一类非线性系统的神经网络自适应控制

针对一类单输入单输出不确定非仿射型非线性系统,基于多层神经网络提出了一种直接自适应控制方法。该设计方法首先应用多层神经网络自适应模拟逼近逆解中的未知部分,然后应用逆设计和自适应反演设计出虚拟控制量,最后应用反馈线性化设计方法和神经网络设计了直接自适应控制律。并利用Lyapunov稳定性定理推导了神经网络的参数调节律,保证了闭环系统的所有信号均最终一致有界。     

基于径向基神经网络干扰观测器的空天飞行器自适应轨迹线性化控制

 研究了一种自适应轨迹线性化控制策略并应用于空天飞行器(ASV)飞行控制系统设计。通过理论分析指明当前轨迹线性化控制方法(TLC)对系统中的不确定存在鲁棒性不足的问题。为了解决这一问题,首先研究了一种径向基神经网络干扰观测器(RDO)技术,严格证明了RDO对于系统中不确定因素具有良好的逼近能力。然后利用RDO输出得到一种新的基于RDO的自适应TLC控制策略。神经网络自适应律采用Lyapunov方法设计,保证了闭环系统所有信号有界。最后采用新方案实现了ASV飞控系统,仿真结果表明整个闭环系统在鲁棒性能方面得到很大提高。     

一类非仿射型系统的神经网络自适应控制

针对一类未知控制方向的非仿射型系统的神经网络自适应控制问题进行了研究,提出了一种基于隐函数定理、反演设计技术、Nussbaum-型函数和神经网络理论相结合的新颖的自适应控制策略,成功地解决了该类系统控制器设计问题,为该类控制问题提出了一种解决思路。最后给出的数字仿真算例证明了该设计方法的有效性。     

未知控制方向的严反馈非线性系统神经网络自适应控制

针对一类未知控制方向的单输入单输出严反馈非线性系统,提出一种神经网络自适应控制方法。首先应用Nussbaum型函数解决控制系数符号未知问题,然后应用RBF神经网络和反演设计方法对系统进行系统化设计。该控制方法放宽了现有文献中许多苛刻的条件,如匹配条件、增长条件等,避免了控制器奇异问题,同时解决了反演设计中的“计算膨胀”问题,并应用Lyapunov稳定性理论证明了闭环系统的全局稳定性。最后给出了数字仿真实例,证明了该设计方法的有效性。     

基于自适应神经网络的非线性飞行控制

结合反馈线性化和神经网络提出了一种新的飞行控制系统设计方法,通过反馈线性化将非线性耦合系统等效转换为线性解耦系统,利用具有在线学习能力的神经网络补偿反馈线性化的误差,建立了基于自适应神经网络的控制结构,并利用李亚普诺夫函数导出了网络权值的自适应调整规则。在巡航弹地形跟踪应用中的结果表明,该控制系统不仅具有精确的跟踪性能而且具有良好的鲁棒性。     

一类非线性系统自适应神经网络块控制器设计

对一类多输入多输出非线性系统,提出了一种基于块控原理自适应控制器设计方法.利用反演设计技术和RBF神经网络设计了控制器,并通过引入改进的Lyapunov函数,成功地避免了在控制函数矩阵未知情况下的自适应控制奇异问题.利用Lyapunov稳定性定理证明了系统的所有信号均有界.最后的仿真研究表明了该设计方法的有效性.     

基于自适应神经网络的飞行控制律设计方案

介绍了一种自适应神经网络控制方法，利用李亚普诺夫稳定性定理推导了神经网络权值的自适应规律，保证了闭环系统的稳定性。设计了针对滚转通道的神经网络，并应用某型号飞机进行了非故障和故障状态的仿真。结果表明，自适应神经网络控制方法补偿作用显著，相当于系统具有一定的重构功能。     

适应型神经网络系统的控制

控制对象系统根据控制领域的不同，或多或少具有非线形特性。尤其汽车发动机系统中更具有很强的非线性。目前，三层构造的神经网络对于非线性系统的控制非常有效。     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法。控制器由等效控制器和H∞控制器两部分组成。用RBF神经网络逼近非线性函数，并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能。H^∞控制器用于减弱外部及神经网络的逼近误差对跟踪的影响。所设计的控制器不仅保证了闭环系统的稳定性，而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标。最后给出的算例验证了该方法的有效性。     

基于RBF神经网络的一类非线性系统反演鲁棒自适应控制

提出一种基于RBF神经网络的一类非线性系统反演鲁棒自适应控制器设计方法。使用RBF神经网络逼近系统不确定性,并和控制器与虚拟控制器中的鲁棒项一起消除不确定性的影响,由Lyapunov稳定性理论推出的RBF神经网络权值矩阵的自适应律能保证闭环系统的所有信号有界,且误差能够全局指数收敛于原点的邻域。该方法不需要系统不确定性的上界以及其任意阶导数,最后的仿真结果验证了方法的有效性。     

基于神经网络的自动着陆飞行鲁棒自适应逆控制

针对飞机自动着陆飞行提出了基于神经网络的鲁棒自适应非线性动态逆控制器设计方案。首先采用非线性动态逆方法设计着陆飞行的基本控制律,再利用多层感知器神经网络设计适当的权值调整规则使其能够自适应地逼近和补偿逆误差。仿真结果表明,所设计的飞行控制系统是有效的,系统能够克服动态逆误差对着陆飞行控制带来的不利影响。     

模糊神经网络在过失速机动飞行中的应用

模糊逻辑控制技术和神经网络有机的结合 ,拓宽了模糊逻辑方法和神经网络方法的适用领域。利用神经网络具有自学习能力的优势 ,采用反向传播学习算法 ,通过对传统模糊逻辑控制器中的模糊逻辑控制规则和隶属函数有关参数进行训练学习 ,设计了模糊神经网络控制器 ,应用于飞机的过失速机动“里程碑”之一—— 70°迎角定常飞行仿真计算 ,获得了令人满意的结果。     

航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

Robust adaptive compensation control for unmanned autonomous helicopter with input saturation and actuator faults

This paper studies a robust adaptive compensation Fault Tolerant Control(FTC) for the medium-scale Unmanned Autonomous Helicopter(UAH) in the presence of external disturbances,actuator faults and input saturation.To improve the disturbance rejection capacity of the UAH system in actuator healthy case, an adaptive control method is adopted to cope with the external disturbances and a nominal controller is proposed to stabilize the system.Meanwhile, compensation control inputs are designed to reduce the negative effects derived from actuator faults and input saturation.Based on the backstepping control and inner-outer loop control technologies, a robust adaptive FTC scheme is developed to guarantee the tracking errors convergence.Under the presented FTC controller, the uniform ultimate boundedness of all closed-loop signals is ensured via Lyapunov stability analysis.Simulation results demonstrate the effectiveness of the proposed control algorithm.     

Transition control of a tail-sitter unmanned aerial vehicle with L1 neural network adaptive control

The main task of this work is to design a control system for a small tail-sitter Unmanned Aerial Vehicle(UAV) during the transition process. Although reasonable control performance can be obtained through a well-tuned single PID or cascade PID control architecture under nominal conditions, large or fast time-varying disturbances and a wide range of changes in the equilibrium point bring nonlinear characteristics to the transition control during the transition process, which leads to control prec...     

高超声速飞行器自适应神经网络容错控制

针对高超声速飞行器巡航段执行器控制效益损失故障和卡死故障问题,基于高超声速飞行器纵向运动模型,将自适应算法与改进的径向基函数神经网络(RBFNN)方法相结合,设计了一种自适应神经网络容错控制器。所提出的容错控制方法具有无需估计执行器故障值的优点,且设计的控制算法结构简单,无需大量实时计算,可以快速处理故障的发生,确保系统在参数不确定、恒定或时变执行器故障与卡死故障情况下仍具有稳定跟踪能力。最后,仿真验证了该方法的有效性。     

基于Adaline网的航空发动机自适应控制

根据发动机模型非线性、关系式呈隐性和具有不确定性的工作特点，提出了一种基于Adaine网的发动机自适应控制方案，该方案中的神经网络辩识器和神经网络控制器均采用两层线性Adaline网，权值采用Widrow-Hoff δ学习规则更新。仿真结果表明这种方法具有方案简单、稳定性好、实时性好等优点，可在全飞行包线内对发动机进行在线控制。     

无人机涡喷发动机的神经网络自适应PID控制

将基于RBF神经网络的辨识网络与基于BP网络的控制器相结合，组成自适应PID神经网络控制系统。RBF神经网络采用离线学习在线修正权值和阈值，为加快收敛速度，应用带惯性项的梯度下降法。大量仿真结果表明，RBF网络较ELM，标准BP及改进的BP等网络具有明显优点。对某型无人机涡喷发动机控制系统的仿真结果表明此控制方式具有鲁棒性好、响应速度快、稳态误差小等优点。     

Robust adaptive fault-tolerant control of a tandem coaxial ducted fan aircraft with actuator saturation

This paper is concerned with the robust adaptive fault-tolerant control of a tandem coaxial ducted fan aircraft under system uncertainty, mismatched disturbance, and actuator saturation. For the proposed aircraft, comprehensive controllability analysis is performed to evaluate the controllability of each state as well as the margin to reject mismatched disturbance without any knowledge of the controller. Mismatched disturbance attenuation is ensured through a structured H-infinity controller tuned by a non-smooth optimization algorithm. Embedded with the H-infinity controller, an adaptive control law is proposed in order to mitigate matched system uncertainty and actuator fault. Input saturation is also considered by the modified reference model. Numerical simulation of the novel ducted fan aircraft is provided to illustrate the effectiveness of the proposed method. The simulation results reveal that the proposed adaptive controller achieves better transient response and more robust performance than classic Model Reference Adaptive Control (MRAC) method, even with serious actuator saturation.