基于离散时间收缩的神经网络非线性系统参数不确定性控制

为应对原料供应与不同规格产品市场需求的持续变化，过程需在时变操作条件与目标（如设定值）下运行以提升过程经济性，这与围绕预定平衡点的传统过程操作相反。本文针对非线性化工过程开发了一种基于收缩理论、利用神经网络的控制方法，以实现时变参考跟踪。该方法利用神经网络结合离散时间收缩分析与控制的通用逼近特性。它包含训练一个神经网络来学习收缩度量与微分反馈增益，并嵌入基于收缩的控制器中。另一个独立的神经网络也被纳入控制回路，用于在线学习不确定的系统模型参数。所得控制方案能够在模型不确定性全范围内实现时变参考的高效无静差跟踪，且无需随参考改变而重新设计控制器结构。这是一种可处理过程模型中常见有界参数不确定性的稳健方法，常见于工业（化工）过程。该方法还确保了在线同步学习与控制过程中的稳定性。文中给出仿真示例以说明上述方法。