• 论文 • 上一篇    下一篇

一类随机时延网络控制系统的神经网络自适应容错控制

周川, 周小波, 吴益飞, 陈庆伟   

  1. 南京理工大学自动化学院,  南京 210094
  • 收稿日期:2011-05-30 出版日期:2011-06-25 发布日期:2012-09-07

周川, 周小波, 吴益飞, 陈庆伟. 一类随机时延网络控制系统的神经网络自适应容错控制[J]. 系统科学与数学, 2011, 31(6): 637-649.

ZHOU Chuan, ZHOU Xiaobo, WU Yifei, CHEN Qingwei. ADAPTIVE FAULT-TOLERANT CONTROL FOR A CLASS OF NETWORKED CONTROL SYSTEM WITH RANDOM TIME DELAY BASED ON NEURAL NETWORK[J]. Journal of Systems Science and Mathematical Sciences, 2011, 31(6): 637-649.

ADAPTIVE FAULT-TOLERANT CONTROL FOR A CLASS OF NETWORKED CONTROL SYSTEM WITH RANDOM TIME DELAY BASED ON NEURAL NETWORK

ZHOU Chuan, ZHOU Xiaobo, WU Yifei, CHEN Qingwei   

  1. School of Automation, Nanjing University of Science and Technology, Nanjing 210094
  • Received:2011-05-30 Online:2011-06-25 Published:2012-09-07
针对一类随机时延网络控制系统, 提出一种基于RBF神经网络自适应动态补偿的容错控制策略.该方法通过在线估计时延将系统建模为随机切换系统, 并在模型参考自适应方法的基础上设计RBF神经网络动态补偿容错控制器, 利用Lyapunov稳定性理论给出神经网络补偿器的在线权值学习算法, 以保证网络控制系统在故障情况下的跟踪性能和状态一致最终有界稳定.最后通过仿真验证了该方法的有效性.
A novel fault tolerant control strategy based on radial basis function (RBF) neural network adaptive compensation is presented for a class of networked control system with random time delay. The networked control system is modeled as stochastic switched system by estimating time delay online and an RBF neural network is designed to compensate effect of the system faults and disturbances dynamically by using model reference adaptive control technology. Furthermore the weights tuning law of neural network is given through Lyapunov stability theory to ensure the tracking performance and system state uniformly ultimately bounded when failures occur. Finally, the simulation results are given to illustrate the feasibility of the proposed method.

MR(2010)主题分类: 

()
[1] 胡雪梅, 李佳丽, 蒋慧凤. 机器学习方法研究肝癌预测问题[J]. 系统科学与数学, 2022, 42(2): 417-433.
[2] 王秋雨, 张举勇. 一种基于三维对齐方式的深度学习人脸识别算法[J]. 系统科学与数学, 2021, 41(7): 2035-2045.
[3] 吴峰, 于洋. PMSM伺服系统的神经网络动态面控制[J]. 系统科学与数学, 2021, 41(5): 1203-1214.
[4] 胡雪梅, 蒋慧凤. 具有技术指标的逻辑回归模型预测谷歌股票的涨跌趋势[J]. 系统科学与数学, 2021, 41(3): 802-823.
[5] 姚海祥, 黎俊伟, 夏晟皓, 陈树敏. 基于Apriori算法和神经网络的模糊交易决策[J]. 系统科学与数学, 2021, 41(10): 2868-2891.
[6] 陆文星,戴一茹,李楚,李克卿. 基于改进PSO-BP神经网络的旅游客流量预测方法[J]. 系统科学与数学, 2020, 40(8): 1407-1419.
[7] 石宇静,胡昌敏. 复杂网络的动态输出反馈容错同步控制[J]. 系统科学与数学, 2020, 40(10): 1701-1712.
[8] 齐雪,才治军. 船用锅炉主蒸汽压力系统的多工况控制[J]. 系统科学与数学, 2019, 39(6): 831-844.
[9] 贾凯,倪志伟,李敬明,陆玉佳,朱旭辉. 基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究[J]. 系统科学与数学, 2019, 39(3): 477-494.
[10] 王溪,明扬,洪奕光. 基于群论的深度卷积网络分析[J]. 系统科学与数学, 2019, 39(2): 219-227.
[11] 李祥坤,杨争峰,曾霞,刘志明. 一种面向图像识别的神经网络通用扰动生成算法[J]. 系统科学与数学, 2019, 39(12): 1944-1963.
[12] 相鑫,刘秀丽. 四层参数自调整BP神经网络模型及其在人口死亡率预测中的应用[J]. 系统科学与数学, 2018, 38(6): 702-710.
[13] 王乐,何舒平. 基于Kleinman迭代算法的非线性系统自适应控制器设计[J]. 系统科学与数学, 2017, 37(9): 1885-1892.
[14] 孙海龙,段丹丹. 多干扰切换系统的抗干扰容错控制[J]. 系统科学与数学, 2017, 37(9): 1893-1903.
[15] 郭涛,马辉. 约束关联大系统的自适应模糊容错控制[J]. 系统科学与数学, 2017, 37(5): 1205-1220.
阅读次数
全文


摘要