基于二维模型的保性能离散重复控制系统设计

对于线性离散系统,给出了一种基于离散二维模型的保性能重复控制设计方法。首先为了提高系统的稳定性引入了状态反馈;用离散二维系统的状态反馈来描述重复控制律;然后,使用保性能重复控制设计方法来确保控制系统性能指标不超过某个性能上界。和现有方法的区别是,通过调节性能指标值泛函中相关权重,能够方便地对控制和学习行为进行独立调节。最后通过仿真验证了该方法能取得满意的跟踪性能。     

二次型中的介值性定理

<正>介值性定理是闭区间上连续函数的一个重要性质,它在证明不等式、判断方程根等方面具有广泛的应用.本文给出介值性定理应用于二次型中的典型例题,同时在二次型中证明了与介值性定理类似的结论.     

一类分数阶微积分方程的边值问题

研究下列分数阶微积分方程的边值问题：{Dαu（t）=f（）t,u（t）＋∫0k（）s,u（s）ds,5〈α〈6,0≤t≤1u（1）=limt→o（t）t2-α=0通过运用Schauder不动点定理和广义Gronwall不等式,给出了解的存在性和唯一性的充分条件.     

一个全平面非齐次核的Hilbert积分不等式

通过引入独立参量与中间变量, 应用权函数及实分析技巧, 建立一个具有最佳常数因子[KG*8]的全平面非齐次核的Hilbert积分不等式, 并讨论其等价式及特殊情形.     

求解时变线性不等式离散算法的设计与分析

提出一种用于求解时变线性不等式的数值算法.通过引入一个时变向量(其每个元素都大于或等于零),将时变线性不等式转化为一个时变矩阵向量方程,并给出用于求解该方程的连续时间模型(即神经网络).采用欧拉差分公式将其离散化,推导得到相应的离散算法,并通过理论分析和数值实验验证该离散算法的有效性.结果表明:所提出的离散算法的稳态误差(SSRE)具有O(τ²)的变化规律,当τ的数值减小10倍,算法的稳态误差可减小100倍.     

具有通信时延下多无人机编队控制

 针对具有二阶动力学特性多无人机系统模型,在具有通信时延及编队构型时变的情况下,本文提出了一种基于一致性理论的编队控制算法。首先将多个无人机的时变编队控制问题转换成闭环系统的渐近稳定问题;然后通过构造Lyapunov-Krasovskii 函数,并以线性矩阵不等式（linear matrix inequality）的形式给出多无人机编队系统时变编队稳定的充分条件;最后以被视为质点的多无人机系统为例进行了仿真验证。结果表明：当通信时延、控制协议参数等满足稳定条件时,文中提出的编队控制算法能使多无人机编队系统形成期望的时变编队队形。     

基于干扰观测器的含风电互联电网频率稳定控制

为解决含风电互联电网中风功率预测与实际风功率之间存在的风功率偏差,以及负荷突增所造成的电网负荷频率波动的问题,研究并比较了现有解决方案,提出了一种干扰观测器与反馈控制器复合控制算法.该算法将风功率偏差以及负荷突增等视为集总干扰,设计干扰观测器估计集总干扰,并通过反馈控制器的设计抵消集总干扰的影响,并基于分离原理与线性矩阵不等式求取了观测器以及控制器设计参数,提出了算法定理并验证了稳定性.将所提算法与常用的比例积分微分(proportion intergration differentiation,PID)控制算法进行仿真比较,负荷控制算法对风功率偏差与负荷突增构成的集总干扰有着较强的抑制作用,且收敛速度更快,表现出较强的控制性能与鲁棒性.最后通过半物理实验进一步验证了所提算法的有效性与实用性.     

变采样周期网络控制系统的非脆弱保性能控制

研究了一类具有随机时延和控制器增益扰动的非线性网络控制系统的非脆弱保性能控制问题。基于变采样周期的方法,将网络控制系统建模为非线性Markov跳变系统。利用Lyapunov稳定性理论,给出了保证整个闭环系统均方随机渐近稳定的充分条件。通过线性矩阵不等式的方法,设计了一种非脆弱状态反馈控制器,在该控制器的作用下,闭环系统的能量函数值不超过一个规定的上界。仿真算例说明了所提方法的有效性。     

基于超差特征量指标约束的满意待机控制

在一类目标跟踪系统中,跟踪中断（控制失败）概率是系统的关键性指标。提出将这一指标转化为一组被称为超差特征量指标的约束集描述。依据满意待机控制理论,推导出带状目的域下超差特征量指标的解析表达式,并分析了其与区域极点以及稳态输出方差指标之间的相容性;当上述指标相容时,给出了待机控制器存在的充分条件,并利用双线性矩阵不等式技术对控制策略进行求解。仿真算例表明了该方法的有效性。     

Fault tolerant control based on stochastic distribution via RBF neural networks

A new fault tolerant control (FTC) via a controller reconfiguration approach for general stochastic nonlinear systems is studied. Different from the formulation of classical FTC methods, it is supposed that the measured information for the FTC is the probability density functions (PDFs) of the system output rather than its measured value. A radial basis functions (RBFs) neural network technique is proposed so that the output PDFs can be formulated in terms of the dynamic weighings of the RBFs neural network. As a result, the nonlinear FTC problem subject to dynamic relation between the input and the output PDFs can be transformed into a nonlinear FTC problem subject to dynamic relation between the control input and the weights of the RBFs neural network approximation to the output PDFs. The FTC design consists of two steps. The first step is fault detection and diagnosis (FDD), which can produce an alarm when there is a fault in the system and also locate which component has a fault. The second step is to adapt the controller to the faulty case so that the system is able to achieve its target. A linear matrix inequality (LMI) based feasible FTC method is applied such that the fault can be detected and diagnosed. An illustrated example is included to demonstrate the efficiency of the proposed algorithm, and satisfactory results have been obtained.