非线性约束系统的自适应神经网络确定学习控制

Many actual engineering systems suffer from the limits of the various constraints, such as operating space, pressure, temperature, rotation angle and safety specifications, etc. Once these constraints are violated, the stability and control performance of the system will be degraded, and even the system instability and safety accident will be caused. The new challenge for the control problem of nonlinear systems is that how to avoid violations of constraints and achieve human-like learning containing the acquisition, storage and reusing of unknown system dynamics. This project will study the deterministic learning control of nonlinear constrained systems and the related theoretical problems, the main research contents include: 1) consider the nonlinear constrained systems, the adaptive neural network state feedback control methods based on deterministic learning theory will be studied; 2) the adaptive neural network deterministic learning output feedback control methods will be studied for nonlinear constrained systems with unmeasurable states; 3) for nonlinear constrained systems with unknown time-delays, the adaptive neural network deterministic learning control methods will be studied; 4) the theoretical method aforementioned will be applied to the vehicle suspension system, and the proposed methods will be verified experimentally. The study of this project will not only further develop the theory of deterministic learning control, but also enrich the research methods of nonlinear constraint systems. Therefore, the study of this project has important theoretical significance and practical application value.

许多实际工程系统经常受到各种约束限制，如操作空间、压力、温度、旋转角度及安全性等。一旦违反这些约束条件，势必导致系统的稳定性和控制性能下降，甚至可能引起系统失稳和安全事故。如何避免约束的违反且实现未知系统动态信息的获取、存储和再利用等类人的学习能力（确定学习），这对非线性系统控制问题提出了新的挑战。本项目将研究非线性约束系统的确定学习控制及其相关理论问题，主要研究内容包括：1）针对非线性约束系统，基于确定学习理论研究自适应神经网络状态反馈控制方法；2）研究具有状态不可测非线性约束系统的自适应神经网络确定学习输出反馈控制方法；3）针对具有未知时滞的非线性约束系统，研究自适应神经网络确定学习控制方法；4）将上述理论方法应用到汽车悬架系统中，并对所提出的方法进行实验验证。本项目的研究将进一步发展确定学习控制理论，并丰富非线性约束系统的研究方法。因此，本项目的研究具有重要的理论意义和实际应用价值。

本项目针对非线性不确定约束系统，充分考虑未知状态/输入时滞、系统状态不可测、未知控制方向等因素对系统稳定性和控制性能的影响，在自适应控制的框架下，将确定学习理论、障碍李雅普诺夫函数、非线性映射、状态观测器及Nussbaum增益技术等有机地融合进Backstepping技术之中，提出了一系列智能约束控制方法，部分理论研究成果发表和录用在国际控制权威期刊。主要的研究包括：1）针对非线性全状态约束系统，采用神经网络确定学习理论对未知动态环境下复杂系统动态信息获取并以常数权值存储，通过采用障碍李雅普诺夫函数保证系统状态时刻保持在指定约束范围内。随后将存储常数权值应用于相同或相似的任务中，实现了更高的控制精度；2）针对具有未知时滞的非线性约束系统，通过将克拉索夫斯基-李雅普诺夫泛函、障碍李雅普诺夫函数或非线性映射有机地融合，提出一些智能自适应控制设计方案，在补偿未知时滞对控制性能影响的同时，保证系统状态始终不超出规定约束界；3）针对几类具有常数/时变约束的车辆悬架系统，通过构建适当的障碍李雅普诺夫函数，保证车身纵向位移不违反约束范围，从而提高车辆驾驶的安全性、操作的可控性及乘坐的舒适性。.经过3年的不懈努力，课题组在国际控制领域权威期刊上发表和录用SCI检索论文25篇，其中在IEEE汇刊《IEEE Transactions on Fuzzy Systems》、《IEEE Transactions on Cybernetics》、《IEEE Transactions on Industrial Electronics》、《IEEE Transactions on Neural Networks and Learning Systems》、《IEEE Transactions on Systems, Man and Cybernetics: Systems》等上发表和录用17篇。在本项目资助下，毕业硕士研究生中有7人前往国内知名攻读博士学位。