CN108107723A - 非线性间歇过程的2d最优模糊控制器设计方法 - Google Patents
非线性间歇过程的2d最优模糊控制器设计方法 Download PDFInfo
- Publication number
- CN108107723A CN108107723A CN201711214121.6A CN201711214121A CN108107723A CN 108107723 A CN108107723 A CN 108107723A CN 201711214121 A CN201711214121 A CN 201711214121A CN 108107723 A CN108107723 A CN 108107723A
- Authority
- CN
- China
- Prior art keywords
- formula
- error
- design
- fuzzy
- new law
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种非线性间歇过程的2D最优模糊控制器设计方法,属于工业过程的先进控制领域。本发明通过间歇过程的非线性和二维特性,建立2D T‑S模糊状态空间模型,进一步结合系统状态误差和输出误差,建立等价的2D‑Roesser模糊误差增广模型,进而利用最优控制思想来设计2D最优模糊控制器,使系统在满足稳定性的基本要求的情况下具有最优的控制性能,同时还具有跟踪准确快速的优点。
Description
技术领域
本发明属于工业过程的先进控制领域,特别是涉及一种非线性间歇过程的 2D最优模糊控制器设计方法。
背景技术
间歇过程是一种很古老的生产方式,对间歇过程的系统描述有两类,一类是线性的,另一类是非线性的。早期对间歇过程的控制大部分直接针对线性模型,然而在实际工业过程中间歇过程本身具有强非线性特性,线性模型和实际过程之间存在较大的不匹配问题,使得在实际应用中很难达到最佳的控制效果,寻找合适的方法将非线性模型再现成线性模型变得至关重要。另外,间歇过程在生产过程中,不仅跟时间相关,还与批次相关,寻找与两个方向上相关的控制算法以实现其高精控制更是重中之重。结合上述需考虑的两大因素,T-S模糊控制方法在间歇过程中得以提出。基本思路是:利用2D T-S模糊模型表示非线性间歇过程,并利用迭代学习控制与反馈控制相结合的思想,实现其控制。并且这方面已有一定的研究和成果。然而对实际的系统来说,尤其在含有干扰的情况下,仅保证其控制稳定性还远远不够,还要保证系统有一定的最优控制性能,以实现其节能减排、高精控制等目标。
因此,为解决非线性间歇过程中的最优性能控制问题,响应生产过程中节能减排的号召,提出一种迭代学习最优模糊控制器设计方法是很有必要的。
发明内容
为了解决上述存在的技术问题,本发明提供一种非线性间歇过程的2D最优模糊控制器设计方法;解决非线性间歇过程中的最优性能控制问题。
为了实现上述目的,本发明采用的技术方案如下:
一种非线性间歇过程的2D最优模糊控制器设计方法,该方法的具体步骤是:
步骤1:建立非线性间歇过程等价2D-Rosser误差增广模型
步骤1.1:根据间歇过程的非线性和二维特性,建立2D T-S模糊状态空间模型,由式(1)表示:
其中,x(t,k),y(t,k),u(t,k),w(t,k)分别表示系统的状态,系统的输出,系统的控制输入以及未知扰动;t,k分别表示在批次内的运行时刻与批次;Tp表示一个批次运行的总时间;p为前提变量数目;r为模糊规则数目;Ai,Bi,Ci为相应模糊规则i下的系统状态矩阵、系统输入矩阵、系统输出矩阵;x(0,k)为第k个批次的初始状态;Mij为模糊集,Mij(xj(t,k))为xj(t,k)属于Mij的隶属度;
由可得
步骤1.2:建立2D模糊等价误差状态空间模型:
设计2D迭代学习控制器u(t,k),如式(2)所示:
由此可知,预设计u(t,k),只需设计k批次t时刻更新律r(t,k),以实现系统输出y(t,k)跟踪所给定的期望输出yd(t,k);
引入系统误差和输出误差,由式(3a)表示:
令则(1)转化为等价误差模型为式(3b):
其中δ(w(t,k))=w(t+1,k)-w(t,k),I为适维的单位矩阵;
分适维向量的水平和垂直状态分量,Z(t,k)是系统的被控输出;
步骤2:设计最优2D模糊控制器
步骤2.1:利用PDC方法,基于误差模型的迭代学习更新律r(t,k)设计如下,规则i,如式(4)所示:
其中Ki为待求解的控制器增益;
步骤2.2:设计满足更新律r(t,k)的2D最优模糊控制器,所述系统的整体2D T-S模糊迭代学习更新律,由式(5)所示:
步骤2.3:将上述的2D模糊误差状态空间模型等价转换为闭环误差增广模型,形式由式(6)表示:
令其中且更新律r(t,k)的满足如下的性能指标函数,如式(7a)所示:
其中,U1和U2是给定的正定对称矩阵;
不仅如此,对于外界干扰,还应满足H∞性能指标形式,如式(7b)所示:
同时,对于系统(6),假设它具有有限的初始条件集合,且存在两个正整数t,k,使得
其中r1<∞和r2<∞是正整数;初始边界条件是任意的,但属于集合
其中Γ是一个给定矩阵;
步骤2.4:采用线性矩阵不等式的形式对更新律的增益Ki进行求解:
根据给定的稳定判据条件,在考虑有干扰的条件下,采用线性矩阵不等式的形式对更新律的增益Ki,Kj进行求解,所述给定的稳定判据条件如式(10a)、 (10b)所示:
其中,更新律增益为Ki=NiΩ-1,Kj=NjΩ-1,Ω=P-1,X=G-1;
最优控制性能指标满足式(11):
需要注意性能指标函数是有上界的、而且上界的大小取决于系统给定的初始条件,由于J≤r1β+r2β,为了求得最优控制性能指标上界J*,于是满足(12)式:
其中,
所以要求得最优控制性能指标,需要求得最小的J,满足(8)式和(9)式即:
J=最小化(r1β+r2β) (13)
根据线性矩阵不等式约束以及利用线性目标函数的凸优化问题,便可求解该问题,此时,便可得到具有最优模糊控制器。
本发明的有益效果:
本发明的效果和优点是采用在有干扰情况下的二维T-S增广模型并利用最优控制思想来设计最优模糊控制器,使系统在满足稳定性的基本要求的情况下还具有最优的控制性能,同时还具有跟踪准确快速的特点,最终实现生产过程的节能减排、高精控制等目标。
附图说明
图1为本发明非线性间歇过程的2D最优模糊控制器设计方法流程图。
图2为有无保性能控制器的系统输出跟踪比较图。
图3为输出响应:a批次1;b批次5;c批次20。
具体实施方式
下面结合附图及实施例对本发明进行详细描述。
实施例1
如图1所示,一种非线性间歇过程的2D最优模糊控制器设计方法,该方法的具体步骤是:
步骤1:建立非线性间歇过程等价2D-Rosser误差增广模型
步骤1.1:根据间歇过程的非线性和二维特性,建立2D T-S模糊状态空间模型,由式(1)表示:
其中,x(t,k),y(t,k),u(t,k),w(t,k)分别表示系统的状态,系统的输出,系统的控制输入以及未知扰动;t,k分别表示在批次内的运行时刻与批次;Tp表示一个批次运行的总时间;p为前提变量数目;r为模糊规则数目;Ai,Bi,Ci为相应模糊规则i下的系统状态矩阵、系统输入矩阵、系统输出矩阵;x(0,k)为第k个批次的初始状态;Mij为模糊集,Mij(xj(t,k))为xj(t,k)属于Mij的隶属度;
由可得
步骤1.2:建立2D模糊等价误差状态空间模型:
设计2D迭代学习控制器u(t,k),如式(2)所示:
由此可知,预设计u(t,k),只需设计k批次t时刻更新律r(t,k),以实现系统输出y(t,k)跟踪所给定的期望输出yd(t,k);
引入系统误差和输出误差,由式(3a)表示:
令则(1)转化为等价误差模型为式(3b):
其中δ(w(t,k))=w(t+1,k)-w(t,k),I为适维的单位矩阵;
分适维向量的水平和垂直状态分量,Z(t,k)是系统的被控输出;
步骤2:设计最优2D模糊控制器
步骤2.1:利用PDC方法,基于误差模型的迭代学习更新律r(t,k):设计如下,
规则i,如式(4)所示:
其中Ki为待求解的控制器增益;
步骤2.2:设计满足更新律r(t,k)的2D最优模糊控制器,所述系统的整体2D T-S模糊迭代学习更新律,由式(5)所示:
步骤2.3:将上述的2D模糊误差状态空间模型等价转换为闭环误差增广模型,形式由式(6)表示:
令其中且更新律r(t,k)的满足如下的性能指标函数,如式(7a)所示:
其中,U1和U2是给定的正定对称矩阵;
不仅如此,对于外界干扰,还应满足H∞性能指标形式,如式(7b)所示:
同时,对于系统(6),假设它具有有限的初始条件集合,且存在两个正整数t,k,使得
其中r1<∞和r2<∞是正整数;初始边界条件是任意的,但属于集合
其中Γ是一个给定矩阵;
步骤2.4:采用线性矩阵不等式的形式对更新律的增益Ki进行求解:
根据给定的稳定判据条件,在考虑有干扰的条件下,采用线性矩阵不等式的形式对更新律的增益Ki,Kj进行求解,所述给定的稳定判据条件如式(10a)、 (10b)所示:
其中,更新律增益为Ki=NiΩ-1,Kj=NjΩ-1,Ω=P-1,X=G-1;
最优控制性能指标满足式(11):
需要注意性能指标函数是有上界的、而且上界的大小取决于系统给定的初始条件,由于J≤r1β+r2β,为了求得最优控制性能指标上界J*,于是满足(12)式:
其中,
所以要求得最优控制性能指标,需要求得最小的J,满足(8)式和(9)式即:
J=最小化(r1β+r2β) (13)
根据线性矩阵不等式约束以及利用线性目标函数的凸优化问题,便可求解该问题,此时,便可得到具有最优模糊控制器。
仿真结果由图所示,由图2可以看出,在初始批次中系统都是极其不稳定,并且不能达到零误差跟踪,但是有保性能控制器的收敛较快,可以使系统快速收敛并且可渐近稳定至给定值,最终达到零误差跟踪。(绿色线条代表有保性能控制器,蓝色线条代表无保性能控制器)(RSSE)
通过图3还可以看出,利用本算法,系统输出趋近给定值明显更快、效果更好。(输出效果)
由此可见,在有外界干扰的情况下,本文设计的模糊保性能控制算法具有更快的收敛速度,更好的控制性能。
实施例2
以三容水箱为例,将三容水箱液位控制过程看做一个间歇过程,利用了间歇过程重复性特性与2D理念,采用了一种基于2D T-S模糊模型的间歇过程最优控制器设计方法,应用三容水箱构建的模型,带入各项参数进行仿真,计算控制器增益为:
无优化
K1=[-0.0045 -0.0001 0.0098];K2=[-0.0045 -0.0001 0.0098]
K3=[-0.0033 -0.0001 0.0059];K4=[-0.0035 -0.0001 0.0059]
有优化
K1=[-0.0055 -0.0001 0.00108];K2=[-0.0055 -0.0001 0.00108]
K3=[-0.0043 -0.0001 0.0072];K4=[-0.0045 -0.0001 0.0072]
仿真共进行50个批次,每个批次运行600步。为评价控制效果,引入评价指标root-sum-squared-error(RSSE)
其中e(t,k)为批次k时刻t系统的设定值与输出误差。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种非线性间歇过程的2D最优模糊控制器设计方法,其特征在于该方法的具体步骤是:
步骤1:建立非线性间歇过程等价2D-Rosser误差增广模型
步骤1.1:根据间歇过程的非线性和二维特性,建立2D T-S模糊状态空间模型,由式(1)表示:
其中,x(t,k),y(t,k),u(t,k),w(t,k)分别表示系统的状态,系统的输出,系统的控制输入以及未知扰动;t,k分别表示在批次内的运行时刻与批次;Tp表示一个批次运行的总时间;p为前提变量数目;r为模糊规则数目;Ai,Bi,Ci为相应模糊规则i下的系统状态矩阵、系统输入矩阵、系统输出矩阵;x(0,k)为第k个批次的初始状态;Mij为模糊集,Mij(xj(t,k))为xj(t,k)属于Mij的隶属度;由可得
步骤1.2:建立2D模糊等价误差状态空间模型:
设计2D迭代学习控制器u(t,k),如式(2)所示:
由此可知,预设计u(t,k),只需设计k批次t时刻更新律r(t,k),以实现系统输出y(t,k)跟踪所给定的期望输出yd(t,k);
引入系统误差和输出误差,由式(3a)表示:
令则(1)式转化为等价误差模型为式(3b):
其中δ(w(t,k))=w(t+1,k)-w(t,k),I为适维的单位矩阵;
分适维向量的水平和垂直状态分量,Z(t,k)是系统的被控输出;
步骤2:设计最优2D模糊控制器
步骤2.1:利用PDC方法,基于误差模型的迭代学习更新律r(t,k):设计如下,
规则i,如式(4)所示:
其中Ki为待求解的控制器增益;
步骤2.2:设计满足更新律r(t,k)的2D最优模糊控制器,所述系统的整体2DT-S模糊迭代学习更新律,由式(5)所示:
步骤2.3:将上述的2D模糊误差状态空间模型等价转换为闭环误差增广模型,形式由式(6)表示:
令其中且更新律r(t,k)的满足如下的性能指标函数,如式(7a)所示:
其中,U1和U2是给定的正定对称矩阵;
不仅如此,对于外界干扰,还应满足H∞性能指标形式,如式(7b)所示:
同时,对于系统(6),假设它具有有限的初始条件集合,且存在两个正整数t,k,使得
其中r1<∞和r2<∞是正整数;初始边界条件是任意的,但属于集合
其中Γ是一个给定矩阵;
步骤2.4:采用线性矩阵不等式的形式对更新律的增益Ki进行求解:
根据给定的稳定判据条件,在考虑有干扰的条件下,采用线性矩阵不等式的形式对更新律的增益Ki,Kj进行求解,所述给定的稳定判据条件如式(10a)、(10b)所示:
其中,更新律增益为Ki=NiΩ-1,Kj=NjΩ-1,Ω=P-1,X=G-1;
最优控制性能指标满足式(11):
需要注意性能指标函数是有上界的、而且上界的大小取决于系统给定的初始条件,由于J≤r1β+r2β,为了求得最优控制性能指标上界J*,于是满足(12)式:
其中,
所以要求得最优控制性能指标,需要求得最小的J,满足(8)式和(9)式即:
J=最小化(r1β+r2β) (13)
根据线性矩阵不等式约束以及利用线性目标函数的凸优化问题,便可求解该问题,此时,便可得到具有最优模糊控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214121.6A CN108107723B (zh) | 2017-11-28 | 2017-11-28 | 非线性间歇过程的2d最优模糊控制器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214121.6A CN108107723B (zh) | 2017-11-28 | 2017-11-28 | 非线性间歇过程的2d最优模糊控制器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108107723A true CN108107723A (zh) | 2018-06-01 |
CN108107723B CN108107723B (zh) | 2020-11-06 |
Family
ID=62207793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711214121.6A Active CN108107723B (zh) | 2017-11-28 | 2017-11-28 | 非线性间歇过程的2d最优模糊控制器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108107723B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803338A (zh) * | 2018-06-28 | 2018-11-13 | 杭州电子科技大学 | 一种化工多阶段批次过程迭代学习控制方法 |
CN108803339A (zh) * | 2018-06-28 | 2018-11-13 | 杭州电子科技大学 | 一种化工批次过程容错迭代学习控制方法 |
CN108829058A (zh) * | 2018-06-28 | 2018-11-16 | 杭州电子科技大学 | 一种化工批次过程模糊迭代学习控制方法 |
CN109062059A (zh) * | 2018-09-27 | 2018-12-21 | 杭州电子科技大学 | 一种基于系统增广模型的批次过程预测控制方法 |
CN110187638A (zh) * | 2019-06-12 | 2019-08-30 | 南宁学院 | 一种大时滞模糊控制方法 |
CN112180717A (zh) * | 2020-10-14 | 2021-01-05 | 河北工业大学 | 一种基于2d模型的热交换器温度模糊控制方法及系统 |
CN113296405A (zh) * | 2021-05-21 | 2021-08-24 | 河北工业大学 | 基于2d模型的化工热反应釜的模糊变结构控制方法及装置 |
CN113625571A (zh) * | 2021-09-07 | 2021-11-09 | 华北电力大学 | 一种燃气轮机模糊容错控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002368521A1 (en) * | 2002-12-27 | 2004-07-22 | Indelec Europe S.A. | Self-tuning controller for non-linear processes described by set of local linear models |
CN103901773A (zh) * | 2014-03-18 | 2014-07-02 | 广州市香港科大霍英东研究院 | 一种针对输入时滞的2d混杂控制器设计方法 |
CN107966902A (zh) * | 2017-11-27 | 2018-04-27 | 辽宁石油化工大学 | 一种不确定性间歇过程的约束2d跟踪控制方法 |
CN108227494A (zh) * | 2018-01-05 | 2018-06-29 | 海南师范大学 | 非线性批次过程2d最优约束模糊容错控制方法 |
-
2017
- 2017-11-28 CN CN201711214121.6A patent/CN108107723B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002368521A1 (en) * | 2002-12-27 | 2004-07-22 | Indelec Europe S.A. | Self-tuning controller for non-linear processes described by set of local linear models |
CN103901773A (zh) * | 2014-03-18 | 2014-07-02 | 广州市香港科大霍英东研究院 | 一种针对输入时滞的2d混杂控制器设计方法 |
CN107966902A (zh) * | 2017-11-27 | 2018-04-27 | 辽宁石油化工大学 | 一种不确定性间歇过程的约束2d跟踪控制方法 |
CN108227494A (zh) * | 2018-01-05 | 2018-06-29 | 海南师范大学 | 非线性批次过程2d最优约束模糊容错控制方法 |
Non-Patent Citations (5)
Title |
---|
LIMIN WANG 等: "Iterative learning fault-tolerant control for injection molding processes against actuator faults", 《JOURNAL OF PROCESS CONTROL》 * |
QIYUAN ZHANG 等: "2D Terminal Constrained Model Predictive Iterative Learning Control of Batch Processes With Time Delay", 《IEEE》 * |
王立敏 等: "基于T-S 模糊模型的间歇过程的迭代学习容错控制", 《化工学报》 * |
王立敏 等: "间歇过程复合迭代学习容错保性能控制器设计", 《上海交通大学学报》 * |
邹伟: "基于 2D 系统理论的迭代学习容错控制研究", 《CNKI》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803339A (zh) * | 2018-06-28 | 2018-11-13 | 杭州电子科技大学 | 一种化工批次过程容错迭代学习控制方法 |
CN108829058A (zh) * | 2018-06-28 | 2018-11-16 | 杭州电子科技大学 | 一种化工批次过程模糊迭代学习控制方法 |
CN108829058B (zh) * | 2018-06-28 | 2020-06-19 | 杭州电子科技大学 | 一种化工批次过程模糊迭代学习控制方法 |
CN108803338A (zh) * | 2018-06-28 | 2018-11-13 | 杭州电子科技大学 | 一种化工多阶段批次过程迭代学习控制方法 |
CN109062059B (zh) * | 2018-09-27 | 2021-04-13 | 杭州电子科技大学 | 一种基于系统增广模型的批次过程预测控制方法 |
CN109062059A (zh) * | 2018-09-27 | 2018-12-21 | 杭州电子科技大学 | 一种基于系统增广模型的批次过程预测控制方法 |
CN110187638A (zh) * | 2019-06-12 | 2019-08-30 | 南宁学院 | 一种大时滞模糊控制方法 |
CN112180717A (zh) * | 2020-10-14 | 2021-01-05 | 河北工业大学 | 一种基于2d模型的热交换器温度模糊控制方法及系统 |
CN112180717B (zh) * | 2020-10-14 | 2021-09-03 | 河北工业大学 | 一种基于2d模型的热交换器温度模糊控制方法及系统 |
CN113296405A (zh) * | 2021-05-21 | 2021-08-24 | 河北工业大学 | 基于2d模型的化工热反应釜的模糊变结构控制方法及装置 |
CN113296405B (zh) * | 2021-05-21 | 2022-08-05 | 河北工业大学 | 基于2d模型的化工热反应釜的模糊变结构控制方法及装置 |
CN113625571A (zh) * | 2021-09-07 | 2021-11-09 | 华北电力大学 | 一种燃气轮机模糊容错控制方法及系统 |
CN113625571B (zh) * | 2021-09-07 | 2023-01-10 | 华北电力大学 | 一种燃气轮机模糊容错控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108107723B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108107723A (zh) | 非线性间歇过程的2d最优模糊控制器设计方法 | |
CN104950898B (zh) | 一种再入飞行器全阶非奇异终端滑模姿态控制方法 | |
CN108107725B (zh) | 基于事件触发的二阶时变时延多智能体系统包容控制方法 | |
CN106647271B (zh) | 基于神经网络理论的非线性系统自适应比例积分控制方法 | |
CN111142562B (zh) | 基于应力矩阵的混合条件约束下的编队变换控制方法 | |
CN105404304A (zh) | 基于归一化神经网络的航天器容错姿态协同跟踪控制方法 | |
CN108958042A (zh) | 基于两种趋近律的滑模控制方法 | |
CN106681343B (zh) | 一种航天器姿态跟踪低复杂度预设性能控制方法 | |
CN108241292B (zh) | 一种基于扩张状态观测器的水下机器人滑模控制方法 | |
CN110376882A (zh) | 基于有限时间扩张状态观测器的预定性能控制方法 | |
CN108181920A (zh) | 基于给定时间的四旋翼无人机高精度姿态跟踪控制方法 | |
CN105137999A (zh) | 一种具有输入饱和的飞行器跟踪控制直接法 | |
CN106325075B (zh) | 一类时滞线性参数变化离散系统的h∞控制方法 | |
CN104407515B (zh) | 一种基于不确定模型的LMIs状态反馈系统控制方法 | |
CN105871356A (zh) | 基于最大混合互相关熵准则的自适应滤波方法 | |
CN110426951A (zh) | 一种应用于集群智能系统的鲁棒分布式平均跟踪控制方法 | |
CN114527661B (zh) | 一种用于集群智能系统的协同编队方法 | |
CN108681327A (zh) | 基于分数阶饱和函数切换控制律的四旋翼飞行控制方法 | |
CN102509152A (zh) | 一种基于rbf神经网络的开关磁阻电机在线建模方法 | |
CN105573120B (zh) | 基于多智能体的非线性多单摆网络系统协调控制方法 | |
CN108549398A (zh) | 基于分数阶饱和函数幂次切换律的四旋翼飞行控制方法 | |
Xiao et al. | Fuzzy adaptive PID control tank level | |
CN103558761B (zh) | 一种具有控制器输入饱和的非线性化学反应循环不确定时滞系统的控制方法 | |
CN112363538A (zh) | 一种速度信息不完备下的auv区域跟踪控制方法 | |
CN110376883A (zh) | 四旋翼无人机终端滑模控制方法、系统、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |