基于系统辨识的PEMFC温度非线性建模与预测

针对质子交换膜燃料电池(PEMFC)等一类具有严重非线性的复杂被控对象，提出一种基于模糊模型的模糊预测算法，并对PEMFC系统进行建模。在建模过程中，采用离线学习和在线修正辨识出对象的模糊模型。其中，模型的参数通过模糊聚类初始化和离线反向传播算法进行学习，必要时可通过在线调整后件参数，以使得模型的预测精度能满足实时控制的需要。仿真和实验结果表明了该模糊辨识建模方法具有建模简单、模型精度高等优点，亦证明了该算法的有效性和优越性。     

模糊聚类在非线性系统广义预测中的应用

将非线性系统,用T-S模型表示,由于T-S模型的结论部分是一个线性模型,因此可将其等价为时变线性系统.用模糊聚类方法在线确定模型结构;利用模糊基函数逼近时变系数,再利用最小二乘法在线辨识模型的后件参数以实现时变系统的参数估计,最后运用广义预测控制策略,完成了对原非线性系统的自适应预测控制.仿真结果表明了所提方法的有效性.     

机器人关节摩擦的自适应模糊补偿建模与控制

采用自适应模糊系统在线逼近摩擦模型并将模型辨识结果作为控制算法的补偿项，在控制方法上，采用了基于自适应模糊补偿的PD算法。在系统证明上，从李雅普诺夫函数中导出了自适应参数并且分析了闭环系统跟踪误差的有界性。在算法实现上，利用Matlab对文中的方法及证明的有效性进行了验证。     

迟滞非线性系统辨识与补偿控制研究

针对智能材料中存在的迟滞问题,对其开展了迟滞非线性特性分析,建立了迟滞系统。该迟滞系统由两个部分串联构成:一部分是滤去传递函数影响的Preisach模型;另一部分是不考虑迟滞影响的系统传递函数。将离线和在线辨识方法应用到辨识迟滞系统中,应用最小二乘法离线辨识得到了辨识传递函数参数,再用此辨识传递函数参数作为神经网络辨识的初始权值,得到了神经网络在线辨识的辨识模型;建立了辨识传递函数的逆模型控制系统和前馈逆模型PID控制系统,并对辨识系统进行了迟滞非线性补偿。研究结果表明,模型辨识方法的可行性和补偿控制的有效性在仿真中得到了验证。     

基于RBF神经网络的最佳滑移率在线计算方法

针对汽车制动过程的非线性特征及其最佳滑移率在线估计的复杂性,提出一种基于Burckhardt模型的最佳滑移率在线辨识方法.分别用3个以工况为参数的径向基函数神经网络作为Burckhardt模型的3个参数;采用粒子群算法和结构化非线性参数优化方法相结合的混合参数优化方法估计3个径向基函数神经网络的所有参数,由该改进的Burckhardt模型即可产生任意工况下的纵向附着系数一滑移率(μ-s)曲线;在保证在线辨识精度的前提下,根据最佳滑移率等分原则选取一定数量的工况参数以构成Burckhardt模型的参数集,设计出基于实时μ-s数据的最佳滑移率在线辨识策略,完成最佳滑移率辨识系统构建.在线控制动系统中的仿真验证了所提出的最佳滑移率在线辨识方法的可行性和有效性.     

基于最小二乘模型的Bayes参数辨识方法

现实中的系统都具有一定的非线性,并且这种非线性在非线性通道补偿和非线性系统故障诊断等领域是不可忽略的。针对有白噪声干扰的输出误差非线性系统,将数学模型与基于最小二乘的Bayes算法相结合,用数学模型参数代替辨识模型信息向量中的未知项,用基于白噪声的最小二乘模型进行不可预测辨识,从而提出了基于最小二乘模型的Bayes参数辨识方法。介绍了Bayes基本原理及2种常用的方法,经过理论分析和MATLAB仿真研究证明,该方法原理简单、计算量小、速度快、抗干扰能力强,可以对较高精度非线性系统进行参数估计和在线辨识。     

基于模糊模型的车辆稳定性控制方法研究

采用系统辨识的方法建立车辆的模糊模型，从而将车辆非线性系统模型通过模糊化方法分解为若干线性子系统，系统的输出是这些线性子系统输出的加权和，提出了基于梯度下降法的模糊模型辨识算法。根据所建立的模糊模型推导了广义预测控制模型(CARIMA)，为车辆的稳定性控制问题的研究提供了新方法。运用该方法对车辆的制动转向工况进行了仿真研究，结果表明，基于模糊模型的广义预测控制能有效改善车辆的稳定性。     

水下机器人运动系统的神经网络辨识

建立了水下机器人的动力模型，分析了辨识该模型的神经网络结构，采用带自反馈的Elman网络来获得更精确的结果。针对BP算法即误差反传算法的缺陷，提出了用混合优化算法——误差反传算法和遗传算法的混合算法（又称：GA＆BP算法）修正网络权值。最后，将改进的Elman网络应用于水下机器人的非线性辨识。通过仿真证明了该方法用于高阶非线性系统的实用性。     

一种基于逆模糊模型的自适应逆控制方法

利用模糊逆建模方法,结合自适应逆控制思想,提出了一种基于模糊逆模型的自适应逆控制方法。首先利用模糊系统理论对未知非线性对象进行离线逆建模,得到模糊逆模型;然后将对象与初始逆模型进行串联,利用LMS算法在线调节逆模型,同时将其进行数字复制作为系统控制器,与对象进行串联。该方法可用较少的模糊规则数达到很好的跟踪控制效果,将该方法用于一混合非线性系统及球形液位控制中,仿真结果验证了该方法的有效性与实用性。     

基于子系统的非线性时变系统辨识方法

针对非线性时变系统提出一种基于子系统的辨识方法，用于时变多自由度（multiple degree-of-freedom，简称MDOF）系统中非线性的定位和估计，并且无需关于系统的先验知识。所提出的新方法提供一个连续时间模型，MDOF系统按照自由度被分解为不同的子系统。设计正交化算法和误差减小率（error reduction ratio, 简称ERR），可以确定子系统中质量和自由度之间的线性及非线性连接的所有信息。在辨识过程中，时变参数的时间表达式可以由新方法准确给出。用一个3自由度（degree-of-freedom, 简称DOF）集中质量系统和一个机械臂结构的辨识过程为例，对所提出的方法进行验证。由于简单性及高效性，此方法将在实际工程中取得广泛的应用。     

Auto-tuning of PID controller parameters with supervised receding horizon optimization

In this paper, a novel two-layer online auto-tuning algorithm is presented for a nonlinear time-varying system. The lower layer consists of a conventional proportional-integral-derivative (PID) controller and a plant process, while the upper layer is composed of identification and tuning modules. The purpose of the upper layer is to find a set of optimal PID parameters for the lower layer via an online receding horizon optimization approach, which result in a time-varying PID controller. Through mathematical analysis, the proposed system performance is equivalent to that of a standard generalized predictive control. Simulation and experiment demonstrate that the new method has a better control system performance compared with conventional PID controllers.     

Identification of uncertain nonlinear systems for robust fuzzy control

In this paper, we consider fuzzy identification of uncertain nonlinear systems in Takagi-Sugeno (T-S) form for the purpose of robust fuzzy control design. The uncertain nonlinear system is represented using a fuzzy function having constant matrices and time varying uncertain matrices that describe the nominal model and the uncertainty in the nonlinear system respectively. The suggested method is based on linear programming approach and it comprises the identification of the nominal model and the bounds of the uncertain matrices and then expressing the uncertain matrices into uncertain norm bounded matrices accompanied by constant matrices. It has been observed that our method yields less conservative results than the other existing method proposed by S?krjanc et al. (2005) [11] and [12]. With the obtained fuzzy model, we showed the robust stability condition which provides a basis for different robust fuzzy control design. Finally, different simulation examples are presented for identification and control of uncertain nonlinear systems to illustrate the utility of our proposed identification method for robust fuzzy control.     

Indirect predictive type-2 fuzzy neural network controller for a class of nonlinear input - delay systems

In this paper a new indirect type-2 fuzzy neural network predictive (T2FNNP) controller has been proposed for a class of nonlinear systems with input-delay in presence of unknown disturbance and uncertainties. In this method, the predictor has been utilized to estimate the future state variables of the controlled system to compensate for the time-varying delay. The T2FNN is used to estimate some unknown nonlinear functions to construct the controller. By introducing a new adaptive compensator for the predictor and controller, the effects of the external disturbance, estimation errors of the unknown nonlinear functions, and future sate estimation errors have been eliminated. In the proposed method, using an appropriate Lyapunov function, the stability analysis as well as the adaptation laws is carried out for the T2FNN parameters in a way that all the signals in the closed-loop system remain bounded and the tracking error converges to zero asymptotically. Moreover, compared to the related existence predictive controllers, as the number of T2FNN estimators are reduced, the computation time in the online applications decreases. In the proposed method, T2FNN is used due to its ability to effectively model uncertainties, which may exist in the rules and data measured by the sensors. The proposed T2FNNP controller is applied to a nonlinear inverted pendulum and single link robot manipulator systems with input time-varying delay and compared with a type-1 fuzzy sliding predictive (T1FSP) controller. Simulation results indicate the efficiency of the proposed T2FNNP controller.     

基于T-S模糊模型的辨识与控制

针对一类非线性系统,采用模糊辫识的方法建立系统的T-S模型,结合广义预测控制对模糊预测控制进行研究.应用模糊聚类和递推最小二乘法辫识T-S模糊模型的前提结构和结论参数.对于非线性系统来讲,T-5模糊模型有良好的描述特性,并结合广义预测控制的滚动优化,实现对非线性系统的有效控制.仿真结果说明了该算法的有效性.     

非线性机械系统的模糊保代价控制

研究了具有不确定参数的非线性机械系统的稳定模糊保代价控制问题。采用T-S模糊模型描述非线性机械系统，对具有范数有界、时变参数不确定性的机械系统，得到了存在稳定模糊保代价控制器的充分条件，推算出了相应的线性矩阵不等式(LMI)形式。在非线性质量-弹簧-阻尼机械系统中的应用，验证了算法的有效性。     

压电执行器的Bouc-Wen模型在线参数辨识

现有的定参数Bouc-Wen模型由于无法表征压电执行器迟滞具有的频移和时变性,极易产生较大的模拟误差。为了精确地模拟压电执行器的迟滞特性,本文建立了压电执行器的Bouc-Wen模型,并采用递推最小二乘在线辨识方法来实时辨识Bouc-Wen模型的参数。为了避免出现数据饱和现象,使用限定记忆来限定辨识方法所使用的数据组数。为验证该辨识方法的有效性,建立了相应的实验系统对其进行实验验证。实验结果表明,限定记忆递推最小二乘在线辨识方法能使Bouc-Wen模型也呈现频移和时变特性。以100 Hz的驱动电压为例,其最大绝对模拟误差从1.38μm降为0.51μm。因此,与传统的离线参数辨识方法相比,限定记忆递推最小二乘在线辨识方法能够有效地提高Bouc-Wen模型的模拟精度。     

基于PAC的模糊PID液冷系统的设计与实现

针对温度系统的非线性、时变、时滞等特性,以及特定项目的循环冷却特点,设计了一种基于PAC的模糊PID控制系统。该设计方法结合了模糊控制的鲁棒性强与PID的调节性能好等优点,利用PAC（可编程自动化控制器）的优秀计算能力和控制性能,解决了系统对非线性、时变、强耦合的循环液体冷却系统的调节问题,对于此类系统提出了一种有效的设计实现方法。系统设计重点是模糊PID控制器的设计与控制规则表的建立。实际应用表明,系统可靠性高,控制效果好,具有很好的实用性。     

数控位置伺服系统控制策略研究

针对高速高精度加工技术对数控位置伺服系统的控制性能提出的更高要求以及现行位置伺服控制方法存在不足的问题,提出了一种基于模糊推理的广义预测控制方法。首先采用网格搜索算法和递推最小二乘法相结合的思想对伺服控制系统的模型结构和模型参数进行辨识;然后将广义预测控制方法作为数控位置伺服系统的控制策略,运用模糊逻辑推理对反馈偏差进行非线性在线校正,克服了传统的广义预测控制对CARIMA模型进行线性控制的缺点;最后通过MATLAB仿真和施耐德十字平台实验验证了该方法具有很好的控制性能和鲁棒性。该方法为高速高精度数控机床的位置伺服控制系统提供了一种新的思路。