一类随机纯反馈非线性时滞系统的自适应神经网络控制研究

This project will employ the neural networks’ universal approximation theory combining with robust control theory, disturbance decoupling technique and adaptive backstepping approach to study the control design problems of stochastic pure-feedback nonlinear systems with time delay, which will further develop the control theory and control method based on neural networks. First, for a class of stochastic pure-feedback nonlinear time-delay systems, we propose the conditions and methods for separation of variables to the system functions, and then solve the control design problems of state-feedback output tracking and output-feedback output tracking by neural networks control scheme. Then, we propose a novel design method to deal with the adaptive neural control problem of output-constrained pure-feedback nonlinear time-delay systems such that the output constraint is never violated. Finally, the proposed design approaches will be applied to a continuous stirred tank reactor system to verify the effectiveness of our obtained results in this project via semi physical simulation.

本项目旨在应用神经网络逼近理论，结合鲁棒控制理论、扰动解耦技术和自适应反步递推技术，研究随机纯反馈非线性系统的控制设计问题，并进一步发展神经网络控制理论和控制方法。首先，针对一类随机纯反馈非线性时滞系统，给出系统函数可实施变量分离的条件，进而利用自适应神经网络控制技术解决该类系统的状态反馈跟踪控制以及输出反馈跟踪控制问题。然后，针对具有输出约束的随机纯反馈非线性时滞系统的自适应神经网络控制问题，在不违背约束条件下，提出新的自适应神经网络控制方法。最后，尝试将所提出的设计方法应用到连续搅拌釜反应器系统中，通过半实物仿真验证课题提出控制方法的有效性。

对非线性系统的控制问题，传统的处理方法是将其在某些特定点上进行线性化，分析得到线性近似模型，但存在两个局限：第一，由于线性化是在工作点附近的近似，因此只能预测出该点邻域内非线性系统的“局部”特性，无法预测出远离工作点附近的“非局部”特性，更无法预测出整个状态空间的“全局”特性；第二，非线性系统动力学远比线性系统丰富，线性模型很难甚至不能刻画出系统的非线性本质。针对上述问题，本项目应用神经网络逼近理论，结合鲁棒控制理论、扰动解耦技术和自适应反步递推技术，研究随机纯反馈非线性系统的控制问题，提出基于神经网络的控制理论和控制方法。本项目研究成果应用在高速贴片机控制系统、高真空环境中光谱发射率加热控制系统，推荐系统和高品质金属材料制备装备中，取得了较好的应用价值。本项目资助发表期刊论文11篇，会议论文3篇，获得发明专利授权1项，项目负责人作为第三完成人获得2018年辽宁省科技进步奖三等奖1项。