基于干扰观测器的一类不确定非线性系统鲁棒自适应控制

本文利用干扰观测器和Backstepping方法,提出了一类不确定非线性系统的鲁棒自适应控制方案.首先,利用径向基神经网络(radial basis function neuralnetwork,RBFNN)设计干扰观测器,并通过对RBFNN参数的自适应调整来逼近系统干扰.基于干扰观测器的输出,采用Backstepping方法设计鲁棒自适应控制器.在所设计的鲁棒自适应控制器作用下,闭环系统所有信号达到半全局一致有界稳定.闭环系统稳定分析表明适当地选取设计参数可以确保所有系统状态是一致有界的.最后,仿真结果验证了所提出的鲁棒自适应控制方案的有效性.     

一类不确定系统的鲁棒H^∞控制器设计

考虑了在实际中具有工程背景的一类具有非线性不确定性的系统的鲁棒Ｈ＾∞控制器设计问题,此类系统的非线性不确定性可由与状态变量有关的范数有界条件描述。对于由此类系统表示的控制对象,首先给出了判断鲁棒渐近稳定和Ｌ２增益有限的充分条件;而后分别针对状态反馈和输出反馈的情形提出了非线性Ｈ＾∞控制问题的可解条件,最后给出了基于线性矩阵不等式的Ｈ＾∞控制器设计方法。     

基于Hamilton函数方法的非线性微分代数系统反馈控制

基于Hamilton函数方法研究了一类非线性微分代数系统的镇定和H∞控制问题. 首先结合非线性微分代数系统内在的广义能量平衡特性提出了一种新的耗散Hamilton实现结构. 基于该结构, 对不存在外部扰动的非线性微分代数系统设计了镇定控制器, 对存在外部扰动的非线性微分代数系统, 证明了其L2增益分析问题可以归结为广义Hamilton-Jacobi不等式的求解问题, 并给出了H∞控制器的构造方法. 所提出的非线性微分代数系统的镇定和鲁棒控制器设计方法能充分利用非线性微分代数系统的结构特点, 所设计的控制器形式简单, 易于实现.     

机器人的鲁棒控制

主要研究了机器人系统的鲁棒控制。介绍了机器人的鲁棒控制模型后,利用最优控制问题求解鲁棒控制,这种方法降低的构造Liapunov函数的难度。只需要求解一个代数的黎卡提方程,便可得到最优控制器,而且证明了这个最优控制器也是鲁棒控制器。但又由于基于这种方法得到的控制器较复杂而难以实现,而且能得到渐近稳定的定性结果,而不能得到其平衡点的衰减速率以及平衡点的吸引域的估计。因此在本文的第三部分中应用了算子非线性测废理论。基于非线性测度方法求解的鲁棒控制器,不仅简单易求,而且克服了压缩映像原理估计压缩常数的困难,在得到系统渐近稳定性的同时得到了系统平衡点的衰减速度和吸引域的估计。最后给出了两关节机器人鲁棒控制的的实例。由于控制器设计与f（X）无关,相关结果会比较保守,可为相关设计研究提供一些参考。     

异构无人机群鲁棒一致性协议设计

研究了具有非线性不确定性的异构无人机群系统分布式一致性跟踪控制问题.文中假设领航者的输出是时变的,无人机自主体具有不同的非线性不确定空气动力特性,设计分布式鲁棒一致性协议,抑制非线性不确定性对闭环系统的影响,使得跟随者可以跟随领航者.所设计的鲁棒一致性协议包括标称控制器和鲁棒补偿器两部分,标称控制器的设计是为了使标称的无人机群具有一致性跟踪特性,鲁棒补偿器的设计是为了抑制不确定性对系统的影响,文中用李雅普诺夫函数分析并证明了一致性误差能以期望的速度收敛到原点任意小的邻域.最后,通过仿真验证了一致性协议的有效性.     

基于遗传算法优化的EPS路感混合H2/H∞控制

针对电动助力转向（EPS）系统统存在系统模型、干扰等不确定性,以及对系统动态特性的要求,提出基于遗传算法的EPS系统混合H2/H∞控制器．在EPS系统及整车二自由度数学模型基础上,以转向路感、系统鲁棒性和转向稳定性为控制目标,构建系统的状态空间方程和增广被控对象矩阵,并运用H2/H∞方法极小化系统中各种干扰对被控输出的影响,并在此基础之上应用H2方法对系统进行优化,提出基于遗传算法的EPS系统混合H2/H∞控制方法.EPS系统路感仿真结果表明,基于遗传算法的EPS系统混合H2/H∞控制器,综合了H2/H∞控制和H2/H∞控制的优点,具有较好的鲁棒性能和鲁棒稳定性,可有效抑制路面随机激励、转矩传感器量测、模型参数不确定等所引起的各种干扰和噪声,使驾驶员获得满意的路感．     

黎卡提差分方程在电磁轴承最优控制中的应用

提出了一种电磁轴承模型预测最优控制方法.为了抑制陀螺效应引起的转子圆锥涡动,在传统二次型性能指标函数中引入同步误差项,基于离散状态方程有限步预估转子平动误差、同步误差以及控制器输出构造最优控制器优化目标函数.基于迭代黎卡提差分方程（Riccati Difference Equation）求解了最优控制器.用伪代数黎卡提方法（Fake Algebraic Riccati Technique）证明了所设计最优控制器的稳定性.通过数值仿真研究了控制器鲁棒性能与设计参数间的关系.针对某扁平型磁悬浮飞轮的仿真和实验结果均表明引入同步误差的最优控制器能有效的抑制圆锥涡动.     

不确定性气动弹性系统辨识及鲁棒极限环分析

模型的不确定性直接影响鲁棒颤振和极限环分析的准确性．从基于数据的角度提出考虑非线性环节和模型不确定性的鲁棒极限环分析框架．采用时域方法辨识包含非线性环节的Block—oriented结构的气动弹性系统模型集合的不确定度大小．以在线弹性结构的极点构造正交基底,将不确定性模型集合辨识问题转化为不确定性参数上下界估计的优化问题,通过求解非线性优化得到不确定性模型集合．将辨识后的无记忆非线性算子用正弦输入描述函数表示,利用线性分式变换技术对辨识后的不确定性模型进行重新建模,最后采用结构奇异值（μ）理论对系统集合进行鲁棒极限环分析．采用某二元翼段气动弹性算例验证该辨识和分析框架的准确性．结果表明辨识的不确定性的模型集合能够刻画气动弹性动力学特性．在相同速度下,考虑不确定性的模型集合的鲁棒极限环幅值比标称系统极限环幅值要小．该方法可以应用于鲁棒颤振和极限环预测．     

离散时滞标准神经网络模型及其应用

为了能够方便地分析离散递归神经网络（RNN）的稳定性，以及解决目前比较难的离散非线性系统的控制器的综合等问题，类似于鲁棒控制中的标准模型，提出一种新的神经网络模型——离散时滞标准神经网络模型（DDSNNM），它由离散线性动力学系统和有界静态时滞（或非时滞）非线性算子连接而成。利用不同的Lyapunov泛函和S方法推导出基于线性矩阵不等式（或非线性矩阵不等式）的DDSNNM全局渐近稳定性和全局指数稳定性的充分条件。大多数离散时滞（或非时滞）RNN稳定性分析或包含神经网络的非线性控制系统都可以转化为DDSNNM形式，从而进行稳定性分析或镇定控制。从DDSNNM应用于离散时滞细胞神经网络（CNN）的稳定性分析以及非线性控制系统的综合实例可以看出，DDSNNM不仅使得大多数RNN的稳定性判定简单易行，而且为非线性系统的控制器设计提供新的思路。     

有限区间非线性系统的重复学习控制

迭代学习控制方法存在初始定位误差问题;重复控制方法要求被学习量满足周期性条件,而实际中存在不满足这一要求的场合.重复学习控制不要求初始定位操作,被学习量仅需满足重复性条件,它回避了迭代学习控制中初始定位误差问题,推广了重复控制的适用范围.针对较为广泛的一类在有限作业区间上重复运行的非线性系统,文中提出重复学习控制方法.利用一类非线性时变控制系统的Freeman公式,设计标称系统的镇定控制器.分别针对部分限幅和完全限幅学习两种情形,证明了限幅学习下的系统稳定性与收敛性.理论结果表明,文中所提出的重复学习控制方法在处理时变参数不确定性方面是有效的.     

非线性H∞励磁控制器的递推设计

研讨非线性系统Ｌ２增益干扰抑制及电力系统非线性鲁棒控制问题,提出了一种利用递推设计方法以求解耗散不等式从而得到发电机励磁控制系统非线性Ｈ∞问题的存贮函数并以昆来构造电力系统励磁控制器,仿真结果表明了该方法的有效性。     

车辆全速巡航系统的干扰解耦鲁棒控制

建立了集成被控车辆及车辆间纵向行驶动力学特性的新型全速巡航系统模型, 针对模型中存在的外界干扰、参数不确定性及非线性特性, 提出了一种干扰解耦鲁棒控制方法. 该方法首先根据非线性干扰解耦（nonlinear disturbance decoupling, 即NDD）原理, 实现对模型中确定部分外界干扰的解耦, 在此基础上, 利用变结构控制（variable structure control, 即VSC）中滑动模的不变性特性, 消除模型中余下不确定性部分的影响, 最后将其应用于纵向行驶车辆全速自适应巡航控制（adaptive cruise control, 即ACC）系统, 并通过仿真计算验证其控制效果. 结果表明, 结合NDD原理及VSC方法设计的车辆全速ACC系统, 不仅对被控车辆内部各种不确定因素具有良好的鲁棒性能, 而且能够较好的消除被控车辆低速走停（stop and go, 即SG）工况下的强非线性特性, 以及高速行驶中前导车频繁加/减速的外部干扰影响. 此外, 控制系统结构简单, 可实现其控制性能的全局最优化.     

一种基于约束力的鲁棒的编队卫星构形非线性控制方法

提出了一种基于约束力思想的鲁棒的编队卫星构形精确保持的非线性控制方法.该方法首先将非线性和摄动条件下编队卫星构形保持问题转换为带有完整约束的拉格朗日动力学系统,然后将问题转换为一组微分代数方程,通过求解微分代数方程,确定编队卫星构形保持的非线性控制律.针对微分代数方程传统求解方法对误差敏感,相应的约束力控制法鲁棒性差的缺点,提出了编队卫星构形约束违约修正的方法,通过适当地选择违约修正因子,有效地抑制了编队卫星初始化、参考卫星轨道确定、相对动力学建模等误差的影响,提高了约束力控制法的鲁棒性。     

双三相永磁同步电机谐波闭环模型预测容错控制

双三相永磁同步电机在开路故障后,谐波平面和基波平面发生耦合.基于正常解耦变换的谐波闭环控制策略在故障发生后,基波平面和谐波平面的电流控制器产生冲突,从而影响电机系统的容错性能.为此,本文针对单相开路故障,提出双三相永磁同步电机谐波闭环模型预测容错控制策略,利用降维解耦矩阵推导容错预测模型,消除不同平面电流间的耦合效应,避免控制器冲突.此外,推导故障后电压矢量的分布情况,并在此基础上重构开路故障情况下的虚拟电压矢量控制集.最后,为了抑制非线性因素引起的谐波电流,设计谐波电压扩张状态观测器,通过坐标变换快速获得需要补偿的占空比,注入修正后的电压矢量中,完成谐波闭环控制.实验结果表明,所提方法具有可行性和有效性.     

商用车ABS预测控制方法研究

针对商用车制动过程中存在的强烈非线性和模型不确定性问题,建立了整车七自由度转向制动状态空间模型,提出了一种非线性连续预测控制方法,设计了基于滑移率的ABS非线性预测控制器.在控制器设计中,利用泰勒级数展开对系统状态进行适当的截尾处理,获得了系统预测模型,并将ABS路面识别算法引入参考轨迹设计,提出了多路面下的参考轨迹模型.当路况发生变化时,参考轨迹也发生相应的变化,而且在系统中引入了积分反馈,以增强系统的鲁棒性.仿真研究表明,当ABS存在建模误差、载荷变化和干扰时,该非线性预测控制器仍能够获得良好的动态响应和鲁棒性.     

强干扰影响下基于干扰补偿的大飞机智能自适应控制

针对强干扰影响下的大飞机增稳控制问题,提出了一种基于干扰补偿机制的智能自适应控制策略.首先,针对强风扰影响下的大飞机面向控制模型,设计了一种耦合多变量干扰观测器,对大飞机模型中的综合不确定及干扰进行快速精确估计,并用于闭环系统的控制器补偿.在此基础上,通过结合快速超螺旋滑模控制算法与自适应动态规划策略,提出了一种新型的有限时间鲁棒自适应控制器.该控制策略在理论上能够实现强干扰影响下的大飞机有限时间精确稳定飞行控制,并通过对波音747型大飞机进行了仿真验证,可得本文提出的智能自适应控制策略能够有效地实现强风扰影响下的大飞机姿态快速稳定与快速机动.     

大型同步发电机组NR-PSS白山电厂300 MW 机组现场试验

为验证大型发电机组NR-PSS(非线性鲁棒电力系统稳定器)的综合性能, 在东北电网白山电厂300 MW机组上进行了现场投运试验, 结果表明NR-PSS能够显著改善系统阻尼特性, 提高系统稳定性.     

基于SVM的旋转机械转子故障预示研究

支持向量机包括支持向量回归机和支持向量分类机.本文提出了一种用于旋转机械转子故障预示的方法,通过支持向量分类机（SVC）对旋转机械转子故障进行分类并建立故障分类器,利用支持向量回归机（SVR）对转子运行状态趋势进行预示,并将预示结果输入到SVC以判断预示结果的属性.对支持向量回归机进行了仿真研究.将支持向量机与神经网络算法从理论和实验研究两个方面进行了对比研究,结果表明,该方法具有较好的故障预示能力.     

一类非线性奇异Hamilton系统的H_∞控制

文中研究了一类非线性奇异Hamilton系统的稳定性和H_∞控制问题.基于该系统的结构特征,首先应用严格系统等价理论将该系统等价地转化为非线性耗散Hamilton微分代数系统,接着在此耗散形式下,研究非线性奇异Hamilton系统的稳定性问题并设计它的H_∞控制器,最后给出一个非线性电路系统的仿真实例.     

时滞离散智能系统的动态输出反馈镇定控制器综合的统一方法

提出标准神经网络模型（SNNM）来描述包含神经网络或T—S模糊模型的时滞（或非时滞）离散智能系统．SNNM由离散线性动力学系统和有界静态非线性算子连接而成．利用SNNM的全局渐近稳定性分析的结果，分别设计线性或非线性动态输出反馈控制器，使得SNNM的闭环系统稳定．控制方程可以表示为线性矩阵不等式（LMI）形式，便于利用各种凸优化算法求解以获得控制规律．大部分基于神经网络（或模糊模型）的时滞（或非时滞）离散智能系统都可以转化为SNNM，以便采用统一的方法来综合这些智能系统的控制器．SNNM的3个应用例子表明：SNNM不仅使得大多数基于神经网络（或模糊模型）的离散智能系统镇定控制器的综合简单易行，而且为其他类型的非线性系统的控制器综合提供新的思路．