容错控制系统的一种神经网络控制策略

基于神经网络的函数逼近能力及其容错性，提出了一种神经网络容错控制策略：首先利用系统重构的方法设计控制系统在各种故障情况下的控制律，然后采用一个神经网络来学习这些控制律的特性．学习结束后，将该神经网络作为控制器对系统实施控制．对一个具体的线性系统在传感器故障情况下的神经网络控制进行了仿真研究，结果表明：神经网络控制器能够代替系统原有的控制器．而且在系统发生未知故障时，同样具有容错性．     

基于T-S模糊模型的自适应重构控制

针对建模误差,外界干扰及操作故障等因素对重构控制的影响,提出了一种基于T-S模糊模型的自适应重构控制方案。整个方案基于模糊T-S模型,在与神经网络的学习能力相结合后,使模糊控制器能自动调整它的隶属度函数,为模糊控制器增加了相当的灵活性,可重构的控制律又使系统在故障情况下的输出精确跟踪期望参考模型的输出,可以有效地补偿故障引起的非线性因素的影响。仿真结果表明了所提出的方法的有效性。     

基于增益调度PID的四旋翼无人机主动容错控制

针对悬停状态下四旋翼无人机的执行机构故障,提出基于插值增益调度PID的主动容错控制方法,并在四旋翼无人工具实验平台上验证。首先根据不同故障率建立了故障模型集,并通过多模型故障诊断算法估计出故障的大小和时间。然后根据所估计出的故障大小,将控制律切换到相应故障情况下的控制律,实现对不同执行机构故障率的容错。最后在无人飞行工具实验平台上验证,飞行试验结果表明,与单纯的PID控制器相比,以插值增益调度PID为实现形式的主动容错控制方法可以使飞行器的容错性能有效提升。     

主动悬架非线性滑模容错控制研究

以1/4车非线性主动悬架模型为研究对象,针对未知的作动器故障,提出了一种滑模容错控制方法。选取合适的滑模面,以保证悬架系统的隔振性能。在无需掌握系统的非线性及作动器故障信息的前提下,基于Lyapunov稳定性理论设计滑模容错控制律,使其切换增益能实现自适应调节以消除故障影响。最后,通过理论推导证明了该控制律能够满足悬架系统的硬约束要求。仿真结果表明,基于容错控制律设计得到的主动悬架系统,在作动器出现故障的情况下,有效改善车辆乘坐舒适性,体现出了较好的容错性。     

多缸液压机的自适应容错滑模控制分配

针对一类多缸液压机提出了一种基于滑模的自适应容错控制分配方法.该方法不仅考虑了单一执行器的故障问题,而且可以满足执行器同时发生故障时控制系统的性能要求.当某一个液压缸发生故障时,控制分配部分采用容错控制分配方法在健康的液压缸之间对故障进行补偿;当液压缸同时发生故障时,针对虚拟控制量存在误差的问题,采用在线自适应控制方法调整高层滑模控制器的控制增益,在消除虚拟控制误差的同时,保持了闭环系统的稳定性.仿真实验表明:所提出的控制器与未考虑容错性能的控制器相比具有更好的控制性能,在液压缸分别出现局部或全局故障的情况下,皆表现出较强的鲁棒性.     

基于小波神经网络的自适应控制器设计

针对一类未知非线性系统,设计了一种基于小波神经网络的自适应控制器,并提出了一种适合在线学习的参数混合训练算法。根据离线和在线学习系统的特性,得到小波神经网络控制器的初始参数,使用混合训练算法在线修正控制律,实现了自适应控制。仿真结果验证了该控制方案的有效性。     

基于广义内模控制的时滞系统主动容错控制设计

为了提高动态系统的可靠性,研究了多状态时滞系统的主动容错控制.给出了基于广义内模控制设计的容错控制器设计方法.该容错控制器由两部分构成,分别针对系统的性能和鲁棒性.只有当系统发生故障时,控制器中针对鲁棒性(容错性)的部分才会起作用,从而保证系统在没有故障时具有尽量好的性能,而当故障发生后具有客错功能.通过一个仿真算例,验证了方法的有效性.     

含控制分配的积分滑模主动容错控制方法

针对重构故障不匹配情况下的多操纵面飞机控制问题,提出了一种基于控制分配的积分滑模主动容错方法. 采用一种新的在线控制分配律简化了滑模控制律设计,设计了积分滑模控制律以保证指令重分配时系统的稳定性,在重构故障匹配和不匹配情况下,推导并证明了含控制分配律的系统整体闭环稳定性. 仿真结果验证了所设计控制器的性能,有效实现多操纵面飞机的快速平稳控制.      

一类非线性Markov跳跃系统的自适应跟踪

研究一类非线性Markov跳跃系统的自适应跟踪问题．首先给出了定性描述该系统跟踪控制器的充分条件，然后给出了在系统不确定情况下的自适应跟踪控制律．最后通过一个数值算例说明了所设计的自适应跟踪控制律的性能．     

基于神经网络的离散变结构控制设计

研究了不确定离散时间系统的变结构控制设计问题，对利用传统离散趋近律设计变结构控制时系统抖振原因进行了分析，提出了组合趋近律设计思想。针对系统不确定部分，采用神经网络进行在线学习，使变结构控制器具有自适应性。仿真结果表明所提设计方法可以提高系统鲁棒性并有效减弱抖振。     

非线性离散时滞系统的非脆弱H_∞保成本容错控制

基于Lyapunov稳定性理论,研究一类不确定非线性离散时滞系统的非脆弱H∞保成本容错控制问题.在考虑执行器故障和控制器参数存在加法摄动的情况下,利用线性矩阵不等式方法,给出了非脆弱H∞保成本容错控制律的存在条件、非脆弱H∞保成本控制器的设计方法和控制器的清晰的表达形式.最后通过一个仿真算例,验证了本文提出算法的有效性.     

风冷制冷机组的多变量模糊控制研究

针对一个多输入多输出、非线性复杂系统明显的非线性热力学耦合特性，采用模糊控制与神经网络相结合的方法，提出一种具有结构和参数学习能力的自组织模糊神经网络控制器，在控制过程中通过采样数据在线学习，调整网络结构，产生模糊控制规则并调整规则的参数，使得控制器具有模糊控制的特点，又有神经网络学习的能力．通过对风冷制冷机组控制试验的结果表明，该控制器能够达到同时控制蒸发压力和过热度的目的．     

基于神经网络的PID参数自整定与实时控制

将Bang-Bang控制与神经网络自适应控制相结合，利用神经元的学习功能构成了一种自适应PID控制器，控制器在Bang-Bang控制阶段进行系统辨识，利用系统参数整定PID控制参数，作为神经网络权系数的初值，其结构简单，工作稳定，鲁棒性强，实时控制结果表明，这类神经网络自适应控制器可有效地用于一类电加热炉系统的温度控制，使得系统具有快速响应性和良好的抗干扰性。     

离散多时滞系统时滞记忆鲁棒H_∞容错控制

针对具有多个时滞状态的线性不确定离散时间系统,基于李雅普诺夫稳定性理论和线性矩阵不等式方法（LMI）,采用有时滞记忆的状态反馈控制律,研究了执行器发生故障的情况下,不确定离散多时滞系统的鲁棒H∞容错控制问题.在采用离散执行器故障模型条件下,给出了没有干扰输入时,系统存在有时滞记忆的状态反馈鲁棒容错控制器的一个充分条件;...     

基于反演技术和神经网络的移动机器人控制

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.     

基于BP网络的非线性广义预测学习控制器

本文提出了一种基于ＢＰ神经网络的非线性义预测学习控制器，它由一个ＢＰ网络构成。在整个学习与控制过程中，首先根据被控对象的输出与ＢＰ的学习输出之间的误差来修改网络的权值，以逐步建立被控对象的合理的多步预报模型；然后，根据网络的多步预报输出序列与设定值序列的偏差修改控制律。     

一种双故障情形的主动滑模容错控制方法

针对非线性系统发生多故障情形的主动容错控制,利用平衡学习的CMAC神经网络作为故障诊断的手段,在线估计故障函数,用滑模控制算法进行容错控制律的在线重构,实现非线性系统主动容错控制。以一双故障模式为例进行仿真,结果证明所提方法有效。     

柴油发电机神经网络非线性励磁控制器研究

采用基于LM算法的BP神经网络逼近柴油无刷发电机微分几何非线性励磁控制器,实现了神经网络非线性励磁控制方式,简化了控制回路。仿真结果表明,在系统遭受扰动或故障时,所设计的神经网络非线性励磁控制器具有良好的控制效果。     

自主水下航行器事件触发自适应神经渐近深度跟踪控制

针对自主水下航行器(AUVs)在未知模型动力学和环境干扰作用下的高精度深度跟踪控制问题，设计一种事件触发自适应神经渐近跟踪控制器。采用径向基神经网络(RBF NNs)逼近模型中的非线性不确定项，将积分有界函数融入控制律和自适应律中，以实现跟踪误差的渐近收敛；采用最小学习参数(MLPs)技术压缩神经网络权重，构造单参数自适应律；在控制器至执行器通道上应用事件触发机制，构造变量式事件触发条件，避免“Zeno”现象；应用径向基函数的不等式关系，解决“代数环”问题；采用Laypunov直接法和Barbalat引理对闭环系统的稳定性进行分析，证明跟踪误差的渐近收敛。仿真试验验证本文控制策略可实现高精度深度跟踪。     

基于反步法的CSTR神经网络非奇异自适应控制

针对一类参数不确定连续搅拌釜式反应釜(CSTR:Continues Stirred-Tank Reactors)系统中的参数不确定性,研究了一种基于反步(Backstepp ing)方法的神经网络自适应控制器。该控制器采用多层神经网络,可较好地逼近系统的复杂非线性动态,网络权值能在系统先验知识不多的情况下在线调整,更新律可用Lya-punov综合法在线获得;通过构造类加权形式Lyapunov函数,使控制器能有效处理自适应控制中可能的奇异性问题。系统仿真验证了方法的有效性和可行性。结果表明:该控制器能保证闭环系统全局稳定,并对系统参数的不确定性和有界干扰具有一定的鲁棒性。