陈晓雷[1]2007年在《神经网络自适应控制器仿真研究》文中指出工业生产过程往往具有非线性、不确定性，难以建立精确的数学模型，应用常规的PID控制器难以达到理想的控制效果。作为智能控制的重要分支，人工神经网络具有良好的非线性映射能力和高度的并行信息处理能力，已成为非线性系统建模、辨识和控制中极具魅力的理论和方法。本文在查阅大量国内外文献的基础上，研究了神经网络辨识的模型，基于单神经元PID自适应控制器，基于BP神经网络的PID自适应控制器以及神经网络自适应控制器。针对PID控制的不足，研究了神经网络与自适应控制的结合，以探讨收敛速度快、辨识精度高、实时性能好的神经网络控制方法。主要以研究各种算法的模型、实现及性能为基础，具体的内容如下：(1)以神经网络逆模型的原理、结构与算法的研究为基础，针对一类状态不可直接测量的非线性时变系统，给出了一种基于BP神经网络逆模型的状态观测器，可以对系统的状态进行实时观测，理论分析和仿真结果表明，这种状态观测器可以很好地观测系统的状态。(2)单神经元自适应控制有几个问题值得研究：①权系数初值的选择问题。权系数的初值对控制性能的好坏有很大影响②权系数的限幅问题。当权系数饱和时，系统将失去应有的学习能力。③神经元控制系统的上升时间比较长，受到扰动以后动态恢复过程较长。针对上述缺陷给出两种改进方法：第一利用遗传算法来优化单神经元的权值从而实现对系统的控制。结果表明该方法能够很快地搜索到一组较优的权系数，消除了初值对控制性能的影响，加快系统收敛速度，具有较好的动态性能和鲁棒性；第二基于CMAC的单神经元复合自适应PID控制器，使CMAC网络的学习过程包括整个系统控制过程，仿真结果表明该方法具有自适应能力强、实时性好、抗干扰能力强等优点。(3)分析了基于BP网络的自适应PID控制的模型、算法及特点。将神经网络用于控制器的设计或直接学习计算控制器的输出，一般都要用到系统的预测输出值或其变化量来计算加权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常做法是建立被控对象的预测数学模型。所以为了提高控制效果，需要建立合理的模型来计算预测输出。本文利用最小二乘法和神经网络建立被控对象的预测数学模型，用该模型所计算的预测输出取代预测输出的实测值，对基于BP网络的自适应PID控制器的权值调整算法进行改进。仿真结果表明算法的有效性。(4)针对一类未知、不确定、时变的SISO离散非线性系统，利用神经网络对被控对象的正向模型辨识，将神经网络的输出作为被控对象输出的预报，在此基础上设计出控制律，构成神经自校正控制方案。仿真结果表明控制算法的有效性。(5)利用神经网络逆模型辨识的思想，提出一种神经网络模型参考自适应控制器设计方案，并给出设计步骤与算法，它适用于任意非线性系统，更接近于工程实际。理论分析和仿真结果证明了该方案的合理性和有效性。
程鹏飞[2]2015年在《非线性自适应高可靠容错飞行控制方法研究》文中进行了进一步梳理传统飞行控制算法是在预先所知并足够精准的飞机动力学模型下进行设计。但当飞机在飞行中突然遭遇舵面不对称满偏卡死甚至因外界突发事件造成单侧机翼严重损伤时,飞行动力学方程在短时间内会突然改变,纵侧向运动发生强烈耦合,一侧机动能力大大降低,传统算法很难控制。针对上述问题,并在无硬/软件余度飞控系统、无主动诊断、以及事故前后每个轴向均等效只有一片舵面可控(不能控制分配)的前提下实现高可靠被动容错控制,本文研究了侧滑飞行鲁棒模型参考自适应姿态控制算法以及神经网络自适应鲁棒非线性模型逆姿态控制算法,解决了卡死/损伤后快速被动地稳定飞行姿态的问题;进一步通过研究航线飞行制导律以及综合自适应制导与控制算法,解决了快速稳定后保证性能的航线飞行问题;最后通过仿真/试飞验证了算法高可靠地进行被动容错控制的有效性与可行性。整个论文主要工作与研究所得成果如下:1.针对单侧副翼满偏卡死和单侧机翼严重损伤后姿态瞬间变坏问题,提出了级联式侧滑飞行鲁棒模型参考自适应飞行控制方法。通过侧滑角PI控制、输出反馈的参考模型通用配置方法以及侧向姿态自适应控制实现了相对阶n~﹡=1和n~﹡≥2侧向姿态传递函数存在参数不确定性、外界扰动和未建模动态下的姿态误差有界稳定,并在此基础上实现了出侧滑快速稳定飞机的策略。进一步提出e-σ-modification混合自适应律,通过合理的自适应律增益选取方法进一步缩小了传统e-modification自适应律下侧向姿态最终误差界限,提高了飞行性能。2.针对上述卡死,尤其是突然损伤后存在较大非线性姿态方程建模误差而导致的姿态瞬间失控问题,基于严格的有界稳定证明,首先研究了同时能够鲁棒外扰的单隐层神经网络(SHL NN)自适应鲁棒非线性模型逆叁轴姿态控制算法,并设计了配置闭环系统暂态指标的PD参数计算方法;其次在损伤下针对未建模舵动态带来的不确定性,设计了动态非线性阻尼信号扩展后的伪控制律;最后进一步针对舵面偏转权限限制问题(静态舵偏位置饱和动态舵速率限制),提出了基于伪控制量限定信号和动态非线性阻尼信号的综合模型参考神经网络自适应非线性模型逆飞行控制算法。这叁个阶段最终解决了上述卡死/损伤并有外扰和未建模舵动态下适应性地快速恢复姿态稳定和暂态性能问题,以及在此调节中舵偏过饱和而造成的不可控状态的问题。3.针对上述卡死/损伤飞机继续在能力不足时进行航线绕飞问题,研究了基于线加速度指令的航线跟踪制导律和SHL神经网络自适应鲁棒模型逆制导律,设计出便于内环姿态控制算法接入的制导律形式。前一种制导律提出利用高度偏差和航线侧偏距计算线加速度指令进而反解姿态控制指令的方法,解决了飞机在机动能力不足时的航路点制导问题;后一种将线加速度方程、自适应模型逆算法、伪控制量限定信号以及参考模型相结合,不仅实现了卡死/损伤前后通过直接指定航路点位置信息来跟踪参考航线的制导功能,而且实现了依据能力不足情况自适应修改航迹指令的功能。进一步将制导算法与自适应姿态控制算法结合,提出了叁种航线绕飞综合自适应制导与控制算法系统,解决了卡死/损伤前后被动容错的航迹与姿态整体控制功能。4.针对左侧副翼突然向上满偏卡死故障的控制问题,首先在存有姿态扰动和未建模副翼/方向舵动态下仿真了e-σ-modification混合自适应律的级联式鲁棒自适应侧滑飞行姿态控制算法,验证了故障后鲁棒地快速稳定姿态的能力和进一步缩小姿态稳态误差的能力;其次在航线绕飞仿真场景下,继续针对上述卡死情况仿真了叁种综合自适应制导与控制算法系统并分析性能和优缺点,验证了算法系统高可靠被动容错地控制能力不足飞机快速稳定和航线续飞的有效性和可行性。5.针对单侧机翼损伤飞机在飞行动力学特性上发生较大变化的问题,研究了其几何特性、质量特性、气动特性,分析了损伤导致的新增特性并总结了其在损伤下的变化规律;在建立并分析损伤飞机非线性运动方程后提出多维牛顿迭代法,解决了全局性迭代求解机翼不对称损伤飞机配平点的问题;在此基础上对其特有的特征根分布、运动模态、时域操稳特性以及频域特性进行了分析,揭示了不同程度损伤对上述飞行动力学特性的影响规律,为设计高可靠容损控制算法提供了相关基础。6.针对左翼40%面积矩突然损伤导致瞬间失控的问题,首先在存有叁轴姿态扰动和未建模舵动态下仿真了神经网络自适应鲁棒非线性模型逆控制算法,验证了其被动快速补偿非线性模型误差并保证性能地稳定控制姿态的能力。其次进一步在并存外界姿态扰动、舵偏静态饱和限制、未建模舵动态的情况下对叁种综合自适应制导与控制算法完成损伤前后航线绕飞的功能进行了仿真,分析了算法结构与参数如何影响绕飞性能,验证了算法系统高可靠被动容损地控制能力大幅降低飞机快速稳定、航线续飞的有效性和可行性。最后通过外场试飞,验证了适当修改后的第一种算法系统控制未损伤飞机航线跟踪、定高/定向飞,以及控制单侧机翼40%面积矩突然损伤后飞机快速稳定、定高/定向飞、航点跟踪、航线绕飞的能力。
郑春燕[3]2004年在《基于模糊神经网络的自适应控制在pH中和过程控制中的应用》文中指出中和过程是一个典型的非线性、纯时延过程，用常规的线性控制方法不可能对其进行有效控制。在对中和过程自动控制算法的探索中，采用了非线性增益补偿控制和前馈控制，由于中和控制过程的反应过程变化复杂，模型难以确定，因此基于模型的前馈控制无法对pH值和流量值的波动进行有效的补偿。常规PID控制算法也无法对反应的变化过程做快速的、精确的反应，在控制过程中很容易引起振荡现象，很难对系统实现最优控制。 对此，本文提出了用一种基于模糊神经网络MRAC控制方案来实现中和过程的优化控制。模糊神经网络是用神经元网络来构造模糊系统，其即具有模糊系统善于表达人的经验性知识，又具有神经元网络的根据输入输出样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能的特性。基于模糊神经网络的自适应控制方案可以在线学习和调整规则参数及隶属函数参数，其控制规则表是根据现场实际控制数据并通过计算得出的，再将之应用于现场的控制中，具有很高的适应性，并保证闭环控制系统的稳定性，有高度鲁棒性，适用于非线性、时变、时滞系统的控制。因此，模糊神经网络控制的应用能很好的克服这种缺陷，适合于中和过程的非线性变化过程。 本文的研究工作主要包括以下内容： (1)综述了智能控制的研究发展，介绍了模糊控制技术和神经网络控制技术的各自优缺点，以及神经网络控制器的典型结构和几种常用的神经网络，自适应控制的特点及其应用。 (2)分析了中和过程控制的非线性时延特性和控制难度。介绍在实际应用中一般采用的控制方法：非线性增益补偿PID控制和前馈控制及其控制的效果，分析了存在的问题和困难。 (3)根据模糊系统和神经网络的优缺点，提出了用神经网络来构造模糊系统，一个基于模糊神经网络控制算法。设计了模糊神经网络控制器，以及把基于模糊神经网络的自适应控制应用到中和过程，建模并仿真。 (4)提出了基于PLC的pH中和过程自动控制系统，并把基于模糊神经网络自适应控制算法应用到某电化厂的pH中和过程自动控制系统中，最后分析了基于模糊神经网络自适应控制算法在中和过程的应用结果，以及PLC在pH中和自摘要动控制系统中的应用结果。本文最后对全文所做的工作进行了总结，并提出了今后进一步研究所需要做的工作。
王瑞明[4]2005年在《交流伺服驱动系统新型控制策略研究》文中研究说明交流伺服技术的应用越来越广,人们对其要求也越来越高。由于交流伺服系统本质上具有非线性、多变量、参数时变的性质,因此要实现高品质的控制,对控制策略就提出了很高的要求。针对传统控制方法对交流电动机数学模型依赖性强的缺点,本文结合模糊逻辑、神经网络、滑模变结构控制以及反馈线性化控制设计了几种控制器。 首先对交流电动机伺服驱动系统进行了建模,在研究交流电动机物理方程、转矩方程的基础上建立了交流伺服驱动系统的数学模型,然后研究其控制的各种控制算法。 基于反步递推算法的径向基函数神经网络自适应控制器是以径向基函数神经网络控制器代替利用反步递推算法设计的反馈线性化控制律。径向基函数神经网络控制器的学习法则、控制器以及不确定项的边界值的自适应估计律均通过李亚普诺夫稳定性理论推导得出。控制系统不仅满足了渐近稳定的条件,而且对于系统不确定项具有相当好的鲁棒性。 自适应滑模变结构控制器是以李亚普诺夫稳定性理论为基础,结合滑模控制技术和自适应控制律来实现稳定控制的目的。其中的自适应律用来估计受控系统所受未知扰动量的大小,避免了在设计传统滑模变结构控制器时必须要求知道扰动量大小的限制。并且利用遗传算法在线优化理想的切换参数和自适应律的自适应参数,从而降低了电流命令的抖振现象,保证了原来系统的稳定性。 基于神经网络的模糊控制器,利用神经网络调整模糊控制器内部参数,使得模糊控制器能够自适应调整隶属函数,达到智能控制的目的。基于遗传算法优化的模糊神经网络控制器,是利用遗传算法在线调整模糊神经网络的学习速率和隶属函数层与规划层之间的连接权值。设计的控制器不仅具有良好的跟踪性能,且具有较强的鲁棒性,改善了交流伺服驱动系统的响应性能。
张元涛[5]2011年在《不确定非线性系统的自适应滑模控制及应用研究》文中研究说明在实际工程中,被控对象往往具有非线性和不确定性,研究不确定非线性系统的控制问题具有重要的理论意义和现实需要。滑模控制以其独特的鲁棒性及对匹配不确定性和外部干扰的完全自适应性等特点,使其在解决不确定非线性系统的控制问题上显示出了巨大的生命力。然而,阻碍滑模控制理论在实际工程中应用的是滑模控制器带来的抖振、切换增益过大、依赖数学模型、要求不确定项满足匹配条件以及需要确知不确定项的界等一系列问题。自适应控制也是解决不确定非线性系统控制的一个常用方法,它可使控制系统对未建模动态、过程参数摄动、外界干扰等特性不敏感,且无需不确定项满足匹配条件和确知不确定项的界,当系统在对象结构参数和初始条件发生变化或目标函数的极值点发生漂移时,能够自动的维持在最优工作状态。但单纯自适应控制的设计方法通常较为复杂,且在系统存在非参数不确定性时鲁棒性受模型误差影响较大,通常与其它鲁棒控制方法相结合。因此,本文结合自适应控制和滑模控制的优点,将自适应控制引入到滑模控制中,系统地研究不确定非线性系统的自适应滑模控制方法及其相关理论,进一步扩展了滑模控制的应用范围,丰富了不确定非线性控制的研究内容。最后,本文将设计的算法应用在船舶减摇鳍不确定非线性系统中,仿真结果表明减摇性能良好,给船舶减摇鳍控制工程师提供了一些思路。本文的研究内容主要集中在以下几个方面:①综述了经典自适应、反演自适应及智能自适应与滑模控制相结合在不确定非线性系统中的研究现状,介绍了非线性系统分析和设计的相关理论基础,包括微分几何理论、反馈线性化方法及Lyapunov稳定性理论等数学工具。②针对一类匹配不确定仿射非线性系统,在介绍常规滑模控制方法的基础上,提出了一种基于切换增益和边界层厚度的参数自适应滑模控制策略。该方法用双极性Sigmoid函数代替符号函数,实现了切换增益和边界层厚度的自适应调整,削弱了输入抖振现象且保证了较高的跟踪精度,无需确知不确定项的界。③针对一类参数半严格反馈形式非匹配不确定非线性系统,结合反演自适应和滑模控制方法,提出了一种适用于输出跟踪的反演自适应滑模控制器。该控制方法的特点是允许系统同时存在非匹配和匹配的参数不确定性及非参数不确定性,匹配非参数不确定性中还考虑了输入系数不确定性,鲁棒性强,通过设计增益参数还可调节滑模面到达时间并进一步削弱抖振。④针对一类非匹配参数可观测最小相位不确定仿射非线性系统,采用动态输入输出线性化的方法,结合反演自适应和滑模控制,提出了一种动态反演自适应滑模控制器,该方法的特点是无需将不确定非线性系统变换为参数严格反馈或纯反馈形式。⑤针对一类模型未知不确定非线性系统,利用RBF神经网络来对系统不确定动态进行逼近,设计了权值的自适应律,用滑模控制来保证系统的鲁棒性,设计了一种基本的RBF神经网络自适应滑模控制器。该控制器的特点是能保证在逼近误差较小时,即合适的初始权值下,系统能较好地跟着期望轨迹,有一定的鲁棒性,然而当逼近误差较大时,即不合适的初始权值下,则无法保证系统状态有界性和渐进稳定性。根据该控制器存在的缺点,提出了一种改进的带监督控制器的RBF神经网络自适应滑模控制器。该控制器的特点是在逼近误差较大时,通过监督控制的补偿作用,使系统仍能保持良好的控制性能,确保了系统状态有界性和渐进稳定性,同时通过基于投影算法的自适应律的修改,保证了权值的有界性。⑥针对船舶减摇鳍不确定非线性系统,在介绍船舶横摇运动数学模型的基础上,考虑随机海浪的影响,建立了基于谱分析的二维不规则长峰波Longuet-Higgins模型,并进行了海浪模型的仿真。最后将第叁章设计的参数自适应滑模控制和第五章设计的改进的RBF神经网络自适应滑模控制应用在减摇鳍控制器设计中,通过在不同高海情下的仿真结果表明,两种算法均具有优良的减摇性能,响应速度快,控制精度高,并且鲁棒性强。
于秀萍[6]2004年在《基于动态逆系统和神经网络理论的BTT导弹控制系统研究》文中研究说明为提高导弹作战的机动性,许多国家都在潜心研究各种新的导弹控制技术。倾斜转弯(Bank-to-Turn,简称BTT)控制技术是当今世界导弹控制领域内的一项先进的控制技术,对发展远程、高速、高精度与高机动的导弹系统具有重大的理论意义和工程应用价值。BTT控制技术的控制特点决定了BTT导弹成为一个强耦合的非线性时变系统,这为其控制系统设计增大了难度。传统的叁通道独立设计的方法已不再适用,因此,寻找一种有效的设计方法用于BTT导弹控制系统设计,成为从事导弹控制领域研究者共同关注的热点。随着非线性理论和人工智能技术的发展,动态逆系统和神经网络理论等成为不确定非线性控制系统强有力的分析和设计工具。 本文从理论和工程应用两方面,对动态逆系统和神经网络控制理论在BTT导弹控制系统中的应用进行了深入研究。主要完成工作有: 建立BTT导弹控制模型,揭示BTT导弹控制系统的特点;针对具有强耦合的非线性时变的BTT导弹控制系统的设计问题,深入研究了一种解决非线性系统控制问题的有效方法——动态逆系统方法。针对动态逆系统方法不能直接应用到非最小相位系统的问题,探索解决其方法,文中给出两种解决方案:1) 按时间将系统的动力学分解为慢变和快变运动;2) 对系统的输出重定义。从而,设计动态逆控制器。 针对导弹数学模型存在不确定性,而非线性动态逆系统方法要求精确数学模型的不足,本文将动态逆系统方法和神经网络自适应控制方法结合起来进行了深入研究,设计鲁棒动态逆控制器;为了提高神经网络训练算法速度,以适应导弹的实时控制,对反向传播(BP)神经网络训练算法及改进算法进行了研究。 为对BTT导弹控制系统的性能指标进行评价及全面检验设计的控制器在控制导弹飞行中导弹控制系统跟踪导引指令的性能和鲁棒性能等,建立了BTT导弹非线性时变控制系统数学仿真模型,进行了仿真研究。
赵俊[7]2008年在《基于若干智能方法的先进控制系统综合设计研究》文中进行了进一步梳理现实事物中绝大多数对象都是包含噪声干扰的非线性系统,基于经典控制理论、现代控制理论的传统控制方法往往是针对线性系统设计的,对包含噪声干扰的强非线性、复杂时变系统的应用具有较大的限制。随着人工智能技术的不断发展,以模糊系统、神经网络为代表的智能产物显示出对复杂非线性系统强大的处理能力,一系列基于智能控制理论及方法的控制系统被不断提出和改进,在对复杂对象的控制问题上取得了重大的突破和丰硕的成果。然而,由于各种智能产物的基础理论发展仍不成熟,在应用各种智能控制方法时存在许多值得改进的地方。本论文拟针对基于智能方法的先进控制系统设计提出若干新的参考方法和改进应用方法,具体工作包括以下内容:1.对智能控制理论的背景及发展状况进行了综述,评述了智能控制领域的主要研究方法和获得的成果,阐述了基于智能方法的控制系统综合设计研究的意义和工程实用价值。2.提出一类以模糊神经网络和PID神经网络组成的模糊神经PID网络;提出一种基于混沌优化机制的粒子群优化算法,设计了混沌优化与粒子群结合的两步方案。将上述方法用于控制系统设计,具体构成为:模糊神经PID网络用作控制器,优化策略为带混沌机制的粒子群算法离线优化和误差反传算法在线调整相结合的方法;被控对象为确定性典型非线性和惯性时滞对象。3.提出一种基于最小二乘支持向量机建模的自适应智能PID控制系统。控制系统具体构成:控制器及其优化算法采用模糊神经PID网络和改进粒子群算法的方案;引入最小二乘支持向量机用于离线建模,将控制系统拓展到能处理具有未知特性的不确定对象的控制问题。4.提出一种基于改进蚁群算法优化的大时滞对象神经网络控制系统。控制系统具体构成:控制器采用模糊神经PID网络,其离线优化采用一种改进的蚁群优化算法,在线时采用误差反传算法调整;利用最小二乘支持向量机辨识来获取系统下一离散时间步的预估值,对不确定大时滞对象进行离线辨识和在线辨识来处理时滞和不确定性问题。对空调房间对象进行了控制仿真。同时,设计了基于径向基函数神经网络的空调系统模型参考自适应控制系统,给出了前向型神经网络控制系统设计的一般性方案。5.针对航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID控制各自优点的控制系统。控制系统具体构成:模糊神经PID网络用作控制器,其参数优化策略采用改进蚁群算法离线优化和误差反传在线调整的方法;最小二乘支持向量机用于系统的离线和在线辨识,其参数优化选取采用交叉验证的方法。对某型航空发动机设计点处的线性和非线性模型进行了控制仿真。6.针对航空发动机加速过程的控制问题,通过结合多种智能方法,提出了一种基于分类转换策略的控制系统。控制系统具体构成:模糊神经PID网络用作控制器,提出一种改进的量子粒子群算法离线优化其参数;利用标称模型将加速过程中发动机大范围不确定模型划分为若干小偏差不确定模型,作为未知控制对象;离线时利用最小二乘支持向量机结合主成分分析方法对小偏差模型进行分类和辨识训练,在线时根据系统实时数据利用分类器自动选择相应的小偏差模型,同时利用误差反传算法实时调整控制器参数跟踪期望信号;分类器和辨识器参数分别采用交叉验证和量子粒子群算法优化选取。基于模式识别思想和智能神经网络控制实现了一种新颖的依据系统信息实时选择对象模型的非线性PID控制策略。对某型航空发动机的加速过程进行了控制仿真。7.研究一类系统参数在很大范围内变化的不确定对象,为克服传统鲁棒控制方法的保守设计缺陷并进一步改善系统的性能,提出一种分类转换控制策略:在已知系统参数变化上下界前提下,基于类似分段线性化的思想,将系统进行分割;对于分割后的多个小偏差范围模型,利用最小二乘支持向量机结合主成分分析方法进行分类;对每类模型分别设计滑模控制器,并利用一种改进量子粒子群优化算法离线优化构造近似最佳切换函数,同时利用径向基函数神经网络结合误差反传算法在线调整切换项增益的方法降低系统的抖振;在线时根据系统实时数据利用分类器自动选择相应的小偏差模型和滑模控制器,完成相应的控制作用;为提高最小二乘支持向量机的分类及泛化性能,利用改进量子粒子群算法优化其惩罚因子和核参数。基于以上策略和优化配置,对控制系统进行了设计与仿真。8.针对以模糊神经自适应方法为核心的未知非线性系统控制问题,以常规静态模糊神经网络控制结构为基础,分别就控制器、辨识器、优化算法叁个方面展开研究。以模糊神经PID网络作为控制器,最小二乘支持向量机为辨识器,利用改进量子粒子群算法离线优化控制器参数和改进粒子群算法优化辨识器的相关参数,最后通过对系统的稳定性分析将控制系统逐步完善,完成对基于模糊神经网络方法的自适应控制系统中各个环节的改进。对某热交换非线性对象进行了控制仿真。最后对论文的主要工作进行了概括性的总结,阐述了所获得的一般性结论。列出了论文工作的主要创新之处,对后续的研究工作进行了展望。
李春华[8]2008年在《基于神经网络的非线性系统自适应控制研究》文中指出神经网络自适应控制是基于自适应的基本原理,利用神经网络的特点设计而成的。它发挥了自适应与神经网络的各自长处,为非线性控制的研究提供了一种新方法。本文基于Lyapunov稳定性理论,采用神经网络直接自适应控制的思想设计控制器,研究了一类带干扰的不确定非线性系统的控制问题。控制器主要是针对不确定非线性系统中存在的两类未知项——未知函数和未知外界干扰而设计,其中未知函数利用径向基函数神经网络来近似,外界干扰利用非线性阻尼项来抑制,这样可以充分利用神经网络的逼近特性,克服复杂系统难以建模等困难,并且系统稳定性和收敛性在给出的假设的条件下均能得到保证。最后设计程序进行仿真验证,在程序设计中,以高斯函数作为基函数,仿真结果表明在权值和控制的有界性方面取得了一定的效果。本文第一章到第叁章详细介绍了人工神经网络及神经网络控制的发展和研究现状;第四章主要介绍了径向基函数神经网络,并对其逼近能力进行仿真;第五章对一类不确定非线性系统设计控制器进行控制,并进行仿真验证;在结束语中展望了神经网络控制的发展前景,提出以后的研究方向。
顾青[9]2008年在《某火箭炮交流伺服系统的自适应控制研究》文中研究说明本论文旨在针对火箭炮交流伺服系统,设计一种新型的智能控制器,使此控制器能较好的满足交流伺服系统在大惯量、变负载、力矩干扰等复杂情况下快速性、准确性、稳定性的要求。本文首先介绍了交流伺服系统的硬件组成,阐述了智能控制领域的神经网络理论、模糊控制原理和模糊神经控制方法。随后把BP神经网络运用到系统辨识中,根据一组交流伺服系统的实验数据,采用离线学习的手段获得系统模型的网络权值和阈值,建立起系统的神经网络模型。接着分别讨论了模糊模型参考自适应控制方案和模糊神经网络自适应控制方案,搭建基于MATLAB的交流伺服系统软件仿真平台进行了仿真分析,确定了模糊神经网络自适应控制方案的优越性。最后通过仿真结果证实了本文设计的智能控制器对交流伺服系统具有良好的控制效果,能够较好地满足工程中所要求的性能指标。
贾超[10]2017年在《基于神经网络的多模型自适应控制方法研究》文中研究指明随着经济的快速发展科技的进步,生产制造过程逐渐变得复杂多变,生产工况环境也越来越多样化,这就对控制品质提出了新的严格要求。在某些实际控制过程中,一些偶然突发情况(如某一个零件磨损或突然脱落),都将使被控对象的模型瞬间发生剧烈变化。传统自适应控制方法针对的被控对象通常是基于一个参数不变或缓慢变化的模型,操作环境是时不变或慢时变的。然而在诸如零部件失灵,以及一些意想不到的故障发生时,系统动力学模型将发生突变。对于系统的突发性变化,瞬态误差往往很大,传统的自适应控制算法收敛速度很低,控制效果往往表现不佳。多模型自适应控制被视为是解决上述问题最行之有效的方法,该方法的核心要点是:根据被控对象有可能存在的不同工作点,构建含有多个模型的模型集合覆盖被控对象的不确定性;根据模型集合内每一个模型设计相对应的控制器,进而形成控制器集;依据每个模型与被控对象之间的辨识误差,设计基于此误差的切换准则。一旦被控系统参数发生变化,根据切换准则,系统会从模型集中选择最接近当前被控系统的模型,并将控制器切换到该模型的控制器上。基于此思想,本文重点针对实际生产过程中的大量非线性系统,建立基于神经网络的多模型自适应控制器,在被控对象不同的工作点处,建立多个模型,将被控对象参数的不确定性转化为神经网络模型权值的不同。主要研究成果如下:1.基于动态神经网络(Dynamic Neural Networks),分别从动态神经网络的两种典型结构:并行结构和串并结构两种形式出发,考虑系统的有无未建模动态情况,建立了多个动态神经网络辨识模型(自适应模型、固定模型、重新赋初值自适应模型),并对多种动态神经网络辨识模型进行组合,构建了多种动态神经网络组合下的模型集、控制器集以及相应的切换准则,给出了多种组合下控制效果的对比。同时给出了系统的稳定性和切换稳定性的证明。2.基于静态神经网络,提出了基于OS-ELM(On-line Sequence Extreme Learning Machine)神经网络的多模型自适应控制。给出了基于OS-ELM神经网络的模型集、控制器集及切换准则,同时给出了系统的稳定性和切换稳定性证明。3.基于 OS-ELM 和 EM-ELM(Error Minimum Extreme Learning Machine)神经网络,提出了一种自组织神经网络结构即OEM-ELM(On-line Error Minimum Extreme Learning Machine)神经网络。OEM-ELM 算法的核心思想是:在线学习、网络性能评价、动态增加隐层节点数。它将OS-ELM和EM-ELM的优点相结合,既提高了网络的辨识能力又避免了网络节点的冗余。给出了基于OEM-ELM神经网络自适应控制的应用,同时分析了节点变化对系统的影响。4.在钢铁废渣循环利用矿渣微粉生产系统中,将本文的研究成果进行应用。分析了矿渣微粉的生产工艺流程,梳理了影响矿渣微粉比表面积、磨内压差的关键因素。由于实际验证的局限性,本文基于现场采集的大量实际生产数据建立组涵盖多个工况的动态神经网络模型作为生产运行环境。基于此生产运行环境,构建了一种基于OEM-ELM神经网络自适应控制器,在测试验证环境中进一步验证本文提出算法的有效性。
参考文献：
[1]. 神经网络自适应控制器仿真研究[D]. 陈晓雷. 太原理工大学. 2007
[2]. 非线性自适应高可靠容错飞行控制方法研究[D]. 程鹏飞. 西北工业大学. 2015
[3]. 基于模糊神经网络的自适应控制在pH中和过程控制中的应用[D]. 郑春燕. 浙江大学. 2004
[4]. 交流伺服驱动系统新型控制策略研究[D]. 王瑞明. 浙江大学. 2005
[5]. 不确定非线性系统的自适应滑模控制及应用研究[D]. 张元涛. 重庆大学. 2011
[6]. 基于动态逆系统和神经网络理论的BTT导弹控制系统研究[D]. 于秀萍. 哈尔滨工程大学. 2004
[7]. 基于若干智能方法的先进控制系统综合设计研究[D]. 赵俊. 西安电子科技大学. 2008
[8]. 基于神经网络的非线性系统自适应控制研究[D]. 李春华. 南京信息工程大学. 2008
[9]. 某火箭炮交流伺服系统的自适应控制研究[D]. 顾青. 南京理工大学. 2008
[10]. 基于神经网络的多模型自适应控制方法研究[D]. 贾超. 北京科技大学. 2017
标签：自动化技术论文; 自适应论文; 自适应控制论文; 神经网络模型论文; 控制理论与控制工程论文; 控制理论论文; 自组织神经网络论文; 系统辨识论文; 线性系统论文; 过程控制论文; 滑模控制论文; 仿真软件论文; 人工智能论文; 动态模型论文; 非线性论文; bp神经网络算法论文;