学习算法。仿真结果表明,采用提出的控制策略,控制效果非常好,完全达到控制要求。     

一种全包线容错飞行控制方案的设计与仿真

基于多模型切换控制思想和模型参考自适应理论,设计无需故障检测与分离模块的全包线容错飞行控制系统.针对飞行包线内所有特征点处的线性定常子模型,建立了高品质的参考模型,而后应用超稳定性理论设计获得一簇自适应控制律,并采用遗传算法对其控制增益进行优化选择.通过配置补偿器在线调节待切换控制器的输出,有效抑制了飞机跨越不同特征点邻域时产生的控制器切换抖动.通过某型飞机纵向运动仿真表明,提出的控制方案具有良好的容错能力.     

基于多模型结构的非线性鲁棒自适应跟踪控制

针对复杂的非线性系统,提出一种基于多模型结构的鲁棒自适应控制方法,使得系统可以在不同的运行环境下跟踪给定的信号.由多个线性模型和一个模糊模型及其相应的控制器构成基本的多模型控制系统,再引入动态结构自适应神经网络以保证系统的稳定性及抑制由频繁切换引起的噪声.最后,对某小型飞机进行全包络飞行跟踪控制的仿真,验证所提控制方法是有效的.     

一种自适应CMAC神经网络控制器的设计与仿真

为了消除常规前馈型CMAC神经网络控制器的过学习和振荡现象，基于常规CMAC的基础上，提出了一种自适应CMAC神经网络的控制器结构。该控制器以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相并联构成系统的复合控制。仿真实例表明，提出的自适应CMAC神经网络控制器具有良好的鲁棒性、抗干扰能力和自适应能力，是解决非线性和不确定性对象控制问题的一种简便有效的控制算法。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于多支持向量机的软测量模型

在许多工业过程控制系统中，软测量技术由于解决了输出变量难以测量的问题而被广泛应用。软测量技术的核心问题是建立优良的软测量数学模型，支持向量机（SVM）以其优良的泛化特性而被应用到建立软测量模型中。基于多个模型的组合可以提高模型精度和鲁棒性的思想，提出多支持向量机（MSVM）组合模型的软测量建模方法．该建模方法通过减聚类方法将输入空间划分为一些小的局部空间．在每个局部空间中用最小二乘支持向量机（LS-SVM）建立子模型．为解决子模型相互之间的严重相关问题，提高模型的精度和鲁棒性，各个子模型的预测输出通过主元递归（PCR）方法连接．仿真研究表明，采用该建模方法能够达到较好的建模效果。     

用于时间序列数据建模的多模态模糊认知图

针对单一模型难以准确反映时间序列多种变化模态的问题,提出了一种基于模糊认知图的时间序列数据多模态建模方法.该方法使用随机自助法选取多个子序列,以包含各种变化模态.在各个子序列上分别建立子模糊认知图模型.使用粒计算方法对子模型进行有效融合;并分析了不同权重策略融合的性能.所建立的模型不仅可以对时间序列数据进行数值及区间预...     

基于改进调节变量主成分权重的广义灰靶决策模型研究

在现实生活中，由于信息的不完全性和认知的不充分性，多数决策对象具有强烈的多源不确定性特点，存在多种不确定性因素共存的现象.针对目前灰靶决策模型未充分考虑决策对象多种不确定性因素共存的局限，以及确定决策指标权重时未深入探讨指标间相关性的问题，首先引入广义灰数的表征形式对指标属性值进行统一表征，并提出广义灰数的一致效果测度模型，然后根据传统主成分分析法确定权重时所存在的二次加权放大问题，揭示指标差异性与相关性对二次加权的影响，通过改进调节变量对原始主成分权重进行修正，接着将传统的灰靶决策模型扩展为广义灰数形式，构建基于加权欧式距离的广义灰靶靶心距模型，并据此建立基于改进调节变量主成分权重的广义灰靶决策模型.最后通过案例研究，验证本文模型的合理性和可行性.     

组合导航自适应交互多模型算法研究

针对交互多模型(IMM)方法模型集覆盖能力与计算量相矛盾的问题,提出了将简化的Sage-Husa自适应滤波与IMM相结合,构成一种自适应交互多模型的方法.简化的Sage-Husa自适应滤波首先给出噪声统计特性的粗略值,IMM方法以该粗略值为中心,对称地得到模型集,再进行IMM估计.车栽组合导航仿真表明,该算法能够以较少的模型实现对实际模态的覆盖,而且精度比IMM方法也进一步提高.     

基于主元分析的气体膜分离过程RBFNN建模

构建一个基于主元分析的气体膜分离过程的RBF神经网络软测量模型,研究氢回收过程中一些难以测量的重要性能参数。在炼厂气氢回收研究中提出的通过测量间接变量建立软测量模型方案的基础上,融入主元分析思想,先对间接测量变量进行主元分析,得到为主导变量提供关键信息的变量,再建立RBF神经网络对目标变量进行研究分析。基于实验数据和RBF神经网络模型,利用MATLAB软件平台对氢回收过程的重要性能参数分析研究,仿真结果证明了此模型的正确性和理论分析的合理性。主元分析的融入简化了气体膜分离过程重要性能参数在线检测的研究过程。     

三电平四桥臂APF低运算量预测控制策略研究

四桥臂APF(active power filter)是解决三相四线制配电网电能质量问题的理想设备,三电平四桥臂APF因其充足的基矢量个数而具有较好的电流跟随性能,但模型预测电流控制应用于三电平四桥臂APF时预测运算量过大。提出一种基于空间分层思想的模型预测电压控制策略。基于无差拍控制思想及αβγ坐标系下离散数学模型,由参考电流预测出期望的参考电压,将多次电流预测转换为单次电压预测;并结合三电平四桥臂APF的电压矢量空间分布规律,采用空间分层思想,基于γ轴的空间位置进行优化矢量范围的选取,将寻优矢量范围从传统的81个降低至4~18个,实现了电压跳变限制和中点电位控制。仿真结果表明：该策略具有优良的控制性能。     

基于模型的多尺度间歇过程性能监控

利用神经网络对间歇过程的非线性和动态特征进行描述,神经网络的预测残差则利用多尺度主元分析进行建模,将多尺度主元分析扩展用于间歇过程的监控.这一方法突破了传统多向主元分析单模型、线性化的建模方式,是一种多模型非线性建模方法.它利用小波将每一残差信号分解为各个尺度上的近似部分和细节部分,而主元分析则用于分别建立各个尺度上的统计模型.通过对实际工业链霉素发酵过程数据的分析,表明文中所提出的方法与传统的多向主元分析方法相比,能够更早地发现故障,获得更好的监控性能.     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

基于隐Markov树的设备状态综合诊断模型

为了充分利用小波系数之间的统计相依性以更有效地诊断设备状态,提出了一种基于隐Markov树(HMT)的综合诊断模型。首先通过主成分分析将来自多个传感器的信号转换为主成分,求出各主成分对应的频谱,然后通过比较对已训练的各HMT模型的适应度,运用Bayes决策融合法则得到设备状态综合诊断决策。为了克服HMT模型存在的计算溢出困难,采用尺度变换对EM算法进行了改进。通过两个实例验证了该综合诊断模型具有较高的诊断准确率。