摘要 本文研究了具有输出约束的二阶切换非线性系统的固定时间输出反馈镇定问题.构造降阶切换状态观测器以估计未测量状态,并与设计的切换状态反馈控制器相结合,实现了闭环切换系统的固定时间输出反馈镇定.利用正切型障碍Lyapunov函数保证闭环切换系统在固定时间稳定的同时满足输出约束.由于构造的障碍Lyapunov函数当约束趋向于无穷时可退化为无约束的公共Lyapunov函数形式,因此,本文提出的方法适用于具有或没有输出约束两种情况,而无需改变所设计的切换控制器和观测器结构,具有一定的普适性.利用双极限齐次方法证明了文中结论.数值例子和连续搅拌釜式反应器的固定时间控制验证了文中所提方法的有效性.

关键词 切换非线性系统; 固定时间; 输出反馈; 输出约束; 双极限齐次方法; switched nonlinear systems; fixed-time; output feedback; output constrains; bi-limit homogeneous method

摘要 针对一类存在干扰和未知不确定性的复杂非线性被控过程的跟踪控制问题,将广义预测控制和信号补偿法相结合,提出了补偿信号驱动的非线性广义预测控制方法.采用低阶线性模型和未知非线性项来表示被控对象,未知非线性项表示系统建模误差及干扰等不确定性.采用低阶线性模型设计广义预测控制器,根据广义预测控制闭环系统可获得未知非线性项对系统影响的跟踪误差,引入最小化跟踪误差和控制量波动的一步最优控制设计补偿信号,抵消未知非线性项对被控对象的影响,改善系统动态性能.所提方法将以往要求未知非线性项全局有界的条件放宽为Lipschitz条件,证明了闭环系统的稳定性和收敛性.为了进一步提升系统动态性能,提出了基于梯度下降法的控制器加权参数的优化方法.仿真对比实验验证了所提算法的有效性.

关键词 预测控制; 补偿信号; 一步最优控制; Lipschitz条件; 梯度下降; predictive control; compensation signal; one-step ahead optimal control; Lipschitz condition; gradient descent

摘要 在煤矿巷道支护中,液压锚杆钻机转速系统具有显著的死区、时变参数、内部外部扰动等非线性特性,使其转速跟踪控制存在精度低、速度慢和超调等问题,从而无法实现高质量和高效率的支护作业.为了解决上述问题,提高煤矿巷道支护的自动化程度、增强安全性和可靠性,设计一种高效的控制方法十分必要.鉴于此,本文提出一种基于自适应扩张状态观测器的全局终端滑模有限时间控制方法.首先,基于跟踪误差,设计一种自适应扩张状态观测器,该观测器能够通过自适应调整估计增益实时响应系统动态,实现扰动估计和系统跟踪性能的改善,从而有效克服转速系统的非线性特性,改善动态性能.其次,构建一种快速、平滑、连续的收敛函数,并有机融合跟踪误差和估计误差,设计一种新颖的全局终端滑模面;并根据李雅普诺夫(Lyapunov)方法,提出全局终端滑模控制律,有效改善转速系统的稳态性能.基于此,将观测器估计的扰动在滑模控制律中加以补偿,构成所提控制器.最后,基于李雅普诺夫稳定理论,论证转速系统的有限时间稳定性,并通过对比实验验证所提方法的有效性.

关键词 液压锚杆钻机; 滑模控制; 扩张状态观测器; 有限时间稳定; 收敛函数; hydraulic roofbolter; sliding-mode control; extended state observer; finite-time stability; convergence function

摘要 迭代学习模型预测控制(iterative learning model predictive control, ILMPC)作为一种广泛应用于批次生产过程的数据驱动智能控制策略,能够在沿批次逐步提高跟踪性能的同时沿时间不断抑制实时干扰.现有ILMPC算法的点对点学习机制依赖于批次运行工况的强一致性,以此保证当前批次与历史批次间的有效信息传递.然而,生产需求和生产环境的变化通常会导致各批次的操作轨迹和操作周期存在差异,从而使得历史批次提供的先验知识对于后续批次呈现出不精确性和不完整性.为了提高ILMPC在变运行工况条件下的适应性和灵活性,本文提出了一种具有知识迁移机制的数据驱动ILMPC策略.建立自适应深度神经网络(deep neural network, DNN)沿批次学习ILMPC控制行为,实现历史控制经验在当前批次工况下的全面转换.为抑制DNN前期估计误差的影响,在知识迁移机制下进一步构建Tube控制结构下的ILMPC算法,保证ILMPC系统的时域稳定性和迭代域收敛性.针对非线性注塑过程的仿真实验验证了在操作轨迹和操作周期同时变化时,所提方法在跟踪精度和收敛速度方面具有明显优势.

关键词 迭代学习模型预测控制; 知识迁移; 数据驱动; 变运行工况; iterative learning model predictive control; knowledge transfer; data-driven; trial-varying operating conditions

摘要 推力矢量飞行器具有气动舵、推力矢量等改变本体姿态的多类控制输入,这使得推力矢量飞行器具备在日益复杂的空天环境下的高机动控制能力.同时,推力矢量飞行器的控制系统模型为非仿射非线性结构,并且包含复杂的不确定性,这使得其控制问题具有挑战性.本文针对三自由度推力矢量飞行器的角速度跟踪控制问题,采用自抗扰控制方法,实现了飞行过程中不确定性的主动补偿;基于气动舵优先和误差最小的准则,得到了控制输入最优解具有显式表达式的条件;针对控制输入最优解无法得到显式表达式的情况,证明了最优解一定在约束边界上,且可通过有限步求解;结合实际控制分配,定量给出了闭环系统的跟踪误差和估计误差的特性.在典型仿真环境下,本文提出的控制方法表现出有效性和鲁棒性,能够在强非线性和大范围不确定性下实现角速度跟踪目标.

关键词 推力矢量飞行器; 自抗扰控制; 扩张状态观测器; 控制分配; 自由度; thrust-vectored aircraft; active disturbance rejection control; extended state observer; control allocation; degree of freedom;

摘要 PID控制一直是应用最广泛的工业控制技术.但是基本PID控制算法仅考虑了动态系统输入–输出的外部特性,缺乏对系统内部状态信息的运用,因而在控制非线性耦合动态系统时往往难以获得满意的控制性能.本文在不改变原有PID控制设置的基础上,提出一种通过未知状态估计与神经网络控制补偿的增强PID (enhanced PID, En-PID)控制方法,可显著增强原有PID控制的性能.首先,采用扩展卡尔曼(Kalman)滤波技术对未知关键状态进行精确估计,并将状态估计值作为神经网络补偿控制器的输入,从而将基本PID控制算法并未使用的过程状态信息引入到控制输入;其次,采用K均值聚类算法求取历史输入数据的聚类中心,以此作为径向基函数(radial basis function, RBF)神经网络补偿器隐含层的中心向量;构建关于控制误差熵的优化性能指标,采用梯度下降算法对神经网络补偿器输出层权值向量进行优化和修正;最后,将RBF网络求取的补偿控制输入与原有PID控制器的基本控制输入进行综合,并共同作用于实际被控系统,实现高性能控制.理论分析和污水处理过程控制实验验证了所提方法的先进性和实用性.

关键词 增强PID控制; 扩展卡尔曼滤波; 径向基函数神经网络; 控制补偿; 熵; enhanced PID control; extended Kalman filtering; RBF neural network; control compensation; entropy;

摘要 针对一类具有外部干扰的多四旋翼无人机姿态系统,研究其在无向拓扑下的姿态跟踪问题,提出一种基于事件触发机制的鲁棒自适应滑模控制方法.首先,建立多四旋翼无人机的姿态动力学模型,并引入干扰观测器,对系统受到的未知外部干扰进行估计.其次,为了节约四旋翼无人机的网络传输资源,本文在传感器和控制器之间引入事件触发机制,并结合鲁棒滑模控制算法,设计基于事件触发的鲁棒自适应滑模控制器.此外,通过Lyapunov稳定性理论证明闭环系统中所有信号最终有界,并证明所设计的事件触发机制能够有效避免Zeno行为.最后,仿真结果验证所提控制方法的有效性.

关键词 滑模控制; 事件触发机制; 干扰观测器; 姿态跟踪; 多四旋翼无人机系统; sliding mode control; event-triggered mechanism; disturbance observer; attitude tracking; MQUAVs;

摘要 本文针对非线性多智能体系统一致性跟踪控制问题,设计自适应事件触发控制策略.首先,通过引入非对称障碍Lyapunov函数,使输出误差满足非对称约束条件.其次,采用Lyapunov-Krasovskii(L-K)泛函和Young不等式消除状态时延的影响.利用模糊逻辑系统逼近未知非线性函数.再次,结合有界估计法和光滑函数有效补偿执行器故障和网络引起的误差.基于Lyapunov稳定性理论证明闭环系统半全局有界稳定.最后,通过仿真验证所设计控制策略的有效性.

关键词 多智能体系统; 状态时延; 事件触发控制; 非对称误差约束; 执行器故障; multi-agent systems; state time-delays; event-triggered control; asymmetric error constraints; actuator faults;

摘要 本文针对一类具有强耦合不确定性因素的连续时间多输入多输出非线性系统,提出了基于历史采样数据的不确定性因素补偿控制策略(sampled-data-based compensation control, SDBCC).与基于观测器的不确定性因素补偿控制不同,本文首先利用当前以及历史采样数据计算出由系统非线性耦合未建模动态和外部扰动构成的总扰动在前一采样周期内某时刻的精确值,然后利用该精确值在反馈环节对总扰动进行补偿以消除它的不利影响.连续时间系统在数据驱动的反馈控制作用下构成了一个混杂闭环控制系统,这连同系统的强耦合非线性不确定性因素为控制闭环系统的稳定性收敛性分析带来了挑战.为克服这一难题,本文发展了基于特征值和迭代序列的分析方法,证明了当系统跟踪目标为有界函数时,跟踪误差可随采样周期的减小而任意小,进而当跟踪目标为常数,并且系统的非线性项为时不变连续可微函数时,跟踪误差随时间趋于无穷大而趋近于零.二自由度无人机姿态控制的仿真结果验证了本文所提出方法的有效性和优越性.

关键词 不确定性; 非线性; MIMO系统; PID控制; 数据驱动控制; uncertainty; nonlinearity; MIMO system; PID control; data-driven control;