基于鲁棒控制的自适应分数阶梯度优化算法设计

当目标函数是强凸函数时,一般的分数阶梯度下降法不能够使函数收敛到最小值点,只能收敛到一个包含最小值点的区域内或者是发散的.为了解决这个问题,本文提出了自适应分数阶梯度下降法(AFOGD)和自适应分数阶加速梯度下降法(AFOAGD)两种新的优化算法.受到鲁棒控制理论中二次约束和李雅普诺夫稳定性理论的启发,建立了一个线性矩阵不等式去分析所提出的算法的收敛性.当目标函数是L-光滑且m-强凸时,算法可以达到R线性收敛.最后几个数值仿真证明了算法的有效性和优越性.

基于梯度下降算法和动量因子的醇基燃料锅炉燃烧温度非线性控制方法

醇基燃料锅炉燃烧温度与控制参数之间的关系不是简单的线性关系,增加了控制的难度,提出基于梯度下降算法和动量因子的醇基燃料锅炉燃烧温度非线性控制方法。建立醇基燃料锅炉的气流三维流动方程,确定燃烧速率、实际温度与期望温度之间的差值以及差值变化率等温度非线性控制参数。搭建燃烧温度控制的模糊神经PID控制器,采用梯度下降算法和动量因子对PID神经网络的权值展开训练,将所得温度非线性控制参数输入训练后的模糊神经PID控制器,实现醇基燃料锅炉燃烧温度非线性控制。实验结果表明,所提方法对于燃烧速率、实际温度与期望温度之间的差值以及差值变化率计算结果精准,温度控制精度高,温度变化率低,燃料能源利用率高,实际应用效果好。

城市固废焚烧过程烟气含氧量自适应预测控制

在城市固体废弃物焚烧(Municipal solid waste incineration,MSWI)过程中,烟气含氧量是影响焚烧效果的重要工艺参数.由于固废焚烧过程的复杂性,在实际应用过程中,难以实现烟气含氧量的有效控制.面向城市固废焚烧过程烟气含氧量控制的实际需求,提出一种基于数据驱动的烟气含氧量自适应预测控制方法.首先,采用自适应模糊C均值(Fuzzy C-means,FCM)算法辅助确定径向基函数(Radial basis function,RBF)神经网络隐含层神经元个数及初始中心,建立基于FCM算法的径向基函数神经网络预测模型,并在控制过程中通过自适应更新策略在线调节预测模型参数;然后,利用梯度下降算法求解控制律,并基于李雅普诺夫理论分析了所提控制方法的稳定性;最后,基于城市固废焚烧厂实际数据,验证了所提控制方法的有效性.

基于二阶泛模型的无模型自适应控制及参数整定

首先充分利用无模型自适应控制(MFAC)边建模、边控制的特点,推导基于二阶"泛模型"的改进无模型自适应控制方法,并推导伪偏导数及控制律的迭代公式,与基于一阶泛模型的MFAC方法相比,改进策略可以使每次迭代的泛模型更加准确,从而进一步提高控制精度。接着,针对改进MFAC的参数整定问题,提出基于优化技术的控制器参数整定方法,运用辨识出的近似模型针对不同的目标函数进行优化,使得其实用范围更加广泛。通过大量仿真实验对比可以看出:经过Jeu-tr型性能指标进行参数优化的改进MFAC控制器动态响应最好,且优化迭代次数较少。因此,控制效果得到显著改善。

基于梯度下降法的自适应模糊控制系统研究

一般的二维模糊控制器的输出控制量是误差和误差变化率的固定函数,对于时变、不确定性被控对象难以取得预期的效果。针对该问题,引入梯度下降学习算法,修正输入输出变量高斯型隶属度函数的均值和方差,使模糊控制系统具有自适应性。同时,澄清了王立新提出的梯度下降学习算法容易引起的一些混淆。给定信号分别选择阶跃信号、斜坡信号、加速度信号和正弦信号,作了仿真研究,仿真结果表明,该控制算法是可行的,有效的。

直接电容接入动态电压恢复器研究

动态电压恢复器能快速补偿电网电压变化,确保敏感负载端电压稳定,是用于电能质量控制的主要设备之一。介绍了一种基于电压型逆变器,采用直接电容接入电网的动态电压恢复器,以及根据技术要求设计实现其原理样机的过程。相较传统接入方式,该方案回避了接入变压器设计上的困难。仿真和实验结果证明原理样机能及时地检测系统电压扰动,并予以准确的补偿。

基于自适应小波网络的永磁无刷直流电机直接电压控制

通过分析永磁无刷直流电机的转子位置与三个相电压之间的关系,提出了基于自适应小波神经网络的永磁无刷直流电机无位置传感器控制新方法。该方法根据位置检测原理和微控制器的特点构建一个以三个相电压为输入,桥路编码信号为输出的多输入单输出小波网络模型。网络隐层节点初始个数为零,在训练过程中不断地按照自适应算法添加或删除隐层节点,形成一个结构简单、紧凑的小波网络。采用梯度下降法对网络进行离线训练和在线训练,由离线训练进行参数初始化并确定网络隐层节点个数,以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整。从而由电机的相电压直接映射出电机的换相信号,取代传统的位置传感器,实现无位置传感器的直接电压控制。实验结果表明,该方法能得到准确的永磁无刷直流电机的换相信号。

一类非线性离散系统的直接自适应模糊控制

针对一类含延迟非线性离散系统,提出了一种直接自适应模糊控制器设计的新方案．将系统用T-S模糊模型来表示,并基于并行分布补偿(PDC)基本思想设计了一种具有未知参数的模糊控制器,同时采用梯度下降算法对该控制器的参数进行在线辨识．通过输入到状态稳定(ISS)方法,证明了系统输出和参考输出的误差有界且满足一定的平均性能．仿真表明本方法的有效性．

非线性连续混沌系统的模糊自适应控制

本文针对一类非线性连续混沌系统,提出了一种直接的模糊自适应控制方法.该方法通过利用模糊系统逼近某个理想控制器来实现,而模糊控制器中参数的调整是使用梯度下降法设计的,即通过最小化理想控制器与模糊控制器之间误差的二次成本函数来实现.根据Lyapunov稳定性理论,分析了闭环系统的稳定性及跟踪误差的收敛性.最后,通过对Arneodo混沌系统Duffing混沌系统的数值仿真验证了该方法的有效性.

一种多变量自适应模糊控制器的设计方法

把采用梯度学习算法的自适应模糊控制器设计方法推广到多变量情形。针对梯度学习算法收敛速度慢的缺点，把神经元学习中的赫布（Ｈｅｂｂ）规则与梯度算法相结合，构成梯度一赫布学习算法，从而使收敛速度明显加快，满足了过程控制中实时性的要求。仿真研究表明，本文的设计方法是可行的。

基于梯度下降法的风力机特性模拟研究

建立了风力机运行特性的数学模型,在此基础上创建了风力机模拟系统。通过对比风力机与直流电动机模型的异同以及运行特性的相似性,提出基于BUCK斩波电路的直流电动机电流闭环控制系统的模型,并进行仿真分析。仿真结果表明,采用梯度下降法的自适应PI控制的风力机特性的模拟,比传统PI控制具有更高的精度及更快的响应速度,可方便应用于实验室环境下风力发电技术的研究。

基于Takagi-Sugeno模糊神经网络的欠驱动无人艇直线航迹跟踪控制

研究一类欠驱动无人艇的直线航迹跟踪控制问题,提出了一种自适应T-S(Takagi-Sugeno)模糊神经网络控制方法。首先在神经网络体系结构中设计前件网络匹配T-S模糊控制器的模糊规则前件,设计后件网络进行T-S模糊运算推理从而生成模糊规则后件;其次基于梯度下降法原理,设计了T-S模糊规则参数的优化学习算法;然后结合BP神经网络的误差反向传播原理和梯度下降法,设计了模糊神经网络体系误差的反向传播迭代算法,用于高斯隶属度函数参数的学习优化;最后设计了基于T-S模型的模糊神经网络控制器,并通过仿真实验验证了所提出方法和所设计控制器的有效性。

基于梯度下降的自适应姿态融合算法

针对第一代帆船姿态测量系统中采用的自适应卡尔曼滤波算法作用范围有限、动态性能较差等缺陷,基于微机电系统(MEMS)惯性传感器与梯度下降姿态融合算法提出了两种自适应方法,分别根据当前时刻之前N个采样点的平均运动加速度与加速度的变化量设计自适应控制因子,得到稳定的动态梯度下降步长。实验结果表明:两种算法性能均优于自适应卡尔曼滤波与单点加速度抑制法,其中,基于加速度增量的控制算法更加符合高速运动状态下加速度剧烈变化的实际规律,测量性能达到最优,符合海面帆船运动船体姿态测量的实际需求。

混合动力汽车发动机在怠速状态下的控制

针对发动机进入怠速状态下时,存在超调过大和响应速度慢的问题,提出一种Runge-Kutta预测自适应PID算法来对油电混合动力汽车的发动机进行怠速跟踪控制。首先通过Runge-Kutta对系统状态进行预测计算,得出下一步的系统预测输出,再由设定值与预测输出值得出两者偏差信号,结合最优梯度下降法在线修正PID参数,使得系统实现事先调整进而快速进入发动机怠速状态的目的,这样也有利于降低整车燃油消耗。从最终的仿真结果来看,超调和响应时间都有了很大的改善,从而验证了该方法的有效性和可行性。

基于深度强化学习的多端背靠背柔性直流系统直流电压控制

为了提高互联配电网多端背靠背柔性直流系统的直流电压控制精度,增强抗干扰能力,提出一种基于深度强化学习的直流电压控制方法,将深度学习神经网络与确定策略梯度融合,实现连续动作搜索,自适应调整电压控制策略。首先,建立多端背靠背柔性直流系统数学模型,分析直流电压控制的非线性和不确定性特征;然后,给出了基于深度强化学习的直流电压控制算法框架,设计了动作与状态空间、奖励函数、神经网络和学习流程;最后,通过仿真分析发现,相比传统比例-积分(PI)控制方法,所提方法具有更好的动静态性能,有效提高了直流电压的控制精度,减小了扰动下直流电压波动和功率超调,缩短了直流电压和功率的恢复稳定时间。

5自由度机器人手臂模糊自适应控制(英文)

为了在一定的跟踪精度范围内且存在不确定性因素的情况下控制机器人跟踪设定的轨迹,给出了一种基于控制器输出误差法的自适应模糊控制法来控制机器人手臂。采用梯度下降法调节部分或全部参数以减小输出误差。该方法被应用于5自由度机器人控制系统中,仿真结果显示模糊逻辑控制器参数得到了实时调整,该方法有效。

基于自适应神经模糊推理系统的船舶航向自抗扰控制

在实际的船舶航向控制中,航向系统在受到外界风浪干扰时表现出的模型非线性和参数不确定性,为航向控制器的设计带来了困难。针对该问题,设计了常规的线性自抗扰控制器和两种在线学习的自抗扰控制器。利用自适应神经模糊推理系统(ANFIS)实现自抗扰控制器参数的在线调整,设计了自适应PD的自抗扰控制器和自适应扩张状态观测器(ESO)的自抗扰控制器;分别在船舶受到外界扰动和参数摄动的两种情况下进行了仿真,仿真表明自适应自抗扰控制器控制效果更好,抗扰能力更强,表现出较强的鲁棒性。

基于数据的风能转换系统自适应控制

为了解决风能转换系统的建模困难问题,实现额定风速以下风能捕获率的最大化,根据数据驱动控制理论,在风能转换系统中采用基于数据的自适应控制方法。将风能转换系统用时变动态线性系统合理代替,利用风能转换系统的输入输出数据,通过投影估计算法获取动态线性系统的拟梯度向量,在线调整参与设计出自适应控制器。仿真结果表明采用基于数据的自适应控制方法能够有效地实现额定风速以下风能转换系统的最大风能捕获。

基于自适应动态规划和梯度下降法的自适应最优输出调节

当设计前馈-反馈控制器来实现连续时间线性系统的自适应最优输出调节时,往往需要依赖调节器方程的解,然而在系统动态不确定的前提下,获得这个方程的解一般非常困难.现有的自适应最优输出调节方法从选取调节方程解的基矩阵出发,通过在线数据学习每个基矩阵所对应的权重.但是,当被控对象或外部系统阶数过高时,这种方法的计算复杂度亦非常高.对此,提出一种新的无模型方法来实现闭环系统的自适应最优输出调节,调节器方程的解由梯度下降法逼近.需要指出的是,该方法通过在线数据而不是模型信息来获得梯度.仿真结果验证了所提出方法的有效性.

随机并行梯度下降算法用于次镜校准的仿真研究

将随机并行梯度下降(SPGD)算法应用于共轴三镜系统次镜,无需进行误差测量,可直接通过调节次镜的6个自由度,寻求评价函数的最优值,从而简化了次镜的校准。分析了影响随机并行梯度下降算法校正速度的主要因素,并对其进行优化。仿真计算结果表明,在各参量选取合适的情况下,系统峰谷值及均方根显著改善,从而验证了SPGD算法用于校准次镜的可能性。