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。     

基于干扰补偿的拦截弹新型反演姿态控制

针对同时具有未知干扰以及输入饱和与死区特性的大气层内拦截弹姿态控制系统,提出了一种基于干扰补偿的自适应动态面控制器设计方法。该方法通过设计改进的非线性干扰观测器(nonlinear disturbance observer, NDO)对未知干扰进行抑制,利用径向基函数(radial basis function,RBF)神经网络逼近输入饱和引起的非线性项,通过设计参数自适应律在线估计未知死区边界。通过构造合适的Lyapunov函数,证明闭环系统状态一致终结有界。仿真结果表明,所提方法鲁棒性良好,在输入非线性和未知干扰作用下,依然能良好地跟踪指令信号。     

基于径向基函数神经网络滑模控制的运动控制系统

针对运动控制系统的非线性动态摩擦力,为提高系统的位置跟踪精度,利用-种径向基函数(RBF)神经网络滑模控制方法.采用一种具有指数形式的非线性摩擦力,利用径向基函数神经网络在线估计系统的不确定动力学,利用李亚普诺夫稳定性理论推导出网络权值的在线自适应律.仿真结果表明了该控制策略的有效性.     

一类非线性不确定系统自适应terminal滑模控制方法

针对一类非线性不确定系统设计了自适应terminal滑模控制器,使跟踪误差在有限时间内收敛到零,消除了通常滑模变结构控制的到达过程,因而闭环系统从t=0时刻就对干扰具有鲁棒性。采用RBF神经网络逼近系统未知的非线性函数,引入滑模误差对其权值进行在线自适应调整,改善动态性能。最后给出的仿真例子证明了算法的有效性。     

非仿射非线性系统的自适应模糊输出反馈控制

针对一类单输入单输出非仿射非线性系统,提出了基于观测器的自适应模糊输出反馈控制。该算法通过构造线性误差观测器估计系统输出误差和系统状态,利用估计状态变量和估计输出误差变量设计自适应控制律,采用模糊逻辑系统在线消除非线性系统中的不确定模型,引入监督控制消除系统逼近误差和外界干扰,并利用Lyapunov方法严格证明了在该控制律作用下闭环系统所有信号一致最终有解,闭环系统的输出能最终跟踪期望输出。仿真结果表明了该方法的有效性。     

一类严格反馈时滞系统的自适应输出反馈控制

针对一类单输入单输出的严格反馈时滞系统研究跟踪控制问题。该控制系统包含不确定项、输出约束、未知死区特性和未知时间延迟。首先,设计一个状态观测器来估计无法测量的系统状态;其次,利用径向基函数(radial basis function,RBF)神经网络去逼近未知的系统内部动态;同时,利用障碍李雅普诺夫(Lyapunov)函数确保输出约束及Lyapunov-Krasovskii方法消除时滞项对系统的影响;最后,基于Lyapunov稳定性理论,构造一个鲁棒自适应神经网络输出反馈控制器,并且克服了过参数问题。结果显示,设计的神经网络输出反馈控制器可以保证闭环系统中的所有信号都是半全局最终一致有界的,跟踪误差能收敛到零值小的领域内。文中通过两个例子进一步验证了提出方法的有效性。     

基于状态相依RBF-ARX模型的非线性预测控制及应用

对于一类工作点时变的光滑非线性多变量系统,采用状态相依自回归(state-dependent auto-regressive with exogenous, SD-ARX)模型描述系统的非线性状态特征,用高斯径向基函数(radial basis function, RBF)神经网络近似SD-ARX模型的函数型系数,利用结构化非线性参数优化方法(structured nonlinear parameter optimization method, SNPOM)离线估计模型参数,并以状态信号量引导模型实时反映对象的动态特性,在此基础上设计的非线性预测控制器因避免了在线模型参数估计,可提高系统的实时性,并具有较好的控制效果。对四旋翼飞行器的实验结果验证了建模方法的有效性和控制方法的可行性。     

一类执行器卡死的T-S模糊自适应容错控制

针对一类执行器发生故障的非线性系统,提出了基于T-S模糊模型和模型参考自适应控制的容错控制设计方案。该方案特点是:在利用Takagi-Sugeno(T-S)模糊模型对非线性系统进行建模时,假设局部线性模型的参数未知,利用自适应控制算法,在线调整控制器参数,实现系统对参考模型的状态跟踪。在系统发生故障时,系统能够重构控制律以抵消故障对系统的影响,维持系统的稳定性以及期望的跟踪目标。利用李亚普诺夫理论分析了系统的稳定性,给出了能够实现状态跟踪的匹配条件以及控制器参数更新律。利用某飞机模型进行了仿真,证明本文方法的有效性。     

基于模型跟随的神经网络非线性重构控制

针对歼击机在结构故障下的动力学方程 ,提出了一种基于径向基函数 (RBF)神经网络的模型跟随非线性重构控制策略。该方法不必精确已知系统故障的位置及其损伤程度 ,可直接对故障系统实施重构控制 ,使其输出能精确跟踪期望参考模型的输出。该方法在模型跟随重构控制的基础上 ,引入了神经网络控制器 ,以补偿故障引起的非线性因素的影响。理论分析和仿真验证表明 ,所提方法可保证闭环系统具有良好的重构性能和很强的鲁棒性 ,且算法高效简单 ,易于计算机在线控制。     

未知非线性系统的神经网络跟踪控制与仿真研究

应用输入／输出反馈线性化方法和李亚普诺夫方法，研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换，将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数，网络的权值根据李亚普诺夫原则来在线修正，这样就克服了多神经网络控制系统中存在的稳定性问题。同时，为了减少权值学习时间，应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律，给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。     

基于非线性自适应观测器的故障诊断

将自适应控制的思想和状态观测器方法相结合研究了一类非线性控制系统的故障诊断问题。针对一类满足Lipschitz条件的带有未知参数的非线性系统,提出了一种非线性自适应状态观测器的设计方法,并将其应用到控制系统的故障诊断中。通过设置未知故障向量的自适应调整律,保证了状态观测器的渐近稳定。数字仿真证明了该方法的有效性,系统渐近稳定,状态向量和故障向量的估计值均趋近于实际值。     

混杂系统粒子滤波混合状态估计及故障诊断算法

混杂系统同时包含连续动态特性和离散动态特性,并且两种动态相互作用,使其故障诊断变得更加困难。针对此问题,提出了一种混合系统粒子滤波混合状态估计及故障诊断算法,提高了现有方法的适用范围和诊断效率。针对混杂系统受控迁移、自治迁移和随机迁移等特点,首先利用随机混杂自动机对系统离散状态(包括故障)和连续状态进行统一建模,重点对现有基于扩展卡尔曼粒子滤波的连续估计算法进行改进,支持利用在线监测数据来估计混杂系统各类迁移产生的各种离散和连续状态,最后根据离散状态估计结果快速实现故障诊断。通过对典型非线性混杂系统的故障诊断,证明了该方法的有效性。     

小波-神经网络在模拟电路故障诊断中的应用

小波变换具有时频局部化、多尺度分析等特性，而神经网络具有非线性映射、学习推理等优点，将二者结合起来，提出基于小波-神经网络的模拟电路故障诊断方法。采用正弦信号仿真模拟电路，应用小波变换对模拟电路响应的采样信号进行故障特征提取，建立故障字典，然后利用神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。对标准电路仿真结果表明：该方法能够实现故障检测及定位，具有准确率高的特点。     

基于概率神经网络的故障诊断方法及应用

针对智能大厦空调系统中发生的各种传感器故障问题 ,提出了一种基于概率神经网络 (PNN)的传感器故障诊断改进方法。该方法采用贝叶斯分类决策理论建立系统的数学模型 ,以高斯函数作为激励函数 ,具有非线性处理和抗干扰能力强等特点 ,可获得对空调系统中各种传感器硬故障和软故障的有效识别和诊断。给出了该方法的理论分析 ,故障特征量的选取 ,神经网络设置和训练的具体步骤。通过仿真和空调系统模型试验证明了该方法在网络训练速度 ,抗干扰能力及各种传感器故障识别准确率等方面的有效性。     

基于AR模型和支持向量机的转子系统故障诊断方法

提出了基于AR模型和支持向量机的转子系统故障诊断方法.该方法对转子系统的振动信号建立AR模型,以AR模型主要的自回归参数和残差的方差作为特征向量,然后建立支持向量机分类器,进而判断转子系统的工作状态和故障类型.实验结果分析表明,该方法能有效地应用于转子系统的故障诊断.并通过支持向量机与BP神经网络的性能比较,说明了支持向量机的优点.     

带推力矢量空空导弹的神经网络控制与仿真

对于新型空空导弹为了使导弹获得更高的的机动性、敏感性和更高的导引精度，大多采用推力矢量控制方案，因为神经网络控制对于系统非线性变化具有很强自适应能力，因而在解决带推力矢量空空导弹的控制问题时有较明显的优点，本文在给出推力矢量空空导弹数学模型的基础上，提出了两种适用于带推力矢量空空导弹的神经网络控制方案，并采用其中的双网络逆动态学习控制方法进行了自动驾驶仪设计，为进一步改善该神经网络的学习效果。还引入基于学习经验的模糊规则。数字仿真表明所提出的神经网络控制对于系统内参数非线性变化具有很强的适应性。     

基于神经网络组与故障分级的故障诊断

为了更好地解决当前神经网络在故障诊断方面的不足,提高诊断的精度和正确率,提出了一种基于神经网络组和故障分级思想的故障检测方法,在将故障分级的同时使用一个包含着三个子神经网络的神经网络组来完成故障检测。根据故障发生频率的不同,将故障分成了不同的等级。故障等级越高,用于检测这种故障的子神经网络数越多,以此来保证较高的故障检测正确率。实验结果表明:对于等级最高的故障,检测正确率是100%;对于其他故障,检测正确率也都在95%左右。实验结果充分证明了此方法在故障检测方面的优越性。     

容错神经网络研究

容错神经网络理论是分析和设计高可靠性的神经网络的理论和方法。容错神经网络的研究对于揭示人脑神经系统的容错机理和丰富容错系统理论有重大意义。本文结合所做的研究工作，系统地提出了容错神经网络的理论框架，为容错神经网络的理论和应用研究的深入奠定了基础。     

基于人工神经网络的电路故障诊断专家系统

分析了电路故障的复杂性。针对传统电路专家诊断系统的不足 ,结合人工神经网络用于故障诊断的优点 ,构造了一种新型神经网络电路故障诊断专家系统。该系统采用数据表格形式表示测试诊断知识 ,使知识表达更为清晰 ,推理过程更具智能性 ,在实际运用中 ,诊断效率有很大提高。着重介绍了该系统的设计思想、组成结构和工作原理。