复合型模糊控制技术在电力系统稳定器中的应用

针对传统电力系统稳定器的缺点，以提高系统抗部干扰和内部参数变化的鲁棒性以及提高稳态控制精度为原则，提出了复合型模糊电力系统稳定器的设计方案，理论分析及仿真结果均表明所提出的方案正确可行并具有良好的性能。     

一类过程摄动系统的无阻塞鲁棒性

使用参数Dioid模块网络法,把含大量摄动参数的在普通极大代数意义下非线性状态空间模型在参数Dioid意义下线性化,在此基础上研究一类过程摄动系统的无阻塞鲁棒性.给出了有限缓冲串行生产系统在没有缓冲器下无阻塞的充要条件和充分条件.     

结构稳定性在非线性系统鲁棒性分析中的应用

探讨了非线性系统的结构稳定性、分叉点和鲁棒性之间的关系，提出了一种分析非线性系统鲁棒稳定性的方法，并给出了相应的计算实例．     

具有完整性的控制系统设计方法

该文研究线性连续系统的容错控制问题，即设计反馈控制器，使闭环系统对可能的执行器失效具有完整性。该文利用代数方法，直接证明了期望的容错控制器的存在性，并导出了其解析表达式。最后，用数值例子说明这种方法的直接性与简单性。     

一种求解刚体3D运动参数的鲁棒算法

提出一种基于鲁棒统计学中位数的３Ｄ运动参数估计方法，能够有效地克服由于出格点造成的粗差，并且不需任何参数初始值，整个算法计算简便，计算机模拟显示，其估计精度是令人满意的。     

水轮发电机组H∞状态反馈综合最优控制系统

根据实际工程应用的特点，改进了Ｈ_∞状态反馈控制的算法，并给出了一种选择Ｈ_∞权矩阵的方法；以此为基础设计及研究了一种能综合控制水轮发电机组的励磁和导叶开度，集励磁调节器、调速器功能于一体的综合控制系统．结果表明，该控制器在基本不影响系统响应性能的情况下，能明显地改善系统的鲁棒性．     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

计及位置不确定的喷雾机喷杆系统仿形姿态渐近跟踪控制北大核心CSCD

针对喷雾机喷杆仿形系统中同时存在负载变化、未建模不确定项、物理参数摄动以及外部干扰等问题,提出了一种基于小波网络逼近的具有自适应性和鲁棒性的反步控制方法.首先,将含有不确定、未知和非线性项的喷杆仿形系统建立为完整的数学模型,将其等价转化为具有严格反馈的状态空间形式;其次,采用设计的小波基元去构造神经网络,在满足最优误差有界条件下逼近反步法中虚拟等效控制部分,选取自适应更新律估计系统中存在的未知参数,引入鲁棒补偿项减小复合干扰对系统的不利影响,降低了输入指令信号的阶次要求;最后,通过构造合适的Lyapunov函数,应用稳定性理论证明了闭环系统位置跟踪误差渐近收敛到原点.仿真结果表明,所提控制方法可实现喷雾机喷杆位置姿态快速升降机动调整,有效地增强了喷杆系统的鲁棒稳定性和控制精度.     

APT 理论的非参数解释

本文用非参数回归方法中的核函数法和最近邻法来解释ＡＰＴ理论．通过不同核函数的选择和最近邻估计中参数的变化以及鲁棒性回归的辅助解释,来寻找ＡＰＴ理论较好的非参数解释．     

基于遗传算法的模糊神经网络控制器在虚拟仪器中的实现

模糊控制技术在复杂的非线性控制过程中表现出优越的性能，神经模糊控制器的出现为自适应模糊控制设计开辟了新的途径。遗传算法由于具有不依赖于问题模型、全局最优、隐含并行性、高效率和解决不同非线性问题的鲁棒性等特点，能很好地用于神经网络的训练。两种方法综合使用，可以大大提高模糊神经推理控制系统的自学习性能和鲁棒性。通过应用Active X技术在Lab VIEW中调用和操作MATLAB的方法，实现了基于遗传算法的模糊神经网络控制器。