基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

飞行器不确定系统鲁棒D-稳定控制分配策略

为降低建模误差及外部扰动对飞行器多变量不确定系统的影响,提出了一种闭环系统鲁棒D-稳定的动态混合控制分配策略。飞控系统采用模块化的设计思想,利用线性矩阵不等式方法设计了基于虚拟控制指令的鲁棒D-稳定输出反馈控制律;建立了多目标混合优化控制分配模型,推导并证明了该模型的等价实现形式,用于将虚拟控制指令协调分配到各个操纵面。仿真结果表明,该策略能够综合考虑各操纵面不同的物理约束和控制效能,具有较好的鲁棒性能。     

非线性多模型控制及仿真研究

连续发酵过程是一个强非线性的生化反应过程，其控制已成为一个难点。传统的预测函数控制一般只能处理线性对象。通过对非线性动态过程的多模型建模，提出了基于加权的多模型自适应预测函数控制方法，用于大范围的非线性连续发酵过程控制，实现了多模型之间的无扰切换。仿真结果表明：跟踪性能优良，鲁棒性强，说明了该方法对非线性系统大范围控制的有效性。     

复杂产品开发过程仿真及其优化方法研究

针对复杂产品开发过程并行、迭代的特点,提出一种集成化模型,该模型结合和扩展了活动网络图和设计结构矩阵的过程建模方法。结合这个集成模型,提出了一种仿真算法,可以进行过程性能的预测和分析,并且可以进行各种参数的敏感性分析。在仿真的基础上,提出基于遗传算法的优化方法,用于进行过程结构的改进。     

基于Hammerstein-Wiener模型的广义预测控制

提出了一种新型的基于Hammerstein-Wiener模型的广义预测控制策略。采用基于最小二乘支持向量机的Hammerstein-Wiener模型描述非线性系统动态特性,作为被控对象预测模型。同时,针对现有遗传算法和混沌粒子群优化算法收敛速度慢和精度低等缺点,给出一种拟牛顿信赖域混沌粒子群混合优化算法,作为预测控制的滚动优化策略,函数测试和非线性对象的广义预测控制的滚动优化表明该算法的优越性。最后,对设计的预测控制器进行实例仿真,结果表明它能满足系统实时稳定运行的需求,取得了良好的控制效果。     

机理混合自适应时延神经网络建模和控制算法

过程机理和数据驱动模型的结合一直是过程控制中的重点和难点问题。提出了一种新颖的机理混合模型结构。该模型基于自适应时延神经网络,并结合了被控对象的机理模型,因此可以对建模的对象进行预测感知,并可大幅提高神经网络的泛化功能。基于这种模型设计了预测控制算法,并分析了该模型的逼近能力、收敛性以及该控制算法的闭环稳定性。在双容水箱液位控制系统的大量实验结果表明,基于该混合模型的预测控制算法比现有算法具有更好的控制效果,从而验证了该混合模型的优越性。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于模糊辨识的混合鲁棒自适应控制

针对一类多输入多输出不确定非线性系统,提出一种基于模糊辨识的混合鲁棒自适应控制方法。该方法探讨了自适应模糊控制器的参数自适应律由跟踪误差和逼近误差共同进行调节,并从理论分析和仿真角度证明了该方法比参数自适应律仅用跟踪误差进行调节的控制器具有更好的跟踪效果,该方法加快了系统跟踪误差的收敛速度。将该算法用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点。     

基于高斯混合过程的空间机器人任务空间预测控制方法

针对空间机器人的精准操控需求和任务空间控制问题，提出了一种基于高斯混合过程的模型预测控制方法。在建立的空间机器人标称模型基础上，考虑实际工作过程中由于关节摩擦、参数测量误差导致的建模误差，利用高斯混合过程对标称模型的不确定性进行精确、高效的分析和修正。其次，基于修正后的模型提出了非线性模型预测控制方法，在考虑实际物理约束，如关节限位、输入饱和等的情况下，实现了空间机器人基座和机械臂末端位姿对期望轨迹的直接精准跟踪。最后，考虑航天器在轨操控中的推力器冗余配置问题，设计了推力分配方案，并通过仿真结果校验了所设计控制方法的有效性。     

多能源混合电动汽车控制策略的模糊预测研究

为了使混合电动汽车获得较大的加速度和较长的续驶里程,同时改善整车的动力性能,提出了一种多能源混合动力系统结构。高能量、大功率的多能源混合动力系统必须配备一个能量智能管理系统,才能达到合理分配功率的目的。为此,建立在前向推理结构模型的基础上,提出了一种能量管理系统的模糊预测控制策略。它主要由电池荷电状态预测控制器、充电控制器和功率分配控制器组成。仿真结果表明:与简单分配控制策略(查表法)相比,采用模糊预测控制策略的混合电动汽车在续驶里程、燃油经济性和整车效率等方面均有较大提高。下一步将采用快速控制原型dSPACE系统完成该模糊预测控制的实车实现。     

基于深度网络的蓝军装备模型参数生成方法研究

蓝军装备的建模仿真是构建对抗仿真环境不可缺少的部分。针对蓝方系统可获取的参数有限、具有“贫信息”“小样本”特性的问题,提出一种基于深度网络的蓝军装备模型参数生成方法。通过设定信息注入蓝军装备的仿真模型,生成仿真数据,利用数据训练深度神经网络。得到的网络对该型装备的未知参数预测具有一定的泛化能力,可直接用于预测或作为迁移学习的源模型。以蓝军某型拦截弹的建模仿真为例对该方法进行应用验证,使用了多层感知机和循环神经网络2种网络对比例导引系数进行学习与预测,均获得了较好的效果。     

基于T-S模型的自适应多变量模糊预测控制

针对多变量非线性系统的控制问题,提出了一种具有良好控制效果的模糊预测控制方法。首先采用快速聚类法和递推最小二乘法辨识得到非线性系统的T-S模型,然后对系统进行线性化,并基于线性化的模型设计模糊广义预测控制器并对非线性对象进行在线自适应控制。对一个带时延的强耦合二变量非线性对象进行仿真,结果表明对于具有时变性的非线性系统,该方法具有很好的控制效果。     

基于状态相关模态切换混合估计的航迹预测

针对航空器飞行轨迹预测的随机线性混杂系统估计问题,提出一种状态相关模态切换的混合估计算法(SDTHE). 该算法不仅解决了标准交互式多模型(IMM)算法似然函数为零均值高斯函数假设的缺陷,而且基于实时状态更新模态转移矩阵,使得飞行模态估计更为准确,从而提高飞行轨迹预测的精度. 与标准交互式多模型算法相比,仿真结果表明了所提出算法的有效性和优越性.     

基于跟驰理论的道路交通噪声预测模型研究

交通噪声预测在城市交通规划和建筑设计工作中具有重要意义。本文根据我国道路交通噪声的实际观测方法,通过引入微观交通流理论,建立了一种可用于多车道混合车流等效声级和统计声级预测的动态随机模型。其核心算法是基于车辆非线性跟驰模型,依靠计算机随机模拟技术,实现对单车行驶行为的构造和仿真。算例分析和实验观测表明本文建立的模型具有较高的交通噪声预测精度和稳定性。     

基于Matlab与VC++混编技术的混杂系统预测控制及仿真

深入研究了混杂系统基于混合逻辑的建模方法，提出变权重矩阵的预测控制策略对系统进行优化和控制，对一个具体实例进行了仿真研究，表明基于混合逻辑动态模型的变权重预测控制策略能使系统跟踪设定值并满足约束条件。基于Matlab与VC 设计的系统仿真平台，为算法工程化实施提供了一个有效途径。     

基于证据推理和置信规则库的涡扇发动机故障预测

针对某型涡扇发动机故障预测的问题,提出一种基于证据推理和置信规则库的涡扇发动机故障预测模型。为描述涡扇发动机的健康状态,利用证据推理算法融合发动机系统状态信息;结合先验知识建立混合驱动的置信规则库仿真预测模型;采用投影协方差自适应进化策略用于优化模型参数;通过实验验证了模型的有效性。研究结果表明：该方法不仅准确预测涡扇发动机故障风险概率,而且为故障诊断和维修保障提供了有力的支撑。     

基于模型预测的网络化控制系统补偿控制

针对分时控制模式下存在于网络诱发延迟大于一个采样周期的网络化随机控制系统中的空采样和数据拒绝问题,提出了一种基于模型预测的补偿控制法。该方法通过在执行器设立缓冲区窗口并存放一定数目的历史控制量,利用多个历史控制量对当前采样周期的控制状态进行估计预测,对空采样和数据拒绝情况进行补偿控制,达到改善系统性能的目的。通过仿真实验证明了该补偿控制算法的有效性。     

一种基于相对模型的分布式预测控制算法研究

针对分布式系统中高精度的相对状态比绝对状态更易获取的特点,提出了一种基于相对状态模型的分布式预测控制方法.该方法的本质是各子系统通过预测其与相邻子系统的相对状态轨迹来求解分布式最优控制问题.与常规基于绝对状态的分布式预测控制方法相比,该方法的特点在于通过相对状态模型的引进改进算法的实时性,并通过减少测量噪声源提高控制精度.该方法适用于一般非线性分布系统,且在满足一定条件下能够保证整个系统的渐近收敛性.最后,在Matlab仿真环境中将该方法应用于多机器人编队控制中,并验证的该方法的可行性.     

不确定环境下多无人机协同区域搜索算法

针对通信约束在不确定环境下对多无人机协同区域搜索问题的影响,提出了一种基于预测控制思想的多无人机协同区域搜索算法,研究各种通信约束对多无人机协同区域搜索效能的影响。首先,根据多无人机协同搜索的行为准则建立了无人机运动模型和搜索模型。其次,分析了通信约束对于多无人机协同搜索的影响,结合预测控制思想,使多无人机在执行区域搜索任务时同时考虑当前搜索代价和长期搜索代价,提高了多无人机的协同搜索效能。使用蒙特卡罗方法对各种情况进行仿真,仿真结果验证了基于预测控制的多无人机协同区域搜索算法的合理性和有效性。