基于迭代学习观测器的航天器姿态主动容错控制

针对含有外部扰动和执行器故障的一类航天器姿态控制系统,本文提出基于迭代学习观测器的主动容错控制方案.首先,建立了含有外部扰动和执行器故障的航天器姿态控制系统的运动学和动力学模型.其次,为了提高观测器的故障估计精度,在传统迭代学习观测器设计基础上引入上一时刻状态估计误差信息,文章提出一种改进型学习估计算法.进一步,基于滑模控制和指定时间稳定理论,利用学习观测器的故障估计信息设计指定时间主动容错控制器.与现有的航天器主动容错控制方案相比,本文所提出的算法的优势在于可以使故障系统的姿态能在指定时间跟踪上指令信号.基于Lyapunov方法,本文从理论上证明了改进型学习观测器和姿态容错控制系统的稳定性.最后,通过数值仿真,说明了所提容错控制方案的有效性和可行性.     

多故障并发非线性系统一体化跟踪主动容错控制器设计

针对一类执行器及传感器同时发生故障的非线性系统,综合鲁棒滑模重构观测器及自适应滑模容错控制器设计技术,提出一体化跟踪主动容错控制方案.首先,将系统增维变换为广义系统,运用广义约束逆引入辅助矩阵,采用线性矩阵不等式设计观测器系数矩阵,综合自适应律给出广义鲁棒滑模观测器设计程式;在此基础之上,通过设计鲁棒滑模微分器估计输出向量微分,结合广义鲁棒滑模观测器状态估计结论,实现执行器及传感器故障同时重构.其次,基于故障重构及状态估计结论,提出自适应滑模的跟踪主动容错控制律设计程式.最后,通过开展飞行模拟转台伺服系统数值仿真,检验一体化跟踪主动容错控制器设计方法的有效性.     

风能转换系统执行器故障主动容错控制

提出了一种新颖的风能转换系统滑模主动容错控制策略.针对风能转换系统执行器故障,运用预测控制思想和迭代算法,设计了一种故障观测器.在设定的优化时域长度内,利用实际系统与故障观测器的输出差值,通过反复迭代运算,不断地对虚拟故障信号进行调整,使其能有效地拟合实际系统执行器故障,并根据故障观测值实时调整滑模容错控制器结构.未发生故障时,故障观测值为零,系统在滑模控制器控制下稳定运行;执行器发生故障时,运用故障观测值实时调整滑模容错控制项,并用双曲正切函数代替符号函数,消除抖动.仿真实验结果表明,滑模容错控制器下的系统具有良好的容错能力,提高了风能转换系统最大风能捕获效率.     

基于逆系统迭代学习观测器的故障调节方法

针对一类满足Lipschitz条件的多输入多输出非线性可逆系统执行器故障问题,提出了一种基于迭代学习观测器的逆系统内模故障调节方法。引入PD型迭代学习策略,设计了迭代学习故障诊断观测器,用于对执行器未知时变故障进行快速、准确估计。根据故障估计值,结合逆系统方法对逆模型进行补偿,使得补偿后的逆模型与非线性被控对象串联仍为伪线性系统;再结合内模控制实现了伪线性系统的容错控制。最后,通过仿真算例验证了该方案的有效性。     

一类非线性系统的故障重构与容错控制

针对一类满足Lipschitz条件的仿射非线性系统,提出一种执行器故障重构与容错控制方法。通过非奇异变化矩阵对系统进行降阶,设计出滑模故障重构观测器,优化滑模策略,使滑模故障重构观测器渐进估计系统的状态,并给出稳定性分析。运用等价输出控制方法直接获取故障信息,实现执行器故障的检测与重构。设计出主动容错控制器,通过补偿控制,完成执行器故障的容错控制。最后通过数值仿真验证了方法的可行性与有效性。     

一类线性不确定系统的主动容错H∞控制

研究了一类线性不确定系统的主动容错控制问题。采用广义内模结构的主动容错控制系统,针对可能发生的故障模式,建立了反映故障动态行为的参考模型,应用基于观测器的故障估计器在线估计故障,并将故障估计信息用于故障补偿,将主动容错控制归结为两目标H∞优化问题,推导并证明了问题可解的充分条件,得到了H∞控制器与故障估计器集成设计的迭代线性矩阵不等式方法。仿真算例验证了算法的有效性。     

带有海浪滤波器的船舶航向反步自适应输出反馈控制

针对复杂海况下船舶航向控制中的模型非线性、参数不确定和海浪扰动问题,提出了一种基于反步法的非线性自适应输出反馈控制算法.首先基于无源理论设计了一种状态观测器以实现海浪滤波和状态估计,这种观测器无需海浪扰动的方差信息从而减少了观测器参数数量.然后假定系统模型参数未知,基于反步法给出了非线性控制律和参数自适应律.利用Lyapunov理论证明了这种自适应输出反馈控制系统的稳定性.仿真结果表明本文所提控制器具有较好的控制性能,对不确定性模型参数具有良好的自适应性.     

基于滑模观测器的临近空间飞行器容错控制

针对临近空间飞行器中结构未知的执行器故障,提出一种基于滑模观测器的容错控制方法。采用Edwards-Spurgeon观测器结构设计滑模观测器,实现对执行器故障的鲁棒估计。根据所得的故障信息设计模型参考滑模容错控制器,控制律的非线性增益分为两部分,保证系统的鲁棒容错性能。一部分利用参数不确定的界值条件设计,一部分基于鲁棒故障估计信息设计。基于李雅普诺夫稳定性理论证明了系统的渐近稳定性。仿真结果表明,该方法能有效实现对执行器故障的鲁棒估计,并保证故障条件下飞行器对参考模型的稳定跟踪性能,达到了期望的容错效果。     

基于LMI的一体化鲁棒主动容错控制器设计

针对一类发生执行器故障的非线性系统,提出基于线性矩阵不等式(LMI)的一体化鲁棒主动容错控制器设计方法.首先,设计含自适应律的鲁棒滑模观测器,并将观测器设计方法转化为LMI约束下的凸优化问题,进而实现执行器故障的鲁棒重构;然后,提出基于状态及故障估计的一体化主动容错控制器,同时通过LMI给出控制器增益解算方法;最后,通过数值算例验证容错控制器设计方法的有效性.     

基于故障跟踪估计器的非线性时滞系统故障诊断

提出一种可有效检测和估计一类非线性时滞系统故障的故障跟踪估计器.根据预测控制和迭代学习控制的思想,在所选取的优化时域长度内,通过迭代算法调节故障跟踪估计器中的可调参数,使之逼近系统中实际发生的故障.与以往基于观测器的故障诊断方法不同的是,故障跟踪估计器可同时检测和估计系统中发生的故障,而且针对不同类型的故障亦有很好的适应性.仿真结果表明了所提出算法的可行性和有效性.     

基于自适应迭代学习算法的一类非线性系统故障检测与估计

针对迭代学习算法在非线性系统故障检测与估计过程中存在估计误差较大和收敛速度较慢等不足的问题,提出了一种基于龙格–库塔故障估计观测器模型的自适应迭代学习算法,有效降低了故障估计误差;并引入H∞性能指标,提高了故障估计观测器的收敛速度.该算法首先设计故障检测观测器对故障进行检测,然后设计故障估计观测器,并将自适应算法与迭代学习策略相结合,使得估计故障逐渐逼近真实故障,从而实现对非线性系统中多种常见故障的精确检测与估计.最后,通过机械臂旋转关节驱动电机的执行器故障仿真验证了所提算法的有效性.     

基于反馈控制的迭代学习控制器设计

针对具有不确定项或干扰项的重复非线性时变系统,提出了基于反馈控制的迭代学习控制器,其中迭代学习控制器设计为高阶PD型,它以前馈的形式作用于对象,在满足一定的收敛性条件下,证明了该控制器的跟踪误差界是系统初始状态误差界和系统输出干扰项界的线性函数,同时改变反馈增益可以调整系统的最终跟踪误差界,仿真与实验均表明了该方法的有效性。     

基于迭代扩张状态观测器的数据驱动最优迭代学习控制

针对一类带扰动有限时间内重复运行的离散时间非线性非仿射不确定系统,本文提出了一种基于迭代扩张状态观测器的数据驱动最优迭代学习控制方法.首先,提出了改进的迭代动态线性化方法,将被控系统线性化为与控制输入有关的仿射形式,并将不确定性合并到一个非线性项中;然后,设计了迭代扩张状态观测器对非线性不确定项进行估计,作为对扰动的补偿;最后,设计了性能指标函数,通过最优技术,提出了参数迭代更新律和最优学习控制律.本文通过数学分析,证明了跟踪误差的有界收敛性.仿真结果验证了方法的有效性.所提出的新型迭代动态线性化方法可很大程度上降低线性化后的控制增益的动态复杂性,使其易于估计.所提出的迭代扩张状态观测器可以在重复中学习,对非重复扰动可进行有效的估计.此外,本文控制器的设计与分析是数据驱动的控制方法,除了被控系统的输入输出数据以外,不需要任何其他模型信息.     

基于ESO迭代学习算法的故障估计

针对基于迭代学习的故障估计器方法,提出一种基于扩张状态观测器(ESO)思想的迭代学习算法,以提高虚拟故障的收敛速度。该算法将ESO的输出误差非线性反馈机制用于迭代学习过程,利用故障估计器当前输出残差的非线性函数修正下次迭代时的虚拟故障值。对所建立的故障估计器的收敛性进行理论分析,并在此基础上进行了仿真实验。仿真结果表明,所提出的算法具有良好的收敛速度和故障估计精度。     

执行器故障时变系统的PID迭代容错控制

对存在执行器故障的连续线性时变系统，给出了PID型迭代学习容错控制律的收敛条件。对连续时变故障系统设计了一种PID迭代学习容错控制律，在[λ]范数意义下给出了故障系统PID型迭代容错控制器收敛的充要条件；基于Schur补原理和不等式变换，将容错控制器收敛条件转换成线性矩阵不等式，当迭代学习收敛速度设定时，基于线性矩阵不等式能快速确定最优迭代控制增益，避免了迭代控制增益设置的盲目性。旋转控制系统的数值仿真，验证了PID迭代容错控制器优良的容错性能和跟踪性能。     

Observer-based Iterative and Repetitive Learning Control for a Class of Nonlinear Systems

In this paper, both output-feedback iterative learning control (ILC) and repetitive learning control (RLC) schemes are proposed for trajectory tracking of nonlinear systems with state-dependent time-varying uncertainties. An iterative learning controller, together with a state observer and a fully-saturated learning mechanism, through Lyapunov-like synthesis, is designed to deal with time-varying parametric uncertainties. The estimations for outputs, instead of system outputs themselves, are applied to form the error equation, which helps to establish convergence of the system outputs to the desired ones. This method is then extended to repetitive learning controller design. The boundedness of all the signals in the closed-loop is guaranteed and asymptotic convergence of both the state estimation error and the tracking error is established in both cases of ILC and RLC. Numerical results are presented to verify the effectiveness of the proposed methods.