时变过程在线辨识的即时递推核学习方法研究

为了及时跟踪非线性化工过程的时变特性, 提出即时递推核学习 (Kernel learning, KL)的在线辨识方法. 针对待预测的新样本点, 采用即时学习 (Just-in-time kernel learning, JITL)策略, 通过构造累积相似度因子, 选择与其相似的样本集建立核学习辨识模型. 为避免传统即时学习对每个待预测点都重新建模的繁琐, 利用两个临近时刻相似样本集的异同点, 采用递推方法有效添加新样本, 并删减旧模型的样本, 以快速建立新即时模型. 通过一时变连续搅拌釜式反应过程的在线辨识, 表明了所提出方法在保证计算效率的同时, 较传统递推核学习方法提高了辨识的准确程度, 能更好地辨识时变过程.     

基于Block-RPLS模型自适应更新的质量预测方法

工业过程包含动态、时变等过程特性.传统的基于PLS方法的质量预测采用的是固定模型,难以实时修正和学习新的过程信息,从而导致建模效率和精度降低,针对该问题提出一种自适应的块式递推偏最小二乘法(Block-RPLS)模型质量预测方法,用于在线调整PLS模型的结构和参数.采用滑动窗方法确定更新的数据块,利用矩阵相似性理论分析窗内数据的结构特性,得到该滑动窗的特征矩阵.同时,引入局部离群因子(LOF)检测滑动窗内离散偏离程度较大的更新数据,通过交叉验证方法修正PLS模型参数自适应学习过程的时变信息.最后,通过数值仿真和青霉素发酵过程的质量预测实验验证所提出方法的有效性.     

改进块式递推偏最小二乘建模方法及应用

针对传统偏最小二乘(PLS)模型的在线更新问题,提出了带有自适应遗忘因子的块式递推PLS建模方法.通过Hotelling-T2和Q统计量确定遗忘因子的大小,并且进行模型递推更新,确保模型跟踪过程特性的变化.将所提出的方法应用于管坯斜轧穿孔能耗过程,表现出较强的模型在线更新能力.测试结果表明,带有自适应遗忘因子的块式递推PLS方法的性能优于传统的迭代偏最小二乘方法的性能.     

双目视觉云台模糊自适应PID跟踪控制

针对双目四自由度视觉云台目标跟踪控制中存在的非线性、模型不确定性和参数时变等问题,提出基于模糊逻辑的自适应PID控制器。在传统PID控制器的基础上,利用模糊逻辑建立模糊自适应PID控制器。模糊自适应控制器以跟踪误差和误差的变化率为输入参数,以PID控制器参数的变化量为输出,在线自适应更新PID参数。在MATLAB和V-rep环境下搭建仿真实验平台,仿真结果表明,所提出的模糊自适应控制器较传统PID控制器在动力学模型时变方面有很好的鲁棒性。     

时变不确定非线性系统自适应滑模跟踪控制

针对一般的具有时变且界未知的非线性不确定性的单输入多输出非线性系统,提出一种自适应滑模跟踪控制器的框架.在该框架内,系统的时变且界未知的非线性不确定性可以通过函数逼近技术(FAT)表示成为一组正交基函数序列的组合,并通过滑模控制技术和直接Lyapunov方法获得基函数系数的更新律以及对不确定性逼近误差的在线自适应补偿,从而得到自适应的滑模控制律.所提出的基于函数逼近技术的自适应滑模跟踪控制策略在直流电机跟踪控制系统实验装置上进行了实际控制实验,并进行了性能的对比与分析.     

在线KPLS建模方法及在磨机负荷参数集成建模中的应用

针对过程非线性、基于历史数据构建的离线模型泛化性差以及基于滑动窗口 和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题, 提出了一种在线 核偏最小二乘(On-line kernel partial least squares, OLKPLS)建模方法. 该方法依据新样本与建模样本间的近似线性依靠(Approximate linear dependence, ALD)值和代表工业过程特性漂移幅度的 阈值, 选择有价值样本更新KPLS模型, 并采用合成数据和Benchmark平台数据对该方法进 行了仿真验证. 针对基于离线历史数据建立的融合多传感器信息的磨机负荷参数集成模型难以适应磨 矿过程时变特性的问题, 提出了基于OLKPLS和在线自适应加权融合算法的在线集成建模方 法, 并通过实验球磨机的实际运行数据仿真验证了方法的有效性.     

一种改进的在线自适应模块化神经网络

针对在线模块化神经网络难以实时有效划分样本空间,提出一种改进的在线自适应模块化神经网络.首先,基于距离与密度实时更新样本局部密度及RBF神经元中心,实现样本空间在线划分;然后,将子网络模块数根据划分样本空间的个数进行自适应增减,每个子网络模块对属于对应样本空间的样本进行学习;最后,集成模块对子网络模块的输出结果进行集成,输出最终结果.针对在线梯度下降法要求样本有足够的随机性问题,提出一种具有固定记忆的在线梯度下降法对网络进行在线学习.通过对典型非线性时变系统及污水处理过程中出水氨氮浓度进行预测,验证了该模块化神经网络能够实时有效地更新RBF神经元中心,并减少学习过程中子网络模块不必要的增减,且网络结构更加简洁,能够准确预测不同的时变系统.     

基于KRLS的pH中和过程建模

针对典型的pH酸碱中和过程,提出基于核递推最小二乘(KRLS)的核学习动态模型。KRLS方法采用基于近似线性依赖技术的稀疏化算法,降低了计算复杂度及存储量,能适用于较大规模数据集的训练以及动态时变过程的建模。将所提方法应用到具有缓冲流的双输出中和过程实例中,为验证其有效性,在同等条件下,还与核偏最小二乘(KPLS)、核主成分分析—支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、支持向量机(SVM)等方法进行比较。实验结果表明:作为一种在线自适应方法,KRLS方法具有很高的动态建模精度,为研究pH中和过程的控制奠定了基础。     

基于LM算法的在线自适应RBF网结构优化算法

针对LM算法不能在线训练RBF网络以及RBF网络结构设计算法中存在的问题,提出一种基于LM算法的在线自适应RBF网络结构优化算法.该算法引入滑动窗口和在线优化网络结构的思想,滑动窗口的引入既使得LM算法能够在线训练RBF网络,又使得网络对学习参数的变化具有更好的鲁棒性,并且易于收敛.在线优化网络结构使得网络在学习过程中能够根据训练样本的训练误差和隐节点的相关信息,在线自适应调整网络结构,跟踪非线性时变系统的变化,使网络维持最为紧凑的结构,以保证网络的泛化性能.最后通过仿真实验验证了所提出算法的性能.     

疏浚系统泥浆浓度的自校正前馈控制

采用CARMA模型表示泥浆浓度过程,并通过现场的实验数据,利用最小二乘算法对泥浆浓度过程的数学模型进行了辨识;在不同工作点上的辨识结果表明泥浆浓度过程具有参数时变和外部干扰作用明显等特点.本文提出了一种自校正控制和前馈补偿相结合的控制方案;控制系统利用在线检测的过程数据,采用递推最小二乘算法连续更新系统前向通道和可测量干扰通道的传递函数.利用更新的系统模型设计控制器参数,控制器的调节目标是使系统未来时刻的总体方差趋于最小.以900型挖泥船为基础,通过实验的方式检验了本文提出的控制方案的性能.实验结果表明该方法在系统作业环境变化,时滞较大的条件下仍能使泥浆浓度基本保持稳定,具有较强的抗干扰能力和良好的跟踪性能.     

Fuzzy dynamic characteristic modeling and adaptive control of nonlinear systems and its application to hypersonic vehicles

In this paper, a fuzzy dynamic characteristic modeling and adaptive control method is proposed for a class of nonlinear systems. By employing fuzzy dynamic characteristic model, the controlled plant is described as a slowly time-varying fuzzy system, wherein the parameters are estimated online by using recursive Least-Squares algorithm. Under this framework, a fuzzy adaptive controller is constructed, and the stability condition of the closed-loop system is also derived. The main advantage of the proposed m...     

Dissipative control for state-saturated discrete time-varying systems with randomly occurring nonlinearities and missing measurements

In this paper, the dissipative control problem is investigated for a class of discrete time-varying systems with simultaneous presence of state saturations, randomly occurring nonlinearities as well as multiple missing measurements. In order to render more practical significance of the system model, some Bernoulli distributed white sequences with known conditional probabilities are adopted to describe the phenomena of the randomly occurring nonlinearities and the multiple missing measurements. The purpose of the addressed problem is to design a time-varying output-feedback controller such that the dissipativity performance index is guaranteed over a given finite-horizon. By introducing a free matrix with its infinity norm less than or equal to 1, the system state is bounded by a convex hull so that some sufficient conditions can be obtained in the form of recursive nonlinear matrix inequalities. A novel controller design algorithm is then developed to deal with the recursive nonlinear matrix inequalities. Furthermore, the obtained results are extended to the case when the state saturation is partial. Two numerical simulation examples are provided to demonstrate the effectiveness and applicability of the proposed controller design approach.     

基于联合滤波算法的复杂时变系统在线自适应逆控制

针对一类结构和参数均具备时变特性的复杂时变系统,提出一种新的基于联合滤波算法的在线自适应逆控制方法.该方法在处理参数时变问题的同时可兼顾系统的结构时变特性,实现复杂动态系统的在线跟踪控制.同时提出新的联合Volterra核函数滤波算法,该算法克服了原Volterra滤波器计算复杂运算速度慢的缺点,实现了动态非线性系统的在线跟踪控制.通过仿真分析可以得出,对于此类线性、非线性复杂时变系统,基于新的联合滤波器的自适应逆控制方法可以快速有效的实现动态对象在线建模与控制.     

Adaptive fuzzy controller with sliding surface for vehicle suspension control

Since the hydraulic actuating suspension system has nonlinear and time-varying behavior, it is difficult to establish an accurate model for designing a model-based controller. Here, an adaptive fuzzy sliding mode controller is proposed to suppress the sprung mass position oscillation due to road surface variation. This intelligent control strategy combines an adaptive rule with fuzzy and sliding mode control algorithms. It has online learning ability to deal with the system time-varying and nonlinear uncertainty behaviors, and adjust the control rules parameters. Only eleven fuzzy rules are required for this active suspension system and these fuzzy control rules can be established and modified continuously by online learning. The experimental results show that this intelligent control algorithm effectively suppresses the oscillation amplitude of the sprung mass with respect to various road surface disturbances.     

Adaptive discrete-time sliding-mode control of nonlinear systems described by Wiener models

In this paper, we propose an adaptive control scheme that can be applied to nonlinear systems with unknown parameters. The considered class of nonlinear systems is described by the block-oriented models, specifically, the Wiener models. These models consist of dynamic linear blocks in series with static nonlinear blocks. The proposed adaptive control method is based on the inverse of the nonlinear function block and on the discrete-time sliding-mode controller. The parameters adaptation are performed using a new recursive parametric estimation algorithm. This algorithm is developed using the adjustable model method and the least squares technique. A recursive least squares (RLS) algorithm is used to estimate the inverse nonlinear function. A time-varying gain is proposed, in the discrete-time sliding mode controller, to reduce the chattering problem. The stability of the closed-loop nonlinear system, with the proposed adaptive control scheme, has been proved. An application to a pH neutralisation process has been carried out and the simulation results clearly show the effectiveness of the proposed adaptive control scheme.     

基于强化学习的模型参考自适应控制

提出了一种基于强化学习的模型参考自适应控制方法,控制器采用自适应启发评价算法,它由两部分组成:自适应评价单元及联想搜索单元.由参考模型给出系统的性能指标,利用系统反馈的强化信号在线更新控制器的参数.仿真结果表明:基于强化学习的模型参考自适应控制方法可以实现对一类复杂的非线性系统的稳定控制和鲁棒控制,该控制方法不仅响应速度快,而且具有较高的学习速率,实时性较强.     

基于参数自学习的无人车越野环境跟踪控制方法

针对无人车在越野环境下难以高速、高精度地跟踪复杂路况的问题,设计了一种参数自学习的前馈补偿控制器,与模型预测控制方法构成前馈-反馈的控制结构。在该控制结构中,前馈控制根据实时状态的跟踪误差在线更新学习系数,有效考虑车辆高速运动过程中无法精确建模的非线性动力学特性以及复杂路况不断变化的曲率和路面条件等的影响,在保证稳定性的同时快速减小跟踪误差。在越野场景进行了高速的S型与直角弯路径跟踪实车实验来验证参数自学习控制器的有效性,结果表明,所设计的参数自学习控制器相比传统的模型预测控制器跟踪误差和横摆都较小,在跟踪精度和车辆稳定性上都有较大改善。     

Predictive functional control based on an adaptive fuzzy model of a hybrid semi-batch reactor

In this paper a new approach to the control of a nonlinear, time-varying process is proposed. It is based on a recursive version of the fuzzy identification method and predictive functional control. First, the recursive fuzzy identification method is derived, after which it is used in connection with fuzzy predictive functional control to construct an adaptive fuzzy predictive functional controller. The adaptive FPFC is then tested on a nonlinear, time-varying, semi-batch reactor process and compared with the standard FPFC, which uses non-adaptive fuzzy model. The simulation results are promising; they indicate that the control of time-varying, nonlinear processes with the FPFC can be improved with the use of an adaptive fuzzy model. An improvement in reference tracking and disturbance rejection can be observed, but the main advantage is the reduced number of switchings between hot and cold water. This is an important improvement in the case of real applications.     

非线性增益递归滑模动态面自适应NN控制

针对一类严反馈非线性不确定系统的跟踪控制问题,提出一种非线性增益递归滑模动态面 (Dynamic surface control, DSC)自适应控制方法. 通过设计一个新的非线性增益函数,并构造递归滑模动态面的控制策略和新的Lyapunov函数,同时利用神经网络在线逼近系统不确定项, 该方法有效解决了具有输入饱和约束条件下系统控制精度与动态品质间的矛盾,增强了控制器对其自身参数摄动的非脆弱性. 理论证明了闭环系统所有状态是半全局一致最终有界的,且跟踪误差可收敛至任意小.