中文摘要：

长期以来，关于随机动态系统的故障诊断和容错控制的研究一直是控制理论和应用的重要领域之一。随机控制系统故障诊断的目标是建立有效的故障估计算法以使残差信号方差最小。这种方法仅适用于高斯型残差或者具有对称分布的概率密度函数的残差。然而，对非高斯残差而言，仅使用残差信号的方差不能够全面表示残差的不确定性。本研究课题拟和中科院自动化所及英国曼彻斯特大学合作，针对非高斯随机动态控制系统研究新的故障诊断和容错控制算法，以使故障诊断中残差信号的熵极小化，同时极小化故障状态下闭环控制系统跟踪误差的熵。研究内容集中在三个方面1）针对状态方程或者输入输出方程表示的非高斯非线性动态随机系统，建立基于方差或熵极小化的故障检测和故障诊断新方法；2）建立容错控制策略，以在故障发生后实现跟踪误差的熵极小化；3）将得到的算法应用于工业物理仿真实验系统和造纸过程中的(TMP)纤维提炼系统（打浆过程）。

结论摘要：

在过去的三十多年，尽管已经建立了大量的故障诊断和容错控制算法，但关于针对非高斯随机系统的故障诊断和容错控制的研究成果较少。另一方面大多数实际系统都或多或少的受到随机因素的影响，应该由一般的非线性随机动态模型表示。因此，本课题的研究首次通过使残差熵最小化来设计有效的故障诊断算法，从而形成了一个新的研究思路。由于熵可以用来表示一般非高斯随机变量的不确定性，所获得的故障诊断方法将具有较强的通用性。而对高斯残差信号来说，最小熵等价于最小方差，因此本项目所建立的算法也可以用于高斯随机系统。此外，容错控制算法也是通过使闭环跟踪误差熵的极小化获得。从而使得闭环系统在故障情况下的随机因素得以极小化，就容错控制而言，这也是一个新的概念，是首次把熵用于非高斯随机系统的容错控制中。对故障诊断收敛性和鲁棒性分析也为检验故障诊断算法提供了一个统一的评价结构。 上述三个方面的研究新思路发表在《控制工程》上（王爱平，王宏. Performance Analysis for Operational Optimal Control for Complex Industrial Processes-the Square Impact Principal[J].控制工程（英文版），2013,20（6）991-995.）。 本课题的研究成果 1. 对非高斯奇异型随机分布系统进行故障诊断与容错控制,采用迭代学习观察器(ILO)方法来做故障估计,为复杂工业系统的安全可靠运行提供了有效的控制手段[文献5]。 2.将故障诊断与容错控制应用于非高斯化学过程的智能随机质量控制，取得了较好的效果[文献16]。 3.将故障诊断与容错控制应用于炼钢过程中的连续退火过程的故障诊断和容错控制，为提高这类系统的安全可靠运行提供了有效的控制手段。为进一步的在炼钢工业应用打下了理论基础[文献2]。 4.针对受非高斯随机干扰的非线性系统，研究了一种新的自适应PI控制器算法，该方法采用最小熵控制方法来减少在ILC基础上的闭环跟踪误差。该方法应用于双机器人机械手的控制中，取得了令人满意的效果[文献14，18]。项目组成员在项目的研究过程中，针对研究任务的每一个部分做了大量的工作，取得了令人满意的成果，发表各类论文19篇，其中EI收录9篇，SCI收录5篇，ISTP收录2篇，保质超量地完成了研究任务。