在实际的工业生产中,复杂的非线性系统往往具有一个甚至多个非线性环节,并且常常伴随着外界干扰、子系统动态变化、系统参数跳变等问题的发生,这将会使得系统的控制变得困难。传统的自适应控制方法无法对这类复杂的非线性系统进行有效的控制,而多模型自适应控制(Multiple Model Adaptive Control,MMAC)方法为这类复杂非线性系统的控制提供了一个很好的解决思路。因此,本文利用MMAC方法理论解决了一类复杂非线性系统中存在系统参数未知,系统参数跳变时的控制问题以及MMAC中子模型过多导致系统计算量增大的问题。具体研究如下:1.针对一类参数未知的非线性离散时间动态系统,提出了一种新的基于神经网络的MMAC方法。首先,将系统分为线性部分和非线性部分。针对系统线性部分采用局部化方法建立多个固定模型覆盖系统的参数范围,在此基础上,建立自适应模型来提高系统性能;针对系统非线性部分建立非线性神经网络预测模型来逼近系统的非线性。然后,针对每个子模型设计相应的控制器。最后,设计基于误差范数形式的性能指标函数对控制器进行硬切换。仿真结果表明,所提出的MMAC方法与传统的在参数空间均匀分布的MMAC方法相比能显著提高非线性系统的暂态性能。2.针对一类具有参数跳变的非线性离散时间动态系统,提出了一种基于聚类方法和神经网络的MMAC方法。首先,采用模糊c均值聚类算法对系统先验数据进行分类处理,再分别对每类数据采用RLS算法建立多个固定模型。在此基础上,建立两个自适应模型来提高系统响应速度和控制品质,建立神经网络预测模型来补偿系统非线性。然后,分别针对相应的子模型设计线性鲁棒自适应控制器和神经网络控制器。最后,采用基于信号有界和测量误差的性能切换指标对控制器进行切换,并证明闭环系统的稳定性。仿真结果表明,所提出的算法能更好地解决非线性系统发生参数跳变问题,使得系统具有良好的控制品质。3.针对MMAC方法中的模型库优化问题,考虑系统实际运行数据,提出了一种基于相似度准则和设置最大模型数的动态优化模型库方法。该方法能对新数据进行综合考量并判断是否应该将该数据纳入子模型建模,并通过设置最大模型数来确保系统用最少的子模型就能保证系统的控制性能。仿真结果表明,所提出的算法能极大地减少子模型数量且具有较好的控制效果。
暂无评论