程鹏飞[1]2015年在《非线性自适应高可靠容错飞行控制方法研究》文中提出传统飞行控制算法是在预先所知并足够精准的飞机动力学模型下进行设计。但当飞机在飞行中突然遭遇舵面不对称满偏卡死甚至因外界突发事件造成单侧机翼严重损伤时,飞行动力学方程在短时间内会突然改变,纵侧向运动发生强烈耦合,一侧机动能力大大降低,传统算法很难控制。针对上述问题,并在无硬/软件余度飞控系统、无主动诊断、以及事故前后每个轴向均等效只有一片舵面可控(不能控制分配)的前提下实现高可靠被动容错控制,本文研究了侧滑飞行鲁棒模型参考自适应姿态控制算法以及神经网络自适应鲁棒非线性模型逆姿态控制算法,解决了卡死/损伤后快速被动地稳定飞行姿态的问题;进一步通过研究航线飞行制导律以及综合自适应制导与控制算法,解决了快速稳定后保证性能的航线飞行问题;最后通过仿真/试飞验证了算法高可靠地进行被动容错控制的有效性与可行性。整个论文主要工作与研究所得成果如下:1.针对单侧副翼满偏卡死和单侧机翼严重损伤后姿态瞬间变坏问题,提出了级联式侧滑飞行鲁棒模型参考自适应飞行控制方法。通过侧滑角PI控制、输出反馈的参考模型通用配置方法以及侧向姿态自适应控制实现了相对阶n~﹡=1和n~﹡≥2侧向姿态传递函数存在参数不确定性、外界扰动和未建模动态下的姿态误差有界稳定,并在此基础上实现了出侧滑快速稳定飞机的策略。进一步提出e-σ-modification混合自适应律,通过合理的自适应律增益选取方法进一步缩小了传统e-modification自适应律下侧向姿态最终误差界限,提高了飞行性能。2.针对上述卡死,尤其是突然损伤后存在较大非线性姿态方程建模误差而导致的姿态瞬间失控问题,基于严格的有界稳定证明,首先研究了同时能够鲁棒外扰的单隐层神经网络(SHL NN)自适应鲁棒非线性模型逆叁轴姿态控制算法,并设计了配置闭环系统暂态指标的PD参数计算方法;其次在损伤下针对未建模舵动态带来的不确定性,设计了动态非线性阻尼信号扩展后的伪控制律;最后进一步针对舵面偏转权限限制问题(静态舵偏位置饱和动态舵速率限制),提出了基于伪控制量限定信号和动态非线性阻尼信号的综合模型参考神经网络自适应非线性模型逆飞行控制算法。这叁个阶段最终解决了上述卡死/损伤并有外扰和未建模舵动态下适应性地快速恢复姿态稳定和暂态性能问题,以及在此调节中舵偏过饱和而造成的不可控状态的问题。3.针对上述卡死/损伤飞机继续在能力不足时进行航线绕飞问题,研究了基于线加速度指令的航线跟踪制导律和SHL神经网络自适应鲁棒模型逆制导律,设计出便于内环姿态控制算法接入的制导律形式。前一种制导律提出利用高度偏差和航线侧偏距计算线加速度指令进而反解姿态控制指令的方法,解决了飞机在机动能力不足时的航路点制导问题;后一种将线加速度方程、自适应模型逆算法、伪控制量限定信号以及参考模型相结合,不仅实现了卡死/损伤前后通过直接指定航路点位置信息来跟踪参考航线的制导功能,而且实现了依据能力不足情况自适应修改航迹指令的功能。进一步将制导算法与自适应姿态控制算法结合,提出了叁种航线绕飞综合自适应制导与控制算法系统,解决了卡死/损伤前后被动容错的航迹与姿态整体控制功能。4.针对左侧副翼突然向上满偏卡死故障的控制问题,首先在存有姿态扰动和未建模副翼/方向舵动态下仿真了e-σ-modification混合自适应律的级联式鲁棒自适应侧滑飞行姿态控制算法,验证了故障后鲁棒地快速稳定姿态的能力和进一步缩小姿态稳态误差的能力;其次在航线绕飞仿真场景下,继续针对上述卡死情况仿真了叁种综合自适应制导与控制算法系统并分析性能和优缺点,验证了算法系统高可靠被动容错地控制能力不足飞机快速稳定和航线续飞的有效性和可行性。5.针对单侧机翼损伤飞机在飞行动力学特性上发生较大变化的问题,研究了其几何特性、质量特性、气动特性,分析了损伤导致的新增特性并总结了其在损伤下的变化规律;在建立并分析损伤飞机非线性运动方程后提出多维牛顿迭代法,解决了全局性迭代求解机翼不对称损伤飞机配平点的问题;在此基础上对其特有的特征根分布、运动模态、时域操稳特性以及频域特性进行了分析,揭示了不同程度损伤对上述飞行动力学特性的影响规律,为设计高可靠容损控制算法提供了相关基础。6.针对左翼40%面积矩突然损伤导致瞬间失控的问题,首先在存有叁轴姿态扰动和未建模舵动态下仿真了神经网络自适应鲁棒非线性模型逆控制算法,验证了其被动快速补偿非线性模型误差并保证性能地稳定控制姿态的能力。其次进一步在并存外界姿态扰动、舵偏静态饱和限制、未建模舵动态的情况下对叁种综合自适应制导与控制算法完成损伤前后航线绕飞的功能进行了仿真,分析了算法结构与参数如何影响绕飞性能,验证了算法系统高可靠被动容损地控制能力大幅降低飞机快速稳定、航线续飞的有效性和可行性。最后通过外场试飞,验证了适当修改后的第一种算法系统控制未损伤飞机航线跟踪、定高/定向飞,以及控制单侧机翼40%面积矩突然损伤后飞机快速稳定、定高/定向飞、航点跟踪、航线绕飞的能力。
程路[2]2011年在《近空间飞行器鲁棒自适应协调控制研究》文中研究说明对于提高未来空间探索能力和军事防御能力，近空间飞行器（near space vehicle, NSV）具备重要的战略价值，对其开展研究工作有着深远的意义。由于飞行任务的要求和工作环境的限制，近空间飞行器在高超声速飞行时，系统将具备强烈的非线性、快速的时变性、强耦合和不确定性，这对飞行控制系统的设计带来了很大的挑战。本文针对这一问题，分别就运动数学建模、协调控制思路分析、非线性鲁棒自适应控制设计等展开了相应的研究工作。首先，在分析了高超声速流动特性和近空间大气物理特征的基础上，对采用带翼锥形体构型的近空间飞行器所受飞行力学情况进行系统的分析，推导出其在变化风场下6-自由度12-状态运动方程，并对其开环控制特性以及不确定和外干扰对其运动特性的影响进行了深入的分析，论证了飞控系统所呈现的严重非线性、激烈快时变、强耦合和不确定性这四大特点和挑战。在此基础上重点研究了不同任务下NSV的协调控制和鲁棒自适应协调控制问题。其一，在所建模型的基础上，提出了近空间飞行器姿态运动协调控制的设计方法，将非线性广义预测控制（NGPC）方法用于系统的协调控制器设计中，通过理论分析和仿真验证表明了该种方法来解决姿态运动协调控制问题的优化性能。随后，分别设计了基于滑动模干扰观测器的非线性广义预测控制和基于在线支持向量回归机的非线性广义预测控制来实现近空间飞行器姿态运动的鲁棒自适应协调控制，采用Lyapunov方法对这两种方案的闭环稳定性进行了分析，仿真结果验证了其良好的控制效果。其二，基于飞行/推进一体化设计思想，提出了通过综合气动舵面和发动机推力的协调控制来实现对纵向轨迹的跟踪，将所设计的滑动模广义预测控制（SGPC）用于纵向运动飞行/推进协调控制器的设计中，通过理论推导和仿真分析验证了其非线性优化性能和一定的鲁棒性。进一步，针对近空间飞行器纵向运动的飞行/推进鲁棒自适应协调控制，提出了基于有限样本在线SVR的滑动模广义预测控制和模糊自适应滑动模广义预测控制方法，来完成对飞行速度和飞行高度的鲁棒跟踪。通过Lyapunov方法进行了闭环性能分析，仿真得到了满意的控制效果。其叁，基于分层递阶控制的思想，提出了NSV纵向运动的姿态/轨迹协调控制系统的设计方法。采用非线性广义预测控制和改进型滑动模干扰观测器设计了该系统各回路的非线性控制器和鲁棒自适应控制器，对控制性能进行了理论分析和仿真验证，达到了保证姿态平稳的状态下的轨迹控制这一要求。最后，对全文工作进行了总结和展望。
高士根[3]2016年在《多列车协同运行的若干控制问题研究》文中研究表明城市轨道交通系统由于其节能性和便捷性等特点成为大城市有机整体的重要组成部分,先进的控制算法是保证其安全、高效、节能运行的重要手段,也是提升其自动化水平的核心保障。列车自动驾驶技术的发展实现驾驶列车从有人到无人的转变,也对核心驾驶控制算法提出较大的自学习能力的要求;同时,移动闭塞和现代通信技术的快速发展及其在列车运行控制系统中的应用,使得列车之间能够进行信息传递与交换,为实现多列车协同控制提供了基本实现条件,多列车协同控制是提升整体的列车运行效率和全局的系统安全性的最佳选择。本文围绕上述自动驾驶和多车协同控制问题展开研究,首先,研究具有自学习和抗干扰特性的单列车自动驾驶控制算法,设计列车运行阻力的自辨识方法,提出具有自学习能力的鲁棒自适应控制方法,然后,考虑移动闭塞运行模式的多列车耦合非线性动力学行为,提出多列车线性加权协同控制模型,设计多列车分布式协同控制算法,实时调整多列车相对位置与速度,保证多列车高效安全运行,由局部控制实现系统的全局最优。本文主要工作总结如下:1.综合考虑列车运行的准时性、舒适性、节能性和精确停车等多指标要求,分析列车运行全过程受力情况,基于运动力学机理,建立列车运动非线性动力学模型,模型中无需历史运行数据拟合而来的经验值,提出具有自学习能力的控制算法,根据列车实际运行速度和目标速度的偏差,自适应估计不确定环境和列车参数的变化,给出实时控制信号,以实现对给定目标速度-距离曲线的跟踪控制,基于自适应辨识理论设计自适应控制方法,并考虑运行阻力随运行环境变化和存在建模不确定性和外部扰动影响的鲁棒自适应控制设计;进一步,为了降低对车载计算机计算能力的要求,避免反步设计过程中存在的复杂度爆炸问题,提出基于新型基于单参数估计和动态面技术的鲁棒单参数自适应控制方法,算法结构简单,计算复杂度低,保证算法的工程实用性。2.基于力学机理的动力学模型对变化的运行环境没有自学习能力,设计基于神经网络的列车运动过程不确定性的重构方法,弥补牛顿力学模型的缺陷;同时考虑乘车舒适性和列车牵引/制动系统的输出能力受限造成的输入饱和问题,提出截断自适应自动驾驶制方法,保证输入饱和发生时系统性能不会过于恶化,保证闭环系统稳定性;车速采集与反馈、定位信息采集与反馈,以及车载软件数据预处理过程,造成传输到车载控制单元的数据存在时滞,解决存在状态延时造成的无穷维状态描述难题,提出基于Lyapunov-Krasovskii函数的时滞依赖控制方法,所设计方法无需时滞的精确值,给出存在状态时滞稳定的充分条件;最后,提出一类含输入饱和和外部扰动的不确定SISO非线性系统的自适应神经动态面控制方法,给出系统稳定条件和控制参数的选取方法。3.分析现用移动闭塞模式的运行原理,提出多列车线性加权协同控制模型,设计基于全信息反馈情形下的分布协同控制,实时调节每列车的速度与相对位置,保证列车稳定行驶前车后最小安全位置处,并确保列车不冒进至防护距离,防止触发用制动甚至紧急制动,并保证多列车队列稳定性;进一步,利用高阶滑模观测器Levant Differentiator,提出位置反馈情形下的协同控制,实现从含噪声的位置信息中估计列车实时速度值与加速度值,并利用速度和加速度观测值设计分布协同控制律,保证不确定运行环境下的有限时间收敛,实现多列车的稳定安全运行。4.提出多拓扑结构下的协同控制模型,改进现用移动闭塞模式单向传输信息的结构,设计具有双向传输结构的邻接-通讯模式,并深入分析该模式下多列车耦合的复杂动力学行为,同时,考虑降低车载计算机的计算和结构复杂度,提出单值学习协同鲁棒自适应控制算法,所设计控制算法的特点在于控制器结构简单,含有一个在线估计的参数,保证了算法的简洁性和实用性,并对建模误差和外部扰动具有强鲁棒性,并保证有限时间收敛;最后,提出一类含有强耦合、输入饱和约束、不确定动力学和外部扰动的耦合MIMO非线性系统的神经自适应控制方法,基于连续函数分离和径向基神经网络逼近技术,提出新型单值学习的神经自适应控制律,与经典Minimal-Learning-Parameter算法具有两个估计参数相比,所设计控制律中只含一个估计参数,避免基于反推设计算法中的维数灾和计算复杂度爆炸问题。
陈杰[4]2015年在《在机器人系统中神经网络智能控制技术的研究》文中认为机器人系统的轨迹跟踪控制问题是控制领域中的一个重要的研究课题,实际的机器人系统在运行过程中总是会出现一些不可避免的外界干扰、非线性以及不确定性等因素,对机器人系统的控制精度、可靠性以及动态性能产生很大的影响。因此研究复杂环境下机器人控制系统的轨迹跟踪控制问题具有极其重要的理论意义和实际应用价值。神经网络具有联想记忆、非线性逼近以及自适应能力,是一种能够解决复杂不确定非线性机器人控制系统的跟踪控制问题的有效方法,也是贯穿本文各个部分的关键技术。鉴于此,本文在深入研究神经网络控制理论的基础上,对机器人系统中的神经网络智能控制技术开展了系统的研究。本文的主要工作如下:(1)研究了神经网络稳定性理论。基于M矩阵和Lyapunov稳定性理论,研究了一类不连续时滞T-S模糊Hopfield神经网络的动力学行为,得到一个使不连续时滞T-S模糊Hopfield神经网络在其不动点全局渐近稳定的准则。此外,研究了一类不连续CohenGrossberg神经网络鲁棒自适应控制方法,通过设计一个自适应控制器,确保了不连续Cohen-Grossberg神经网络在其平衡点的稳定性。通过仿真实验来证明所设计鲁棒自适应控制器的可控性和可行性。(2)研究了神经网络智能控制技术。针对一类时滞T-S模糊神经网络模型提出了一种鲁棒滑模控制方法。通过采用线性矩阵不等式技术,对一类模糊T-S时滞神经网络的滑模控制方法进行研究。本文设计的滑模控制器可以实现时滞T-S模糊神经网络的鲁棒渐近稳定性,基于Lyapunov稳定性理论证明了系统的稳定性以及跟踪误差渐近收敛于零。通过仿真实验分析,验证了所提出控制器的可靠性和鲁棒性。(3)针对一类带电机驱动的机器人控制系统,提出了一种鲁棒自适应神经网络控制方法。根据Lyapunov稳定性理论,专门设计了鲁棒自适应控制器,用以保证系统的鲁棒性和稳定性。通过采用反向推理法,首先给出一个期望的控制器,通过设计Lyapunov函数来保证系统的稳定性能,然后将期望控制器中的不确定项通过径向基函数神经网络来逼近,得到能使控制系统稳定的控制器。最后,通过仿真实验验证所得结果的鲁棒性和自适应性能。(4)提出了基于模糊神经网络的移动机器人自适应控制方法。通过整合应用模糊小脑神经网络和鲁棒自适应控制方法,实现对移动机器人系统准确的跟踪控制。基于Lyapunov稳定性理论,设计了鲁棒自适应模糊神经网络控制器,用以保证移动机器人系统的稳定性和鲁棒性。在控制器的设计过程中,使用模糊小脑神经网络来补偿移动机器人系统中的外部扰动和各种不确定性。通过Matlab软件对系统进行仿真实验,验证所设计控制器的有效性。(5)研究了不确定复杂环境下移动机器人的模糊滑模控制方法。通过联合自适应滑模控制和模糊高斯基函数神经网络方法,为移动机器人系统设计一个神经网络鲁棒自适应滑模控制器。通过Lyapunov稳定性理论验证了机器人控制系统的稳定性。针对系统的不确定性,使用模糊高斯基函数神经网络来进行逼近。通过数值仿真实验来验证所得结果,通过比较之前的鲁棒自适应控制结果表明,该控制方法是一种行之有效的控制方法,具有良好的性能和效果。
朱亮[5]2006年在《空天飞行器不确定非线性鲁棒自适应控制》文中进行了进一步梳理空天飞行器(ASV)是各国正在大力发展的新型航空航天飞行器,它们在运行中表现出的多任务、多工作模式、大范围高速机动等特点使得控制系统设计成为一项极具挑战的研究课题。围绕这一基础科学问题,本文在空天飞行器建模与分析、不确定非线性系统控制和自主控制系统设计叁个方面开展了较为深入的研究。首先,根据国内外公开发表的文献资料建立起ASV超声速和高超声速飞行条件下6自由度数学模型。该模型包含完整的动力学方程和运动学方程,其中气动力系数和力矩系数是迎角,马赫数及气动舵面偏角的函数,发动机模型为吸气发动机和变推力火箭发动机的组合推进装置,飞行器的质心、惯性矩是飞行器质量的时变函数。开环分析表明整个模型能够体现出ASV复杂的非线性、耦合性以及快速时变性等特点,具有一定的代表性,可以满足未来ASV先进制导和控制等问题的理论研究和仿真验证需要。其次,基于此平台研究了ASV的飞行控制系统设计问题。轨迹线性化控制(TLC)是一种新颖有效的非线性跟踪和解耦控制方法,文中首先对它的设计思想和理论基础进行回顾。然后根据奇异摄动理论,将ASV的飞行控制系统分成快慢回路,并分别为它们设计TLC控制器。最后在ASV高超声速飞行条件下进行仿真验证,以检验该控制系统的有效性和鲁棒性。接着,通过理论分析找出系统中存在的不确定对当前TLC方法产生不利影响的机理,指出随着不确定的增大,TLC方法性能会不断降低直至失效。为了解决这个问题,本文基于补偿思想提出一种新的TLC控制策略和控制结构,并首先利用非线性干扰观测器对于不确定的估计能力加以实现,给出一种基于非线性干扰观测器的轨迹线性化控制新方法。基于Lyapunov理论证明出闭环系统所有误差信号均以指数形式收敛至零。数值例子和ASV的仿真验证结果表明,新方法不仅有效而且能够大大提高不确定条件下TLC的控制性能和鲁棒性。随后,利用神经网络对未知非线性函数的逼近能力,提出一种新的鲁棒自适应轨迹线性化(RATLC)控制结构。首先利用径向基神经网络来实现这一控制策略,设计出神经网络自适应调节律,采用Lyapunov方法严格证明出在自适应调节律作用下闭环系统所有误差信号最终有界。最后将所得结果推广至单隐层神经网络。高精度地逼近系统中存在的不确定,可大大提高控制效果,为此本文研究了两种新的神经网络干扰观测器技术。该技术具有广泛的适用性,可与已有的很多控制方法结合来提高它们在不确定条件下的控制性能,因此该研究结果对于发展不确定非线性系统逼近策略具有重要的借鉴意义。在此基础上,提出新的基于神经网络干扰观测器的RATLC控制结构,设计出合适的自适应调节律并利用Lyapunov稳定性理论进行了严格的证明。上述所有RATLC方案均在ASV高超声速飞行条件下进行仿真验证,仿真结果表明这些控制算法不仅有效,而且可以获得非常优异的控制性能。因此RATLC策略使得当前TLC方法获得很大的发展。最后,研究了ASV自主式控制系统体系结构的设计问题。通过对多智能体技术的简单回顾指出该技术用于ASV自主控制系统设计的可行性,对ASV自主控制系统做出需求分析,采用多智能体技术设计出ASV的自主控制系统,并对整个系统的工作原理和各个主体的具体功能做出详细讨论。通过与深空一号自主系统的对比研究,指出新系统在智能性,鲁棒性、移植性和扩展性等方面的优势。
范玲玲[6]2017年在《执行器故障下系统的鲁棒自适应容错控制研究》文中进行了进一步梳理在实际工程系统中,由于外界干扰和执行器故障引起的非线性通常是不可避免的。在大多数情况下,系统执行器故障发生的时间是未知的,并且它的进一步发展可能导致整个系统产生不同形式和规模的故障。因此,当一个给定的动态系统发生故障时,如何保证系统稳定性和保持可接受的执行性能成为控制系统设计中的重要问题。因为故障是难以预见和预防的,容错控制被视为突发故障下维持某些安全苛求系统安全运行的最有前途的控制技术之一。本论文对上述关键问题的研究主要从以下几个方面进行。针对一类存在执行器故障的受扰线性系统的镇定控制问题,建立执行器部分失效的故障模型,提出一种鲁棒自适应容错控制算法。这种控制算法不需要对时变执行器故障的界值进行分析与估算,不依赖于故障检测及诊断装置,因此结构更加简单,不需要大量的在线计算。研究表明,应用所设计的控制方法,不仅能够保证执行器故障下系统的稳定性,也能够有效抑制状态相关的外界干扰对系统的影响。基于Lyapunov稳定性理论的证明和仿真结果验证了所设计控制算法的有效性,即当系统存在外界干扰、参数不确定性以及执行器故障时,控制器能够保证系统的镇定。然后,将此方法进行推广和改进,解决执行器故障下模型不确定随机系统的容错控制问题。针对一类存在建模不确定性和执行器故障的非线性系统,研究其状态跟踪控制问题。在控制器的设计过程中较为关注易设计性和低成本两个方面,其设计理念是将模型参考自适应方法和基于径向基函数(Radial basis function,RBF)的神经网络(Neural network,NN)方法结合起来应用于被控对象,所提出的几种控制策略既不需要精确的系统模型信息,也不需要对时变故障信息进行分析与估计,因此结构简单,计算量小。然后,为解决一类同时存在执行器故障、状态时滞和输入受限的非线性参数化重复运行系统的状态跟踪问题,提出了一种数据驱动的自适应迭代学习容错控制方法。这种控制策略由一个非线性反馈项和一个鲁棒项构成,能够补偿执行器故障、输入饱和以及状态时滞给系统带来的非线性影响。通过构建一个时间权重的类Lyapunov-Krasovskii的组合能量函数证明闭环系统的稳定性。针对多智能体系统,单个智能体的执行器故障可通过智能体间的协同行为扩散到整个系统,从而导致性能下降甚至系统失稳,造成严重事故。为实现直流微电网中有源负载的协调控制,提出了两种控制策略。当故障信息已知时,为每一个有源负载定义一个博弈性能指标函数,然后设计一个分布式控制策略同时最小化所有的指标函数。在MATLAB/Simulink环境下对一个低压直流微电网的有源负载协调控制进行了模拟仿真,验证了所设计控制算法的有效性。当故障信息未知时,提出基于鲁棒自适应技术的分布式控制策略来解决系统的容错控制问题。
刘小雄[7]2006年在《飞行控制系统故障隔离与自适应重构技术研究》文中进行了进一步梳理飞行控制系统的高可靠性是飞行安全的重要保证。当飞机出现故障或者遭到意外损伤时，飞行控制系统如果能够依据故障特性和损伤特性迅速改变控制策略，通过控制系统的重构实现飞机最低安全性要求，这对于保证飞机飞行任务的继续执行或者安全返航具有重要的意义。所以未来先进飞机的飞行控制系统应该具备自主决策与控制功能以及自适应容错能力，以满足高可靠性的要求。飞行控制系统故障隔离和自适应重构技术的研究对提高飞行控制系统安全性、可靠性和容错能力提供了强有力的保证。 本文以模型跟随自适应控制理论为基础，将新型意义下具有自学习、自组织和自决策能力的自适应机制与智能控制、现代控制以及容错控制理论相结合，根据现代先进飞机飞行控制系统的特点和安全性要求，通过对飞行控制系统传感器和作动器故障隔离与自适应重构技术的研究，建立了比较完善的自适应容错飞行控制系统体系结构，为先进飞机容错飞行控制系统的研究奠定了基础。全文从自适应思想出发，针对飞行控制系统故障的类型和特点，选用相应的自适应机制完成系统故障隔离与自适应重构设计，使得研究的内容形成一个完整的体系结构。 本文的主要工作和研究成果如下： 1．针对飞行控制系统闭环反馈与实时控制的特点，采用多模型自适应的思想，提出一种基于鲁棒自适应观测器的传感器故障隔离与自适应重构策略。为了使得闭环输出信号解耦，设计了多个鲁棒自适应观测器用于传感器的状态估计，并且对生成的残差进行序贯概率比检验。应用多个观测器的信息进行故障的定位和信号重构。由于设计的鲁棒观测器可有效的抑制噪声和模型不确定性，所以不会出现故障误报和漏报。仿真结果表明所提方法的有效性。 2．研究了基于径向基神经网络观测器的飞控系统传感器故障隔离与自适应重构方法，提出了一种基于混合共轭梯度优化算法的径向基神经网络。考虑到飞控系统非线性因素和随机干扰的影响，建立了神经网络观测器模型，根据飞行控制系统实时、闭环控制的特点，基于多模型自适应的思想，设计多个神经网络观
陈刚[8]2006年在《不确定非线性系统的鲁棒自适应控制研究》文中进行了进一步梳理随着科学技术的发展,人们对非线性系统的控制提出了更高的要求。为了进一步发展和完善非线性控制理论,本文以非匹配非线性系统为研究对象,提出了一套鲁棒自适应控制方法。其贡献主要体现在以下几个方面: (1) 针对一类具有未知控制方向,未知参数以及未建模动态的非线性系统,提出了一种带有死区修正算法的鲁棒自适应后推控制策略。该策略不需要控制方向符号的先验知识,根据参数上下界先验信息,分别将光滑投影和非连续投影算法与参数自适应律结合起来,既抑制了参数的漂移,又使估计参数达到了最小。算法保证了闭环系统所有信号的有界性,同时使得跟踪误差收敛于零的任意小邻域内。 (2) 对存在外界干扰的严反馈非线性系统H_∞控制问题,给出了一种带有死区的鲁棒自适应设计方法。该算法不但能够保证闭环系统的稳定性,还使得系统满足给定的L_2干扰抑制性能指标,同时也不需要求解HJI不等式。 (3) 针对一类具有未知时变控制方向,不确定时变参数以及未知时变有界干扰的非线性系统,给出了一种带有死区修正算法的鲁棒控制方法。该策略不需要未知时变控制系数的上下界先验知识以及不确定参数和外界干扰的上界信息。算法保证了闭环系统所有信号的有界性,同时也使得跟踪误差收敛于零的任意小邻域内。 (4) 对一类具有未知参数,包括未知高频增益的非线性最小相位系统,首先在考虑存在外界干扰的情况下,提出一种鲁棒自适应输出反馈控制策略。系统所受的干扰有界但其界值是未知的。控制算法并不需要高频增益符号以及外界干扰的先验知识。同时,系统的非线性项并不需要满足增长性条件和匹配条件。算法使得估计参数量达到了最小,保证了闭环系统所有信号的有界性,同时使得跟踪误差渐进收敛于零。在考虑存在未建模动态的情况下,提出另一种输出反馈控制策略。根据未知参数的上下界先验信息,通过将光滑投影和非连续投影算法与参数自适律结合起来实现参数漂移的抑制。控制算法保证了闭环系统所有信号的有界性,同时使得系统输出渐进收敛于零。 (5) 基于神经网络的万能逼近特性,针对不确定非线性系统提出一种鲁棒自适应神经网络控制策略。运用神经网络来逼近系统中的不确定函数,采用在线自适应律对神经网络的权值进行在线调整。在控制方向未知的情况下,所给出的神经控制算法能够保证系统输出渐进收敛于零。在非线性系统的未建模动态满足输入—输出稳定时,基于小增益定理给出了控制器的设计以及整个闭环系统的稳定性分析,同时也证明系统输出能够调节到任意地小。在系统的所有状态变量均可测的条件下,提出一种多滑模神经网络控制策略。在每一步的设计中均引入一个带有饱和层的动态滑模面。算法保证系统跟踪
伍锡如[9]2011年在《电厂冷凝器清洗机器人的神经网络控制理论研究》文中研究说明冷凝器是火力发电厂、化工、机械等行业的大型换热设备,它在汽轮机装置的热力循环中起冷源的作用,其工作性能好坏将直接影响整个汽轮机组的经济性和安全性。由于热交换时伴随化学反应以及冷却水不洁净等因素,因而导致了冷凝管内壁积聚了许多的污垢,这些污垢如果不及时清洗,会降低汽轮机发电机的效率、增加发电成本、甚至会导致冷凝管堵塞以及腐蚀穿孔而引发事故。针对该问题,本项目组研究了一种电厂冷凝器自动化清洗机器人来对冷凝器进行长期自主在线清洗,合理、高效地实现冷凝器污垢的在线清洗,保障大型火力发电厂安全生产、解决人工清洗效率低、工作强度大、环境恶劣、实现节能降耗等问题,减少机组停机造成的经济损失,提高汽轮机组的运行效率。为此,本文重点开展了电厂冷凝器自动化清洗机器人的神经网路智能控制理论方法研究。全文共七章,各章内容安排如下:第一章,阐明了本论文的研究背景及意义,介绍了电厂冷凝器清洗机器人的结构、工作原理和研究现状,然后阐述了冷凝器清洗机器人、移动机器人以及神经网络控制的研究现状。并阐述了鲁棒自适应控制、模糊控制、智能控制、滑模控制等方法,最后给出了全文内容的结构安排。第二章,结合一类实际的神经网络系统介绍了模糊控制的一些理论知识。通过运用LMI,研究了一类不连续时滞模糊神经网络模型的鲁棒模糊控制问题。得到了不连续模糊神经网络在其平衡点全局渐近稳定的充分条件准则。比较已有的文献,去掉了一些对神经激励函数的假设条件,如Lipschitz条件、单调性、有界性以及在不连续点左极限大于右极限等条件，论文的结果更具有一般性和普遍性。通过两个数值实验来证明所设计的模糊控制器的可控性和可行性。第叁章,提出了电厂冷凝器清洗机器人的神经网络鲁棒自适应控制策略。对电厂冷凝器清洗机器人进行了动力学建模。通过联合神经网络鲁棒自适应控制方法和滑模方法,设计了一个电厂冷凝器清洗机器人的神经网络鲁棒自适应滑模控制器。通过应用李雅普诺夫稳定性理论,将所设计的控制器能够保证系统的稳定性以及跟踪性能的一致有界性。因电厂冷凝器清洗机器人系统中含有不确定项和扰动,论文使用了RBF神经网络对其进行补偿。通过仿真分析和实验研究,验证了所得结果的有效性和优越性,结果表明,该控制方法具有良好的动、静态性能和抗干扰性能,是一种行之有效的控制方法。第四章,研究了电厂冷凝器清洗机器人的神经网络模糊控制问题。通过联合模糊小脑神经网络和智能鲁棒自适应控制方法,设计了一个神经网络模糊控制器来控制电厂冷凝器清洗机器人系统。通过应用Lyapunov稳定性理论,将所设计的控制器来保证系统的稳定性。在电厂冷凝器清洗机器人系统控制器的设计过程中,本章使用模糊小脑神经网络来补偿系统中含有不确定项和外部扰动。通过仿真实验,验证了提出方法的可控性和有效性。第五章,研究了一类叁关节电厂冷凝器清洗机器人系统的滑模控制问题。通过对移动平台进行了运动学建模,给出了叁关节机械臂的运动学模型,以及对叁关节电厂冷凝器清洗机器人系统进行统一建模。采用模糊小波神经网络来逼近系统中的参数不确定和干扰项。通过李雅普诺夫稳定性理论,设计了一个电厂冷凝器清洗机器人系统的鲁棒自适应滑模控制器,保证了系统的全局渐近稳定性以及跟踪误差的最终一致有界性。通过仿真实验来验证了所得到的控制器的有效性和可控性。第六章,研究了电厂冷凝器清洗机器人系统的智能神经网络控制问题。通过应用RBF神经网络的逼近非线性函数的能力来补偿冷凝器清洗机器人系统中的局部非线性性和不确定性。基于Lyapunov稳定性理论,设计了一个神经网络控制器来保证系统的鲁棒性和稳定性。通过仿真研究和实验分析,验证了所得智能神经网络控制策略的鲁棒性和理想的跟踪性能。第七章,介绍了电厂冷凝器清洗机器人系统模型以及模糊高斯基函数神经网络的基本结构和逼近性能。通过应用模糊高斯基函数神经网络的逼近能力来补偿电厂冷凝器清洗机器人系统中的不确定扰动项。设计了一个电厂冷凝器清洗机器人系统的自适应模糊控制器。基于Lyapunov稳定性理论,得到了电厂冷凝器清洗机器人系统的稳定性定理。通过仿真实验分析,验证了所得神经网络自适应模糊控制策略的鲁棒性和理想的跟踪性能。
张敏[10]2008年在《复杂非线性系统的智能自适应控制研究》文中指出本文研究了一类含有非线性、不确定性、时滞、混沌因子等多种不良因素的复杂系统的自适应控制问题。结合H∞鲁棒控制、神经网络控制、模糊控制,多模型控制等多种控制方法设计自适应控制器,确保系统闭环稳定性,并满足其动态性能要求。首先提出了一种动态结构自适应神经网络,由于这种神经网络改良于全调节自适应神经网络和动态结构神经网络,因此,其网络的所有参数和隐层神经元的个数均可在线自适应调节,能以最佳网络参数配置和拓扑结构逼近未知函数,从而避免因网络初始设置不当而产生的固有误差,提高逼近精度。其后讨论了基于神经网络的自适应控制问题,将所设计的动态结构自适应神经网络应用到一类复杂非线性系统的自适应控制中。针对具有不确定性的非线性关联大系统,提出了基于DRBF神经网络的H∞鲁棒自适应分散控制方法,解决了子系统之间存在不确定性的非线性关联大系统的稳定性问题;针对飞行控制系统,设计了基于DRBF神经网络的自适应飞行跟踪控制器,克服了这类复杂系统中所存在的强耦合、强非线性及模型不确定性等因素对系统控制性能的影响,使得飞控系统能够稳定且能快速准确的跟踪上输入指令。进一步研究了一类在复杂环境下运行的非线性系统的控制问题。由于环境的变化会造成系统参数或结构的突变,而单一的控制器无法适应这种剧烈变化,这时可采用多模型方法进行有效控制。文中讨论了基于切换式多模型方法的自适应控制,以飞控系统为被控对象,设计了多模型自适应控制器。其中模型集合由模糊模型和多个固定线性模型构成,再分别设计相应的控制器,通过合适的切换性能指标和切换界条件相互配合,选择一个当前控制器作用于系统,并引入DRBF神经网络,实现稳定的全包络飞行跟踪控制。此外,文中针对存在执行器饱和情况的飞控系统,提出了基于加权式多模型方法的自适应跟踪控制器,其中权值参数的更新规则按照模糊逻辑原理设计,并在控制器中增加一个控制隔离环节,以屏蔽饱和信号,保证系统正常运行,再引入DRBF神经网络,以确保系统稳定。通过一系列的控制器改进措施,使得飞控系统最终满足全包络跟踪飞行的动态和稳态性能要求。最后,研究了一类具有不确定时滞的非线性系统的自适应跟踪控制方法,特别针对不确定时滞混沌系统,设计了基于Lyapunov-Krasovskii函数的时滞补偿器,再结合DRBF神经网络构造了自适应跟踪控制器,解决了由混沌因子、不确定性,非线性,以及时滞等因素所引起的系统控制律的设计困难,使得这类系统能够保持稳定,且具有良好的跟踪性能,同时,也再次验证本文所提出的基于神经网络的自适应控制方法可以针对不同的被控对象,通过改进和完善,形成适合的控制方案,有效的实现各自的控制目的。
参考文献：
[1]. 非线性自适应高可靠容错飞行控制方法研究[D]. 程鹏飞. 西北工业大学. 2015
[2]. 近空间飞行器鲁棒自适应协调控制研究[D]. 程路. 南京航空航天大学. 2011
[3]. 多列车协同运行的若干控制问题研究[D]. 高士根. 北京交通大学. 2016
[4]. 在机器人系统中神经网络智能控制技术的研究[D]. 陈杰. 西安电子科技大学. 2015
[5]. 空天飞行器不确定非线性鲁棒自适应控制[D]. 朱亮. 南京航空航天大学. 2006
[6]. 执行器故障下系统的鲁棒自适应容错控制研究[D]. 范玲玲. 北京交通大学. 2017
[7]. 飞行控制系统故障隔离与自适应重构技术研究[D]. 刘小雄. 西北工业大学. 2006
[8]. 不确定非线性系统的鲁棒自适应控制研究[D]. 陈刚. 浙江大学. 2006
[9]. 电厂冷凝器清洗机器人的神经网络控制理论研究[D]. 伍锡如. 湖南大学. 2011
[10]. 复杂非线性系统的智能自适应控制研究[D]. 张敏. 南京航空航天大学. 2008
标签：数学论文; 自适应论文; 自适应控制论文; 神经网络模型论文; 自组织神经网络论文; 线性系统论文; 仿真软件论文; 系统稳定性论文; 人工智能论文; 非线性论文;