针对CCD(Charge Coupled Devices)像机消旋控制系统中存在的不规则干扰力矩和模型不确定性等问题,利用经典的滞后-超前校正无法得到满意的控制结果,提出采用改进的内模控制方法(IMCInternal Model Control).该方法既含有被控对象模型本身的闭环反馈形式,又加入了直接针对模型误差及外界干扰的滤波反馈.分别针对系统含有增益误差和极点误差的情况进行了仿真,两种系统输入阶跃信号仿真的结果表明对于存在增益误差的系统,采用改进的IMC,系统的上升时间减小了一半,峰值减小了3%;对存在极点误差的系统,改进的IMC能很好地消除采用经典控制方法时系统存在的严重震荡问题.改进的IMC设计简便,为类似的控制问题提供了简单实用的控制方法.

针对带有模型不确定性和未知外界干扰的四旋翼飞行器轨迹跟踪控制问题,提出一种自适应RBF神经网络控制策略。该方法利用RBF神经网络在线逼近和补偿系统中的未知非线性函数,减少对数学模型的依赖,提高抗干扰能力;结合Lyapunov方法导出在线调节神经网络权值的自适应律,增强鲁棒性;利用Lyapunov理论证明控制器的稳定性。通过仿真和试验验证该方法的有效性和工程应用价值,结果表明:在时变干扰和参数摄动作用下,所提方法相对于自抗扰控制的调节时间缩短1.1~2.1 s,轨迹跟踪的绝对误差平均值减小38.27%,具有更好的鲁棒性和抗干扰能力。

为提高电液负载模拟器的跟踪精度，针对其存在的大量非线性特性和模型不确定性等问题，建立了系统非线性数学模型，基于传统的误差符号积分鲁棒控制方法，融合自适应控制的思想，设计了一种自适应误差符号积分鲁棒控制方法。该方法无需获知模型不确定性的确切界，其积分鲁棒增益的取值可在线调节，更好地克服了模型不确定性对系统的影响，在舵机运动干扰作用下实现了系统的渐近稳定性能。仿真对比结果验证了该控制方法的优良性能。

针对重载大惯性液压驱动系统,考虑系统的强非线性、模型不确定性和工作点的变化,设计了系统的神经网络近似逆控制器。该系统逆控制器可以直接从辨识所得的神经网络模型中得到,因而只需要训练一个神经网络。对大惯性重载非线性液压驱动系统的控制仿真研究表明,与传统PID控制器相比,神经网络近似逆控制器具有更好的动态控制性能,对模型不确定性和工作点的变化具有更强的鲁棒性。