基于多模型与神经网络的非线性自适应解耦控制

论文摘要

非线性多变量不确定系统的自适应解耦控制问题一直是控制界富有挑战性的难题。本文在国家重点基础研究发展计划（九七三）项目“复杂工业生产过程实时智能控制理论与算法研究（2002CB312201）”的支持下,分别针对非线性多变量参数未知和参数跳变系统,提出了基于多模型与神经网络的自适应解耦控制方法,建立了闭环系统的稳定性和性能分析,并开展了仿真研究。理论分析与仿真实验结果表明了所提出方法的有效性。本文的主要研究工作归纳如下:（1）将一类非线性、单变量、零动态渐近稳定系统的多模型神经网络自适应控制方法推广到多变量系统,提出了一种基于多模型与神经网络的多变量自适应控制方法,建立了闭环系统的稳定性和性能分析,放宽了非线性单变量自适应控制方法要求系统高阶非线性项全局有界的条件。提出了相应的间接自适应控制方法,建立了闭环系统的稳定性分析。对上述方法开展了仿真研究,仿真结果表明了所提出方法的有效性。（2）在上述方法的基础上,针对一类非线性、多变量、零动态不稳系统,提出了自适应闭环解耦控制方法,建立了闭环系统的稳定性和性能分析。该方法由一个线性鲁棒自适应闭环解耦控制器、一个非线性神经网络自适应闭环解耦控制器和一个切换机制组成。提出了相应的间接自适应闭环解耦控制方法,建立了闭环系统的稳定性分析。对上述方法开展了仿真研究,仿真结果表明了所提出方法的有效性。理论分析和仿真结果表明上述方法可以实现近似动态解耦和稳态解耦。（3）将开环解耦补偿器和上述自适应闭环解耦控制策略相结合,提出了可以实现动态解耦的开环解耦控制方法,建立了闭环系统的稳定性和性能分析。提出了相应的间接自适应开环解耦控制方法,建立了闭环系统的稳定性分析。对上述方法开展了仿真研究,仿真结果表明了所提出方法的有效性。（4）针对非线性参数跳变系统,在上述方法的基础上,提出了由N个解耦控制器组成的智能解耦控制方法,该控制方法由一个常规神经网络自适应解耦控制器、一个可重新赋值的神经网络自适应解耦控制器和N-2个固定参数神经网络解耦控制器以及一个切换机制组成,建立了闭环系统的稳定性和性能分析,并以某大型引射式跨音速风洞系统为背景,开展了仿真实验研究,仿真结果表明了在阶梯变马赫数工况下,可以实现稳定段总压和试验段马赫数之间的动态解耦。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 非线性自适应控制研究现状
• 1.2.1 基于反馈线性化的非线性自适应控制
• 1.2.2 基于Backstepping的非线性自适应控制
• 1.2.3 基于神经网络的非线性自适应控制
• 1.3 多模型自适应控制研究现状
• 1.3.1 间接多模型自适应控制
• 1.3.2 直接多模型自适应控制
• 1.3.3 加权多模型自适应控制
• 1.4 多变量自适应解耦控制研究现状
• 1.4.1 线性自适应解耦控制
• 1.4.1.1 开环自适应解耦控制
• 1.4.1.2 闭环自适应解耦控制
• 1.4.2 非线性自适应解耦控制
• 1.4.3 多模型自适应解耦控制
• 1.5 存在问题及本文工作
• 第二章 基于多模型与神经网络的非线性多变量自适应控制
• 2.1 引言
• 2.2 问题描述
• 2.3 基于多模型与神经网络的多变量直接自适应控制
• 2.3.1 一步超前最优控制
• 2.3.2 直接自适应控制
• 2.3.2.1 线性鲁棒直接自适应控制器
• 2.3.2.2 非线性神经网络直接自适应控制器
• 2.3.2.3 切换机制
• 2.3.2.4 算法总结
• 2.3.3 稳定性和性能分析
• 2.3.4 仿真实验
• 2.4 基于多模型与神经网络的多变量间接自适应控制
• 2.4.1 间接自适应控制
• 2.4.1.1 线性鲁棒间接自适应控制器
• 2.4.1.2 非线性神经网络间接自适应控制器
• 2.4.1.3 切换机制
• 2.4.1.4 算法总结
• 2.4.2 稳定性和性能分析
• 2.4.3 仿真实验
• 2.5 结论
• 第三章 基于多模型与神经网络的非线性自适应闭环解耦控制
• 3.1 引言
• 3.2 问题描述
• 3.3 基于多模型与神经网络的单变量直接自适应控制
• 3.3.1 一步超前最优加权控制
• 3.3.2 直接自适应控制
• 3.3.2.1 线性鲁棒直接自适应控制器
• 3.3.2.2 非线性神经网络直接自适应控制器
• 3.3.2.3 切换机制
• 3.3.2.4 算法总结
• 3.3.3 稳定性和性能分析
• 3.3.4 仿真实验
• 3.4 基于多模型与神经网络的单变量间接自适应控制
• 3.4.1 间接自适应控制
• 3.4.1.1 线性鲁棒间接自适应控制器
• 3.4.1.2 非线性神经网络间接自适应控制器
• 3.4.1.3 切换机制
• 3.4.1.4 算法总结
• 3.4.2 稳定性和性能分析
• 3.4.3 仿真实验
• 3.5 基于多模型与神经网络的直接自适应闭环解耦控制
• 3.5.1 一步超前最优加权闭环解耦控制
• 3.5.2 直接自适应闭环解耦控制
• 3.5.2.1 线性鲁棒直接自适应闭环解耦控制器
• 3.5.2.2 非线性神经网络直接自适应闭环解耦控制器
• 3.5.2.3 切换机制
• 3.5.2.4 算法总结
• 3.5.3 稳定性和性能分析
• 3.5.4 仿真实验
• 3.6 基于多模型与神经网络的间接自适应闭环解耦控制
• 3.6.1 间接自适应闭环解耦控制
• 3.6.1.1 线性鲁棒间接自适应闭环解耦控制器
• 3.6.1.2 非线性神经网络间接自适应闭环解耦控制器
• 3.6.1.3 切换机制
• 3.6.1.4 算法总结
• 3.6.2 稳定性和性能分析
• 3.6.3 仿真实验
• 3.7 结论
• 第四章 基于多模型与神经网络的非线性自适应开环解耦控制
• 4.1 引言
• 4.2 问题描述
• 4.3 基于多模型与神经网络的直接自适应开环解耦控制
• 4.3.1 一步超前最优加权开环解耦控制
• 4.3.2 直接自适应开环解耦控制
• 4.3.2.1 线性鲁棒直接自适应开环解耦控制器
• 4.3.2.2 非线性神经网络直接自适应开环解耦控制器
• 4.3.2.3 切换机制
• 4.3.2.4 算法总结
• 4.3.3 稳定性和性能分析
• 4.3.4 仿真实验
• 4.4 基于多模型与神经网络的间接自适应开环解耦控制
• 4.4.1 间接自适应开环解耦控制
• 4.4.1.1 线性鲁棒间接自适应开环解耦控制器
• 4.4.1.2 非线性神经网络间接自适应开环解耦控制器
• 4.4.1.3 切换机制
• 4.4.1.4 算法总结
• 4.4.2 稳定性和性能分析
• 4.4.3 仿真实验
• 4.5 结论
• 第五章 非线性多变量智能解耦控制及应用
• 5.1 引言
• 5.2 问题描述
• 5.3 智能解耦控制
• 5.3.1 神经网络近似
• 5.3.2 估计模型及相应的控制器
• 5.3.3 切换机制
• 5.3.4 算法总结
• 5.4 稳定性和性能分析
• 5.5 风洞系统中的应用
• 5.5.1 风洞系统描述
• 5.5.2 风洞系统控制的主要难点
• 5.5.3 风洞系统数值模拟器
• 5.5.4 仿真实验
• 5.6 结论
• 第六章 结论与展望
• 附录
• 参考文献
• 攻读博士期间所做的主要工作
• 致谢
• 作者简介