不确定仿射非线性系统的自适应控制——GRBF网络学习方法

研究一类不确定仿射非线性系统的自适应控制问题,构造出基于滑动模型控制和ＧＲＢＦ网络的自适应控制器,使得对于任意的系统初值和网络初始仅重,被控系统的输出均能渐近跟踪已知参考信号,控制器设计中所需估计参数数学于实际参数个数。仿真结果令人满意。     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。     

一类未知参数非线性系统的自适应无源控制

对一类含有未知参数的本质非线性系统,通常的Backstepping方法无法应用.为此,提出一种基于状态反馈的自适应无源控制对策,通过对非线性系统进行反馈无源化控制,设计自适应无源镇定控制器和自适应无源输出跟踪控制器.设计中适当调节自适应无源控制器参数,能够保证闭环系统稳定且所有信号全局一致有界,从而解决了此类含有未知参数非线性系统的稳定性和输出跟踪问题.仿真算例验证了提出控制方案的有效性,表明系统具有较强的稳定性和跟踪特性.     

PMSM调速系统CMAC网络PID并行优化控制

针对永磁同步电机调速系统存在多变量、非线性和强耦合的控制特点,提出了基于混沌优化策略与自适应CMAC网络PID并行控制相结合的控制方法,并将其应用于永磁同步电机调速系统的参数设计中.该方法首先通过混沌搜索,得到PID控制器参数的次优值,然后再利用变尺度的方法在次优值附近找出PID控制器参数的全局最优值.与传统CMAC网络PID并行控制以及单纯PID控制相比较的仿真结果表明.该方法可以更好地提高永磁同步电机调速系统的控制精度和响应速度.     

基于单电磁铁的悬浮系统自适应控制研究

悬浮控制是磁悬浮列车中的一项关键技术,传统的PID控制在悬浮控制中的应用很广泛,但是,这种方法不能很好地实现控制器参数的在线调整.本文研究基于单电磁铁的悬浮系统自适应控制方案,实现悬浮系统的稳定工作.根据电磁铁的动力学方程和电磁线圈的电压平衡方程,建立悬浮系统的数学模型.采用串级控制的方法,设计电流环控制器和位置环控制器,其中位置环控制器采用PD增益自适应调节的模型参考自适应控制方法.仿真结果表明,这种控制方法对有效地减少电流的滞后效应,实现控制器参数的自适应调整,具有一定的使用价值.     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

网络环境伺服系统位置自适应控制器设计

基于Ethemet／IP网络和SERCOS网络,采用罗克韦尔自动化的伺服驱动系统和ControlLogix系统框架构建网络环境下的伺服控制系统。针对伺服系统位置控制的技术要求,对伺服系统建模分析;使用罗克韦尔自动化的运动控制器研究设计出提高控制精度的位置自适应PI控制器。实验结果表明,此控制器解决了常规PI控制器各个参数在系统运行过程中的矛盾问题,提高了机械系统的定位精度。该方案简单可靠,且易于工程实现,可以在相关的运动控制领域中推广应用。     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。     

连续混沌系统控制与同步的自适应方法

提出一种能大范围实现连续混沌系统控制与同步的连续自适应控制器。无论驱动系统处于何种状态 ,在连续自适应控制器控制下均可使响应系统按驱动系统给定轨道演化。该连续自适应控制器对系统参数不匹配及噪声干扰具有一定的鲁棒性。蔡氏电路混沌系统的数值仿真说明了所提出方法的有效性     

一类带死区输入的非线性不确定系统滑模自适应控制

研究一类参数不确定和带有未知死区的非线性系统滑模自适应控制问题。将死区分解为两部分,被控系统中有两类不确定性的系统参数,一类是常值的未知系统参数;另一类是时变的未知系统参数和部分未知的死区。采用滑模控制和自适应控制相结合的方式,第一类不确定性可以由自适应控制来处理,而第二类不确定性可以由滑模控制来处理,即滑模自适应控制器。为了消除滑模控制所带来的抖振,引入边界层。采用’Lyapunov函数证明了系统的稳定性。仿真实验表明方法的可行性。     

基于小波神经网络的板形板厚综合系统逆控制

针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,提出一种基于小波神经网络的逆控制方案.利用两个结构相同的小波神经网络构造Smith预估器,预估器的输入参数与时延阶次无关,能较好地解决小波神经网络对维数较为敏感的问题.采用神经网络逆控制的思想设计小波神经网络控制器,引入多步预测性能指标函数对控制器权值进行在线训练.仿真研究表明,该控制方案具有较快的响应速度和良好的动态性能.     

多变量非线性自整定PID控制器 *

本文提出一种基于神经网络的多变量非线性自整定ＰＩＤ控制器，通过神经网络权值的学习在线自动整定控制器参数，将其用于某水浴系统的温度多变量控制，仿真结果令人满意。该控制器的设计无需对象模型，具有响应豆腐快，抗干扰能力强和鲁棒性好等特点，控制器不仅算法简单，实现简易，而且适用范围广。     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果,本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力,控制效果优于没有寻优的Fuzzy控制。     

一种模糊神经网络控制器参数的混沌优化设计

通过模糊控制与神经网络相串联的方式构成模糊神经网络系统，然后提出一种基于模拟退火策略的混沌优化算法，将该算法引入模糊神经网络参数域中进行优化，实现混沌粗搜索与细搜索相结合优化目的，体现出具有更强的模糊神经网络参数全局最优解的搜索能力。采用该控制器对一个非线性对象进行控制。仿真实验表明，该方法能有效地实现模糊神经网络控制器参数优化，控制具有无振荡、超调小、调节时间短等优点，算法结构简单，容易实现。     

A robust fractional-order PID controller design based on active queue management for TCP network

In this paper, a robust fractional-order controller is designed to control the congestion in transmission control protocol (TCP) networks with time-varying parameters. Fractional controllers can increase the stability and robustness. Regardless of advantages of fractional controllers, they are still not common in congestion control in TCP networks. The network parameters are time-varying, so the robust stability is important in congestion controller design. Therefore, we focused on the robust controller design. The fractional PID controller is developed based on active queue management (AQM). D-partition technique is used. The most important property of designed controller is the robustness to the time-varying parameters of the TCP network. The vertex quasi-polynomials of the closed-loop characteristic equation are obtained, and the stability boundaries are calculated for each vertex quasi-polynomial. The intersection of all stability regions is insensitive to network parameter variations, and results in robust stability of TCP/AQM system. NS-2 simulations show that the proposed algorithm provides a stable queue length. Moreover, simulations show smaller oscillations of the queue length and less packet drop probability for FPID compared to PI and PID controllers. We can conclude from NS-2 simulations that the average packet loss probability variations are negligible when the network parameters change.     

神经元自适应PID控制器在机组控制中应用

针对机组控制系统动态范围宽、要求响应速度快、超调量小及参数时变的特性,研究了一种基于神经元的自适应PID控制器。利用神经网络的在线调整功能,自动调整PID控制参数,以适应被控过程的参数变化和克服扰动的影响。仿真和实验结果表明,该算法简洁实用,控制效果优于传统的PID控制。     

基于遗传算法的模糊支持向量网络控制

将模糊控制与支持向量网络相结合，设计了一种模糊支持向量网络控制器．该控制器融合了模糊控制与支持向量网络的优点，具有不依赖被控对象模型、泛化能力强等特点．利用遗传算法来优化支持向量机参数和控制器比例因子参数，以期实现最优的控制性能. 仿真结果表明了控制系统具有优良的控制性能．     

两个分数阶复杂动态网络的函数投影同步

复杂网络的同步问题是复杂网络研究的热点之一, 本文研究了两个分数阶复杂网络间的函数投影同步问题.分别针对网络模型参数已知和参数未知两种情况, 利用自适应控制技术和分数阶系统稳定性理论, 设计自适应控制器, 使两个分数阶复杂动态网络实现函数投影同步.最后利用数值仿真验证所提出方法的有效性.     

Adaptive finite-time neural network control for nonlinear stochastic systems with state constraints

This paper focuses on the adaptive finite-time neural network control problem for nonlinear stochastic systems with full state constraints. Adaptive controller and adaptive law are designed by backstepping design with log-type barrier Lyapunov function. Radial basis function neural networks are employed to approximate unknown system parameters. It is proved that the tracking error can achieve finite-time convergence to a small region of the origin in probability and the state constraints are confirmed in probability. Different from deterministic nonlinear systems, here the stochastic system is affected by two random terms including continuous Brownian motion and discontinuous Poisson jump process. Therefore, it will bring difficulties to the controller design and the estimations of unknown parameters. A simulation example is given to illustrate the effectiveness of the designed control method.