船舶运动航向自适应非线性控制的仿真研究

针对参数未知的船舶航向非线性控制系统数学模型，考虑船舶操舵伺服机构特性的情况下，船舶航向控制问题成一个虚拟控制系数未知的非匹配不确定非线性控制问题。引入Nussbaurrl函数，并采用逆推(backstepping）技术，成功地解决了上述困难，设计了船舶航向自适应非线性控制器；借助Lyapunov函数证明了所设计控制器使最终的闭环非匹配不确定船舶运动非线性系统中的所有信号有界，系统的实际航向自适应地保持设定航向。以大连海事大学“育龙”轮为例进行仿真研究，结果证明所设计的控制器是有效的。     

船舶航向的神经网络并行鲁棒模型参考控制

针对大型船舶的航向控制特性,提出一种神经网络并行自学习鲁棒模型参考控制方法。这种复合控制结构利用神经网络的学习能力和非线性映射能力,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性船舶的高精度输出跟踪控制;通过引入运行监控器,克服神经网络控制方法实时性差的问题;利用一个鲁棒反馈控制器,来保证神经网络模型学习初期闭环系统的稳定性。仿真结果表明这一方法对设定航向具有精确的跟踪控制效果。     

基于GA与CSA-RBF神经网络辨识的自适应PID控制器

提出了一种基于遗传算法(GA)、克隆选择算法(csA)和神经网络的自适应PID控制器的设计方法.该控制器主要由四部分组成:一是利用遗传算法优化PID参数初始值;二是用克隆选择算法对径向基函数(RBF)神经网络参数初始值优化;三是RBF神经网络完成对被控对象Jacobian信息辨识;四是单神经元PID控制器,学习并在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能.仿真结果表明,该控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程.     

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。     

鲁棒自适应输出跟踪控制在船舶操纵中的应用

针对带有未知控制增益、常参数不确定性以及外部扰动的船舶运动非线性模型，将自适应逆推技术与Nussbaum增益方法相结合，提出一种新的非线性自适应鲁棒控制策略，实现了船舶运动航向渐近跟踪控制。在所得控制器作用下的系统性能不仅能够通过设计参数而得到保证，且可克服控制器奇异值问题。设计过程及数字仿真结果均表明，所设计的自适应非线性跟踪控制器对不确定性具有良好的适应性及鲁棒性。     

基于混沌的白适应模糊PID参数寻优研究

针对自适应模糊PID控制器提出了一种基于混沌变量的优化算法.首先,利用混沌运动的遍历性特性,基于混沌优化方法进行PID控制器设计.在系统稳定的条件下,通过粗调和精确搜索可以找到具有最小参数的最佳控制器.这些参数被用来作为自适应模糊PID控制器的最佳参数.然后,按照自适应模糊控制方法,控制律及其参数可以被确定.仿真实验结果显示,该方法能够达到所要求的指标,其有效性得到了证明.     

数字模型参考自适应控制算法在电弧电极控制中的仿真

以电弧炉电极调节系统为研究对象，提出了分段线性化模型参考自适应控制算法，设计出数字化的模型参考自适应控制仿真系统，又用遗传算法对控制参数进行了优化，最后在MATLAB SIMULINK中对该控制系统进行仿真。与传统的PID控制相比较，结果表明自适应控制系统优于PID控制系统。     

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

过热汽温的无辨识自适应预估控制研究

由于电厂锅炉的过热汽温具有大惯性、大时滞和非线性等特性,对它的控制是困难的。为了能实现良好的控制,研究它的无辨识自适应预估控制方法。在分析预估模型误差对系统性能影响的基础上,建立预估模型参数自适应计算公式,并应用搜索算法估计滞后时间,从而构建了预估模型参数自调整的无辨识自适应预估控制算法。仿真试验结果表明,该算法适用于过热汽温系统,具有良好的控制品质和较强的自适应能力,易于工程实现。     

基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。     

基于反馈线性化的船舶舵鳍联合减摇MPC控制

针对船舶运动系统具有非线性、强耦合、多变量等特性,并考虑海洋环境对船舶运动影响,建立了一个能够比较全面反映船舶运动本质特性的四自由度(纵荡、横荡、横摇、艏摇)运动非线性数学模型,基于模型预测控制是一种在控制领域得到实际应用的多变量优化控制策略,设计了基于反馈线性化的船舶舵鳍联合减摇模型预测控制(MPC)系统。在不同海情下,完成了横摇与航向联合控制仿真实验,结果表明：该控制方法鲁棒性强,既能实现精确的航向控制又能得到良好的减摇效果。     

改进型PID参数神经网络自学习的船舶操纵控制器

船舶操纵的模型参数具有非线性、慢时变特性、船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用改进型BP神经网络实现PID参数自整定的控制方法，此法能根据船舶动态特性的变化，自动重新整定PID参数，从而改善了操纵性能和鲁棒性。     

一种小型PEM燃料电池流量系统的建模与控制

给出了一种小型质子交换膜燃料电池流量系统的控制模型,根据此模型应用基于CMAC神经元网络的自适应PID控制算法以实现燃料电池阴极和阳极侧压力的协调控制。同时将这种控制算法在一种基于ARM微处理器的硬件平台和可视化的监控组态软件平台(netcon系统)上予于实现。仿真结果和实验结果具有良好的一致性,实际应用效果表明此控制系统运行可靠,使用方便,具有很强的实用价值。     

磁浮系统多控制器动态解耦特性仿真研究

通过建立带有多个悬浮控制器的高速磁悬浮列车系统模型并对其进行动态响应分析，研究多个串级PID控制器协同工作条件下弹性悬浮架的动态解耦性能是否满足系统稳定要求。建立了复杂悬浮架有限元模型，利用模态综合动力凝聚超单元方法生成较低维数的悬浮架动力学模型。离线设计单个串级PID控制算法并给出了稳定参数选择方法，并由此建立多控制器磁悬浮耦合系统模型。使用四阶龙格一库塔算法对系统模型进行仿真计算，绘制了各个悬浮控制器先后悬浮以及悬浮间隙谐波干扰两种情况下各控制器的悬浮间隙动态响应曲线。结果证明悬浮架具有一定的动态解耦能力，但是只能保证鲁棒性较强的单控制器参数能够直接应用于多控制器协同工况。     

基于遗传神经网络的自整定PID控制器

提出了一种基于遗传算法和神经网络的自整定PID控制器的设计方法。该控制器主要由三个部分组成。第一部分利用遗传算法搜索出一组准优的PID参数，作为PID控制器参数的初值，第二部分利用神经网络具有逼近任意非线形函数的能力，在线调整PID参数，以确保系统的响应具有最优的动态和稳态性能，第三部分是传统的PID控制器，直接对被控对象闭环控制。计算机仿真结果表明，这种控制算法鲁棒性强，响应速度快，可用于控制不同的对象和过程。     

基于PSO在线优化的多模型自适应动态矩阵控制

针对常规的自适应动态矩阵控制算法,在实际被控对象的模型参数发生突变时,系统的瞬态响应较差,提出了基于PSO在线优化的多模型自适应动态矩阵控制方法。对一类含跳变参数的单输入单输出离散时间被控对象,在模型参数范围未知情况下,以自适应模型参数为依据,经规则判断后通过所提出的基于双群体深度搜索的粒子群优化（PSO）算法在线优化自适应模型参数,并通过所定义的模型相似度自动建立多个固定模型。通过指标切换函数找到当前最优控制器。仿真结果表明,该方法明显优于常规的自适应动态矩阵控制算法,说明了该方法的有效性和可行性。     

弹性高超声速飞行器智能控制系统设计

针对气动舵受限下的弹性高超声速飞行器控制问题, 提出一种基于神经自适应的智能控制方案。在速度子系统的设计过程中, 为了降低对模型参数的依赖程度, 应用强化学习算法在线调整比例积分微分(proportional integral derivative, PID)控制参数, 给出智能PID控制策略。对于高度子系统, 考虑气动舵的动态特性, 利用神经自适应方法对模型未知函数及不确定项进行逼近。为了处理气动舵的约束问题, 以非线性模型预测控制为优化分配模板生成大量样本数据集, 经离线训练得到深度神经网络代替求解复杂优化问题和控制分配的过程。此外, 通过引入自适应超螺旋微分器处理外部扰动, 增强了系统的鲁棒性。利用Lyapunov方法证明了所设计控制器的稳定性, 并通过仿真验证了所设计控制方案能够快速计算控制指令, 实现高精度跟踪控制。     

基于迭代学习控制的PID控制器设计

针对传统的经验PID整定方法,提出了一种新的PID参数整定算法。该算法首先利用PD型迭代学习控制来进行期望轨迹的跟踪控制,然后根据迭代学习控制的输入输出数据序列,通过强跟踪滤波器来进行参数辨识,可获得对应于期望轨迹的优化的PID控制参数。给出了迭代学习控制的收敛条件,以及如何利用强跟踪滤波器来进行参数辨识。仿真和实验结果表明,采用该算法设计PID控制器,被控系统可以获得较佳的动态性能和较强的鲁棒性。