论文部分内容阅读
伴随着科学技术和工业产业的发展,控制对象的物理模型也在不断地趋向复杂化,线性系统模型已经不能够对系统物理模型进行准确的解析和描述,相应的线性控制理论也面临着新的挑战。虽然针对线性系统的经典控制理论相对成熟,但实际中我们面对的往往是不同类型的非线性系统,其特点包括模型非线性、时变和不确定项等等。面对参数未知的非线性系统,具有参数逼近的自适应控制是一个很好的选择,在模型参数未知时,设计合理的自适应律来实现稳定的控制效果;而对于结构未知的非线性系统,神经网络的函数逼近理论使得其可以作为一个针对未知非线性系统的有效的逼近工具。当系统具有大型结构时,利用分布式控制的思想将系统进行分割处理,然后通过神经网络控制器对各个子系统进行拟合逼近,从而实现对整个系统的控制效果。自适应神经网络结合了利用神经网络的逼近理论自适应控制在线学习能力,可以实现对复杂系统的控制问题。那么如何设计合理自适应神经网络控制器并实现系统的稳定性、可靠性及可应用性则成为一个值得去深入探讨和研究的问题。本文综合利用非线性系统理论、自适应控制、神经网络、事件触发及分布式控制等方法,针对自适应神经网络的稳定性、基于事件触发的控制策略及分布式控制中的神经网络设计等问题进行研究。主要工作如下:(1)针对高阶多输入多输出(MIMO)非线性系统的神经网络控制研究,首先我们假设控制过程中神经网络的逼近误差值小于一个与系统状态有关的函数,然后设计相关的RBF神经网络对未知非线性项进行逼近;针对神经网络的权值和误差相关变量设计自适应律进行逼近;利用Backstepping技术对高阶系统设计控制器;结合容错控制算法设计全局Lyapunov函数,保证系统在设计的自适应控制器作用下能够保持稳定。(2)针对自适应神经网络以及Backstepping过程中的参数计算量大,以及实际网络控制中的通信量大的问题,设计了相应的事件触发控制策略。在这一部分,设计了静态和动态两种不同的基于自适应神经网络的事件触发控制策略。在静态策略中,设计出基于给定触发参数的控制结构,保证系统在一定的控制误差下能够节省通信量并且不会发生无限次震荡问题;在动态策略中,我们的触发参数动态可变,保证系统稳定的同时,使得系统控制输入变化较快时能保持相对稳定的事件触发次数。(3)针对大型系统,单个的神经网络结构并不适合对整个大系统进行控制,通过分布式控制的思路,将系统拆分成为多个子系统,然后设计相应的自适应神经网络控制算法。考虑到分布式系统中可能只有部分子系统具有执行器,因此要对系统进行重新编组。针对各个子系统中存在的连接干扰及未知模型,设计统一的神经网络结构对其进行逼近。最后我们将相应的控制算法结合高速列车系统中的相关问题,设计了针对于高速列车系统的分布式控制算法。