一种新的自适应控制方法

本文提出了一种新的自适应控制方法－基于自校正与线性跟踪的自适应控制，从系统的输入／输出完全跟踪的目标出发，根据对象的动态模型，导出自适应控制器的调节模型，对象模型的参数，采用递推最小二乘法在线估计。     

一类工业过程运行反馈优化控制方法

为了克服流程工业运行优化中控制回路闭环系统的动态误差对运行优化性能的影响,本文针 对一类工业过程提出了使运行指标实际值与目标值偏差和控制回路输出与设定值跟踪误差的二次性能 指标极小化的运行优化反馈控制方法. 该方法由运行层设定值反馈控制和回路控制层设定值跟踪控制组成,其中设定值反馈控制采用基于LMI的 模型预测控制,回路控制采用衰减率可调的带有积分项的状态反馈调节律. 本文给出了保证运行优化反馈控制闭环系统渐近稳定的充分条件,并开展了浮选过程运行优化反馈控制仿 真实验,实验结果表明所提方法的有效性.     

一类非线性随机系统的自适应控制

本文在文献「１，２」的基础上，对一类仿射非线性随机系统的最小二乘（ＬＳ）自适应控制问题进行了分析，给出了稳定性及收敛速度结果，在这里，我们仅要求非线性函数具有线性增长速度，而无需任何其它结构假设。     

一类非线性系统的自适应控制

针对一类非线性系统，利用微分几何方法中的反馈线性化方法将其等价表示为时变线性系统，再设计一个最小方差自校正调节器，利用参数估计中最成熟的递推最小二乘法对系统参数进行估计，并结合利用最小方差控制策略，实现了对原非线性系统的自适应控制．仿真表明了所提方法的有效性．     

基于T- S模型的钻杆对中自适应预测控制

为非线性系统建立T－S模糊模型,采用基于T－S模型的局部递推最小二乘法对模糊规则后件参数进行辨识，然后用一步预测控制的方法进行控制。在钻杆对中控制中，定义了矢量化的时间为控制量，采用上述方法，在实际中取得了良好的效果。     

基于非线性(Wiener)模型自适应预测函数控制

针对一类非线性对象提出了基于Wiener模型的非线性系统自适应预测函数控制方法。利用带遗忘因子的递推最小二乘算法在线辨识得到Wiener模型核参数，根据所得模型参数直接计算得到非线性预测函数控制律，而且使控制律计算容易，适用于具有一定非线性的被控对象，并能适应被控对象的环境变化。     

基于CPS框架的微粉生产过程多模型自适应控制

针对矿渣微粉（Ground granulated blast-furnace slag,GGBS）生产这一多变量、强耦合、多工况的复杂非线性过程,本文根据大量生产数据,提炼出矿渣微粉生产过程的三个典型工况.求解多工况多目标优化问题以求得最优设定值.建立多工况下的递归神经网数据驱动模型,并采用自适应动态规划方法,建立多个控制器,结合加权多模型控制,实现矿渣微粉生产过程在多工况切换情况下的自适应控制.通过过程运行优化、跟踪控制优化、通讯、工业以太网等信息资源与矿渣微粉生产物理资源之间的融合,构建基于信息物理系统（Cyber-physical system,CPS）的矿渣微粉生产优化控制系统.实验分析表明,本文提出的基于CPS的多模型自适应控制器,能够有效实现多工况条件下矿渣微粉生产过程的自适应控制,减小超调量,提高控制品质.     

一类非线性多变量系统的多模型自适应控制

针对一类不确定的非线性多变量离散时间动态系统,提出了一种基于切换的多模型自适应控制方法.该控制方法的特点在于以下两个方面:首先,引入一个高阶差分算子使得非线性系统的非线性项的限制条件不再要求全局有界;其次,提出的控制方法由线性自适应控制器、神经网络非线性自适应控制器以及切换机构组成:线性控制器用来保证闭环系统的输入输出信号有界,神经网络非线性控制器用来改善闭环系统的性能,基于性能指标的切换机构在每一时刻选择性能指标较好的控制器对系统进行控制.理论分析和仿真实验说明了提出的多模型自适应控制方法的有效性.     

基于CARMA模型的水下滑翔机自适应控制

水下滑翔机在设计和海中实际应用过程中存在模型参数的不确定性和外部环境的复杂性,要求控制器具有良好的自适应性,在水下滑翔机三维定常运动模型基础上,以俯仰回路模型为例设计了基于CARMA模型的改进广义预测自适应控制器.上述控制器应用遗忘因子递推最小二乘法对系统参数进行实时辨识.在对控制器进行了仿真后,对CARMA模型参数全部突变这一恶劣情况进行仿真并与PID控制对比,结果表明改进控制算法具有良好的快速性、稳定性和自适应性.     

输入受限系统的多模型自适应控制

针对时不变或含跳变参数的时变被控对象建立多外模型,并构成多建模型输入受限控制器。每个采样时刻基于性能指标,选择与被控对象最接近的模型,将基于此模型的控制器切换为当前控制器。多模型控制器可对时不变被控对象或含跳变参数的时变被控对象,在保证输入输入稳定的同时迅速改善瞬态响应,并且使输出渐近跟踪设定值。     

基于神经网络的非线性多模型自适应控制

针对一类非线性离散动态系统,设计了一个自适应控制方案。为了保证在任意时刻均能为被控的动态系统选择最好的控制器,方案基于输入输出数据为系统定义一个线性预测模型,并在此基础上设计能够保证闭环系统所有信号有界的线性鲁棒自适应控制器,同时定义一个非线性预测模型,再基于径向基神经网络设计一个旨在提高系统控制性能的非线性自适应控制器。通过比较2个控制器预测的系统输出性能,设计合理的开关切换规则。控制方案能将系统稳定性控制和性能优化的控制分离并单独实现,使得系统能在保证稳定性前提下,借助神经网络控制器良好的追踪能力有效提高自适应控制效果。最后通过仿真例子说明了系统稳定和提高输出追踪效果可以同时得到保证。     

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.     

复杂工业过程运行优化与反馈控制

过程控制不仅使被控对象的输出尽可能好地跟踪控制器设定值, 而且要对整个工业装置的运行进行控制, 使反映产品在该装置加工过程中质量、效率与消耗等指标, 即运行指标在目标值范围内, 尽可能提高质量与效率指标, 尽可能降低消耗指标, 即实现工业过程运行优化控制. 本文在综述了已有的运行优化与控制方法的基础上, 重点介绍了复杂工业过程的数据驱动的混合智能运行优化控制和运行控制半实物仿真系统, 并以赤铁矿磨矿过程为应用研究案例, 仿真实验和工业应用结果表明所提方法的有效性, 并指出了复杂工业过程运行优化控制研究需要关注的问题.     

复杂工业过程非串级双速率组合分散运行优化控制

复杂工业过程具有模型维数高、多时间尺度耦合、动态不确定性等特点, 其运行优化控制(Operational optimal control, OOC)一直是控制领域的研究难点与热点. 本文聚焦一类由多个快变且互联的设备单元与慢变且模型未知的运行过程串联组成的工业过程, 提出一种数据和模型混合驱动的非串级双速率组合分散运行优化控制方法. 该方法通过奇异摄动理论, 将非串级双速率运行优化问题描述为异步采样的慢子系统最优设定值跟踪和快子系统最优调节控制. 利用工业运行数据, 采用不依赖系统动态的Q-学习算法设计慢子系统最优跟踪策略, 克服运行过程模型难以建立的情形; 针对快子系统, 设计基于模型的分散次优控制策略, 并给出收敛因子的下界, 解决设备层互联项对系统稳定性的影响. 通过浮选过程仿真实验验证了所提控制方法的有效性.     

一类具有未知控制方向非线性系统的输出反馈自适应控制

研究了一类控制方向未知非线性系统的输出反馈自适应镇定问题. 首先, 通过一线性状态变换, 将未知控制系数集中起来, 从而将原系统变换为适于控制设计的新系统. 然后, 分别引入状态观测器和参数估计器, 并应用积分反推和调节函数方法, 给出了输出反馈稳定控制律的构造性设计过程. 可以证明,所设计的控制器确保原系统状态渐近收敛到原点, 而其它闭环系统状态有界. 仿真结论验证了所提出方法的有效性.     

一类不确定非线性系统的鲁棒自适应控制

针对一类不确定非线性系统 ,设计出一种新的自适应控制器 ,它克服了现有方案存在的过多参数辨识问题 ,从而降低了控制器的动态阶次 .在较弱条件下 ,该控制器不仅能保证闭环系统所有信号有界 ,而且能使跟踪误差以指数速度收敛到零的有界小邻域内     

工业过程多速率分层运行优化控制

工业过程运行优化控制通常采用基础回路层和运行层两层结构,涉及不同时间尺度特性的被控对象,且由于检测装置采样周期不同难以统一控制与采样周期;此外,运行层动态往往机理复杂难以建模.因此针对这一多层次、多时间尺度且部分模型未知的复杂多速率控制问题,本文提出一种工业过程多速率分层运行优化控制方法.该方法在使用提升技术解决分层多速率问题的基础上,采用一种基于Q-!学习的数据驱动运行层设定值优化方法,更新基础回路层的设定值;并针对提升后的系统采用模型预测控制（Model predictive control,MPC）方法设计基础回路层控制器以跟踪设定值,从而实现运行指标的优化控制.对典型工业闭路磨矿过程进行了仿真实验,验证了本文所提方法的有效性.     

基于最小二乘支持向量机的一类非自治系统自适应控制

提出了一种基于最小二乘支持向量机(LS-SVM)的一类不确定非自治系统自适应控制器设计方法.该方法基于最小二乘支持向量机来估计对象的部分未知非线性项,并给出了最小二乘支持向量机权向量和偏移值的在线学习规则.利用李亚普诺夫理论严格证明了整个闭环系统的跟踪误差、控制器参数以及最小二乘支持向量机权参数和偏移值的一致最终有界.此控制方法可以保证对象在线稳定地跟踪任何光滑的目标轨迹,仿真结果表明了此控制方法的可行性和有效性.