基于模型预测控制的航空发动机传感器容错控制

针对航空发动机传感器的硬故障和软故障,在模型预测控制（model predictive control,MPC）的基础之上,提出了一种调整参考轨迹的主动容错控制（fault tolerant control,FTC）方法。首先,该方法使用故障诊断（fault detection and diagnosis , FDD）单元诊断出故障信息;然后,监控决策机制根据故障信息在线的调整参考轨迹;最后,控制器通过调整控制量使得输出跟踪新的参考轨迹,从而实现传感器故障的主动容错控制。同时,对CMPASS-90K涡扇发动机进行了主动容错控制仿真,验证了所提方法的有效性,并分析了容错效果的影响因素。     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

一种基于RBF网络的多模型的主动容错控制方法

针对某些具有可能故障先验知识的非线性系统,基于RBF网络对系统正常及各种先验故障情形建模,并离线整定出各种故障模式下的控制律,由此建立模型库,进而构建基于多模型切换的主动容错控制系统;系统实时运行时,依据系统性能容忍度指标和模型失配度指标的计算分析,判断系统所处运行模式,进而调用与之匹配的控制律,从而达到对非线性系统主动容错控制的目的。最后将提出的主动容错控制方法应用于系统进行MATLAB仿真,结果表明了方法的有效性。     

基于Hammerstein模型的连续搅拌反应釜非线性预测控制

该文针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于最小二乘支持向量机Hammerstein模型的非线性预测控制方法。Hammerstein模型的非线性环节采用最小二乘支持向量机逼近,线性环节则采用外因输入自回归模式(ARX)结构。基于此模型结构设计非线性模型预测控制器,将非线性预测控制问题转化为线性模型的预测控制和非线性模型的求逆问题,进而给出了预测控制律以及非线性环节逆模型的构造方法。对CSTR的仿真结果表明:与传统的非线性模型预测控制以及PI控制器相比,该文方法精度更高,能够有效跟踪控制反应物浓度。     

一类不确定非线性系统主动容错控制

针对一类不确定非线性系统,提出一种新的主动容错控制策略。该策略可以根据系统的运行状态实现切换控制,当系统无故障时,系统切换至常规状态反馈控制,保证系统稳定的同时且具有一定的鲁棒性能;当系统发生故障时,切换至主动容错控制,利用RBF神经网络在线逼近故障模型,同样保证系统鲁棒渐近稳定性。仿真示例表明,系统对不确定性具有较好的鲁棒性,同时对故障可以进行较好的重构,从而验证了设计方法的有效性。     

基于广义预测控制的主动吸收造波

通过最小二乘法支持向量机对主动吸收造波模型进行在线辨识,基于广义预测控制算法提出一种新颖的主动吸收造波策略.采用高阶边界元法与自由面混合欧拉拉格朗日模型建立二维推板造波数值波浪水槽,将预测控制器的输出作为造波边界条件,进行了不规则波主动吸收造波仿真对比试验与白噪声波谱的验证试验,并采用波浪入、反射分离算法进行分析.结果表明:预测控制器具有较好的鲁棒性和快速响应能力,对于模型试验中常用的波浪具有良好的主动吸收造波效果.     

一类非线性系统基于LS-SVM的自适应滑模控制

针对一类具有不确定性和外部扰动的非线性系统,研究了一种基于李雅普诺夫函数和最小二乘支持向量机的自适应滑模控制方案。该方案利用LS-SVM回归的逼近能力设计反馈线性化控制器,并推导出控制器权值参数向量的自适应律。通过滑模控制技术提高系统对外部干扰和逼近误差的鲁棒性。利用李雅普诺夫函数方法证明了整个闭环系统的稳定性。仿真研究验证了所提控制方案的可行性和有效性。     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性,提出了一种基于自校正模型的多模型预测控制算法.在平衡点附近建立线性模型,利用当前工作点,通过二阶泰勒展开校正模型参数,补偿非线性不对称动态特性,形成了非线性系统的自校正多模型描述.以基于模型输出偏差的切换指标函数作为模型切换准则,结合状态反馈预测控制,构成了多模型预测控制器.pH值控制的仿真结果验证了该算法的有效性.     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性，提出了一种基于自校正模型的多模型预测控制算法。在平衡点附近建立线性模型，利用当前工作点，通过二阶泰勒展开校正模型参数，补偿非线性不对称动态特性，形成了非线性系统的自校正多模型描述。以基于模型输出偏差的切换指标函数作为模型切换准则，结合状态反馈预测控制，构成了多模型预测控制器。pH值控制的仿真结果验证了该算法的有效性。     

基于LS-SVM的交通流量时间序列预测

针对城市交通“智能运输系统”。本文提出了基于最小二乘支持向量机(LS-SVM)方法的交通流量时间序列预测，并给出了基于最小二乘支持向量机方法的算法，与传统的神经网络相比，此方法简单易实现．通过实验表明。此方法确实效果好，能取得较好的预测效果。     

基于T-S云模型的非线性网络化控制系统保性能鲁棒容错控制

基于T-S云模型对一类具有参数不确定的非线性网络化控制系统,考虑网络延时和丢包的影响,通过构造Lyapunov-Krasovskii泛函,推证出确保非线性网络化控制系统在执行器或传感器发生失效故障时具有保性能鲁棒容错性能的时滞依赖充分条件,并以求解线性或非线性矩阵不等式的方式给出控制器的设计方法.最后以一个仿真算例验证文中所述方法的可行性和有效性.     

PMSM的基于神经网络非线性预测控制

采用三层前向神经网络作为PMSM转速预测模型,对PMSM进行非线性预测控制.先通过离线训练获得初始预测模型,再在线对神经网络模型的权值和阀值进行调整;控制算法是将预测模型处理成线性和非线性两部分,并用一种快速线性预测控制方法求取控制律,大大减小在线计算量和提高控制的实时性.最后仿真结果表明该方法具有良好的动、静态特性和抗干扰能力.     

基于模糊学习方法的非线性系统智能容错控制

提出了一种基于自适应模糊逻辑学习方法的非线性系统智能容错控制方案.整个控制方案集自适应模糊控制器、监督控制器和调节控制器为一体,是一个功能强大的控制体系结构.仿真结果表明:提出的控制方案能有效地识别和调节非线性系统的未知错误,而且控制系统在不确定或错误的情况下具有稳定性和鲁棒性.     

基于联邦滤波的多传感器主动容错估计方法

针对冗余传感器系统的容错问题,改进一种有反馈式联邦滤波的容错估计算法。通过残差法对硬故障进行检测,并隔离故障子系统的估计值。若全部子系统出现硬故障,取上一时刻的联邦滤波的最优值,通过系统状态方程计算得到系统状态量的预测值进行容错补偿。定义可信度因子,设计可信度单调性法则检测子系统软故障,并设计校正策略。大量仿真实验表明,改进后的反馈式联邦滤波的容错估计算法,可在保证系统估计精度的前提下,提高多传感器系统的容错性与鲁棒性。     

粒子群优化算法在非线性模型预测控制中的研究应用

提出了一种基于粒子群优化算法(PSO)的非线性模型预测控制（NMPC）。作为NMPC重要组成的滚动优化部分对控制效果的好坏起着关键的作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的合作与竞争及进化实现对多维复杂空间的高效搜索,属于一类随机全局优化技术,已成功应用于各科学和工程领域。本文在滚动优化部分应用粒子群优化算法来求解预测控制律,对非线性系统施加优化控制,此外,对常规线性递减加权因子ω策略进行了讨论,提出了非线性递减策略,可进一步缩短优化时间和优化精度。仿真实验效果良好,验证了这种优化算法的正确性和有效性。     

基于最小二乘支持向量机的自适应逆控制

主要针对基于最小二乘支持向量机的自适应逆控制方法进行了研究.初始过程的逆模型,建立了基于最小二乘支持向量机,并通过剪枝算法将支持向量的数量减少.在这种自适应逆控制机制中,逆模型通过递归最小二乘算法更新,控制器依据ε-滤波进行在线调整.仿真结果表明,该辨识方法具有良好的逼近能力,且自适应逆控制系统具有良好的鲁棒性.     

一种基于MFAC外环补偿的非线性LS-SVM逆系统数据驱动控制方法

针对直接逆模型控制系统的鲁棒性和抗干扰能力不足问题,提出一种无模型自适应控制(MFAC)外环补偿的非线性系统最小二乘支持向量机(LS-SVM)逆系统数据驱动控制方法.首先采用LS-SVM建立非线性系统的逆模型,并将其作为前馈控制器串联在原系统之前,构成一个伪线性系统,其次采用MFAC构成外环反馈补偿控制.仿真研究表明,LS-SVM逆模型/MFAC复合控制方案不仅具有良好的跟踪性能,而且具有较强的鲁棒及抗干扰性.     

非线性系统的模糊Backstepping自适应容错控制

针对一类受扰动的且伴有执行器故障的严格反馈不确定非线性系统,提出了一种模糊自适应容错控制方法.当故障发生时,改变控制器结构使其融合故障.设计中,模糊逻辑系统用作在线逼近系统的未知动态和未知的故障函数,结合模糊自适应控制与backstepping技术,给出了模糊容错控制器方法,并基于Lyapunov定理严格证明了所提出的鲁棒模糊自适应控制方法能够保证整个闭环系统的稳定,最后通过仿真实例验证了该方法的有效性.所提出的模糊自适应容错方法扩展了经典容错控制方法的结果,给出的结果更具有一般性意义