Application of Neurocomputing in Adaptive Control of Large-Scale Aerospace Systems

We are engaged in solving two difficult problems in adaptive control of the large-scale time-variant aerospace system. One is parameter identification of time-variant continuous-time state-space modei; the other is how to solve algebraic Riccati equation (ARE) of large order efficiently. In our approach, two neural networks are employed to independently solve both the system identification problem and the ARE associated with the optimal control problem. Thus the identification and the control computation are combined in closed-loop, adaptive, real-time control system . The advantage of this approach is that the neural networks converge to their solutions very quickly and simultaneously.     

机理混合自适应时延神经网络建模和控制算法

过程机理和数据驱动模型的结合一直是过程控制中的重点和难点问题。提出了一种新颖的机理混合模型结构。该模型基于自适应时延神经网络,并结合了被控对象的机理模型,因此可以对建模的对象进行预测感知,并可大幅提高神经网络的泛化功能。基于这种模型设计了预测控制算法,并分析了该模型的逼近能力、收敛性以及该控制算法的闭环稳定性。在双容水箱液位控制系统的大量实验结果表明,基于该混合模型的预测控制算法比现有算法具有更好的控制效果,从而验证了该混合模型的优越性。     

一种改进的自适应模糊滑模大包线飞行控制方法

提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆,能够更加细致地逼近非线性模型,并针对自适应控制的鲁棒性与瞬态性能差的缺点,将滑模控制与自适应控制相结合共同补偿逆误差,提高了自适应控制的鲁棒性与瞬态性。仿真结果表明:所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。     

在基于二阶Adaline网络的广义预测极点配置控制器

为了解决实际应用中非线性被控过程的预测控制问题,把神经网络、广义预测控制和极点配置技术融为一体,提出一个新型自适应神经网络广义预测极点配置加权控制器(GPPWC)。首先提出非线性被控过程的二阶自适应线性神经元(Adaline)网络模型,然后给出基于二阶Adaline网络的GPPWC。仿真结果表明该方案的有效性。     

非线性离散系统的直接自适应神经网络控制器

对于一类非仿射离散时间系统,提出了一种新的自适应神经网络控制器。首先推导与原系统等价的仿射形式模型,由仿射模型推导控制律。控制律中采用一个神经网络,与传统的基于反馈线性化的自适应神经网络设计方法中采用两个神经网络相比,计算量大大减少且避免了控制器奇异问题。神经网络权值根据系统输入输出信号进行更新,另外σ项的引入,取消了为保证参数收敛持续激励的条件。系统的稳定性通过Lyapunov方法进行了分析,仿真实例验证了控制器的有效性。     

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。     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。     

Output-feedback adaptive stochastic nonlinear stabilization using neural networks

For the first time, an adaptive backstepping neural network control approach is extended to a class of stochastic nonlinear output-feedback systems. Different from the existing results, the nonlinear terms are assumed to be completely unknown and only a neural network is employed to compensate for all unknown nonlinear functions so that the controller design is more simplified. Based on stochastic LaSalle theorem, the resulted closed-loop system is proved to be globally asymptotically stable in probability....     

混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。     

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.     

一种基于神经网络的任意模型参考自适应控制

针对一般模型参考自适应控制方法在解高阶非线性模型时参考模型阶数较高的不足,采用一种任意模型参考自适应控制降低了参考模型的难度。利用隐层神经网络对模型进行逼近,对线性化时由不确定因素导致的误差进行补偿,并利用直接Lyapunov稳定性理论证明了跟踪误差有界,最后将其应用到飞行器纵向非线性模型的自动着陆下滑控制设计中。仿真结果表明,所设计的控制器能够使飞行器较好地跟踪理想着陆轨迹,从而验证了方法的有效性。     

基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的     

Adaptive integral dynamic surface control based on fully tuned radial basis function neural network

An adaptive integral dynamic surface control approach based on fully tuned radial basis function neural network (FTRBFNN) is presented for a general class of strict-feedback nonlinear systems, which may possess a wide class of uncertainties that are not linearly parameterized and do not have any prior knowledge of the bounding functions. FTRBFNN is employed to approximate the uncertainty online, and a systematic framework for adaptive controller design is given by dynamic surface control. The control algorithm has two outstanding features, namely, the neural network regulates the weights, width and center of Gaussian function simultaneously, which ensures the control system has perfect ability of restraining different unknown uncertainties and the integral term of tracking error introduced in the control law can eliminate the static error of the closed loop system effectively. As a result, high control precision can be achieved. All signals in the closed loop system can be guaranteed bounded by Lyapunov approach. Finally, simulation results demonstrate the validity of the control approach.     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

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。     

直流电机神经自适应滑模位置跟踪控制

针对系统部分非线性未知的直流电机的位置跟踪问题，提出了一种基于自适应控制的神经网络滑模控制策略，在这个控制策略里我们采用已有的输入输出线性化方法来消除非线性，且将神经网络的输出加入到控制器当中，仿真结果演示了变负载直流电机的位置输出能够跟踪任意给定曲线。     

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。     

基于动态逆的大空域靶弹高度控制系统设计

针对纵向运动模型,提出了一种采用神经网络自适应逆控制设计靶弹高度控制系统的方法。该方法利用神经网络经离线训练实现非线性系统的逆,通过基于变结构控制的方法得到控制律自适应的补偿逆误差和系统的动态特性变化引起的误差。通过对大空域靶弹的全弹道仿真表明,该控制方法具有较好的控制能力和较强的鲁棒性。     

Robust adaptive neural network control with supervisory controller

The problem of direct adaptive neural network control for a class of uncertain nonlinear systems with unknown constant control gain is studied in this paper. Based on the supervisory control strategy and the approximation capability of multilayer neural networks (MNNs), a novel design scheme of direct adaptive neural network controller is proposed.The adaptive law of the adjustable parameter vector and the matrix of weights in the neural networks and the gain of sliding mode control term to adaptively compensate for the residual and the approximation error of MNNs is determined by using a Lyapunov method. The approach does not require the optimal approximation error to be square-integrable or the supremum of the optimal approximation error to be known. By theoretical analysis, the closed-loop control system is proven to be globally stable in the sense that all signals involved are bounded, with tracking error converging to zero.Simulation results demonstrate the effectiveness of the approach.