基于单网络评判学习的非线性系统鲁棒跟踪控制

针对一类具有不确定性的连续时间非线性系统,提出一种基于单网络评判学习的鲁棒跟踪控制方法.首先建立由跟踪误差与参考轨迹构成的增广系统,将鲁棒跟踪控制问题转换为镇定设计问题.通过采用带有折扣因子和特殊效用项的代价函数,将鲁棒镇定问题转换为最优控制问题.然后,通过构建评判神经网络对最优代价函数进行估计,进而得到最优跟踪控制算法.为了放松该算法的初始容许控制条件,在评判神经网络权值更新律中增加一个额外项.利用Lyapunov方法证明闭环系统的稳定性及鲁棒跟踪性能.最后,通过仿真结果验证该方法的有效性和适用性.     

四容水箱过程预测控制

针对四容水箱系统的多变量、大时滞、非线性及强耦合等特性,首先设计模型预测控制(MPC)策略,由于采用了多步预估技术,从而能有效地解决时延过程问题。然后设计隐式广义预测自校正控制(GPC)策略,利用反馈校正能及时修正预测值,使优化建立在较准确的预测基础上,从而提高了控制的鲁棒性。在建立四容水箱过程机理模型的基础上,通过仿真验证实现四容水箱液位预测控制,并给出了相应的实验结果。仿真结果表明:通过预测控制算法良好的控制性能,可以实现对四容水箱系统的稳定控制。