欠控制方向的非线性系统自适应迭代学习控制

针对控制方向未知且具有周期扰动的非匹配非线性系统, 提出了一种自适应迭代学习控制策略. 控制算法具有以下3个特点:不需要控制方向的先验知识; 能够对系统的周期不确定性进行在线学习; 能够克服系统的非匹配不确定性. 随着迭代学习次数的增加, 系统跟踪误差渐近收敛于零. 仿真结果表明了控制算法的可行性和有效性.     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

参数未知一类系统的模糊自适应控制

采用多模型自适应控制的方法，针对参数未知的线性随机系统提出了一种模糊控制算法，其控制信号兼有辨识与控制两方面的作用。该算法可在较大程度上把控制和估计分离开，适合于实时控制。仿真结果显示了该算法的有效性。     

一类参数未知混沌系统的自适应控制

基于主动的Backstepping控制方法,通过引入自适应控制,在线辨识系统的参数,设计自适应控制器;对一类含有未知参数的混沌系统进行控制,使被控系统能够稳定到任意点.同时,基于Lyapunov稳定性理论,分析系统的稳定性.该控制方法对于具有严格参数反馈形式的系统,以及非严格参数反馈形式系统均适用.数值仿真结果验证了该控制方法的有效性,系统在控制器的作用下能快速稳定到期望点.     

一类带有未知时延的随机系统自适应控制

为了解决一类含有未知输入时延和状态时延的非线性随机系统的有界稳定跟踪控制问题,利用神经网络逼近未知的系统函数,并且使用反步法来构造所需的控制器,再利用动态面技术以避免出现"复杂性爆炸"的问题.针对系统的状态时延和输入时延,分别使用Lya-punov-Krasovskii函数技术以及补偿系统的相关方法.最后通过仿真实例验证该设计方案的合理性.结果表明该自适应神经网络控制器能够确保此闭环系统所有信号均半全局依概率有界,解决了此类含有未知时延和随机扰动的非线性系统的有界跟踪控制问题.     

一类参数未知混沌系统的自适应稳定控制

研究了一类参数未知混沌系统的混沌控制问题,利用反馈控制方法设计了一种简单的控制器,并用李雅普诺夫方法证明了在混沌控制器作用下,实现了系统在平衡点稳定控制.数值仿真结果表明,所设计的混沌控制器有效性,所给出的方法同样适用于Chen系统、Lv系统等混沌系统的控制.     

控制方向未知的非线性系统自适应模糊滑模控制

针对一类带有未知外部扰动及控制方向的不确定非线性系统设计自适应模糊滑模控制器,利用Nussbaum函数估计系统未知的控制方向.模糊系统的输入为跟踪误差而不是系统状态向量,这样能提升控制器对误差变化的灵敏度.基于Lyapunov稳定性理论设计系统可调参数的自适应规则,该控制器能保证闭环系统稳定性并且跟踪误差及其各阶导数渐近趋于原点.数值仿真的结果也验证了该方法的有效性.     

一类双线性参数化时变时滞系统的自适应迭代学习控制

针对一类双线性参数化时变时滞系统,设计了一种新颖的自适应迭代学习控制策略,该策略利用信号置换思想与参数重组技术来有效处理系统中时变时滞项,引入微分-差分耦合型自适应律以解决系统中双线性参数化项.通过构建一个Lyapunov-Krasovskii型复合能量函数证明了跟踪误差的收敛性以及所有信号的有界性.仿真实例结果表明该策略是有效且可行的.     

具有未知控制方向的自适应神经网络控制

讨论了一类具有未知死区模型和未知函数控制增益的SISO非线性系统的自适应神经网络控制问题.根据滑模控制原理,并利用Nussbaum函数的性质,提出了一种自适应神经网络控制器的设计方案.该方案取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件.通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响.理论分析证明了闭环系统是半全局一致终结有界,且跟踪误差收敛到零.     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

控制方向未知的非线性系统切换自适应全局快速有限时间控制

提出一种新的切换自适应全局快速有限时间控制方法,设计控制方向未知的非线性系统切换自适应快速有限时间控制器.通过有限时间切换律,自适应调整切换参数,使控制器的控制方向依提出的方向进行切换,能更快找到正确的控制方向.仿真结果表明:所设计的控制器能保证系统的所有状态在有限时间内收敛至平衡点,且有更快的收敛速度.     

一类带有广义不确定性非线性系统的自适应模糊反演控制

本文结合自适应控制、模糊控制和反演控制方法,针对带有广义不确定性的严格块反馈型非线性系统,设计了一种自适应模糊反演控制律。对反演控制律设计的不足之处,采用自适应模糊控制去逼近非线性系统中带有广义不确定性的非线性函数,从而实现了无需精确数学模型的全新控制律,避免了因存在不确定性对系统带来的不良影响。在此基础上,利用李亚普诺夫方法分析了系统的稳定性和收敛性。仿真结果表明：本文所设计的控制律,对严格块反馈型非线性系统中存在的不确定因素具有较强的鲁棒性和自适应性。     

一类不确定性系统的控制问题

在冶金、化工、建材等行业中，大量使用工业泵、风机和工业窑炉，它们都是高耗能设备，由其组成的控制系统，其控制器控制的对象多属不确定性复杂对象。这类系统的控制不断困扰着高能耗企业的节能降耗，使能源成本大幅度上升，以致使产品推动竞争力。本文结合工程实践对这类不确定性复杂系统的对象特性、控制策略与控制算法等问题作了对比研究，并将研究结果表明用于实际工程项目。实际运行效果表明：仿人智能控制是很有效的控制手段。     

一类具有未知控制方向非线性时滞系统的输出反馈镇定

针对一类具有未知控制方向的非线性时滞系统, 利用Backstepping技术, 并引入Nussbaum增益函数, 给出了系统输出反馈镇定的构造性方案.所设计的光滑控制器使得闭环系统的所有信号有界, 且系统的状态收敛到零.     

一类组合大系统简单迭代学习控制的收敛性

该文提出并证明了当被控系统的状态方程为一类非线性组合大系统方程时采用简单学习律迭代学习控制的收敛的充分和必要条件。引入了一种范数,使得该系统的收敛性无需要求各个子系统的互联项之间满足一定的相关度等假定,控制采取的是分散控制,这些都有利于工程实现。     

一类混沌系统的混合参数自适应学习控制

提出了一种自适应学习控制方法,应用于未知周期时变参数的混沌系统的跟踪同步问题,该方法利用Lyapunov稳定性和自适应学习理论,构造了学习控制律和微分-差分参数学习律,在L2Τ-范数意义下使得跟踪误差在一个周期区间上渐近同步。给出了闭环系统稳定的一个充分条件。通过仿真例子验证了所提方案的可行性和有效性.     

基于边界层的一类不确定系统的迭代学习控制

针对一类具有任意初态和非周期有界扰动的不确定非线性时变系统,提出一种基于边界层的迭代学习控制方法,将边界层设计成一个具有剩余宽度的指数衰减函数,通过边界层把任意初态问题转换为零初值迭代学习问题.针对周期和非周期不确定性扰动,分别设计周期项的学习律和非周期项的边界学习律,然后在此基础上给出了迭代学习控制算法.文中给出了相关定理,并应用类Lyapunov方法给出了定理的详细证明.仿真结果表明,所提出的算法是有效的,轨迹跟踪误差能收敛到边界层.     

参数不确定性混沌系统的自适应控制

混沌系统的镇定是混沌系统控制的重要研究方向,文中给出了一类具有参数不确定性的混沌系统的无源化自适应控制器,通过面向无源性的设计方法,使系统稳定在零平衡点,并通过仿真实例,验证了该控制器的有效性。     

一类混沌系统的迭代控制方法

基于混沌系统的两个有界状态变量，提出了一种迭代控制方法，能够使一类具有零动态的低维混沌系统在原点渐近稳定．首先，根据合适的输出信号对低维混沌系统进行一步迭代变换．该迭代变换方法能够使混沌系统的维数降低一阶；然后，只要在一定范围内选择某个正的参数，具有零动态的低维混沌系统的稳定性分析就转化为简单的Hurwitz稳定性分析；最后，Hurwitz稳定性理论分析和三阶Lorenz混沌系统的数值仿真结果表明：该迭代控制方法是有效的，而且受控低维混沌系统在原点渐近稳定．     

基于自适应迭代学习控制的MPC系统经济性能设计

针对模型预测控制(model predictive control,MPC)系统经济性能设计问题,结合自适应迭代学习控制的设计思想,提出了一种自适应步长迭代学习控制(adaptive step iterative learning control,ASILC)策略。该策略将系统变量方差与控制器参数之间的关系近似成离散的线性区间组合,并借助上一步迭代的过程信息,自适应地更新迭代步长,逐步使系统的经济性能达到最优。将该方法应用于乙烯裂解炉控制系统中,仿真结果表明:与迭代学习控制方法相比,ASILC能更快地收敛到最优工作点附近,得到最优经济性能下的控制器参数λ,经过7次优化迭代后经济性能目标值提高了28.92%。