应用非线性干扰观测器的反推终端滑模飞行控制

针对飞机机动飞行时模型非线性、气动参数和力矩干扰不确定性的特点,提出一种基于非线性干扰观测 器的反推终端滑模控制方案. 该方案利用非线性干扰观测器逼近系统不确定性,取消了不确定性上界已知条件. 反 推设计过程中结合动态面控制设计虚拟控制律,能避免计算复杂性问题,通过引入快速终端滑模控制策略,提高了 系统收敛速度和稳态跟踪精度. 采用Lyapunov 稳定性理论证明了闭环系统所有信号一致终结有界. 对某战斗机进 行6 自由度机动飞行仿真,验证了该控制方案的有效性.     

考虑输入饱和的直接自适应神经网络跟踪控制

基于Lyapunov稳定性定理和backstepping方法,针对一类受输入饱和限制的单输入单输出非线性不确定系统,提出了一种考虑输入饱和的直接自适应神经网络控制算法. 采用动态面控制方法和直接自适应神经网络控制方法,避免了传统控制设计中的“计算量膨胀”问题和潜在的控制器奇异值问题. 借助一种饱和内补偿辅助系统处理系统中的输入饱和限制问题,以保证系统的稳定性和控制性能. 该算法不但保证了闭环系统信号一致最终有界,而且使系统输出能收敛到零的一个较小邻域. 以大连海事大学远洋实习船“育龙”轮为例进行仿真,验证了所提控制器的有效性.     

基于神经网络的一类非线性系统自适应滑模控制

对一类非线性系统进行简化处理后,结合神经网络逼近方法、自适应滑模控制提出一种新的自适应控制方法.所设计的控制器分为两部分,一部分是等效控制器,另一部分是滑模控制器.滑模控制器用来减小系统的跟踪误差,起鲁棒控制作用.文中用神经网络逼近非线性函数,并将网络权值误差引入到神经网络权值的自适应律中用以改善系统的动态性能.最后给出的仿真算例证明所设计的控制器是十分有效的.     

无人机鲁棒反推自适应编队导引控制设计

针对一般不确定系统研究了一种鲁棒反推自适应控制方法,采用自适应神经网络对未建模动态进行补偿,并利用Lyapunov 理论证明了跟踪误差的有界性. 分析了长机–僚机编队方式下的无人机编队导引控制策略,采用鲁棒反推自适应控制与动态逆方法对无人机编队飞行综合导引控制律进行设计. 进行了六自由度非线性仿真,表明所设计的编队导引控制器能使僚机对不确定机动的长机进行跟踪,并具有很好的鲁棒性.     

基于神经网络自适应观测器的鲁棒故障检测

提出一种基于动态神经网络的不确定非线性系统鲁棒故障检测方法,该方法通过构造神经网络自适应观测器来获取反映系统故障的残差信息以进行快速的故障检测,并采用Lyapunov稳定理论证明了闭环误差系统的一致最终有界稳定性.针对某型飞机舵面故障的仿真验证了本文方法的有效性.     

过驱动执行器故障自适应重构控制分配策略

摘要： 针对过驱动执行器故障情况下控制指令的协调分配问题,提出了一种自适应修正故障操纵面控制权值的重构控制分配策略. 引入虚拟控制指令构造模块化飞行控制系统,并考虑物理约束建立多操纵面飞行器的故障执行器模型. 结合多目标混合优化控制分配,沿控制目标梯度下降的方向调整故障操纵面控制指令权值矩阵,整体优化控制分配策略,实现故障执行器控制量的自适应修正. 仿真结果表明,该策略可综合考虑执行器故障条件下操纵面的控制效能,避免抖振现象,有效协调分配控制指令,实现控制重构.     

非线性系统的鲁棒自适应模糊轨迹线性化控制

针对一类非线性多输入多输出不确定系统,基于小增益理论提出了鲁棒自适应模糊轨迹线性化控制方法。利用T-S模糊系统逼近未知干扰和不确定性因素,采用Lyapunov方法及小增益理论证明了闭环系统所有信号一致最终有界。该算法自适应律的学习参数仅有1个,便于工程实现。最后利用本文提出的控制方案设计了空天飞行器飞行控制系统,仿真结果表明了控制方案有效性和鲁棒性。     

基于神经网络的机械臂自适应输出反馈控制设计

研究了机械臂的位置跟踪问题,提出了基于神经网络的自适应输出反馈控制方法. 该方法无需系统精确的数学模型,适用于具有非线性不确定性和外界干扰的机械臂控制系统. 设计的控制器由三部分组成：基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项. 神经网络的权值自适应学习率由Lyapunov稳定性理论得出. 仿真结果表明设计的控制器能驱动机械臂精确跟踪期望的位置,验证了该控制方法的有效性.     

交流传动神经网络自适应规划控制系统的设计与仿真

将Hopfield神经网络应用于交流传动系统的自适应控制,通过神经网络来规划交流调速系统的速度控制器动态输出,使速度控制器对某些参数变化具有良好的鲁棒性.对于不可控的负载转矩,加入参数自动跟踪神经网络,构成具有参数在线跟踪功能的双神经网络自适应规划控制模式,进一步提高系统的性能.仿真结果表明,该系统具有良好的动态性能.     

基于BP神经网络的机械臂模糊自适应PID控制

机械臂属于强耦合多变量的典型非线性系统,常规的控制策略难以取得满意的控制效果.采用基于BP神经网络的模糊自适应PID控制策略,解决了原有PID控制的参数自适应能力弱、鲁棒性较差的问题.该方法采用BP神经网络动态调整PID控制器参数,使之能够随时满足控制精度的需要,改善系统的控制性能.仿真实验结果表明:所提的控制策策略实现简单,同时具有较高的控制精度.     

机翼摇滚自适应神经网络抑制

针对战斗机在大迎角下表现出的机翼摇滚非线性振荡现象,提出一种基于自适应神经网络的抑制机翼摇滚控制方案. 采用动态逆方法实现机翼摇滚特性的近似线性化,并根据动态性能指标要求设计线性补偿器,采用单隐层神经网络在线补偿近似动态逆引起的误差. 仿真实验验证了控制方法的有效性.     

综合智能温度控制策略在泡沫玻璃生产中的应用

通过对泡沫玻璃生产窑炉工作机理及温度控制系统的分析,提出了一种综合智能控制方案:首先利用人工神经网络对泡沫玻璃生产窑炉进行建模,再利用遗传算法对神经网络的权值和阈值进行优化,然后将此模型作为一个预估模型投入到控制系统中去.在控制器的设计过程中,不再使用单一的控制策略,而是在生产过程中根据坯料温度的输出误差大小来随时改变控制器的结构,从而达到对泡沫玻璃窑炉生产状态的最佳控制.     

一种不定控制系统的强健神经网络控制器

探讨不定控制系统的强健神经网络控制器．这是一个由遗传运算法则确定的最佳隐藏神经数的前馈多层神经网络．它借助状态空间控制器和编入必要的最佳程序,进行非线性处理,以确保性能的强健性．混合的遗传运算法则和后繁殖神经培养,具有最佳网络结构和神经染色体接合权的双重目标,把最佳网络结构和神经权协调地聚合,从而得到与性能控制目标基本一致．     

基于混沌的模拟电路故障诊断方法

针对模拟电路故障诊断的神经网络方法中,网络易陷入局部极小、收敛速度慢等缺点,网络结构、权值难以确定等难题,提出一种利用混沌优化神经网络的模拟电路故障诊断新方法.该方法中,将混沌变量引入神经网络结构的优化搜索,使得神经网络的隐层节点数以及所有权参数处于混沌状态中,从而整个网络结构呈现为动态变化.然后从动态的神经网络结构中,根据性能指标来寻找一个全局最优或近似于全局最优的网络结构.最后利用优化的神经网络对模拟电路进行故障定位.利用该方法对模拟电路进行实例仿真,结果表明该算法可以有效、可靠地运用于模拟电路故障诊断中.     

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法．该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识，利用多步预测误差对PID型控制器网络进行训练，从而实现PID参数的在线自适应寻优．通过对典型非线性系统的仿真研究，该控制系统具有较强的适应性和鲁棒性．     

网络控制系统的自适应预测控制

针对具有随机时延的网络控制系统,提出一种自适应预测控制方法. 利用Elman神经网络对网络控制系统的随机时延进行在线预测,然后采用一种增加微分作用的改进隐式广义预测控制方法对网络时延进行补偿,实现了随机时延网络控制系统的自适应预测控制. 仿真结果表明,该方法对网络随机时延有很好的补偿效果,可明显改善系统输出性能,保证控制的稳定性与快速性.