一类不确定时延网络控制系统的模糊控制

针对网络控制系统(NCS)同时存在网络诱导时延和数据包丢失的情况,讨论了如何设计控制器的问题。首先,给出了一种新的闭环网络控制系统的建模方法——模糊T-S方法,利用这种模糊模型去逼近非线性网络控制系统,使之局部线性化,并在此模型的基础上应用平行分布补偿原理设计了网络控制系统模糊控制器。进而,应用Lyapunov理论和LMI方法,研究了模糊NCS的稳定性问题,同时基于线性矩阵不等式给出依赖状态时滞和网络诱导时延的状态反馈模糊控制器的设计方法,并获得使模糊NCS稳定的充分条件。通过两个仿真实例验证了该控制方法的有效性。     

基于LS-SVM的网络化控制系统自适应预测控制

针对网络化控制系统（NCS）中的随机时变时延,提出了一种用最小二乘支持向量机（LS-SVM）预估网络时延的方法。先将网络时延建模为非线性时间序列,再用径向基函数（RBF）作为LS-SVM的核函数,建立了网络控制系统的时延预测模型,然后用该模型预估的时延作为控制器的参数,对网络化控制系统的时延进行补偿和预测控制。仿真结果表明提出的时延预测方法,对网络控制系统的随机时变时延有较高的预测精度,根据该时延设计的控制器能使系统的输出很好地跟踪期望的输出。     

网络控制系统结构下的非线性系统建模与仿真

针对非线性系统往往具有不确定性,结构复杂、建模困难和不适于网络条件下仿真研究的问题,提出了一种网络控制系统结构下非线性系统建模与仿真的方法.在对弹簧连接的双倒立摆耦合非线性系统模型及其通信网络进行Matlab/Simulink模块化建模的基础上,利用鲁棒控制器将对象模型的不确定性和网络时延的不确定性进行了综合处理.仿真结果表明,该方法不仅降低了非线性系统建模的复杂性,而且为研究网络控制系统结构下非线性系统的动态特性提供了条件.     

基于T-S模型的自适应多变量模糊预测控制

针对多变量非线性系统的控制问题,提出了一种具有良好控制效果的模糊预测控制方法。首先采用快速聚类法和递推最小二乘法辨识得到非线性系统的T-S模型,然后对系统进行线性化,并基于线性化的模型设计模糊广义预测控制器并对非线性对象进行在线自适应控制。对一个带时延的强耦合二变量非线性对象进行仿真,结果表明对于具有时变性的非线性系统,该方法具有很好的控制效果。     

基于T-S模糊模型的网络控制系统鲁棒H∝容错控制

针对同时存在网络时延和数据包丢失的网络环境,研究了执行器故障下一类非线性网络控制系统的鲁棒H_∞容错控制问题。基于不确定T-S模糊模型描述的非线性网络控制系统模型,考虑了更实际、更常见的执行器部分失效情况。通过引入一个积分不等式,获得了此类系统的时滞相关鲁棒稳定性条件,且采用锥补线性化算法给出了此类系统的鲁棒H_∞容错控制器设计方法。仿真算例表明,对于任意容许的不确定性以及执行器故障,所设计的控制器能使系统鲁棒渐近稳定,且具有H_∞范数界。       

基于混沌神经网络模型的预测控制器的设计及应用

根据具有混沌特性非线性、大时滞系统的时间序列重构相空间，计算相空间饱和嵌入维数、并以此为指导，建立混沌神经网络，即便在网络输入不完整或发生变异的情况下，该模型仍能对系统作高精度的短期预测；在此基础上，又设计了模糊神经网络预测控制器，实现了对非线性、大时滞系统高精度的自适应控制。将该控制器应用到单元机组负荷控制系统中，仿真表明了该控制有效性、快速性和鲁棒性。     

非线性网络控制系统的T-S模糊H∞控制与数值仿真

研究了一类非线性网络控制系统的控制和数值仿真问题.首先建立了非线性网络控制系统的连续时间T-S模糊模型.然后基于时变网络诱导时滞,分别设计了系统在无外部干扰和有外部干扰两种情形下的模糊控制器,同时以线性矩阵不等式(LMIs)的形式给出了控制器存在的充分条件.最后通过数值仿真验证了以上两种情形下控制器的有效性.     

基于时延切换的遥操作机器人控制研究

针列Internet网络遥操作机器人实时控制问题,提出了一种基于时延切换的遥操作机器人控制方法.首先对网络节点间的网络时延进行测试分析,得到网络时延平移Gamma分布的种类,再通过预估网络时延分布种类的方法,预估网络时延,作为遥操作机器人系统的遥操作周期,建立主从端不同采样周期的网络遥操作机器人采样系统模型,在此基础上提出一种基于时延切换的遥操作机器人控制方法,模拟实验验证了该方法对于提高网络遥操作机器人系统的控制性能有效可行.     

高精度陀螺稳定跟踪系统神经网络预测控制

针对高精度陀螺稳定跟踪系统，提出了一种基于小波基函数神经网络的非线性系统的一步超前预测控制算法。该方法利用小波网络学习非线性系统，利用小波神经网络模型作为系统的预测模型，控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得。通过对陀螺稳定跟踪控制系统的仿真，表明该算法具有优良的控制品质。     

基于神经网络的非线性动态系统的多内模控制研究

由于非线性动态系统的复杂性,目前还没有统一的控制器设计方法,用传统的线性系统理论来设计,当工作点大范围变化时,很难保证其性能及稳定性.在人工神经网络内模控制系统中建立了神经网络内部模型和神经网络内模控制器,提出了基于多模型的内模控制方法,它对非线性动态过程的控制具有良好的性能.在此基出上,给出了方便易行控制算法,仿真分析结果验证了控制算法的有效性.     

基于神经网络的一类非线性系统的变结构控制

在已知名义系统的基础上 ,将小脑关节模型控制器 (CMAC)神经网络用于一类状态反馈可线性化的多输入多输出连续时间非线性系统的变结构控制中。利用自适应技术估计了估计误差的大小 ,减小了系统的不确定性 ,并利用模糊控制技术调整了变结构增益 ,改善了系统的性能。在很弱的假设条件下 ,应用Lyapunov稳定性定理证明了闭环系统内的所有信号为均匀最终有界。算法在导弹控制系统中的应用进一步证明了本文方法的有效性。     

Uniformed model of networked control systems with long time delay

Feedback control systems wherein the control loops are closed through a real-time network are called networked control systems （NCS）. The defining feature of an NCS is that information is exchanged using a network among control system components. Two new concepts including long time delay and short time delay are proposed. The sensor is almost always clock driven. The controller or the actuator is either clock driven or event driven. Four possible driving modes of networked control systems are presented. The open loop mathematic models of networked control systems with long time delay are developed when the system is driven by anyone of the four different modes. The uniformed modeling method of networked control systems with long time delay is proposed. The simulation results are given in the end.     

车辆半主动悬架系统模糊神经网络控制研究

悬架系统对车辆平顺性具有重要的影响,通过预瞄控制在后轮处提前预测路面不平度,用于解决半主动悬架模糊神经网络控制存在的时滞问题。建立了1/2车辆模型和路面输入模型,设计了基于预瞄控制的半主动悬架模糊神经网络控制结构,并进行了白噪声输入仿真分析。结果表明：预瞄控制后的车身加速度峰值和标准差比被动系统分别减少了61.61%和44.28%,比模糊控制的悬架系统分别减少了21.23%和21.20%;预瞄控制后的质心加速度峰值和标准差比被动系统分别减少了35.21%和57.81%,比模糊控制的悬架系统分别减少了7.83%和20.10%。后轮处车身加速度和质心垂直加速度均有明显减小,较好改善了悬架系统适应道路的性能,有效缓和了车辆的振动和提高了汽车的行驶平顺性。

Abstract：

Suspension system has important effect on vehicle ride comfort.Wheelbase preview control method could be used to forecast the road surface roughness at the front wheel,and to be used to solve the delay problem in fuzzy neural network controlled semi-active suspension system.The 1/2 vehicle model and road input model was established,and the fuzzy neural network control structure based on wheelbase preview control theory was designed.The white noise input simulation was carried out and the results show that the peak and standard deviation of body acceleration are separately decreased by 61.61% and 44.28% compared with passive suspension system,and are 21.23% and 21.20% compared with fuzzy controlled suspension system;on the other hand,the peak and standard deviation of vertical acceleration at CG are separately decreased by 35.21% and 57.81% compared with passive suspension system,and are 7.83% and 20.10% compared with fuzzy controlled suspension system.The body vertical acceleration at rear wheel and the vertical acceleration at CG are significantly decreased to adapt to the suspension performance,which helps to effectively easy the vehicle vibration and to improve the vehicle ride comfort.     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。     

城市交通干线递阶模糊控制及其神经网络实现

利用大系统的分解-协调思想、模糊理论和神经网络技术来进行城市交通干线的实时协调控制.把交通干线作为一个大系统,子系统为干线上的各个交叉口,在此基础上,设计了一种城市交通干线的两级模糊协调控制算法并用BP神经网络实现.控制级在线调整各子系统的信号周期和绿信比;而协调级则根据测得的交通信息协调相邻子系统间的车辆数.控制目标是使干线交通畅通并使平均车辆延误时间尽可能小.最后进行了仿真研究,结果表明,该方法比车辆全感应式控制能有效地减小平均车辆延误.     

一类非线性系统的模型参考自适应模糊控制

针对一类不确定非线性系统 ,基于一种修改的监督控制方案并利用广义多线性模糊逻辑系统的逼近能力 ,提出了一种模型参考自适应模糊控制器设计的新方案。该方案利用参考模型作为性能指标 ,自适应调节模糊控制器的规则库 ,并通过引入最优逼近误差的自适应补偿项来消除建模误差的影响 ,不但能保证闭环系统稳定 ,而且可使跟踪误差收敛到零。仿真结果表明了该方法的有效性     

高阶非线性时滞系统的神经网络动态面控制

针对一类具有未知时变时滞的不确定高阶非线性系统,基于增加幂次积分方法,提出了一种非光滑状态反馈自适应神经网络动态面控制设计方案。通过构造适当的Lyapunov Krasovskii泛函处理了未知时变时滞不确定项;通过利用神经网络权值范数的适当形式幂次函数,将神经网络用于对在单步递推中所构造的未知函数进行建模;采用动态面技术,解决了“微分爆炸”问题。所提控制方案能够保证闭环控制系统的状态量和跟踪误差半全局一致终结有界。最后,仿真算例结果表明了该方案的有效性。     

神经网络模糊预测优化控制在VAV系统中的应用

将神经网络、模糊控制与非线性预测优化控制结合起来,提出了神经网络模糊预测优化控制方法,采用前馈神经网络作为预测模型,利用贝叶斯正则化方法对模型进行了辨识,以自调整模糊控制器作为优化控制器,通过多步预测方式,系统的优化性能指标综合考虑温度偏差最小和能耗最小这两方面因素,应用该方法对制冷工况变风量空调系统的送风温度和回风温度（室内温度）进行了仿真控制研究。控制结果表明了该方法的有效性,控制效果良好,并且可以达到节省能耗的目的。

Abstract：

Artificial neural network,fuzzy control and nonlinear optimal predictive control were combined.The algorithm of neural network nonlinear fuzzy predictive optimal control was proposed.Feed-forward neural network was adopted as the predictive model of the cooling VAV system.The model was identified by the method of Bayesian regularization.The self-adjusting fuzzy controller was adopted as optimal controller.The algorithm was applied in the cooling VAV system with multi-step predictive method.Indoor temperature and supply air temperature was controlled aimed at minimum temperature deviation and minimum energy consumption by this scheme in Matlab.Simulation results illustrate the effectiveness of this technique,and in the meantime illustrate that this technique can save energy consumption.     

多输入多输出非线性系统的多面滑模控制

针对多输入多输出非线性系统 ,提出一种基于模糊小脑关联结构模型 (CMAC)神经网络的多面滑模变结构控制算法 ,特点是无需已知不确定性函数及其各阶导数的上界 ,证明了系统的状态及权值误差有界。与经典设计方法相比 ,所提出的方案允许非参数化不确定性。仿真实例显示了方法的有效性。