基于局部化技术的多模型自适应控制

对一类含跳变参数的单输入单输出离散时间被控对象,建立由多固定模型和自适应模型组成的多模型,并通过引入指标切换函数构成多模型自适应极点配置控制器,在保证闭环系统稳定的前提下,改善系统瞬态响应.同时采用局部化(Localization)技术优化多模型模型集,在不损失计算精度的前提下,大大减少了计算量,提高了计算速度.     

机械手臂的多模型预测控制

针对机械手臂的非线性特点,提出了基于隶属度函数的多模型预测控制方法。该方法首先根据机械手臂的特点,选择合适的调度变量,将机械手臂的工作空间划分为若干个工作子空间,在每个子空间内的平衡点处对机械手臂进行线性化处理,得到相应的线性子模型,从而得到机械手臂的多模型表示;其次针对每个线性子模型设计局部预测控制器,使其在相应的子空间内达到控制要求;最后选择梯形隶属度函数与局部预测控制器进行加权求和,获得全局多模型预测控制器,以对机械手臂进行控制。仿真结果表明,当机械手臂的工作条件在大范围内变化时,全局多模型预测控制器的控制性能远优于常规PD控制器,达到了预期的控制目的。     

机械手臂基于神经网络动态补偿的自适应控制

研究了模型具有不确定性的机械手臂的跟踪控制问题.由于模型不确定性的存在,基于精确模型设计的控制律很难达到理想的控制效果.针对这种情况,在基于标称模型设计的控制律的基础上,采用神经网络来补偿模型的不确定性,由于神经网络存在逼近误差,因此在控制器设计时,引入了H_∞ 鲁棒项,使得网络逼近误差达到指定的削弱水平并且跟踪误差渐近收敛到零,仿真结果表明了该方法的有效性.     

机器人弹性手臂的模型与控制

本文介绍了弹性机器人的建模方法及其控制。给出了在单连杆条件下采用模态分析法的模型.对约束模态、非约束模态的应用进行了比较,并讨论了采用模态分析法时截断高阶模态后产生的溢出现象.最后给出了单连杆的仿真结果.     

多模型自适应控制

给出多模型自适应控制产生的背景,对模型集的建立、多模型控制器的形成以及算法的收敛性和稳定性进行了分析,介绍了多模型自适应控制在工业生产过程中的应用和最新研究成果,同时提出了存在的问题及进上步发展方向。     

基于遗传算法的多模型自适应控制

利用多个固定模型（或元素模型）来逼近含未知参数的被控系统,基于每一个元素模型建立最优控制器,并由各局部模型控制器的加权和构成被控系统的控制器。对于这种多模型自适应控制器,在每一个采样时刻,每一个元素模型的权值将由遗传算法计算得出。仿真结果表明,采用该文提出的控制器,当被控对象的模型参数剧烈变化时系统输出依然可以很好地跟踪设定值。     

基于极点配置的多模型自适应控制

基于极点配置技术对单输入单输出离散时间被控对象提出多模型自适应控制算法，在保证稳定性的前提下，算法对被控对象参数跳变时能进行有效的控制，并提高了系统的瞬态响应。     

多模型加权自适应控制在中厚板层流冷却系统中的应用

在控制冷却过程中, 中厚板的层流冷却过程厚度总是含有较大的不确定性. 如果用单一的精确的数学模型进行控制, 那么当厚度发生剧烈变化时, 难以获得满意的控制效果. 本文提出了一种基于加权策略的多模型自适应控制方法. 首先根据历史数据分析钢铁企业中不同厚度中厚板的生产过程, 针对生产批次多、生产量大、历史数据丰富的中厚板, 在各厚度工作点处建立多个冷却模型, 并设计相应的PID控制器, 以实现生产批次最多的中厚板终冷温度的精确控制. 对于生产批次少、生产量小导致历史数据匮乏的中厚板, 将终冷温度的实际输出与上述建立的多个冷却模型的输出进行比较, 根据输出偏差计算出各个冷却模型的加权系数, 然后采用多PID控制器加权的自适应方法, 以提高终冷温度的控制精度. 而对于由于新生产计划的下达首次出现的新钢种、新厚度的中厚板, 利用最接近该厚度的加权系数实现初始控制、减少初始误差, 同时实时调整加权系数, 以满足控制精度的要求. 最后通过仿真研究予以验证. 该方法一方面采用PID控制器对生产批量大的中厚板在其厚度附近实现精确控制, 具有较强的鲁棒性. 另一方面, 采用多模型加权方法提高生产批量小或者从未生产过的中厚板的控制精度, 具有一定的自适应能力. 因此, 该方法针对层流冷却过程中厚度高度不确定、快时变的特点, 使控制系统同时具有较强的鲁棒性和自适应能力, 从而实现终冷温度控制精度的提高.     

基于动态优化模型集的多模型自适应控制

针对多模型自适应控制的传统算法中固定模型集无法准确覆盖对象的不确定域的问题,提出了一种新型的能够在线动态优化模型集的方法。该方法能够在线自动添加、删除以及修改模型集中的模型,有效地控制模型数量以及优化模型集,使模型集对不确定域进行精确覆盖,并且在系统运行的稳定阶段可以停止优化模型集的动作,从而大幅减少计算量。该方法在优化控制性能的同时不会过分增加系统运算负担,仿真实验表明了此算法的优越性。     

基于在线优化的切换多模型自适应控制

介绍了切换多模型控制方法，针对多模型方法中子模型数量过多的问题，提出一种基于模型集在线优化方案的多模型自适应控制算法，并对其实时性进行讨论，该方法能减少子模型数量，降低计算复杂度，缩短系统的采样间隔，计算机仿真结果表明，该方法在控制精度，计算复杂度等方面均优于采用固定模型集的切换方案。     

基于控制器输出误差方法的自适应模糊控制及其在机器人轨迹跟踪控制中的应用

本文提出一种自适应模糊控制器并将之用于机器人轨迹跟踪控制 ,该控制器采用控制器输出误差方法 (COEM) ,根据控制器的输出误差而不是对象的输出误差来在线地调整模糊控制器的参数 ,无须对对象进行辩识 .仿真结果表明该控制器用于机器人轨迹跟踪控制具有很好的性能 ,是一种有效的控制器     

一种多模型自校正控制算法及其在醋酸蒸发器液位控制中的应用

针对传统自校正控制算法存在的暂态响应较差 的缺点，本文提出了一种多模型自校正控制算法，并将之应用于醋酸蒸发器的液位控制．实 例仿真表明了算法的优越性．     

一种能有效克服不可测干扰的自适应推理控制策略

本文提出了一种新的自适应推理策略,它与其他推理控制的区别是:(1)基于最小方差原理设计推理控制器,而不是基于模型的逆;(2)将自适应预报技术同推理控制器的设计柔合在一起;(3)引入干扰预报措施,可以更有效地消除不可测干扰的影响。     

非线性系统的鲁棒自适应模糊控制

针对反馈线性化后的不确定非线性对象,提出了一种鲁棒自适应控制方法.采用模糊模型逼近不确定项,用逐步后推技术构造出自适应律,在线调节模糊模型的参数,同时处理存在估计误差时的干扰抑制问题.该方法还用于感应电动机速度控制的仿真.用李亚普诺夫方法证明了整个系统的稳定性和鲁棒性.该方法适用于任意有界时变干扰,通过模糊模型还可以加入对干扰的经验知识.     

基于层迭CMAC网络的6-DOF机器人自适应控制

研究了标称自适应+迭代学习控制算法的稳定性,并利用层迭CMAC网络的优良特性, 提出了基于层迭CMAC的标称自适应+迭代学习控制方法．此方法将标称自适应控制中确定的 模型信息与未知的信息分离,充分利用模型中确定的信息进行前馈控制;而对于未知信息, 则利用层迭CMAC进行自适应学习．仿真实验表明用本文所设计的控制系统对6 DOF并行机器 人进行轨线控制,可获得比以往的普通CMAC+PD控制系统更好的控制效果．     

基于阻抗控制的自适应力跟踪方法

本文针对阻抗控制不能精确控制力的缺陷,提出了一种自适应的力跟踪策略．它根 据力误差在线修正参考位置,使机械手的实际接触力跟踪期望力．这种方法对补偿误差、干 扰和环境知识等不确定因素具有鲁棒性,而且计算量小,符合实时控制的要求．实验研究证 明了该方法的有效性．     

漂浮基空间机械臂分解运动控制的增广自适应算法

本文讨论了载体位置与姿态均不受控制的漂浮基两杆空间机械臂系统的逆运动学问题 ,推导了系统的运动学、动力学方程．分析表明,结合系统动量守恒及动量矩守恒关系得到 的系统广义Jacobi关系为系统惯性参数的非线性函数．本文证明了,借助于增广变量法可以 将增广广义Jacobi矩阵表示为一组适当选择的惯性参数的线性函数．并在此基础上,给出了 系统参数未知时由空间机械臂末端惯性空间期望轨迹产生机械臂关节铰期望角速度、角加速 度的增广自适应控制算法．仿真运算,证实了方法的有效性．     

连续时间混沌系统的参数自适应控制

研究了连续时间混沌系统的参数自适应控制,提出了关于多重参数混沌非线性系统的参数自适应控制的新方法.考虑系统参数是线性形式的自适应控制,利用Lyapunov方法证明了参数控制方程是全局渐近稳定的.研究结果表明该控制方法是分析混沌参数白适应控制的一个十分有效的方法.     

仿射非线性系统神经网络自适应控制器的研究及其在机械手中的应用

本文提出了一种利用神经网络逼近具有不确定性及 随机干扰的仿射非线性系统的新算法,采用自适应控制率在线调节网络权值,并基于控制理 论选择控制量以削减噪声干扰．从理论上证明采用该算法后系统全局稳定性．最后将该算法 用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点．