一种具有噪声干扰的MIMO非线性时变系统自适应控制

针对含噪声多输入多输出不确定非线性时变系统,提出一种基于多维泰勒网(MTN)的自适应控制方案,其中两个MTN分别用来实现优化控制和非线性滤波.首先,提出多维泰勒网控制器(MTNC)以实现实时跟踪控制.将滤波输出与期望值之间的闭环误差作为MTNC的输入,根据系统不确定因素引起的误差,基于稳定的学习率,设计线性再励的自适应变步长算法以快速更新MTNC权值.其次,提出多维泰勒网滤波器(MTNF)以消除测量噪声.由于定义了测量值与MTNF输出之间误差的Lyapunov函数,自适应MTN滤波系统兼具基于Lyapunov理论的自适应滤波(LAF)和MTN的特有性质.最后,通过在Lyapunov意义下选取适当的权值更新律,可使MTNF输出渐近地收敛到期望信号,并证明了滤波器的收敛性和稳定性.仿真结果验证了所提出方案的有效性.     

永磁同步电机调速系统的多维泰勒网逆控制

针对永磁同步电机(PMSM)的高性能控制问题,在充分考虑时变特性、不确定性以及测量噪声等随机因素的基础上,通过PMSM的逆系统将被控对象补偿成为具有线性传递关系的系统,提出一种基于改进自适应逆控制的控制方案.采用矢量控制的双闭环控制结构,将多维泰勒网逆控制方法引入速度环.首先,对PMSM数学模型的可逆性进行证明以解决非线性系统逆建模的存在性问题;然后,建立新颖的动态网络化控制器-----多维泰勒网(MTN),其具有结构简单、计算复杂度低的优点;最后,为了实现高精度的速度控制,将3个MTN分别作为实现系统建模的自适应模型辨识器、逆建模的自适应逆控制器和噪声干扰消除的非线性自适应滤波器,并将PMSM的动态响应控制和消除干扰的控制分为相对独立的过程进行,同时实现最优控制.仿真结果表明,所提出控制方案能够实现PMSM伺服系统精确的速度控制,具有良好的跟踪性能和较强的抗干扰能力.     

一种含噪声不确定多输入多输出非线性时变系统的最优跟踪控制

如何在确保实时性能的前提下,将系统耦合、随机因素、时变特性和不确定非线性的影响一同最小化具有重要意义.为此,本文提出了一种基于自适应多维泰勒网(MTN)的优化控制方案,包括MTN控制器(MTNC)和MTN滤波器(MTNF).首先,设计基于强化学习和自适应动量因子的改进梯度法来调节MTNC权值以快速响应被控对象的不确定性和时变特性,实现最优控制;证明闭环系统稳定性.而后,通过Lyapunov稳定性理论设计MTNF权值更新律,使动态误差指数收敛到零;恰当选择Lyapunov函数来构造具有全局最小值的能量空间并对MTNF的Lyapunov特性进行分析;证明MTNF误差的收敛速度和收敛区域,避免奇点问题.最后,仿真结果表明所提出的控制器和滤波器可在较短的时间内获得更高的精度.     

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.     

一类不确定非线性系统基于特征模型的复合自适应控制

针对一类不确定非线性系统的跟踪控制问题,提出一种基于特征模型的复合自适应控制方法.该方法的创新性在于基于系统的误差特征模型,构建一种综合跟踪控制误差和模型估计误差的特征参量复合自适应律,该自适应律用于控制器设计和分析,可同时实现跟踪控制误差和模型估计误差的收敛.此外,为便于特征参量自适应律的设计和分析,根据特征参量的慢时变特性,将其视为未知标称常数项和时变误差项之和,并且选用其中常数项的估计量作为自适应控制参数.进一步,为抑制特征参量中时变误差项对系统稳定性和模型估计误差收敛性的影响,在控制器及复合自适应律设计中引入带饱和函数的非线性环节.理论分析证明闭环控制系统稳定,且跟踪控制误差和模型估计误差收敛到原点的一个邻域内.仿真结果表明,与现有仅根据模型估计误差调节的基于特征模型的自适应控制方法相比,所提出的复合自适应控制方法具有更好的控制性能.     

未知参数非线性系统的自适应广义预测控制

研究非线性系统的稳定性和跟踪优化问题,针对未知参数非线性系统的参数辨识和输出跟踪问题,给出参数自适应广义预测控制方法,为使辨识模型能实时反映被控对象特性以及输出对设定值的跟踪有较高精度.提出将非线性系统转化为受控自回归滑动平均模型,根据输入输出数据辨识模型参数.采用广义预测控制滚动优化的策略得出最优控制律,将最优控制律作用于对象实现非线性系统的优化控制以及系统输出对设定值的跟踪控制.明显克服了自适应控制对模型精度要求高的缺陷且具有在线辨识,滚动优化的特点.最后,通过仿真实例验证了方法的有效性.     

一类非线性时滞过程的自适应控制

通过结合非线性过程的一般模型控制(GMC)、强跟踪预测器(STP)和强跟踪滤波器(SIF),提出了一类具有输入时滞非线性时变过程的自适应一般模型控制(AGMC)方法.基于强跟踪预测器对未来状态的预测,传统的一般模型控制被扩展到一类具有输入时滞的非线性过程.通过强跟踪滤波器估计非线性过程的时变参数,对STP和GMC进行在线参数修正.对三容水箱系统DTS200进行计算机仿真,仿真结果表明,该自适应控制策略是令人满意的,其状态跟踪能力强,对于模型失配也具有较强的鲁棒性.     

基于非线性自适应IIR滤波器的混沌时间序列辨识方法

提出了一种混沌时间序列的非线性自适应IIR滤波辨识算法,该算法采用非线性IIR滤波器来自适应跟踪非线性混沌动力系统的动态特性进行辨识,实验结果表明,该算法具有较高的辨识能力和抗噪声性能。     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

基于小波分解的非线性系统多模型自适应控制

提出了一种改进的基于小波分解的非线性系统辨识算法,利用小波函数的逼近能力在线辨识被控对象的非线性项.针对基于小波分解的辨识算法缺乏预测能力,提出了根据线性鲁棒自适应控制器提供的当前控制信息预测未来的非线性项值新方法,并结合多模型方法,根据所定义的切换指标自动切换到当前最优控制器.仿真结果表明,改进的基于小波分解的辨识算法能够有效逼近非线性系统,基于小波分解的非线性系统多模型自适应控制方法改善了系统性能,随着系统运行跟踪误差明显减小,说明了该方法的有效性和可行性.     

Multidimensional Taylor network adaptive control for MIMO time‐varying uncertain nonlinear systems with noises

In this paper, an adaptive control approach based on the multidimensional Taylor network (MTN) is proposed here for the real‐time tracking control of multiple‐input–multiple‐output (MIMO) time‐varying uncertain nonlinear systems with noises. Two MTNs are used to formulate the optimum control and adaptive filtering approaches. The feed‐forward MTN controller (MTNC) is developed to realize the precise tracking control. The closed‐loop errors between the filtered outputs and expected values are directly chosen as the MTNC's inputs. A valid initial value selection scheme for the weights of the MTNC, which can ensure the initial stability of adaptive process, is introduced. The proposed MTNC can update its weights online according to errors caused by system's uncertain factors, based on stable learning rate. The resilient backpropagation algorithm and the adaptive variable step size algorithm via linear reinforcement are utilized to update the MTNC's weights. The MTN filter (MTNF) is developed to eliminate measurement noises and other stochastic factors. The proposed adaptive MTN filtering system possesses the distinctive properties of the Lyapunov theory–based adaptive filtering system and MTN. Lyapunov function of the filtering errors between the measured values and MTNF's outputs is defined. By properly choosing the weights update law in the Lyapunov sense, the MTNF's outputs can asymptotically converge to the desired signals. The design is independent of the stochastic properties of the input disturbances. Simulation of the MTN‐based control is conducted to test the effectiveness of the presented results.     

一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。     

柴油机自适应遗传非线性PID调速控制仿真

研究船用柴油机控制优化问题,柴油机调速要求快、稳、准。针对船用柴油机调速系统的时变、非线性及外界干扰等特点,传统PID调速稳定时间长,控制效果不佳。为提高喷油量达到控制准确度,改善调速系统性能,提出了一种柴油机自适应遗传非线性PID调速控制策略。采用Matlab对柴油机调速系统模型进行辨识并验证其准确性。利用非线性PID控制实现各参数增益的实时调整,提高了抗干扰能力,通过自适应遗传算法对系统的动态偏差进行监控,优化非线性PID控制器参数,减少了超调量,提高控制精度。仿真结果表明,采用自适应遗传非线性PID控制器稳定时间更短,鲁棒性强,控制精度更高,优化了柴油机调速系统性能。     

Neural Network Adaptive Robust Control Of Siso Nonlinear Systems In A Normal Form

In this paper, performance oriented control laws are synthesized for a class of single‐input‐single‐output (SISO) n‐th order nonlinear systems in a normal form by integrating the neural networks (NNs) techniques and the adaptive robust control (ARC) design philosophy. All unknown but repeat‐able nonlinear functions in the system are approximated by the outputs of NNs to achieve a better model compensation for an improved performance. While all NN weights are tuned on‐line, discontinuous projections with fictitious bounds are used in the tuning law to achieve a controlled learning. Robust control terms are then constructed to attenuate model uncertainties for a guaranteed output tracking transient performance and a guaranteed final tracking accuracy. Furthermore, if the unknown nonlinear functions are in the functional ranges of the NNs and the ideal NN weights fall within the fictitious bounds, asymptotic output tracking is achieved to retain the perfect learning capability of NNs. The precision motion control of a linear motor drive system is used as a case study to illustrate the proposed NNARC strategy.     

Adaptive Chattering Free Neural Network Based Sliding Mode Control for Trajectory Tracking of Redundant Parallel Manipulators

In this paper, an adaptive chattering free neural network‐based sliding mode control (ACFN‐SMC) method is proposed for tracking trajectories of redundant parallel manipulators. ACFN‐SMC combines adaptive chattering free radial basis function neural networks (RBFN), sliding mode control with online updating the robust term parameters, and a nonlinear compensation item for reducing tracking errors. The stability of the closed‐loop system with modeling uncertainties, frictional uncertainties, and external disturbances is ensured by using the Lyapunov method. The proposed controller has a simple structure and little computation time while securing dynamic performance with expected quality in tracking trajectories of redundant parallel manipulators. In addition, the ACFN‐SMC strategy does not need to know the upper bound of any uncertainties. From the simulation results, it is evident that the proposed control strategy not only has significantly higher robustness capability for uncertainties but also can achieve better chattering elimination when compared with those using existing intelligent control schemes.     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。