刘亚[1]2003年在《复杂非线性系统的智能自适应重构控制》文中指出本文研究了一类具有时滞和(或)不确定性的复杂非线性系统的智能自适应重构控制问题。将T-S模糊模型和自适应神经网络与先进的鲁棒控制技术有机结合，提出了一套比较实用的复杂非线性系统的重构控制方法。 文中首先讨论了一类具有状态和控制时滞的不确定非线性系统的模糊H_∞状态反馈控制问题。在利用具有时滞的不确定Takagi-Sugeno(T-S)模糊模型对非线性系统进行建模的基础上，提出了一套模糊鲁棒H_∞控制器的系统设计方法。 在基于T-S模糊模型的基础上，文中讨论一类具有执行机构故障的非线性系统的模糊容错控制，使得系统在执行机构卡死或失效时仍然能够保持稳定并且跟踪给定的期望信号。 进一步，文中针对一类具有不确定性的非线性系统，通过Backstepping技术将基于T—S模糊模型的模糊增益控制器与自适应模糊控制器相结合，提出了一种模糊鲁棒重构控制方法，通过模糊自适应控制器的作用，可以自动补偿于系统的建模误差、不确定因素及执行机构故障等造成的影响。 为了弥补现有的基于模糊模型控制设计方法的不足，文中提出了一种将自适应神经网络设计和基于T-S模糊模型控制方法相结合的新的控制方法。在原有模糊H_∞控制的基础上，进一步引入了RBF神经网络完全自适应控制方法，通过在线自适应调整RBF神经网络的权重、函数中心和宽度，可以有效地对消系统的未知不确定性和模糊建模误差的影响，解决了当系统的不确定项和模糊建模误差不满足任何匹配条件或约束条件时的非线性系统的稳定控制和跟踪控制问题。 同时，当现有的基于模型的模糊控制器无法求解时，文中给出了一种改进的基于模糊模型和神经网络的自适应重构控制方案。将所有的局部状态反馈控制器和基于自适应神经网络的鲁棒自适应控制器相结合，构造使系统稳定的模糊逻辑控制器，从而不需要求李亚普诺夫方程的公共解，拓宽了该方法的适用范围。 此外，由于传统的RBF神经网络的基函数通常选用常规高斯函数，因此在学习中易受到对称性限制。针对这一问题，文中提出了一种全自适应的不对称高斯基函数网络(AGBFN)结构，网络的基函数采用具有不对称宽度的伪高斯函数，和常规的高斯函数相比，具有更大的可变性和延展性，从而使得隐层神经元在函数近似上具有更高的适应性，提高了神经网络的学习能力。 最后将文中所提出的方法成功地应用于歼击机飞行控制系统的数字仿真实验，仿真结果表明了本文方法的有效性。
刘小雄[2]2006年在《飞行控制系统故障隔离与自适应重构技术研究》文中认为飞行控制系统的高可靠性是飞行安全的重要保证。当飞机出现故障或者遭到意外损伤时，飞行控制系统如果能够依据故障特性和损伤特性迅速改变控制策略，通过控制系统的重构实现飞机最低安全性要求，这对于保证飞机飞行任务的继续执行或者安全返航具有重要的意义。所以未来先进飞机的飞行控制系统应该具备自主决策与控制功能以及自适应容错能力，以满足高可靠性的要求。飞行控制系统故障隔离和自适应重构技术的研究对提高飞行控制系统安全性、可靠性和容错能力提供了强有力的保证。 本文以模型跟随自适应控制理论为基础，将新型意义下具有自学习、自组织和自决策能力的自适应机制与智能控制、现代控制以及容错控制理论相结合，根据现代先进飞机飞行控制系统的特点和安全性要求，通过对飞行控制系统传感器和作动器故障隔离与自适应重构技术的研究，建立了比较完善的自适应容错飞行控制系统体系结构，为先进飞机容错飞行控制系统的研究奠定了基础。全文从自适应思想出发，针对飞行控制系统故障的类型和特点，选用相应的自适应机制完成系统故障隔离与自适应重构设计，使得研究的内容形成一个完整的体系结构。 本文的主要工作和研究成果如下： 1．针对飞行控制系统闭环反馈与实时控制的特点，采用多模型自适应的思想，提出一种基于鲁棒自适应观测器的传感器故障隔离与自适应重构策略。为了使得闭环输出信号解耦，设计了多个鲁棒自适应观测器用于传感器的状态估计，并且对生成的残差进行序贯概率比检验。应用多个观测器的信息进行故障的定位和信号重构。由于设计的鲁棒观测器可有效的抑制噪声和模型不确定性，所以不会出现故障误报和漏报。仿真结果表明所提方法的有效性。 2．研究了基于径向基神经网络观测器的飞控系统传感器故障隔离与自适应重构方法，提出了一种基于混合共轭梯度优化算法的径向基神经网络。考虑到飞控系统非线性因素和随机干扰的影响，建立了神经网络观测器模型，根据飞行控制系统实时、闭环控制的特点，基于多模型自适应的思想，设计多个神经网络观
杜贞斌[3]2006年在《复杂非线性系统的稳定性和自适应重构控制》文中研究表明本文以复杂非线性系统为研究对象,采用模糊自适应技术讨论了复杂非线性系统的稳定性问题和重构控制问题。文中将模糊T-S模型和自适应模糊逻辑系统有机结合,提出了一套比较实用的基于观测器的复杂非线性系统的模糊自适应控制方案;同时,将模糊自适应技术、鲁棒控制技术和微分几何反馈线性化理论结合起来,提出了一种复杂非线性系统的自适应模糊跟踪控制方案;最后,针对复杂非线性系统,给出了一种模糊重构控制方案。首先,讨论了一类基于观测器的非线性系统的模糊自适应控制问题。采用模糊T-S模型和模糊观测器对非线性系统建模,引入自适应模糊逻辑系统补偿器用来消除建模误差对系统稳定性的影响。对于H∞控制问题,控制方案使系统快速稳定;对于跟踪控制问题,控制方案使系统输出快速跟踪期望信号。进一步,为了克服现有的基于模糊T-S模型控制方案的不足,文中针对具有不确定性和多重时延的复杂非线性系统,综合了模糊T-S模型和自适应时延模糊逻辑系统,提出了一种模糊自适应控制方法。采用模糊T-S模型对非线性系统建模;基于线性矩阵不等式技术设计模糊控制器使模糊系统稳定。然后,设计基于自适应时延模糊逻辑系统的补偿器来消除建模误差和不确定性对系统稳定性的影响。文中分别研究了系统状态可量测和不可量测的情形,解决了当系统的建模误差和不确定性不满足匹配条件或约束条件的非线性系统的H∞控制问题和跟踪控制问题。其次,针对多输入多输出非线性系统,文中将自适应模糊控制和自适应模糊辨识结合起来,提出了一种改进的自适应模糊跟踪控制方案。设计辨识器用来辨识非线性系统的未知部分。自适应算法中,不但跟踪误差而且辨识误差都参与模糊逻辑系统中的参数调节。该方法能快速的实现跟踪目的。同时,为了弥补模糊自适应技术研究多输入多输出多重时延非线性系统的不足,文中构建了一种自适应时延模糊逻辑系统来逼近时延函数并对非线性系统建模,提出了一种非线性多重时延系统的跟踪控制方案。克服了要对时延部分做假设的不足。最后,针对不确定非线性系统,提出了一种模糊重构控制方案。控制方案成功的应用于歼击机飞行控制系统中,仿真结果表明了方法的有效性。
刘春生[4]2006年在《复杂非线性系统的智能故障诊断与容错控制》文中提出论文针对具有多变量、时滞、不确定性或模型未知的复杂非线性系统,将状态观测器理论、鲁棒控制控制理论、自适应控制理论与先进的智能技术包括神经网络和Takagi-Sugeno(T-S)模糊模型有机结合,研究了系统状态不可测时的故障诊断和主动容错控制。首先,给出了非线性系统能观的有关概念,针对部分模型已知的非线性系统,当系统相对阶为n(n为系统的阶数)时,提出了一种观测器设计方案,利用非线性变换,将含有建模误差的非线性系统变换为仅依赖原系统的输入、输出的规范形式,从而可利用可测数据构造观测器。当系统的相对阶小于n但为最小相位系统时,用RBF神经网络逼近系统的不确定性,解决了具有不确定性非线性系统的观测器设计问题。在解决了状态观测器设计问题之后,针对一类含有部分模型已知的非线性系统,利用非线性变换的方法研究状态不可测时的故障诊断问题。RBF神经网络作为故障估计器,其输入为系统的估计状态,输出为估计的故障,既可用作构造容错控制律也可用作报警。针对一类模型未知非线性系统,提出了基于自适应神经网络的故障诊断策略,用一个RBF神经网络构造状态估计器,用另一个权值和中心可以在线调整的RBF神经网络构造故障估计器,解决了模型未知且系统状态不可测时的故障诊断问题。本文与常规的应用LMI(Linear Matrix Inequality)研究时滞系统的方法不同,针对一类状态不可测且模型未知的非线性时滞系统,提出了基于神经网络的故障诊断新方法。直接估计系统的状态及时滞状态,然后作为神经网络的输入对故障进行估计,并对系统的稳定性进行了论证。仿真结果表明该方法简单有效。非仿射非线性系统的研究比一般的仿射非线性系统更复杂。针对一类非仿射非线性系统,研究了基于状态观测器的鲁棒自适应H_∞跟踪控制问题。RBF神经网络用来在线抵消非线性模型误差,高增益观测器用来估计不能直接测量的输出导数。在系统没有扰动时,确保跟踪误差渐近趋于零且系统的所有信号有界;当扰动存在时,能取得预期的H_∞跟踪性能。由于磁悬浮系统的非线性模型为非仿射非线性系统,本文方法针对磁悬浮系统进行了大量的仿真研究。在一般的T-S模糊模型的控制方法中,为了保证控制效果,对被控对象局部模型的要求精确已知,这个条件对于复杂的系统难以满足。文中利用T-S模糊模型与自适应控制相结合,降低对系统模型的精度要求。针对一类发生执行器故障的非线性系统,提出了基于T-S模糊模型和模型参考自适应控制结合的容错控制设计方案。在系统发生故障时,系统能够重构控制律以抵消故障对系统的影响,维持系统的稳定性以及期望的跟踪性能。在涉及到执行器卡死的主动容错控制时,如何确定卡死的程度以及如何利用故障信息重构控制律是一个重要的问题。文中针对执行器失效的一类非线性系统,提出基于迭代学习观测器的模糊容错控制律,利用T-S模糊模型对非线性系统进行建模和控制。一旦系统发生故障,迭代学习观测器在估计系统状态的同时估计执行器的卡死值,然后利用估计的状态和故障信息构成反馈模糊控制律进行调节,以实现故障系统对参考系统的状态跟踪。文中通过飞机和磁悬浮等系统的一系列数字仿真验证了本文方法的有效性。
肖淬艺[5]2007年在《基于T-S模糊模型的自适应重构控制》文中指出本文在设计控制器时引入基于T-S模糊模型的神经网络自适应控制器,使得系统在故障情况下能够在线对消不确定项和模糊建模误差的影响,保证系统具有期望的鲁棒跟踪性能,克服了单纯用线性控制系统理论来控制复杂非线性系统鲁棒性能较差的问题。本文首先介绍自修复重构控制的基本状况和发展概况,并论述了当前的研究领域中存在的问题及发展的前景。其次,介绍了模糊系统、T-S模糊模型、故障诊断、自修复控制及神经网络的基本知识和基本理论,并在传统的重构控制的基础上,针对系统在建模时产生的误差、外界干扰及操作故障等因素对系统产生的影响,应用一种基于T-S模糊模型的自适应重构控制方案,使整个方案基于模糊T-S模型,再结合神经网络的学习能力,使得系统在故障的情况下能自动调整它的隶属度函数,为所设计的模糊控制器增加了相当的灵活性。可重构的控制律又使系统在故障情况下的输出能精确跟踪期望参考模型的输出,有效地补偿故障引起的非线性因素的影响,达到自修复的目的。最后,应用基于T-S模糊模型的自适应重构控制方案,对复杂的非线性系统进行自修复控制,经过仿真表明了本文采用的自修复控制方案的有效性。
贾梓筠[6]2017年在《基于操作性条件反射的神经网络自适应控制》文中认为随着控制对象及其目标、任务和所处环境的复杂性提高,基于系统模型与规则的传统控制方法愈发难以满足其对于系统控制品质的要求。研究针对复杂非线性系统的新一代智能控制方法,对加强系统的自学习和自适应能力以及确保系统平稳安全运行具有理论价值和实际指导意义。本论文旨在研究具有高性能、低成本、易于集成等特点的智能控制方法,致力于解决理论在工程化过程中遇到的问题,特别是因实际系统模型的严重非线性、结构漂移、不确定外界扰动、机械结构磨损、核心部件(执行器,传感器)功能失效、子系统故障所导致的控制性能恶化问题。为实现这一目标,论文首次提出将神经科学中的客观规律与神经网络控制理论相结合,设计更为贴近脑神经系统特征的自适应控制器。在优化神经网络的组织结构的同时,使其能够在非线性系统控制中发挥出更好的自学习与自适应能力,从而提高系统的整体控制性能,如控制精度、收敛速度、运算效率、抗干扰性和运行平稳性等。鉴于此,论文的研究围绕以下内容展开。1、从操作性条件反射学习原理出发,提出一种面向智能系统的奖赏机制和具有神经自适应单元的操作性条件反射仿生模型(OCBM)。该模型具有自动调节权值、神经元子网络数量和基函数结构参数的能力。针对一类未知高阶非仿射系统,设计基于OCBM的仿生控制器,并利用OCBM网络对系统中的混合未知不确定项进行学习。以李雅普诺夫稳定性分析为基础,所得出的控制策略可以确保闭环系统的最终一致收敛。通过仿真对比研究,进一步验证了 OCBM控制方法能够应对系统模型未知、结构漂移和不确定外界干扰等情况,并且在收敛速度、控制精度和运算效率方面优于一些传统方法。2、结合局部权值学习框架,对OCBM网络进行系统地改良。提出负责引导神经元簇自动添加过程的有限神经元自增长(FNSG)策略,形成了神经元可按需生长的自调节神经网络结构雏形。另一改进在于受限李雅普诺夫函数(BLF)的使用,确保了神经网络训练输入能够始终满足紧集先决条件,避免了切换控制中信号的不连续问题。同时,通过设计光滑饱和函数、连续权值更新律以及高斯权重函数,控制器信号在除神经元簇生成的瞬时时刻外具有光滑连续性。相比元数固定和自组织控制方法,仿真结果表明,基于FNSG策略的控制器可以有效抑制冗余神经元的生成,节省系统运行资源。3、基于对脑神经系统的结构和调节机制的发现,构建一种具有时变理想权值、多元化基函数、神经元可自动增减特征的多内涵自调节神经网络(MSAE-NN)。针对一类模型不连续的高阶非仿射系统,提出基于MSAE-NN的控制方法。结合鲁棒自适应和BLF的设计方法,集中解决了因无法满足万能逼近定理而导致的神经网络功能失效问题。此外,将FNSG策略拓展为神经元可自动增加或减少的方案,并引入了神经元平滑增减操作函数,使控制信号在神经元新增和被剔除时仍具有平滑性,从而提升系统的整体控制品质。4、以多自由度机器人系统为研究对象,将MSAE-NN拓展应用到多输入多输出的非仿射系统中。结合关节空间和笛卡尔空间的具体任务,设计基于MSAE-NN的神经自适应控制方法,用于应对不确定跳变扰动和执行器完全失效的情形。通过采用MSAE-NN模型,所提方法可以避免对基函数参数的估计和人工调参过程。同时,基于BLF制定的控制策略确保了 MSAE-NN在系统运行期间的有效性。值得一提的,所提控制器不仅不依赖模型本身的参数信息,还具有结构简单,经济实用和易于开发的特点。
陈谋[7]2004年在《不确定非线性综合火力/飞行/推进系统鲁棒控制方法研究》文中指出为了争夺21世纪的制空权，西方发达国家和俄罗斯竞相发展最先进的新一代歼击机及其综合火力／飞行／推进系统。而新一代歼击机的综合火力／飞行／推进系统是其能够安全、有效地完成复杂战术／战略使命的基本前提，同时新一代歼击机的综合火力／飞行／推进系统是一个复杂的、具有不确定性的、多变量非线性大系统，因此它的设计与控制问题是现代控制领域所面临的一大挑战。 本文主要研究多输入多输出不确定非线性系统的鲁棒控制方法并应用于解决新一代歼击机的综合火力／飞行／推进系统的关键控制问题。以研究新一代歼击机的鲁棒飞行控制系统为前提，进一步研究其综合火力／飞行控制系统、综合飞行／推进控制系统以及综合火力／飞行／推进控制系统的鲁棒控制问题。 首先，对新一代歼击机超机动飞行的非线性模型的开环特性、分叉特性及机动能力进行分析，并以此模型为基础，采用基于时标分离原则的动态逆控制方法设计了新一代歼击机的飞行控制系统。为了消除由于模型不精确和飞行故障等所引起的求逆误差，设计自适应在线神经网络用于补偿非线性动态逆误差，根据神经网络权值的在线调整来提高系统的动态性能。考虑到作动器动态特性对动态逆飞行控制系统的不利影响，采用伪控制补偿方法改善存在作动器饱和时系统的跟随性能，并证明了整个闭环系统的稳定性。同时为了克服神经网络的硬件实现困难以及其自适应算法的复杂性，提出并设计了基于干扰观测器的鲁棒飞行控制系统。将飞行控制系统的不确定性和所受的外部干扰采用干扰观测器来进行逼近，然后用干扰观测器的输出来补偿动态逆控制方法中的求逆误差，以提高动态逆飞行控制系统的鲁棒性能。 其次，本文提出了基于小波神经网络的一类多输入多输出不确定非线性系统鲁棒自适应H_∞控制方法并用于解决歼击机模型不完全已知时的鲁棒自适应H_∞飞行控制系统的设计。但此方法需要大量的神经网络训练数据，运算速度受到限制。为了克服这些缺点，将飞行控制系统的不确定性看作系统所受的干扰，应用小波神经网络干扰观测器进行逼近，并基于干扰观测器的输出提出了一类多输入多输出不确定非线性系统的鲁棒自适应H_∞控制方法并应用于鲁棒自适应H_∞飞行控制系统设计以提高飞行控制系统的性能鲁棒；为了进一步提高系统的性能鲁棒，针对一类多输入多输出不确定非线性系统基于小波神经网络干扰观测器设计一种模型预测控制律并应用于鲁棒自适应H_∞飞行控制系统设计。相对于动态逆来说，所提出的叁种鲁棒飞行控制方案不仅使飞行控制系统具有稳定鲁棒性而且还具有性能鲁棒性，同时系统的性能更加容易分析。不确定非线性综合火力/飞行/推进系统鲁棒控制方法研究 随后，在所设计的鲁棒飞行控制系统基础上，研究了综合火力/飞行控制系统的原理与结构设计。基于遗传算法和变隶属度模糊控制方法设计了智能火力/飞行祸合器来提高综合火力/飞行控制系统的动态性能。同时基于不确定非线性系统的几增益理论和H:/Hao混合控制理论研究了空一空导弹的H’鲁棒制导律的设计，以减小空一空导弹制导律对目标机动的敏感性。与传统的比例制导律相比，所设计的H’鲁棒制导律效果更好，鲁棒性更强。 接着，对新一代歼击机的综合飞行/推进控制系统进行研究。为了避免发动机非线J性部件级模型的复杂性和发动机自身的不确定性、强非线性等带来的建模困难，提出了基于模糊神经网络的发动机辨识技术，并基于辨识模型和神经网络设计了发动机鲁棒滑模自适应控制系统。基于神经网络设计了新一代歼击机的智能飞行/推进祸合器，并按大系统分散控制思想设计了新一代歼击机的综合飞行/推进控制系统，同时在该综合控制系统作用下进行了眼镜蛇机动和赫布斯特机动仿真研究。 最后，提出并研究了基于神经网络的一类不确定非线性大系统的分散滑模自适应控制方法，并应用于新一代歼击机的鲁棒飞行控制系统设计。同时基于大系统分散控制理论对新一代歼击机的综合火力/飞行/推进控制系统进行了设计和仿真。基于Direet3D编程技术设计了空战叁维动画仿真平台，在VC环境下实现了新一代歼击机的眼镜蛇机动、赫布斯特机动与钟型机动的叁维动画显示。通过逼真的视觉效果生动地验证了所设计的综合火力/飞行/推进控制系统能使新一代歼击机快速响应火力/飞行藕合器的指令，使瞄准偏差很快衰减到允许范围内，对目标实施攻击。
参考文献：
[1]. 复杂非线性系统的智能自适应重构控制[D]. 刘亚. 南京航空航天大学. 2003
[2]. 飞行控制系统故障隔离与自适应重构技术研究[D]. 刘小雄. 西北工业大学. 2006
[3]. 复杂非线性系统的稳定性和自适应重构控制[D]. 杜贞斌. 南京航空航天大学. 2006
[4]. 复杂非线性系统的智能故障诊断与容错控制[D]. 刘春生. 南京航空航天大学. 2006
[5]. 基于T-S模糊模型的自适应重构控制[D]. 肖淬艺. 江苏大学. 2007
[6]. 基于操作性条件反射的神经网络自适应控制[D]. 贾梓筠. 北京交通大学. 2017
[7]. 不确定非线性综合火力/飞行/推进系统鲁棒控制方法研究[D]. 陈谋. 南京航空航天大学. 2004
标签：自动化技术论文; 自适应论文; 线性系统论文; 模糊神经网络论文; 自适应控制论文; 非线性论文; 重构论文; 模糊理论论文; 模糊算法论文; 人工智能论文; 歼击机论文;