基于T- S模型的非线性系统多模型直接自适应控制

针对典型的高阶非线性系统，建立被控对象的多个论域不同的基于T—S模型的模糊控制器(TSFC)，用其加权组合控制系统的行为，并报据Lyapunov的综合方法设计一种自适应算法来调整每个TSFC的权值，形成被控对象的直接自适应模糊控制器。与采用单一TSFC的自适应模糊控制算法相比，该算法计算量小，响应速度快，能在局部上更有效地控制系统的非线性，使被控系统具有Lyapunov意义上的稳定性。仿真实验证实了算法的有效性。     

基于多控制器的直接自适应控制

为解决多模型自适应控制可能造成的模型失配不稳定性问题,利用非伪控制理论,提出了一种直接辨识控制器的方法。由一步超前控制器构造控制器集,通过一个具有一定属性的恰当选择的代价函数,只要控制器集中至少存在一个镇定的控制器,即自适应控制问题是可行的,滞后切换逻辑总能快速将镇定控制器切换到控制回路中,保证闭环系统稳定和输出误差渐近趋于零。给出了闭环系统在L2e意义下输入输出稳定性结论,并给出仿真实例验证其有效性。     

基于极点配置的多模型自适应控制

基于极点配置技术对单输入单输出离散时间被控对象提出多模型自适应控制算法，在保证稳定性的前提下，算法对被控对象参数跳变时能进行有效的控制，并提高了系统的瞬态响应。     

基于遗传算法的多模型自适应控制

利用多个固定模型（或元素模型）来逼近含未知参数的被控系统,基于每一个元素模型建立最优控制器,并由各局部模型控制器的加权和构成被控系统的控制器。对于这种多模型自适应控制器,在每一个采样时刻,每一个元素模型的权值将由遗传算法计算得出。仿真结果表明,采用该文提出的控制器,当被控对象的模型参数剧烈变化时系统输出依然可以很好地跟踪设定值。     

基于在线优化的切换多模型自适应控制

介绍了切换多模型控制方法，针对多模型方法中子模型数量过多的问题，提出一种基于模型集在线优化方案的多模型自适应控制算法，并对其实时性进行讨论，该方法能减少子模型数量，降低计算复杂度，缩短系统的采样间隔，计算机仿真结果表明，该方法在控制精度，计算复杂度等方面均优于采用固定模型集的切换方案。     

基于动态优化模型集的多模型自适应控制

针对多模型自适应控制的传统算法中固定模型集无法准确覆盖对象的不确定域的问题,提出了一种新型的能够在线动态优化模型集的方法。该方法能够在线自动添加、删除以及修改模型集中的模型,有效地控制模型数量以及优化模型集,使模型集对不确定域进行精确覆盖,并且在系统运行的稳定阶段可以停止优化模型集的动作,从而大幅减少计算量。该方法在优化控制性能的同时不会过分增加系统运算负担,仿真实验表明了此算法的优越性。     

含有界扰动系统的多模型自适应控制

对含有有界扰动和参数不确定性的离散时间被控对象建立多个辨识模型, 覆盖被控对象的参数不确定性. 给定指标切换函数, 构成多模型自适应控制器. 引入“局部化”技术, 在保持计算精度的同时, 提高了计算速度. 同时证明, 多模型自适应控制可以保证闭环系统输入输出稳定, 且保证对给定有界参考输入、被控对象输出可在一给定界范围内跟踪参考输入.     

分散模型参考自适应控制

本文针对由参数未知、存在有界扰动和非线性关联的子系统组成的大规模互联系统,提出了一种新的分散模型参考自适应控制法.它适用于孤立子系统传递函数的相对阶次n*i为任意值的情况.根据李雅普诺夫稳定性理论,文中证明了这种分散自适应控制系统全局稳定的充分条件.与有关文献所介绍的方法相比,本文的方法可用于n*i>2的场合,因而它更具有一般性和实用性.     

基于切换和混合策略的多模型自适应控制

混合与切换是多模型控制器的两种主要设计方法,混合控制不能及时响应参数突变,切换控制的暂态响应不理想。因此提出了一种新的多模型自适应控制结构。首先利用各模型子集的中心点值代替未知参数值得到最小误差,并与当前参数估计值得到的误差进行比较,判断参数是否发生跳变。若参数没有发生跳变,采用混合控制;若参数发生跳变,则把参数估计值重构为子集的中心点值,控制器就切换到对应的子控制器,及时响应参数变化。最后的仿真结果表明,在参数发生跳变时,该方法的控制效果较混合控制有明显的改善。     

基于有界扰动分区的多模型自适应控制

对于含有界扰动的离散时间系统,将有界扰动变化范围分割成若干小区间,针对这些区间建立多个自适应模型,并针对每一个自适应模型建立相应的控制器.给定一个指标切换函数,基于多个自适应模型控制器和给定的指标切换函数构成多模型自适应控制器.可以证明多模型自适应控制器能够保证闭环系统是输入输出有界稳定的.仿真实例表明,当被控对象的有界扰动随时间变化的时候,采用单一模型自适应控制,系统输出很难跟踪设定值,而多模型自适应控制器却极大地改善了控制品质.     

一种新的多模型模糊自适应控制算法

模仿人的决策思路，对多模型对象提出一种新的自适应控制算法。在建立起对象的有限个模型并离线设计好对应的控制器后，算法通过在线计算模型匹配程度和控制权重来适应对象模型参数的突变。仿真结果表明，该算法简单有效，跟踪迅速，鲁棒性强。     

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。     

管式加热炉多模型神经网络预测控制

管式加热炉具有典型的非线性、多变量、大时滞、强耦合和时变特性,传统的控制策略很难获得理想的控制性能。为此,提出了基于一类多模型的自适应神经网络预测控制方法,首先基于不同负荷下加热炉的运行情况建立多个自适应神经网络模型,预测变负荷、大扰动时的加热炉输入输出状况,然后通过自适应调整神经网络模型的结构和参数跟踪加热炉由于参数时变或其他干扰引起的系统漂移,最后应用粒子群算法对基于多模型自适应神经网络进行滚动优化,获得加热炉操作变量的次优控制律。此方法可以有效地跟踪多路进料、多燃烧器加热炉的控制指标,提高了加热炉的整体热效率,并且能够节约燃料,减少温室气体排放。所开发的控制系统成功应用于某炼厂常减压加热炉装置,取得了良好的效果。     

一种多机械手(指)自适应协调控制的递推算法

提出了一种多机械手(指)的自适应协调控制递推算法.原系统的控制问题转化为各子系统的控制问题.各子系统之间的动态关联在Lyapunov意义下表示为在各分解点处的"虚功率流".机械手指的点接触问题处理成被动关节的控制问题.原系统的渐近稳定性在Lyapunov意义上得到保证.计算机数字仿真验证了理论结果.     

一种简单的渐近稳定自适应控制器

针对单调阶跃响应的单变量系统，提出一种基于简化模型的自适应预测控制算法。该算法只需辨识一个参数，大大减少了计算量。从理论上证明了它可保证闭环系统的全局渐近稳定和收敛，并定量给出了预测水平的选择范围。仿真表明此算法是有效的，甚至在时变环境下也能很好地工作。     

基于多模型的过热汽温自适应串级控制

针对电厂过热汽温被控对象具有大惯性、大滞后特性且对象参数随负荷变化较大等因素，该文提出了一种基于多模型的自适应串级控制方案，在若干不同的工况点建立对象棋型并设计出相应的控制器，根据运行工况选择相应的控制器，从而实现全工况运行的自适应控制。主调节器采用内模控制器，可以克服对象情性区的时滞特性，副调节器采用比例控制器，可以快速消除系统的内部扰动。针对某超临界600MW直流锅炉过热汽温系统，对该文给出的控制方案进行了仿真试验，仿真结果表明，所提出的控制方案在跟踪性、抗干扰性和鲁棒性方面得到了很好的兼顾，实现了系统全工况运行的满意控制。     

一类工业运行过程多模型自适应控制方法

针对一类动态未知的工业运行过程,提出一种基于神经网络补偿和多模型切换的自适应控制方法.为充分考虑底层跟踪误差对整个运行过程优化和控制的影响,将底层极点配置控制系统和上层运行层动态模型相结合,作为运行过程动态模型.针对参数未知的运行过程动态模型,设计由线性鲁棒自适应控制器、基于神经网络补偿的非线性自适应控制器以及切换机制组成的多模型自适应控制算法.采用带死区的递推最小二乘算法在线辨识控制器参数,克服了投影算法收敛速度慢、对参数初值灵敏的局限.理论分析和仿真实验结果表明了所提方法的有效性.     

数据驱动逆系统方法的多模型主动容错控制

针对非线性系统提出了一种基于数据驱动逆系统思想的多模型主动容错控制方法;该方法首先采用最小二乘支持向量机(LS-SVM)对系统正常以及各种先验故障情形建立其逆模型,并以此构造系统的基本逆模型库,实际运行时依据系统性能指标切换函数,经在线计算分析,判断系统所处的运行模式,当系统发生已知故障时,调用与之匹配的LS-SVM逆模型,使其始终与被控对象串联保持为不变的伪线性系统,并以固定的内模控制器实现非线性系统对已知故障的快速容错;当系统发生未知故障时,切换至基于数据驱动技术的无模型自适应控制器(MFAC)进行过渡容错控制,在保证系统稳定的同时利用过渡容错期间的输入输出(I/O)数据建立系统当前故障情形的逆模型并添加到模型库中,使其具有自学习能力;最后以一仿真算例验证了文中所述方法的有效性。     

Model-Reference Fuzzy Adaptive Control as a Framework for Nonlinear System Control

The paper presents a general methodology of adaptive control based on fuzzy model to deal with unknown plants. The problem of parameter estimation is solved using a direct approach, i.e. the controller parameters are adapted without explicitly estimating plant parameters. Thus, very simple adaptive and control laws are obtained using Lyapunov stability criterion. The generality of the approach is substantiated by Stone-Weierstrass theorem, which indicates that any continuous function can be approximated by fuzzy basis function expansion. In the sense of adaptive control, this implies the adaptive law with fuzzified adaptive control parameters. The proposed control algorithm may be viewed as an extension of classical adaptive control for linear plants, but compared to the latter it provides higher adaptation ability and consequently better performance if the plant is nonlinear. The global stability of the control system is assured and the tracking error converges to the residual set that depends on fuzzification properties. The main advantage of the approach is simplicity that suits control engineers since wide range of industrial processes can be controlled by the proposed method. In the paper, the control of heat exchanger is performed.