柔性机械手的模糊预测组合控制与实验

本文研究了柔性机械手的关节PID,应变PD和端点加速度反馈的的模糊预测组合控 制及其实验．与其它方法的实验现象和结果比较,表明这种模糊预测组合控制方法能够控制 单杆柔性机械手期望的关节运动,能较好抑制运动过程中的弹性变形和消除端点残余振动．     

数据驱动下供应链系统变更自适应预测控制

针对动态供应链系统正常运行过程中生产环节发生变更的情况,提出了一种基于数据驱动的自适应预测控制算法。首先,利用数据驱动的方法建立供应链系统的子空间预估模型,将子空间预估器参数与预测控制策略相结合,直接设计自适应预测控制器;其次,求得多级供应链系统在运作过程中发生内部节点变更状况下的库存控制策略;最后,以三节点生产—库存供应链系统为例,验证所提出的算法。在仿真部分验证了基于数据建模的准确性,分析了供应链系统在自适应预测控制的生产策略下其在内部节点发生变更前后库存水平的波动状况,仿真结果表明该方法的鲁棒性和有效性。     

基于柔性驱动关节的下肢外骨骼双模态切换控制

为了提高外骨骼关节柔性以及穿戴舒适性,设计了基于柔性驱动关节的可穿戴式下肢外骨骼,同时针对下肢外骨骼在控制的不同相位阶段其侧重点不同的特点,提出基于双模态切换的混合控制策略.首先,针对下肢外骨骼关节的柔性问题,设计了基于双平行弹簧的串联弹性体,并将其安装于外骨骼关节驱动模块,通过双编码器实现关节力矩和位置信息的反馈.然后,分析外骨骼在不同步态相位的运动特征,提出了双模态切换控制策略,即支撑相采用自适应阻抗控制算法来提高稳定性和抗冲击能力,摆动相采用自抗扰-终端滑模控制算法来提高响应速度和跟踪精度.最后,通过控制仿真和主被动跟踪实验,验证了本文算法相较于传统PID(比例-积分-微分)和自抗扰控制算法的优越性.被动跟踪实验结果说明当关节误差收敛范围在土5％时,收敛时间可达0.28 s;在主动跟踪实验中,实验人员穿戴外骨骼时髋关节和膝关节最大均方根误差分别为0.47°和1.28°,说明本文控制算法可以实时跟踪人体运动意图,满足人机交互柔顺性需求.     

基于数据驱动的风力发电系统一步超前预测转速控制

针对风力发电系统转速控制系统的特点,提出了一种基于数据驱动的一步超前预测控制方法。该方法先利用动态线性化技术,采用投影算法在线估计伪偏导数,然后通过最小化一步超前加权性能指标获得广义最小方差预测控制算法;为了取得更好的跟踪效果,引入一个自适应项用于增强输出跟踪能力,使得系统输出响应具有更强的跟踪能力。仿真结果验证了该方法的有效性。     

基于PMSM驱动的柔性关节空间机械臂轨迹跟踪控制方法

针对目前柔性关节空间机械臂轨迹跟踪控制方法忽略了不同重力影响下的机械臂驱动力变化,导致柔性关节空间机械臂轨迹跟踪控制效果较差的问题,提出了基于PMSM驱动的柔性关节空间机械臂轨迹跟踪控制方法。基于构建PMSM驱动数学模型,采用PMSM的矢量控制方法,分析驱动力矩矢量。根据驱动力矩矢量分析结果,分析不同重力环境下有、无摩擦时的驱动力矩。构建柔性关节模型,分析其在不同重力环境下遇到的重力释放问题,使用自适应反演滑膜控制方法,设计控制率,保证机械臂能够按照既定的方向运动,使机械臂具有鲁棒性。根据柔性关节空间机械臂动力学特性,分析不同重力环境下基于PMSM驱动力矩,确定重力项是随之发生改变的。设计控制器,构建动力学模型,确保空间阶段能够最大限度跟踪运动轨迹。实验结果表明,所提方法X轴、Y轴的末端跟踪结果均与实际运动轨迹一致,误差为0。关节控制力矩在时间为3s时,出现了最大为0.5N.m的误差,说明所提方法的跟踪控制效果较好。     

液压厚度控制系统的数据驱动预测控制

热连轧液压厚度控制系统是由多机架协调工作完成的,针对液压厚度控制系统的大时滞特性,结构不确定性以及外部扰动等扰动的影响,提出液压厚度控制系统的数据驱动预测控制策略。采用串级控制方式,将监控AGC系统测得的实际厚度和压力AGC系统利用弹跳方程计算得到的厚度数据反馈给控制系统,利用子空间辨识方法,直接设计数据驱动预测控制器,增强抗干扰能力,提高控制精度。仿真结果表明该方法能够提高控制精度,具有较好的控制性能。     

虚拟未建模动态补偿与数据驱动的非线性广义预测控制

针对一类离散时间非线性动态系统,把常规广义预测控制与数据驱动控制相结合、反馈控制与前馈补偿相结合、信号补偿与调节器原理相结合,提出了一种数据与虚拟未建模动态及其增量补偿的非线性广义预测控制方法.推导了闭环系统的输入输出动态方程,并分析了所提控制算法的性能.对比实验的研究体现出本文所提控制算法的优越性和有效性.     

基于简约集向量的Takagi–Sugeno模糊模型

利用支持向量学习机制建立模糊模型时, 过多的支持向量将导致复杂的模糊模型. 为此提出了一种基于简约集向量的Takagi-Sugeno模糊模型. 该模型抽取简约集向量产生模糊规则, 规则前件的乘积型多维模糊隶属度函数直接由Mercer核构成, 而规则后件则采用非线性函数. 模型的结构和参数可通过自下而上的简化规则以及不敏感学习进行有效地辨识. 最终得到的模糊模型具有良好的推广能力与精确性, 同时拥有高透明度的模糊规则库. 通过二维sinc函数的逼近及球棍系统的模糊控制的仿真实例, 说明了提出模型的有效性.     

基于Takagi—Sugeno的再励学习模糊神经网络控制

提出一种模糊神经网络的自适应控制方案。针对连续空间的复杂学习任务，提出了一种竞争式Takagi—Sugeno模糊再励学习网络，该网络结构集成了Takagi-Sugeno模糊推理系统和基于动作的评价值函数的再励学习方法。相应地，提出了一种优化学习算法，其把竞争式Takagi-Sugeno模糊再励学习网络训练成为一种所谓的Takagi-Sugeno模糊变结构控制器。以一级倒立摆控制系统为例．仿真研究表明所提出的学习算法在性能上优于其它的再励学习算法。     

基于Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.     

基于即时学习的MIMO系统滑模预测控制方法

针对MIMO非线性系统的控制问题,采用数据驱动的控制策略,将具有本质自适应能力的即时学习算法与具有强鲁棒性的滑模预测控制相结合,设计了一种基于即时学习的滑模预测（LL-SMPC）控制方法．该方法在在线局部建模的基础上,采用滑模预测控制律求取最优控制量,具有较强的自适应和抗干扰能力,并避免TDiophantine方程的求解,有效减少了计算量．通过仿真研究,验证了算法的有效性．     

工业过程系统的预测控制

预测控制方法自1970's提出后在学术界和工业应用领域都取得了很大的进展,尤其在工业过程控制方面成为一种重要的先进控制方法.根据工业过程控制的特点和进一步的需求,对近年来在工业过程控制领域预测控制方法取得的新进展进行综述,包括过程控制系统模型辩识,数据驱动的预测控制和在网络信息模式下的预测控制等.并对预测控制进一步的发展需求进行分析,介绍了欧盟正在进行的第七框架对于大系统分布式预测控制的研究内容.     

基于特征模型的柔性结构直接自适应模糊预测控制

为了避免用模态截断方法设计控制器时所引起的控制和观测溢出问题,把柔性结构模型转化为用含有未知系数的二阶差分方程描述的特征模型,对此模型提出了当柔性结构实现位置保持时的直接自适应模糊预测控制方法.此方法直接利用模糊逻辑系统设计预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中的未知向量进行自适应调整.文中证明了所设计的控制器可使广义误差估计值收敛到原点的一个小邻域内.仿真结果验证了此方法的有效性.     

预测校正在模糊控制中的应用

在模糊控制的过程中，通过加入预测信息来改善控制性能。数学仿真和实时控制的结果表明，预测校正的加入，使控制器的性能得到了明显了改善。     

未知多变量非线性系统自适应模糊预测控制

对一类未知多变量非线性系统提出了直接自适应模糊预测控制方法,此方法首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直接用模糊逻辑系统组成的向量来设计预测控制器,并基于时变死区函数对控制器中的未知向量和广义误差估计值中的未知矩阵进行自适应调整．文中证明了此方法可使广义误差向量估计值收敛到原点的一个邻域内．     

一种新的预测控制算法：模糊预测控制算法*

将模糊控制与预测控制相结合，提出了一种基于被控对象一般形式的时间离散模型的模糊预测控制算法，并对控制算法的有效性进行了分析，仿真研究结果表明，该模糊预测控制算法既适用于线性对象，也可用于非线性对象的控制。     

L-异亮氨酸发酵过程的神经网络预测控制

运用智能控制的方法研究了L 异亮氨酸发酵过程的控制。利用神经网络准确地预测发酵趋势 ,实时获取生化变量的预测值。神经网络预测控制克服了发酵生产过程中大时滞的影响 ,使系统具有较强的鲁棒性和抗干扰能力。     

Stochastic model predictive control: Insights and performance comparisons for linear systems

In this paper, we define several instances of model predictive control (MPC) for linear systems, including both deterministic and stochastic formulations. We show by explicit computation of the associated control laws that, under certain conditions, different formulations lead to identical results. This paper provides insights into the performance of stochastic MPC. Amongst other things, it shows that stochastic MPC and traditional MPC can give identical results in special cases. In cases where the solutions are different, we show that the explicit formulation of the problem can give insight into the performance gap.     

Performance enhancement of unfalsified adaptive control strategy using fuzzy logic

ABSTRACT

Unfalsified Adaptive Switching Supervisory Control (UASSC) is a performance-based data-driven methodology to control uncertain systems with the least possible plant assumptions. There are a set of pre-designed controllers in the controller bank, and the goal is to select the best controller at each time instance. The Multi-Model UASSC (MMUASSC) uses the UASSC concept, but it also benefits from a set of pre-specified models in the model bank. This paper introduces a method to improve the performance of the UASSC and MMUASSC by cost function manipulations and fuzzy logic concepts. To achieve this, fuzzy UASSC and fuzzy MMUASSC methods are introduced. In these methods, a time-varying coefficient, which is the output of a fuzzy system, is used along with the conventional cost functions. The input of this fuzzy system is chosen to properly reflect the performance of the corresponding controller in the controller bank. Using this method, the performance of the outside loop controllers is accurately evaluated, and closed-loop stability proof is provided. Also, as the existence of non-minimum phase controllers is problematic, a solution is provided to handle such cases. Finally, simulation results are used to show the effectiveness of the introduced methods.     

多变量模糊预测控制及其应用研究

将文献「３」的单变量模糊预测控制方法加以推广，提出一种多变量模糊预测控制算法，并将其应用无机组负荷控制系统。仿真结果表明，所提出的多变量模糊预测控制方法是有效的。