基于多模型切换的智能控制研究

论文摘要

在实际控制问题中,由于被控对象在不同工况下系统的参数或结构的变化,传统的自适应控制算法是无能为力。针对传统自适应控制和现有多模型自适应切换控制理论和方法中存在的问题,研究面向复杂系统的多模型切换控制新理论和新方法。本文对多模型建模与控制的若干问题作了研究和探索。主要研究内容包括:针对被控系统在不同工况下的模型参数突变,系统暂态响应特性较差,提出基于在线学习的多模型自适应控制方法。应用动态模型库技术来建立多模型,并证明该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性。仿真结果表明所提出的建模方法和相应的多模型自适应控制器使系统的动态响应品质得到了明显的改善。基于神经网络强大的学习能力和非线性逼近能力,给出面向复杂系统的神经网络多模型切换控制方法。采用最近邻聚类学习算法对样本分类,并利用RBF神经网络进行离线建模。系统运行时在线检测系统当前状态,若超出现有各子模型所构成的状态空间,利用在线神经网络学习新状态并建立新的子模型加入动态模型库中,从而增强系统的鲁棒性。仿真结果表明该算法的有效性。针对传统多模型自适应控制中子模型数量过多的问题,给出一种基于递阶结构的多模型自适应控制算法。将整个控制系统分为基本工况级和控制模型级的两层递阶结构。在系统运行过程中,由常规自适应模型和重新赋值自适应模型在线自动地建立多模型及相应的控制器。该方法有效地减少了子模型数量和计算时间。将最小方差控制技术、神经网络的逼近能力及多模型切换控制技术相结合,给出一种基于RBF神经网络动态补偿的多模型控制方法。利用李亚普诺夫函数方法推导出网络权值的自适应调整律。采用具有积分性质的切换指标函数作为切换法则和最小方差的控制方法构成多模型自适应控制器。该算法有效地消除不确定引起的控制误差。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 多模型控制研究现状
• 1.2.1 多模型集的建立
• 1.2.2 多模型集的优化
• 1.2.3 多模型切换控制的稳定性研究
• 1.3 本文工作
• 第二章 预备知识
• 2.1 向量范数基本概念
• 2.1.1 范数
• 2.1.2 奇异值
• 2.2 基本引理
• 2.3 LYAPUNOV 稳定性
• 2.3.1 稳定性定义
• 2.3.2 Lyapunov 稳定性
• 第三章 基于在线学习的多模型自适应控制
• 3.1 引言
• 3.2 问题的描述
• 3.3 多模型自适应控制
• 3.3.1 系统结构
• 3.3.2 自适应模型的参数估计
• 3.3.3 动态模型库
• 3.3.4 切换策略
• 3.4 稳定性分析
• 3.5 仿真研究
• 3.6 小结
• 第四章 神经网络多模型切换控制
• 4.1 引言
• 4.2 基于RBF 神经网络的多模型切换控制
• 4.2.1 最近邻聚类学习算法
• 4.2.2 RBF 神经网络在线建模
• 4.3 控制器设计
• 4.4 切换控制策略
• 4.5 仿真研究
• 4.6 小结
• 第五章 基于递阶结构的多模型自适应控制
• 5.1 引言
• 5.2 问题的描述
• 5.3 递阶结构的多模型控制
• 5.3.1 基本工况级
• 5.3.2 控制模型级
• 5.4 切换策略
• 5.5 稳定性分析
• 5.6 仿真实例
• 5.7 小结
• 第六章 RBF 神经网络动态补偿的多模型控制
• 6.1 引言
• 6.2 问题的描述
• 6.2.1 连续时间系统情形
• 6.2.2 离散时间系统情形
• 6.3 基于RBF 神经网络补偿控制器的设计
• 6.3.1 基于神经网络的辨识模型NNI
• 6.3.2 神经网络补偿器NNC 的设计
• 6.4 模型切换策略
• 6.5 仿真实例
• 6.6 小结
• 第七章 非线性系统的模糊多模型控制
• 7.1 引言
• 7.2 非线性系统的多模型描述
• 7.3 模糊多模型控制系统结构
• 7.4 控制量加权系数的计算
• 7.5 控制器的设计
• 7.6 稳定性分析
• 7.7 数值仿真
• 7.8 小结
• 第八章 锅炉过热汽温多模型切换控制
• 8.1 引言
• 8.2 多模型过热汽温控制系统设计
• 8.2.1 过热汽温静态和动态特性分析
• 8.2.2 过热汽温多模型建立
• 8.2.3 切换策略
• 8.2.4 典型工况下控制器设计及参数整定
• 8.3 仿真研究
• 8.3.1 模型与控制器匹配及不匹配情形下阶跃扰动试验
• 8.3.2 变工况试验
• 8.4 小结
• 第九章 结束语
• 9.1 全文总结
• 9.2 尚需进一步研究的问题
• 致谢
• 参考文献
• 作者简介