输入非线性方程误差自回归系统的多新息辨识方法

典型块结构非线性系统包括基本的输入非线性系统、输出非线性系统、输入输出非线性系统、反馈非线性系统等.输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.以输入非线性方程误差自回归系统,即输入非线性受控自回归自回归(IN-CARAR)系统为例,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术以及基于辨识模型分解技术,研究和提出了IN-CARAR系统的随机梯度辨识方法、多新息随机梯度辨识方法、递推最小二乘辨识方法、多新息最小二乘辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算步骤、流程图和计算量.     

输入非线性方程误差系统的多新息辨识方法

针对输入非线性方程误差系统,即输入非线性受控自回归系统,研究了基于过参数化模型的多新息辨识方法和基于过参数化模型的递阶多新息辨识方法;研究了基于关键项分离原理的多新息辨识方法;使用辨识模型分解技术,研究了基于关键项分离原理的两阶段多新息辨识方法和三阶段多新息辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算量、计算步骤和流程图.     

线性参数系统的多新息辨识方法

系统有线性和非线性之分.线性系统有统一的描述形式,非线性系统因类别无数,不可能有统一描述.线性参数系统是一类特殊的非线性系统,它在参数空间上呈现线性特征,介于线性系统与非线性系统之间.针对伪线性参数系统,讨论了基于辅助模型的多新息辨识方法、基于滤波的辅助模型多新息辨识方法、基于模型分解的辅助模型多新息辨识方法、基于滤波的分解多新息辨识方法,并给出了几个典型辨识算法的计算量、计算步骤和流程图.     

用谐波线性化法研究非线性系统的稳定性

一切系统都是非线性系统,直接研究非线性系统是困难的,通常采用近似方法。谐波线性化方法是近似方法之一。本文用该方法研究了非线性系统的稳定性问题,给出了关于单变量非线性系统稳定性的一般性结论和在对角优势条件下的多变量非线性系统稳定性的结论及图解判据。     

多输入多输出非线性参数系统的鲁棒自适应控制

如何有效地处理输入输出之间的复杂耦合和系统的各种不确定性对多输入多输出非线性参数系统的控制至关重要.通过引入辅助动态信号来刻画未建模动态,采用自适应非线性阻尼的方法抑制参数和非线性不确定性、未知有界扰动、未建模动态和输入输出之间的耦合对系统性能的影响, 并基于控制李亚普诺夫函数法来设计多输入多输出非线性参数系统的鲁棒自适应控制器.所提出的鲁棒自适应控制法不必对系统的未知参数进行估计.理论证明,所提方法保证闭环系统的所有信号一致有界,且通过选择适当的设计参数,可使跟踪误差任意的小.仿真结果例证了所提出控制法的有效性.     

二阶非线性多智能体系统的脉冲一致性

针对非线性多智能体系统在切换拓扑条件下的二阶一致性问题,通过脉冲控制方法,利用图论、矩阵理论和Lyapunov稳定性理论,得出该智能体系统达到二阶一致性的充分条件。数值模拟结果表明,非线性多智能体系统在充分条件下可实现二阶一致性。     

基于T-S模型的非线性多变量系统快速GPC控制

把T-S模糊模型辨识非线性对象和预测控制技术相结合,提出一种基于T-S模型的非线性耦合多输入多输出系统快速广义预测控制(GPC)方法,并给出了简化的规则选择方法.该方法在线调节参数少、计算量小.仿真结果表明具有控制平稳、超调小、跟踪快的特点.能够对非线性耦合多变量系统进行良好控制,适合工业过程在线应用.     

非线性转子动力学的研究现状与展望

综述了国内外非线性转子动力学的研究现状,讨论了非线性转子动力学研究中所存在的问题,概括了非线性转子动力学的发展趋势为：转子－转承系统的油膜非线性特性及其稳定性问题的研究：多自由度非线性动力学理论及非线性动力学数值分析方法的研究;转子－轴承系统非线性参数识别、建模和重构;高维非线性动力系统的降维方法的研究;非线性动力响应及耦合问题;转子－轴承－基础系统的非线性学稳定性的灵敏度分析、非线性稳定性裕度及     

求解齿轮系统非线性动力学微分方程的多尺度方法

首先建立了描述齿轮系统扭转振动的动力学分析模型,并推导出综合考虑时变啮合刚度、齿侧间隙、动态传递误差等非线性因素的齿轮系统非线性动力学的统一微分方程。介绍了用于求解齿轮系统非线性动力学微分方程的多尺度方法的原理,并推导了频率响应方程。利用多尺度方法获得的近似解析解与直接进行数值积分所获得的精确解吻合得较好,表明多尺度方法是求解复杂非线性微分方程最有效的方法之一。     

基于向前模{LgV}的非线性系统的镇定

研究了非线性系统的镇定问题.推广了文献[1]提出的向前模{LgV}技术用于解决多输入非线性系统的镇定问题,获得了多输入非线性系统的镇定的一些充分条件.并举例说明了所获结果的有效性.     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

基于PSO与LMI优化的非线性模型预测控制

将微粒群算法(PSO)与线性矩阵不等式(LMI)用于输入受限非线性预测控制器的设计,提出了基于PSO与LMI联合优化的非线性预测控制算法。算法采用双模控制策略,利用LMI离线优化确定终端不变区域,以扩大非线性优化的求解范围,降低算法的保守性。利用PSO在线优化求解非线性预测控制输入,以避免求解非线性规划问题,同时对算法的稳定性进行了分析。仿真结果表明了该算法是有效的、可行的。     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

Robot path planning in globally unknown environments based on rolling windows

In this paper, robot path planning in globally unknown environments is studied. Using the rolling optimization concept in predictive control for reference, a new strategy of path planning for a mobile robot, based on rolling windows, is proposed. The method makes full use of the real-time local environmental information detected by the robot and the on-line path planning is carried on in a rolling style. Optimization and feedback are combined in a reasonable way. The convergence of the planning algorithm is also discussed.     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。     

基于滑模的神经元网络自适应控制及其应用

提出一种基于滑模的神经元网络自适应控制方法,并把它应用于液压伺服系统的位置控制.基于滑模学习策略,根据从一优化了的滑模控制所得到的系统输入/输出信号,设计一神经元网络,离线训练该神经元网络的权值,然后综合一简单的自适应环节,得到完整的基于滑模的神经元网络自适应控制.仿真实验结果表明,相对于纯优化的滑模控制而言,所提出的控制方法能使系统具有响应速度快,控制精度高的特点,综合控制效果明显.     

基于价值评估的海量数据迁移策略研究

根据分级存储管理HSM(hierarchical storage management)中的数据迁移任务,提出了一种基于价值评估的数据迁移模型.通过按比例计算数据的固有属性和预期价值,可以得到数据价值的精确表达,结合迁移过程控制策略,相应价值的数据将被分配到与其价值相适应的存储设备上.仿真实验结果表明,相对于LRU和LFU,该迁移算法能使绝大多数的访问命中于在线存储设备,并随着访问次数的增加,可以逐步提高算法的精度.     

模糊PID控制规则的优化

介绍了模糊PD控制规则的优化方法,提出了模糊PID控制规则的优化策略以及在线自调整策略,并以数字仿真实验证明,该策略的有效性和优越性。     

基于径向基神经网络的双馈风力发电机低电压穿越控制研究

根据风力机能量转化机理及风电机组运行状态,建立了双馈感应发电机(DFIG)完整的5阶数学模型,分析了其电流控制方案,提出了一种基于径向基(RBF)神经网络辨识的PI控制器自适应控制算法.利用RBF神经网络进行在线辨识,并根据被控对象的Jacobian信息在线调整PI控制器参数,以改善系统的动态响应特性和提高系统的低电压穿越(LVRT)能力.通过构建系统的Simulink仿真模型进行仿真.结果表明,该控制算法有效地抑制了由电压跌落引起的电流震荡,缩短了系统的故障恢复时间,增加了系统的自适应性和鲁棒性,从而提高了系统的低电压穿越(LVRT)能力.     

基于径向基函数神经网络的精馏塔优化控制

精馏塔是化工过程中最常用的操作单元 ,其具有很强的非线性和时变性 ,很难进行机理建模分析或常规在线实时控制。针对精馏塔的非线性和时变性等特点提出了一种基于径向基函数神经网络的软测量模型的优化控制策略 ,从而解决了精馏塔建模困难的问题。由于采用了径向基函数网络 ,并利用正交化最小方差学习算法来训练径向基函数神经网络 ,使得控制算法简捷可靠 ,适用于时变对象 ,并具有很强的鲁棒性。将软测量结果与现场数据比较 ,表明本模型具有比较准确的跟踪显示效果 ,最后将软测量模型进一步应用到精馏塔的回流量和釜液排放量的优化控制中 ,并达到了满意的控制效果。