迟滞非线性系统的建模与控制

介绍了对不平滑、多映射迟滞非线性系统的研究成果,重点阐述了迟滞建模与控制器设计的研究现状.详细地分析比较了Preisach模型和线性迟滞模型优缺点.在控制器设计方法方面,比较了常用的两类基于逆模型补偿方案的特点、差别和适应范围,并扼要论述了其他控制方案.最后,对迟滞研究中仍需解决的问题和未来发展方向进行了探讨.     

对Preisach类的迟滞非线性神经网络建模

为了消除迟滞非线性对系统的不良影响,本文利用神经网络对Preisach类的迟滞非线性进行建模．通过引入一个特殊的迟滞因子,将多映射的迟滞非线性转换成一一映射,然后建立了基于神经网络的迟滞非线性模型．该模型结构简单,简化了辨识过程,可以调整神经网络权值以适应不同条件下的迟滞辨识．最后．应用该方法对压电执行器中的迟滞非线性建模,并与KP模型进行了比较．     

一类具有应力相关迟滞非线性智能结构的建模与跟踪控制研究

智能结构在变化的负载下产生的应力相关迟滞非线性严重影响了其在亚微米级跟踪控制中的应用. 因此, 本文提出了一种应力相关Preisach算子用以描述当输入信号与应力同时变化时, 智能结构所产生的迟滞非线性特性. 该应力相关Preisach算子是在经典Preisach算子的基础上, 通过将应力相关项引入密度函数所得到的. 此外, 为了实现逆补偿控制器的设计, 本文提出了应力相关Preisach算子的性质与基于模糊树方法的辨识方案. 继而, 本文设计了一种基于所提算子的前馈逆补偿与反馈控制器结合的复合控制方案, 并将其应用于一类超磁致伸缩智能结构的实时跟踪控制实验中. 实验证明, 与经典Preisach算子相比, 所提出的算子和相应的控制方案能够较好的消除应力相关迟滞非线性的影响并使控制效果显著提高.     

一种频率依赖性迟滞的神经网络内模控制

针对压电陶瓷等智能材料存在的依赖输入频率的迟滞非线性问题,采用BP神经网络对迟滞非线性进行辨识,并通过内模控制方案来对其进行控制.在迟滞的建模上,构建了一种静态迟滞非线性环节串联一个对输入频率敏感的线性动态环节组成的Hammerstein模型.在此基础上,得出Hammerstein模型的逆模型,并通过构造的正、逆模型进行内模控制.实验结果说明,提出的建模方法与内模控制方案是有效的.     

压电作动器的动态迟滞建模与H∞鲁棒控制

压电作动器具有率相关动态迟滞非线性特性,给传统建模和控制技术提出了挑战.本文针对压电作动器,提出了一种基于Bouc-Wen的Hammerstein率相关迟滞非线性模型,其中Bouc-Wen模型和线性动态模块分别用于描述系统的静态迟滞非线性特性和率相关特性.同时,构造了一个基于Bouc-Wen模型的迟滞补偿器,将迟滞补偿器与被控对象串联使系统线性化;并建立了不确定性系统模型,提出了一种H∞鲁棒跟踪控制方案,可以实现给定频率范围内单频率和复合频率参考信号的良好跟踪.实验结果表明,所建动态模型具有良好的泛化能力,跟踪控制相对误差小于8%,证明了所提出方法的有效性.     

基于状态观测器的迟滞非线性系统输出反馈控制

利用Preisach模型与其边界线之间的映射关系建立了容易在线更新的迟滞模型．将模型和径向基网络相结合，针对一类动态多映射迟滞非线性系统设计了输出反馈控制器．应用LyaPunov定理得到系统控制律和神经网络权值更新律，从而保证了闭环系统的跟踪误差及网络权值偏差收敛到原点的某个有界邻域内．     

迟滞非线性动态系统神经网络自适应控制

为了减轻非线性动态系统中未知迟滞(Hysteresis)的不良影响，该文提出了一类Backlash型迟滞模型。将有限数量不同宽度的Backlash(Matlab／Simulink)算子进行叠加，来仿真执行器中的迟滞非线性动态。用此模型，提出了基于径向基函数神经网络的自适应控制方案，以控制伴有未知迟滞的非线性动态系统。该方案采用了动态逆的思想及伪控制的概念。利用Lyapunov稳定理论，设计了两个鲁棒控制项，保证动态系统的稳定性、系统中所有信号有界和误差收敛到起点的领域内。通过Matlab／Simulink仿真实验，证明了所提出方案的有效性。     

基于Preisach模型的深度学习网络迟滞建模

针对传统压电扫描器迟滞模型泛化能力较弱的问题,提出了一种基于Preisach模型的深度学习网络来建立迟滞模型,提高了模型的学习能力和泛化能力.具体而言,首先利用深度学习在深度特征提取方面的优势,建立包含卷积层、池化层、展开层以及深度特征层的深度学习层来提取输入电压信号的特征信息;其次,利用傅里叶变换层计算得到输入信号的频率,并将频率输入到非线性层,构造并输出了与输入信号频率相关的非线性项,该非线性项作为权值函数与Preisach模型的迟滞单元输出相乘,并将乘积叠加得到了频率相关的模型输出向量;最后,将深度学习层输出的特征向量与Preisach模型输出向量点乘,即可得到深度学习网络的最终输出位移.同时利用电容位移传感器采集的16组输入输出信号对深度学习网络进行训练,得到了网络中的权值参数,并利用其他8组输入输出数据对深度网络进行测试,训练和测试结果表明,本文所提出的基于Preisach模型的深度学习网络在得到高精度迟滞模型的同时,提高了模型的泛化能力.     

率相关迟滞非线性系统的智能化建模与控制

提出一种新的率相关迟滞非线性系统的建模方法,并对其在超磁致伸缩作动器建模中的应用进行了研究.与已有的方法比较,所建的模型结构简单.与实验结果对比,模型可以很好地描述作动器对于复合频率输入信号的迟滞非线性.基于模糊树模型,结合神经网络中的逆向学习和专门化学习,提出了一种直接逆模型控制器设计方法.首先离线辨识对象的逆模型作为初始的控制器,然后与对象串联,用LMS算法在线调节控制器中的线性参数.将该方法应用到超磁致伸缩作动器的跟踪控制中,数值仿真结果表明了方法的正确性和可行性.     

基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

压电陶瓷驱动器迟滞非线性误差的建模与分析

压电陶瓷驱动器的最大迟滞非线性误差可以超过输出行程的15%,而快刀伺服系统(FTS,Fast Tool Servo)要求重复定位精度优于10nm,相对线性度误差优于0.5%,压电陶瓷驱动器的误差无法满足该精度要求。首先对压电陶瓷迟滞非线性误差进行实验分析,将迟滞非线性误差分为频率无关迟滞现象和频率相关迟滞现象。接着对Bouc-Wen（BW）和Prandtl-Ishlinskii（PI）的频率无关迟滞模型进行修正和对比,确定了采用PI模型描述本文的频率无关迟滞现象,PI模型对频率无关迟滞曲线的辨识精度为0.392%。然后设计基于Hammerstein模型的频率相关迟滞模型,Hammerstein模型对频率相关迟滞曲线的辨识误差相比PI模型时,其均方根值降低了88.068%。提出了压电陶瓷驱动器迟滞非线性误差的建模方法,并分析了其有效性和准确性,给FTS伺服控制提供了一种实用的前馈控制器。     

基于RBF-ARX模型的预测控制在液位系统中的应用

针对单容液位系统紊流时的非线性特征,研究了基于RBF-ARX模型预测控制策略控制单容液位系统;讨论RBF-ARX模型结构的选取,模型参数辨识,RBF参数优化,基于RBF-ARX模型的预测控制策略等问题;模型的仿真结果,证实了RBF-ARX模型在非线性系统建模和辨识中的有效性;同基于全局线性ARX模型的预测控制器和PID控制器相比较,基于此模型的预测控制取得了优异的控制效果。     

Intelligent modeling and control for nonlinear systems with rate-dependent hysteresis

A new modeling approach for nonlinear systems with rate-dependent hysteresis is proposed. The approach is used for the modeling of the giant magnetostrictive actuator, which has the rate-dependent nonlinear property. The models built are simpler than the existed approaches. Compared with the experiment result, the model built can well describe the hysteresis nonlinear of the actuator for input signals with complex frequency. An adaptive direct inverse control approach is proposed based on the fuzzy tree model and inverse learning and special learning that are used in neural network broadly. In this approach, the inverse model of the plant is identified to be the initial controller firstly. Then, the inverse model is connected with the plant in series and the linear parameters of the controller are adjusted using the least mean square algorithm by on-line manner. The direct inverse control approach based on the fuzzy tree model is applied on the tracing control of the actuator by simulation. The simulation results show the correctness of the approach. Supported by the National Natural Science Foundation of China (Grant No. 60534020), the National Basic Research Program of China (Grant No. G2002cb312205-04), the Research Fund for the Doctoral Program of Higher Education (Grant No. 20070006060), and the Key Subject Foundation of Beijing (Grant Nos. XK100060526, XK100060422)     

基于L S-SVM 的非线性预测控制技术

探讨了利用最小二乘支持向量机(LS—SVM)进行非线性系统辨识的方法，LS—SVM用等式约束代替传统支持向量机中不等式约束，求解过程从解QP问题变成解一组等式方程，将得到的LS—SVM模型应用到非线性预测控制，提出了基于LS—SVM模型的非线性预测控制算法，通过CSTR过程仿真表明，最小二乘支持向量机学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，基于LS—SVM的预测控制算法具有很好的控制性能。     

汽轮发电机主汽门开度的非线性最优预测控制

基于非线性最优预测控制理论,提出了一种汽轮发电机主汽门开度非线性预测控制器的设计方法.通过单机无穷大系统的建模分析,导出具有闭型解析解的控制律,避免了在线优化带来的大量计算负担,从而满足实时控制的要求.控制器的输入信号均选为发电机组的当地测量量,便于工程实现.仿真结果表明,该控制器能有效地提高电力系统的暂态稳定及改善其动态品质.     

微位移系统中压电陶瓷驱动器迟滞建模

针对超精密微位移系统中压电陶瓷驱动器的迟滞非线性问题,提出了一种基于遗传反向传播(BP)神经网络的压电陶瓷迟滞非线性建模方法.通过电涡流位移传感器获取压电陶瓷驱动器不同电压值下所对应的位移值;利用六次多项式拟合获得迟滞的数学模型,从而建立基于遗传BP神经网络的迟滞,模型.实验结果显示:该迟滞模型在神经网络测试下的最大误差为0.082 1 μm,平均绝对误差为0.0158 μm.表明,所建的迟滞模型能够较精确地反映出压电陶瓷驱动器的迟滞特性,同时为微位移控制系统设计提供了一定的理论基础.     

Operator-based robust control for nonlinear systems with Prandtl–Ishlinskii hysteresis

This article presents an operator-based robust control method for nonlinear systems with Prandtl–Ishlinskii (PI) hysteresis. On the existence of the hysteresis, the system usually exhibits undesirable oscillations and even instability. While addressing the hysteresis, PI model is adopted to describe it. Especially, the PI model is decomposed into two terms: an invertible part and a disturbance part. In this way, the invertible part could be considered as a part of the nonlinear system. Based on the concept of Lipschitz's operator and the robust right coprime factorisation condition, a robust control design scheme is given to guarantee the bounded input bounded output stability of the obtained system. Further, a tracking operator design method is given to ensure the control system output-tracking performance under the existence of the disturbance part. Numerical simulation results are presented to validate the effectiveness of the proposed method.     

具有Preisach类型磁滞输入的不确定非线性系统 自适应神经网络控制

本文针对一类执行器受Preisach磁滞约束的不确定非线性系统, 提出一种基于神经网络的直接自适应控制 方案, 旨在解决系统的预定精度轨迹跟踪问题. 由于Preisach算子与系统动态发生耦合, 导致算子输出信号不可测 量, 给磁滞的逆补偿造成了困难. 为解决此问题, 本文首先将Preisach模型进行分解, 以提取出控制命令信号用于 Backstepping递归设计, 并在此基础上融合一类降阶光滑函数与直接自适应神经网络控制策略, 形成对磁滞非线性 和被控对象非线性的强鲁棒性能, 且所设计方案仅包含一个需要在线更新的自适应参数, 同时可保证Lyapunov函数 时间导数的半负定性. 通过严格数学分析, 已证明该方案不仅保证闭环系统所有信号均有界, 而且输出跟踪误差随 时间渐近收敛到用户预定区间. 基于压电定位平台的半物理仿真实验进一步验证了所提出控制方案的有效性.