时变时滞不确定组合系统的可靠保性能鲁棒控制

针对一类孤立子系统中状态、控制输入及互联项均含有时变时滞的不确定组合系统,采用增益故障模型,提出了考虑执行器故障的可靠保性能控制问题。该执行器故障模型概括了执行器正常、执行器部分退化和执行器完全失效三种情况,系统的性能函数是带有故障输入项的积分二次函数。利用Lyapunov方法及线性矩阵不等式(LMI)方法,得到系统存在可靠保性能控制器的充分条件和控制器的设计方法,并给出了系统的可保性能表达式。最后,通过一个数值例子验证了所得结果的正确性。     

考虑传感器故障的磁浮系统容错控制仿真研究

为了提高磁浮列车悬浮系统的可靠性,针对磁浮列车单点悬浮系统模型,设计了一种基于切换策略的主动容错控制器,在传感器故障发生后,通过辨别故障后系统所处的模态,快速将控制器切换到针对当前故障离线设计的控制律,使得故障系统基本维持正常系统的静态和动态性能,最后对设计的容错控制器进行了仿真分析和实验对比验证。     

不确定时滞系统的指数稳定保代价可靠控制

针对一类含有时变时滞的不确定参数系统,研究了在执行器发生故障情况下系统指数稳定保代价可靠控制器设计问题。系统的性能函数是含有指数项和故障输入项的积分二次型函数。经过适当的状态变换,将原系统的指数稳定保代价可靠控制问题转化为另一个等价系统的保代价可靠控制问题。根据Lyapunov稳定性理论,得到了系统存在指数稳定保代价可靠控制器应满足的一个矩阵不等式,进一步将这个矩阵不等式转化为线性矩阵不等式(LMI),并给出了系统的保代价表达式。利用论文方法设计的控制器能够使得时滞系统对于任意允许的不确定量以及执行器故障都保持鲁棒可靠指数稳定,并且使系统具有保代价的性能指标。仿真结果表明了该控制器设计方法的有效性。     

一类基于T-S模型的非线性系统模糊完整性控制

针对一类非线性系统的执行器故障,提出了一种基于T-S模型的模糊完整性容错控制设计方法。将不同模糊规则下的系统模型转化为其中一个模糊规则下的不确定性系统,分别给出执行器故障前后模糊控制器存在的充分条件,证明了两个充分条件存在交集的情况下,根据LMI原理设计的模糊完整性控制器使得在执行器卡死或失效时,仍然能够保证非线性闭环系统的稳定性。仿真算例表明了本方法的有效性。     

线性时滞系统主动容错H∞控制

采用一种具有广义内模控制结构的反馈控制器,研究一类线性时滞系统的主动容错H∞控制问题。针对可由外系统描述其动态行为的故障,设计了基于观测器的故障估计器,并在此基础上将在线故障估计信息用于控制器的故障补偿,提出了基于广义内模控制的主动容错控制系统设计方法。应用时滞系统有界实引理,推导并证明了问题可解的依赖于时滞的充分条件,给出了这类主动容错控制系统设计的具体步骤。算例验证了该方法的有效性。     

二次D稳定约束下不确定T-S模糊系统的L∞鲁棒可靠控制

针对一类受持续有界扰动的T-S不确定模糊系统,提出了考虑执行器故障的鲁棒可靠控制器设计方法。引入基于L_∞范数理论的鲁棒性能指标及二次D稳定的概念,给出了鲁棒可靠控制器存在的充分条件。通过求解线性矩阵不等式完成可靠控制器的设计,从而使系统即使在发生执行器故障的情况下仍能满足给定的L_∞性能指标,并且闭环系统二次D稳定。仿真实例表明了本方法的有效性。     

执行器有故障时关联大系统的可靠H∞控制

针对一类具有常时滞、执行器故障和参数不确定性的关联大系统可靠H∞控制问题,提出了可靠H∞控制器的设计方法,其中参数不确定性满足匹配条件,而执行器故障采取比通常的离散故障模型更实际的连续增益故障模型。本文的目的是设计无记忆分散控制器镇定被控系统。利用线性矩阵不等式获得该控制器,使得系统在此控制器下无论是否发生故障都保持渐近稳定,并且具有一定的H∞性能指标。通过仿真的例子,验证该分散状态反馈控制器的可行性。     

一种新型鲁棒容错控制器在飞控系统中的应用

讨论了一种新型的鲁棒容错控制器在飞控系统中的应用。该鲁棒容错控制器由两部分组成,主控制器和补偿控制器。首先,建立了飞机的正常标称模型,通过比较标称模型和实际系统的输出生成残差。在飞机无故障情况下,残差近似为零,仅主控制器作用,保证系统在无故障时具有良好的性能;考虑执行机构故障,飞机发生故障后,故障残差不再为零,补偿控制器以残差为输入,输出补偿控制信号,保证系统稳定,补偿故障对系统的影响。仿真结果表明了该新型鲁棒容错控制器的正确性和可行性。     

Delta算子系统的鲁棒D稳定可靠控制

研究具有执行器故障的Delta算子线性不确定系统鲁棒D-稳定可靠控制问题,即设计控制器,消除系统不确定性和执行器故障的影响,确保闭环系统极点落在复平面指定圆盘区域内。考虑执行器故障为连续故障模型的情形,利用线性矩阵不等式(linear matrix inequality,LMI)方法,给出Delta算子系统状态反馈鲁棒D-稳定可靠控制器存在的充分条件,并由此提出相应控制器设计方法。利用所得结论,给出Delta算子系统状态反馈鲁棒稳定可靠控制器存在的充分条件。数值算例表明设计方法的可行性和有效性。     

保证内回路稳定的鲁棒可靠控制器设计

鲁棒可靠控制器的设计是容错飞行控制系统研究的重要内容,设计思想就是建立系统的正常情况下的模型和故障情况下的模型,根据Lyapunov稳.定性定理求得反馈增益K,使得其能保证正常情况和故障情况下都能满足一定水平的指标要求.基于参数依赖Lyapunov方程和迭代线性矩阵不等式在直升机不确定性、H∞/LQ性能指标约束下提出直升机鲁棒可靠控制器设计方法,保证跟踪增广系统中内环系统的稳定性,通过仿真验证了该算法的有效性.     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

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RBF神经网络的分数阶混沌系统的同步

针对分数阶混沌系统的同步问题,提出一种基于径向基函数(Radial BasisFunction,RBF)神经网络的控制器。利用RBF神经网络对同步误差系统进行补偿控制,神经网络的权值可以在线调整,使得同步误差渐近收敛到零点。基于Lya-punov稳定性理论,分析了该控制器的稳定性。分别以分数阶Chen系统的同步和分数阶Liu系统的同步为例进行了数值仿真,仿真结果验证了所设计的控制器的有效性和鲁棒性。     

过热汽温系统的RBF神经网络控制

采用RBF神经网络直接构成神经网络控制器，将在线学习和控制相结合，这种方法不需要增加另一个神经网络对系统进行在线辨识，也不需要预先确定神经网络控制器的结构。通过将该方法应用于电厂过热汽温系统的控制进行仿真研究并与常规PID串级控制系统进行比较，结果表明控制系统的性能得到较大的提高。     

基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。     

Neural network based adaptive sliding mode control of uncertain nonlinear systems

The purpose of this paper is the design of neural network-based adaptive sliding mode controller for uncertain unknown nonlinear systems. A special architecture adaptive neural network, with hyperbolic tangent activation functions, is used to emulate the equivalent and switching control terms of the classic sliding mode control (SMC). Lyapunov stability theory is used to guarantee a uniform ultimate boundedness property for the tracking error, as well as of all other signals in the closed loop. In addition to keeping the stability and robustness properties of the SMC, the neural network-based adaptive sliding mode controller exhibits perfect rejection of faults arising during the system operating. Simulation studies are used to illustrate and clarify the theoretical results.     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

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。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.