线性时变系统的模型参考自适应控制

1　引言近年来 ,对时变系统的自适应控制的研究已取得了较大的进展 .一些学者研究了慢时变[1 ] 、周期时变[2 ] 和已知变化结构的快时变对象的自适应控制系统 .在快时变对象参数的变化结构为已知的前提下 ,文献 [3]中的自适应控制方案可以保证对任意有界初始条件下闭环内所有信号的有界性 ,但系统响应缓慢、自适应时间长、震荡很大 .本文针对线性时变系统提出一种新的模型参考自适应控制方案 .这种控制方案可用于对象参数的变化结构已知的快时变系统 .文中分析了该系统的稳定性 ,与文献 [3]相比 ,本文方案在仿真实例中明显提高系统动态性能 …     

模型参考逆系统方法的介绍

介绍了一种新型的控制方法-模型参考逆系统方法，及这种控制手段的理论基础-动平衡态控制理论。     

一类时变非线性系统的模型偏差补偿控制

本文通过对滑模控制进行改进,提出了适用于一类时变非线性系统的模型偏差补偿控制方案,用于实现高精度的连续轨迹跟踪控制,并指出了该方案和 PID 控制方案的一些联系.     

一种固定时间收敛模型参考终端滑模控制方法

针对一类具有模型不确定性和外部扰动的时变非线性系统, 基于模型参考控制方法, 设计了具有固定时间收敛特性的终端滑模控制器. 首先, 提出一种带有输入饱和限幅和补偿信号滤波的模型参考控制结构; 然后针对广义误差信号, 采用新型终端滑模面设计了补偿控制器, 较好地平衡靠近和远离平衡点的收敛速度. 基于李雅普诺夫方法证明了闭环系统的稳定性和固定时间收敛特性, 并给出了收敛时间上界. 最后将该方法应用到含有极限环的非线性系统跟踪控制中, 仿真结果验证了该方法的有效性.     

动态补偿逆的非线性内模控制在机器人中的应用

针对机器人的非线性不确定性和传统非线性内模控制在控制上存在的不足．提出一种基于动态补偿逆的非线性不确定系统RBF内模控制,在引入RBF建立逆模型的同时．将无模型自适应控制方法作为附加控制器,用于在模型偏离被控对象时在线修正逆模型。仿真结果表明,本文提出的方法不仅对机器人系统的常量摄动具有较好的鲁棒性,对时变不确定性仍能保持较好的跟踪效果．具有较好的实时性、鲁棒性和在线校正功能。     

基于Hammerstein-Wiener逆模型补偿的预测控制非线性变换策略

针对一类Hammerstein-Wiener模型描述的非线性控制系统,提出一种基于逆模型补偿的预测控制策略.在控制优化计算中,利用Wiener非线性环节的逆模型分别对系统输出设定值和采样值进行变换;控制实施过程中,将控制器输出操作量经过Hammerstein静态非线性环节模型逆变换后施加到实际被控对象上,通过两次逆变换,使得标称模型下控制器输出与闭环系统中线性环节的输入相一致.通过非线性变换补偿将非线性过程的控制转化为线性系统控制,避免了对非线性模型进行优化计算量大及预测不准确的问题.最后通过仿真验证了所提方案的可行性及有效性.     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

一类时变非线性系统自适应控制

针对非线性时变系统提出一种间接自适应方法。利用时尺变量函数，将非线性系统划分为若干子系统，间接自适应方法对任意信号都具有稳定性。仿真结果表明了，此法的有效性。     

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了2个神经网络，经离线训练的NN1实现非线性系统的逆，在线网络NN2用于补偿逆误差和系统的动态特性变化，对一非线性系统的仿真结果表明，神经网络自适应逆控制能够提高系统的动态性能，并且具有较好的鲁棒性。     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

基于模型参考的鲁棒自适应控制

针对一类具有未知参数、未建模动态和外界干扰的不确定非线性系统,选择适当的参数对这些不确定性进行估值、补偿和模型参考,利用Backstepping方法,设计了一种新的鲁棒自适应控制器。该控制器能保证闭环系统的所有信号是全局有界的,跟踪误差收敛到一个小的残差集内。仿真结果表明该方法的有效性。     

同步发电机非线性励磁控制的逆系统方法

本利用非线性控制的逆系统方法，将大型同步发电机非线性励磁控制问题变换为一个相应的线性最优控制问题，设计出便于实现的非线性励磁控制规律。经仿真研究表明，所设计的控制律显地改善了电力系统暂态过程的动态响应，较大提高了静态稳定极限，有效地提高了电力系统的暂态稳定水平。     

周期时变系统的鲁棒自适应重复控制

针对周期时变系统,提出一种鲁棒自适应重复控制方法.该方法利用周期学习律估计周期时变参数,并结合鲁棒自适应方法处理非周期不确定性.与现有重复控制不同的是,在控制器设计中引入了新变量—周期数,利用周期系统的重复特性,使界的逼近误差随周期数的增加而逐渐减少,保证了系统的全局渐近稳定性.同时将该方法应用于一类非线性参数化系统,使系统在非参数化扰动的情形下,输出误差仍能收敛于0,倒立摆模型的仿真验证了此结果.该设计方法适用于消除神经网络逼近误差对重复控制系统的影响,理论证明了基于神经网络的鲁棒自适应重复控制系统中所有变量的有界性和输出误差的渐近收敛性,关于机械臂模型的仿真结果验证了受控系统具有良好的跟踪性能.     

基于时变RBF网络的非线性时变系统建模

在常规RBF神经网络中采用时变权值,将其应用于非线性时变系统的建模。采用减聚类算法确定网络隐含层神经元数与基函数中心参数,以迭代学习最小二乘算法修正神经网络时变权值,给出时变RBF网络的学习算法。分析表明,迭代学习最小二乘权值修正算法保证了网络时变权值的有界性,迭代误差收敛于零。仿真结果验证了该方法在非线性时变系统建模方面的有效性。     

非线性参数化系统的鲁棒自适应控制器的设计和仿真

本文介绍了针对单摆模型,这个非线性参数化系统的鲁棒自适应控制,给出了参数自适应律和控制律,使得单摆模型很快跟踪上参考信号,且系统内各变量都全局有界。     

工业机器人自适应逆模控制

本文提出一种关节型机器人的自适应逆模控制结构,采用机器人关节的等效线性系统的逆系统模型和满足可实现性条件的滤波器来构造相应的控制器,并由自适应机构在线建立和修改逆模的参数,使机器人的实际运行轨迹渐近地再现希望轨迹。仿真实验结果表明:采用本方案构造的控制系统响应速度快,跟随精度高、抗干扰能力强。此外,系统结构简单,易于实现。     

A Nonlinear Robust Control Using a Fuzzy Reasoning and Its Application to a Robot Manipulator

A simplified adaptive nonlinear robust controller (SANROC) has beenstudied in the literature. However, this is based on using the so-calledmatching condition. The present controller is not based on using such acondition. The estimate of an upper bound for uncertainties is usuallyincreased by using the adaptive mechanism, e.g., by consisting of amonotonically increased function. In this paper, instead of using such ananalytically adaptive mechanism, a fuzzy reasoning technique is alsoincorporated with the adaptive mechanism of SANROC. The proposed method isapplied to a pantagraph type robot manipulator. The effectiveness of thepresent method is illustrated by some experiments.     

一种非线性优化控制方法及其在鱼雷控制中的应用

提出了一种带优化修正函数的非线性ＰＩＤ控制器设计方法,通过对控制器参数离线寻优,并对修正函数在线优化调整,可用它设计出性能优良且易于工程实现的控制器,然后用地为某型鱼雷非线性系统设计了弹道深义控制器并在各种人水条件下进行了仿真研究,仿真表明,所设计的鱼雷非线笥弹道深度控制系统具有良好的动、静态特性,且对鱼雷人水条件的变化具有较强的适应性。