基于ANFIS与多模型的一类非线性系统的自适应控制方法

针对一类不确定的离散时间零动态不稳定非线性系统,提出了一种基于自适应神经模糊推理系统(ANFIS)与多模型的非线性自适应控制方法。该方法由线性鲁棒自适应控制器,基于ANFIS的非线性自适应控制器以及切换机制组成。线性控制器用来保证闭环系统输入输出信号有界,非线性控制器用来改善系统性能。切换机制通过对上述两种控制器的切换,保证闭环系统输入输出有界的同时,改善系统性能。在采用ANFIS作为系统未建模动态补偿器时,首先用一个连续、单调、可逆的一一映射把可能无界的未建模动态的定义域转化成一个有界闭集,保证了ANFIS的万能逼近特性成立的前提条件。而且,ANFIS能减小BP神经网络收敛速度慢和容易陷入局部极小的问题,改善了控制效果。建立了保证系统稳定性的引理,并给出了闭环系统的稳定性和收敛性分析。通过仿真比较,说明了所提方法的有效性。     

陶瓷取坯机械手H∞鲁棒自适应跟踪控制

针对具有不确定和干扰输入的二自由度电动陶瓷取坯机械手系统，基于李雅普诺夫函数递推设计方法设计了H∞鲁棒自适应跟踪控制器，该控制器不仅可保证跟踪误差闭环系统的一致有界稳定性，而且使得由干扰力短到跟踪误差评价信号的L2增益小于给定的值，同时本文也提出了不同求解HJI不等式设计陶瓷取坯机械手H∞鲁棒控制器的方法。仿真结果表明，所设计的控制器具有良好的跟踪性能和较强的鲁棒自适应性。     

非线性多变量系统的多模型广义预测解耦控制

针对实际工业过程中多变量系统存在着非线性、工况范围广、耦合强的特点,提出基于设定值观测器的非线性多模型广义预测解耦控制算法。该方法由线性广义预测控制器、一种新的设定值观测器和切换机构组成。理论分析和仿真结果表明,该控制策略不但可以保证闭环系统B IBO稳定和渐近收敛,而且能够得到很好的控制效果。     

连续搅拌反应釜的自适应神经网络控制

基于神经网络的逼近特性,针对一类包含未知函数的串级连续搅拌釜式反应系统,提出了一种自适应控制算法。由于所考虑的反应系统具有非线性特性以及未知函数存在于各子系统的方程中,因此,该系统是复杂和难于控制的。为了克服困难,神经网络逼近系统中的未知函数,新奇的递归设计方法用于消除系统中的互联项,同时,需要定义特殊的被逼近非线性函数。利用李雅普诺夫稳定性分析方法,提出的控制算法保证了闭环系统的所有信号是有界的和系统的输出收敛到零的邻域内。仿真例子表明提出的控制算法是有效的。     

典型大时变时滞系统神经网络模糊PID控制及应用

针对典型大时变时滞系统,设计了一种基于神经网络的模糊PID控制器.该控制器综合模糊逻辑、神经网络与PID调节的各自优点,既具有模糊控制简单和有效的非线性控制作用,又具有神经网络的学习和适应能力,同时还具备PID控制的广泛适应性.该控制器能实现系统参数大范围失配情况下的闭环鲁棒稳定,并使闭环系统达到设定值无静差跟踪及满意的动态性能.     

发泡成型机蒸汽压力的神经网络自适应逆控制研究

针对发泡成型机蒸汽压力的非线性系统存在控制精度差和动态性能不佳的问题,设计了基于神经网络的自适应逆控制方法。建立了发泡成型机蒸汽压力的参考模型,利用参考模型的输入输出对训练单层神经网络逆模型作为逆控制器,并采用LMS自适应算法在线调节神经网络权向量。通过与PID控制器进行对比实验,结果表明,所设计的神经网络自适应逆控制方法提高了蒸汽压力的稳定性以及快速响应能力,几乎不存在系统超调。     

异步电机单神经元自适应智能控制系统

针对传统抽油电机控制器自适应性能较弱的特点,提出一种单神经元模型参考自适应控制方法,此法在模型参考自适应控制基础上,采用单神经元代替复杂神经网络,选择线性函数作为参考模型,并将速度变化考虑进误差函数,采取磁链开环、转速闭环的控制结构建立控制系统,建立基于此控制方法的异步电机控制系统仿真模型,并基于DSP构建实验控制系统,仿真及实验结果表明所述控制器输出平稳,具有参数及负载时变的自适应能力,应用前景广泛。     

自适应神经PID在辊筒温控系统中的应用

针对压延机辊筒三段温度控制以及常规PID控制在非线性的、时变系统中控制效果的局限性,提出了一种基于BP神经网络整定的PID控制方法,同时给出了计算机控制系统设计.由于神经网络具有强大的非线性映射能力及自学习、自适应等优势,通过对系统性能的学习来实现具有最佳组合的PID控制,建立比例、积分和微分3种参数自学习的PID控制器.对压延机辊筒的温度控制试验结果表明,用该方法整定的PID控制系统,逼近精度高、适应性好.     

连续搅拌釜式反应器的鲁棒最优控制

针对一类带不确定性的连续搅拌釜式反应器,提出基于滑模控制理论的鲁棒最优控制算法。输入输出线性化方法用于线性化对象模型,假设系统的不确定因素有界,滑模面采用积分型滑模面以确保系统稳态误差为零,将线性二次型理论用于等效控制律的设计中,保证了系统的性能指标最优,自适应滑模切换控制增益的选取在降低系统抖振的前提下补偿了系统的不确定因素及外部扰动,实现了控制器的鲁棒最优。通过仿真实验表明,提出的控制器对匹配的不确定性因素及外部扰动具有鲁棒性,且闭环系统的性能指标最优。     

基于BP网络的流浆箱双变量PID解耦控制

针对造纸工业中的气垫式流浆箱总压与浆位的非线性、强耦合特性,在分析与总结BP神经网络、PID控制等优点的基础上,设计了一种基于BP神经网络的双变量PID解耦控制器。该控制器可利用神经网络所具有的任意非线性表达能力,根据系统现场的运行状态,按照人为设定的性能指标,通过自学习和权值调整来整定PID控制的比例(kp)、积分(ki)、微分(kd)三个参数,最终实现具有最佳组合的PID控制,进而实现了气垫式流浆箱总压与浆位的解耦控制。同时,还针对气垫式流浆箱的线性模型和非线性模型进行了仿真,仿真结果表明:该解耦控制器具有实现简单、动态响应快、控制精度高等特点,有较高的实用价值。     

基于ELM的一类不确定性纯反馈非线性系统的Backstepping自适应控制

针对一类不确定性纯反馈非线性动力学系统,在中值定理、Backstepping控制的基础上,提出一种基于极限学习机（ELM）的自适应神经控制方法。ELM随机确定单隐层前馈网络（SLFNs）的隐含层参数,仅需调整网络的输出权值,能以极快的学习速度获得良好的推广性。在每一步的Backstepping设计中,应用ELM网络对子系统的未知非线性项进行在线逼近,通过Lyapunov稳定性分析设计的权值参数自适应调节律,可以保证闭环非线性系统所有信号半全局最终一致有界,系统的输出收敛于期望轨迹的很小邻域内。将所设计的控制方法应用于化工过程中的连续搅拌反应釜（CSTR）非线性系统实例中,仿真结果表明了控制方法的有效性。     

基于粒子群优化算法的球磨机制粉系统PID-ANN解耦控制器

球团厂钢球磨煤制粉系统是多变量强耦合、时滞、非线性以及生产工况变化大的复杂对象,其自动控制问题一直是控制界关注的热点。基于粒子群算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。PID神经网络解耦控制方法被用来消除回路之间的耦合,神经网络连接权值由粒子群算法进行学习优化。仿真研究表明所建模型和所提控制方法具有较好的控制品质、良好的自适应解耦能力和自学习功能。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有很高的工程实用价值。     

Nonlinear adaptive switching control for a class of non-affine nonlinear systems

An improved nonlinear adaptive switching control method is presented to relax the assumption on the higher order nonlinear terms of a class of discrete-time non-affine nonlinear systems. The proposed control strategy is composed of a linear adaptive controller, a neural network (NN) based nonlinear adaptive controller and a switching mechanism. An incremental model is derived to represent the considered system and an improved robust adaptive law is chosen to update the parameters of the linear adaptive controller. A new performance criterion of the switching mechanism is designed to select the proper controller. Using this control scheme, all the signals in the system are proved to be bounded. Numerical examples verify the effectiveness of the proposed algorithm.     

对连续搅拌反应釜的变量结构观察器线性反馈控制的开发(英文)

This paper deals with the design of an observer-based nonlinear control for continuous stirred tank reactors(CSTR).A variable structure observer is constructed to estimate the whole process state variables.This observer is basically the conventional Luenberger observer with an additional switching term used to guarantee the robustness against modeling errors.The observer is coupled with a nonlinear controller,designed based on input-output linearization for controlling the reactor temperature.The asymptotical stability of the closed-loop system is shown by the Lyapunov stability theorem.Finally,computer simulations are developed for showing the performance of the proposed approach.     

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式〖DK〗(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。     

Multivariable Nonlinear Proportional-Integral-Derivative Decoupling Control Based on Recurrent Neural Networks

A nonlinear proportional-integral-derivative (PID) controller is constructed based on recurrent neural networks. In the control process of nonlinear multivariable systems, several nonlinear PID controllers have been adopted in parallel. Under the decoupling cost function, a decoupling control strategy is proposed. Then the stability condition of the controller is presented based on the Lyapunov theory. Simulation examples are given to show effectiveness of the proposed decoupling control.     

基于递归神经网络的多变量非线性PID解耦控制

A nonlinear proportional-integral-derivative (PID) controller is constructed based on recurrent neural networks. In the control process of nonlinear multivariable systems, several nonlinear PID controllers have been adopted in parallel. Under the decoupling cost function, a decoupling control strategy is proposed. Then the stability condition of the controller is presented based on the Lyapunov theory. Simulation examples are given to show effectiveness of the proposed decoupling control.