燃料电池机器人标书.docVIP

国家自然科学基金申请书申请代码：受理部门： 收件日期：受理编号：第 16 页 版本1.007.191国家自然科学基金申 请 书您现在不能检查保护文档或打印文档，请根据以下三个步骤操作： 1)如果您是Word2000或以上版本用户，请把Word宏的安全性设为:中 方法: Word菜单-工具-宏-安全性-安全级,设置为中 (如果您是Word97用户，继续执行以下步骤) 2)关闭本文档，重新打开本文档 3)点击启用宏按钮，即可开始填写本文档或打印了资助类别： 亚类说明： 附注说明： 项目名称： 申 请 者： 电话： 依托单位： 通讯地址： 邮政编码： 单位电话： 电子邮件： 申报日期： 2007年3月20日国家自然科学基金委员会基本信息ykKr4oHP申 请 者 信 息姓名性别男出生年月1976年5月民族汉族学位博士职称副教授主要研究领域机器人控制 燃料电池控制 电电子邮件 传真 个人网页 工作单位武汉理工大学 /自动化学院在研项目批准号 依托单位信息名称代 码43007006 联系人宋彦宝 电子邮件 电网站地址 合作单位信息单 位 名 称代 码 项 目 基 本 信 息项目名称资助类别面上项目 亚类说明青年科学基金项目 附注说明 申请代码F030605:特种机器人 基地类别湖北省燃料电池重点实验室部门开放预计研究年限2008年1月 2010年12月研究属性应用基础研究 摘 要(限400字)：燃料电池驱动机器人具有连续运行时间长、节能高效等显著优点，已引起国内外专家的广泛关注。但燃料电池的动态响应具有一定的时滞，难以满足机器人负载实时变化的要求，需要配备小容量的辅助供电装置共同构成燃料电池机器人多能源动力系统。其动力系统是一个多输入多输出、强耦合的非线性系统，如何提高燃料电池的动态响应能力，并合理控制能量流，保证动力系统高效平稳运行是其中的难点与关键。为解决这个问题，本课题提出基于多模型的自适应预测分层控制结构。首先基于模糊聚类方法建立燃料电池、辅助供电装置等子系统的多神经网络模型，在此基础上分析动力系统负载平稳、负载突增、负载突减、能量回馈等多个运行状态，在每个状态下针对各个典型的工作区分别建立多能源动力系统的能量流模型；然后为各个能量流模型设计底层模型预测控制策略，最后设计上层监督自适应控制器，通过对底层控制策略进行自适应切换优化能量流，以达到系统高效稳定运行的目的。关 键 词(用分号分开，最多5个)燃料电池机器人；多能源动力系统；多神经网络建模；模型预测控制；多模型自适应控制 项目组主要成员（注: 项目组主要成员不包括项目申请者，国家杰出青年科学基金类项目不填写此栏。）编号姓 名出生年月性别职 称学 位单位名称电话电子邮件项目分工每年工作时间（月）11955-11-25 男教授博士武汉理工大学 系统结构研究 6 21971-10-8 男副教授博士武汉理工大学 系统建模 5 31975-10-28 女讲师博士武汉理工大学S 模型预测控制 6 41980-12-18 男博士生硕士武汉理工大学 自适应切换控制 6 51979-12-11 男博士生硕士武汉理工大学 系统建模 9 61976-8-24 男硕士生学士武汉理工大学 系统优化与仿真 10 71984-8-13 男硕士生学士武汉理工大学quan_ 仿真与实验 10 8 9总人数高级中级初级博士后博士生硕士生83122说明: 高级、中级、初级、博士后、博士生、硕士生人员数由申请者负责填报（含申请者），总人数自动生成。经费申请表 （金额单位：万元）科目申请经费备注（计算依据与说明）一.研究经费21.00001.科研业务费16.0000（1）测试/计算/分析费3.0000计算、仿真及数据处理费用（2）能源/动力费2.0000水、电费（3）会议费/差旅费4.0000国内外学术会议注册费、旅差费（4）出版物/文献/信息传播费5.0000发表论文、出版专著费用（5）其它2.0000资料费2.实验材料费5.0000（1）原材料/试剂/药品购置费5.0000计算耗材、控制器元器件（2）其它3.仪器设备费0.0000（1）购置（2）试制4.实验室改装费5.协作费二.国际合作与交流费3.00001.项目组成员出国合作交流2.00002.境外专家来华合作交流1.0000邀请海外专家来华研讨、交流三.劳务费3.6000研究生劳务补贴(300元/人月120人月)四.管理费1.4000合 计29.0000与本项目相关的其他经费来源国家其他计划资助经费其他经费资助（含部门匹配）其他经费来源合计0.0000报告正文（一）立项依据与研究内容1、项目的立项依据随着现代工业技术、海洋技术及空间技术的发展，需要越来越多的能工作在野外、海底、太空的无缆自主机器人和远程遥操作机器人。这些机器人都面临着一个共同的问题，就是难以匹配合适的能源动力。目前普遍采用的蓄电池体积大、重量大、功率密度低、充电时间长、连续工作时间短、使用寿命短，极大地限制了自主机器人和远程遥操作机器人的应用1。燃料电池是一种以氢气为燃料，以氧气为氧化剂，将燃料的化学能直接转化为电能的装置。它不受卡诺循环的限制，而且只要有足够的氢气和氧气，可以长时间连续运行。燃料电池尤其是质子交换膜燃料电池具有比能量高、工作温度低、效率高等良好性能，受到了人们的广泛关注，已在电动汽车中得到成功应用。它作为一种新能源，清洁环保，节能高效，可为机器人动力系统提供一个良好的供电方案，解决机器人当前的动力源问题，因此燃料电池在机器人领域具有广阔的应用前景。正是鉴于燃料电池在机器人中应用的重大意义和广阔前景，美国、日本和西欧各国正在竞相开发相关的技术。2005年加拿大Queen大学2研制了峰值功率为12W的燃料电池驱动的移动机器人，美国Sandia国家实验室机器人中心3研制了用于执行边界巡视、化学物资源的定位的燃料电池机器人，日本Speecys公司研制了由多个燃料电池作为动力源的机器人，西属英格兰大学研制了由微型燃料电池(MFC)驱动的小型机器人。国内的学者们在该领域也进行了研究，中科院沈阳自动化研究所燕奎臣教授领导的课题组4针对质子交换膜燃料电池在水下机器人中的应用进行了研究，上海交通大学朱新坚教授领导的课题组1,5对燃料电池机器人进行了应用研究。虽然燃料电池作为机器人的供电系统具有很多优点，但它在机器人上的应用还有待进一步的深入研究。燃料电池动态响应具有一定的时滞,当机器人所需功率波动时，燃料电池的输出功率需经过一段时间的调整才能适应负载的变化；当机器人中的电机回馈制动时，必须吸收电机回馈的电能，以节约能量，增加机器人连续工作时间，而燃料电池不支持能量的双向流动，不能吸收电机制动过程中产生的电能。所以供电系统中需要一个辅助供电装置与燃料电池互补，共同为负载供电，在保证机器人运行性能的前提下，提高能源利用率。燃料电池必须发挥供电时间长、效率高等优势；辅助供电装置必须发挥其响应快、能量回馈容易等特点,以弥补燃料电池动态响应速度慢和无法实现再生能量回收的缺陷。由燃料电池、辅助供电装置、电机及驱动装置共同构成了燃料电池机器人多能源动力系统。为了减小动力系统的体积和重量，辅助供电装置的容量应尽可能小。机器人一般具有多个自由度，亦即一般具有多个电机，各个电机通常在不同的时刻启动、加速、加载、匀速运动、减速制动，导致动力系统功率的波动非常频繁。燃料电池是一个典型的多输入/多输出、强耦合非线性系统，其输出电压与负载、氢气流量、空气流量、温度、湿度等参数呈严重的非线性关系。尤其是其动态特性随负载变化幅度较大，当负载频繁波动时，燃料电池的效率会大大下降。辅助供电装置（一般选蓄电池或超级电容）的输入输出特性也比较复杂，其荷电状态（简称SoC，State of Charge)与电压、电流、温度等参数也呈复杂非线性关系，导致SoC难以测量与控制。另外，为减小体积和重量，辅助供电装置应尽可能小，这又增加了系统控制的困难。因此，设计控制器提高燃料电池的动态响应能力，并合理控制燃料电池、辅助供电装置及负载间的能量流，保证动力系统连续、平稳运行是其中的难点与关键。关于燃料电池多能源的动态分配问题，国内外学者们已取得不少研究成果。欧阳明高等6,7提出了燃料电池电动汽车能量分配策略并进行了仿真，Markel等8分析了辅助供电装置的需求。关于燃料电池、蓄电池、超级电容模型的研究也有不少报导，如9。一些先进的控制算法，如模糊控制、神经网络控制等10在能量流优化中也有所应用。但已有结果大多未建立整个动力系统的动态模型，考虑的是基于简化模型的能量流，而未考虑燃料电池、辅助供电装置间能量的动态优化分配问题，而且针对燃料电池机器人动力系统的多能源控制问题目前还没见报道。燃料电池机器人多能源动力系统是一个典型的多输入多输出、非线性强耦合复杂系统，在启动、加速、加载、匀速运动、减速制动等运作状态下，能量流具有负载平稳、负载突增、负载突减、能量回馈等多个状态，每个工作状态有多个典型的工作区，呈严重的非线性关系，难以用一个模型来描述系统行为，而且燃料电池的动态响应具有一定的时滞。因此我们提出基于多模型的自适应预测控制思想来对系统进行建模和控制。多模型切换控制思想最早由Middleton 11提出，Narendra等12于1994年考虑在保持稳定的情况下，通过多模型间的切换改善传统自适应控制器的暂态性能，对未知的线性时不变系统的模型参考自适应控制中运用几种不同控制方法时系统的稳定性进行了分析。2000年文13提出了新的切换控制逻辑思想：“分层滞环切换”（Hierarchical Hysteretic Switching），用以研究存在大的建模不确定性的线性系统的控制问题，并证明了闭环系统在有扰动、噪声和未建模动态情况下的稳定性。文14 首次将神经网络引入到多模型切换控制中。2004年文15应用多模型自适应控制方法解决低频电机减振的鲁棒控制问题，文16基于T-S模型，提出了多模型并行分配补偿预测控制策略。2005年文17将多模型预测控制方法应用于未知环境下的远程遥操作机器人系统控制器设计。2006年文18提出了一种新的基于聚类建模的多模型自适应控制方法。2007年文19将多模型方法与非线性模型预测控制方法相结合，针对非线性系统的鲁棒性设计了多模型状态反馈控制策略，并在混沌系统中获得了成功的应用。虽然多模型切换控制方法在机器人控制、化工过程控制、航空系统中柔性传输系统的控制、飞行控制中操纵器发生故障时的控制、太阳能控制系统等领域已有应用先例，但从研究的现状来看，目前所做的工作存在着以下一些局限：(1)由于缺乏有效的建模策略，所建模型数量往往较多，导致部分模型本质区别不大，切换频繁，控制质量较差；(2)大部分多模型自适应预测控制系统的模型是离线建立的，不能在线实时更新；少数模型能在线学习与更新，但计算量大，难以用于实时在线运行。因此，我们不能照搬多模型自适应预测控制的研究成果，直接应用在燃料电池机器人多能源动力系统的控制中，必须针对燃料电池机器人这个复杂系统的特点，在一个新的层次上开展多模型的自适应预测控制研究，研究出新的适合于燃料电池机器人的多模型自适应预测控制理论和方法。本课题提出基于多神经网络模型的自适应预测分层控制结构，解决在辅助供电装置容量尽可能小的前提下能量流的分配与控制问题。首先基于模糊聚类方法建立燃料电池、辅助供电装置等子系统的多神经网络模型，在此基础上分析动力系统负载平稳、负载突增、负载突减、能量回馈等多个运行状态，在每个状态下针对各个典型的工作区分别建立动力系统的能量流模型；然后为各个能量流模型设计底层模型预测控制策略，最后设计上层监督分层自适应控制器，通过对底层控制策略进行自适应切换优化能量流，以达到系统平稳运行并节能的目的。在对理论成果进行仿真验证后，课题组将设计实际的控制器软、硬件，将现有的四自由度机器人改装为燃料电池机器人。本课题的实施将为燃料电池在野外作业机器人、水下机器人、远程遥操作机器人等其它自主机器人上的应用打下坚实的基础，为减小机器人体积、重量、提高连续工作时间、增强机器人的工作灵活性创造良好的外部条件。近年来，项目组成员在远程机器人控制、燃料电池控制、燃料电池电动汽车能量流控制上积累了丰富的经验。已有的工作基础表明将神经网络与多模型自适应预测控制思想相结合来解决燃料电池机器人多能源控制问题，不仅是可行的，而且可能对其它类似的复杂系统的建模与控制具有借鉴作用。参考文献1 刘呈则, 朱新坚。燃料电池驱动的自主机器人控制系统实现。计算机工程，2006，32（14）：214-2162 Alexander N. Wilhelm, Brian W. Surgenor and Jon G. Pharoah. Design and Evaluation of a Micro-Fuel-Cell-Based Power System for a Mobile Robot. IEEE/ASME TRANSACTIONS ON MECHATRONICS, 2006, 11(4):471-4763 Phil Bennett. Fuel cell powered mobile robots. http: / /www. sandia. gov/ isrc / fuelcellrat. html.4 袁学庆,燕奎臣,洪有陆等.质子交换膜燃料电池在无缆水下机器人上的应用研究.机器人,2003,25(2):123-1265 刘呈则, 朱新坚. 基于32位微控制器的燃料电池驱动机器人系统控制研究.测控技术，2006，25(6)：42-446 卢兰光; 何彬; 欧阳明高。燃料电池城市客车能量分配算法研究。机械工程学报，2005，NO.127 何彬， 卢兰光，欧阳明高等。燃料电池混合动力汽车能量控制策略仿真研究.公路交通科技，2006，23（1）：151-1558 T. Markel, M. Zolot, K. B. Wipke, and A. A. Pesaran, “Energy storage requirements for hybrid fuel cell vehicles,” in Advanced Automotive Battery. Conf., Nice, France, Jun. 1013, 2003.9 CaishengWang Hashem Nehrir, and Steven R. Shaw, Dynamic Models and Model Validation for PEM Fuel Cells Using Electrical Circuits. IEEE Transactions On Energy Conversion, 2005,20(2):442-45110 Jorg Folchert,Dietrich Naunin,Dimitri Tseronis. Ultra Capacitor Storages for Automotive Applications. Proceedings of the 198 Electric Vehicle Symposium, Busan,Korea,Oct,200211 R. H. Middleton, G.C. Goodwin, D. J. Hill, and D. Q. Mayne, “Design issues in adaptive control,” IEEE Trans. Automat. Contr., 33(1), 50-58, 1988.12 K. S. Narendra, and J. Balakrishnan, “Improving transient response of adaptive control using multiple models and switching,” IEEE Trans. Automat. Contr., 39(9), 1861-1866, 1994. 13 D. Liberzon, J. P. Hespanha, and A. S. Morse, “Hierachical Hysteresis switching,” IEEE Conference of Decision and Control, 484-489, 2000.214 Lingji Chen, and K. S. Narendra, “Nonlinear adaptive control using neural networks and multiple models,” Automatica, 37(8), 1245-1255, 200115 Balarko Chaudhuri, Rajat Majumder,Bikash C.Pal. Application of Multiple-Model Adaptive Control Strategy for Robust Damping of Interarea Oscillations in Power System. IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY, 2004,12(5): 727-73616 Ning Li, Shao-Yuan Li a, Yu-Geng Xi. Multi-model predictive control based on the TakagiSugeno fuzzy models: a case study. Information Sciences, 2004, pp24726317 S. A. Shahdi, S. Sirouspou, Multiple Model Control for Teleoperation in Unknown Environments. Proceedings of the 2005 IEEE International Conference on Robotics and Automation. Barcelona, Spain, April 2005, 703-70818 D.-S. Huang, K. Li, and G.W. Irwin. Multi-Model Predictive Control Based on a New Clustering Modeling Method. ICIC, LNCIS 344, 2006, pp. 559 56419 F.Y. Wang, P. Bahri, P.L. Lee, I.T. Camerona. A multiple model, state feedback strategy for robust control of non-linear processes. Computers and Chemical Engineering,2007,Vol.31,pp410-41820 Da Feipeng, Song Wenzhong, Fuzzy neural networks for direct adaptive control. IEEE Transactions on Industrial Electronics. 2003, 50 (3): 507-513 2、项目的研究内容、研究目标,以及拟解决的关键问题。研究内容：燃料电池本身是一个时滞非线性系统，燃料电池机器人多能源动力系统更是一个多输入/多输出、强耦合的非线性系统。机器人的体积和重量会明显限制其作业能力，因此辅助供电装置还要求尽可能小，导致辅助供电装置能存储的能量少。因此如何设计控制器提高燃料电池的动态响应能力，并合理控制燃料电池、辅助供电装置及负载间的能量流，保证动力系统连续、高效、平稳运行是其中的难点与关键。燃料电池机器人动力系统结构如图1所示：图1 燃料电池机器人多能源动力系统结构图本课题在前期研究基础上，基于模糊聚类方法建立燃料电池、辅助供电装置等子系统的多神经网络模型；分析燃料电池机器人动力系统的工作状态，在每个状态下针对各个典型的工作区分别建立动力系统的能量流模型；然后为各个能量流模型设计底层模型预测控制策略，最后设计上层监督分层自适应控制器，通过对底层控制策略进行自适应切换优化能量流，以达到系统平稳运行并节能的目的。在合理配置燃料电池和辅助供电装置的前提下，具体研究以下内容：（1） 燃料电池机器人多能源动力系统模糊神经网络建模研究燃料电池机器人多能源动力系统是一个多状态多过程的复杂系统，输入、输出的强耦合以及负载动态变化的多样性使得单神经网络、单一数据模型难以准确地对系统进行描述和表征，针对此问题本课题拟开展的研究内容如下：基于模糊聚类及多神经网络建模方法建立参数可在线调整的燃料电池、辅助供电装置等子系统的多神经网络模型；分析燃料电池机器人动力系统负载平稳、负载突增、负载突减、能量回馈等各典型工作状态。在每个状态下，针对各典型的工作区，以动力系统动态性能以及燃料电池工作效率为优化目标，分别建立动力系统的能量流模型，并对模型的数量及模型参数进行优化。（2） 能量流的模型预测控制策略研究针对多能源动力系统各典型的工作区下的能量流模型，分别研究相应的模型预测控制策略：负载平稳阶段，以燃料电池工作点的效率最优为目标，研究动力系统能量流优化的模型预测控制策略；负载突减、能量回馈阶段，以能量回收效率最大化为目标，研究辅助供电装置及燃料电池的能量极值约束下的模型预测控制策略；重点分析负载突增阶段燃料电池动态响应的滞后特性，以动力系统的动态性能及燃料电池的输出特性为优化目标，研究能量流的非线性模型预测控制策略，提高燃料电池动态响应能力。（3） 多模型自适应切换控制策略研究燃料电池机器人动力系统负载的多变性使得能量流的切换控制成为关键和难点，特别是保持切换系统的自适应性和鲁棒性更是控制系统面临的挑战。为增强动力系统的自适应性及鲁棒性，提高动态响应能力，研究基于神经网络多模型的燃料电池机器人多能源动力系统自适应切换控制策略，根据机器人的运行轨迹及实时运行状态对下层的模型预测控制策略进行切换，以得到最佳的控制效果。多模型自适应预测控制系统结构如图2所示，其中NNi表示利用模糊聚类方法建立的被控对象的第i个神经网络模型，Ci表示对应于第i个能量流模型的模型预测控制器，NNi-online表示通过输出偏差对当前神经网络模型进行在线调整，被控对象是燃料电池机器人动力系统。自适应切换控制器根据机器人运行轨迹及当前状态选择相应的模型预测控制策略。神经网络的输出与被控对象的实际输出进行比较，形成的偏差输入上层自适应切换控制器，自适应切换控制器通过切换选择最优控制策略对系统进行控制。图2 多模型自适应预测控制系统结构在对本课题提出的建模与控制方法进行仿真验证后，设计实际的控制器软、硬件，将课题组现有的四自由度机器人改装为燃料电池机器人，实现该燃料电池机器人的连续高效稳定运行。研究目标基于模糊聚类方法建立燃料电池、辅助供电装置等子系统的多神经网络模型，分析燃料电池机器人动力系统负载平稳、负载突增、负载突减、能量回馈等各个工作状态，在每个状态下针对各个典型的工作区分别建立动力系统的能量流模型；采用监督分层控制结构对系统进行控制器设计：底层采用模型预测控制，上层采用自适应预测切换控制策略优化动力系统能量流，以达到在辅助供电装置容量尽可能小的前提下，系统高效稳定运行的目的。拟解决的关键问题本项目需要解决以下两个关键问题： (1) 负载突增状态下能量流的非线性模型预测控制由于燃料电池的动态响应具有滞后特性，在负载突增状态下难以满足动力系统的能量需求,而且该状态下系统的非线性特性较强。因此必须针对燃料电池输出特性以及系统模型设计非线性模型预测控制策略，提高动力系统的动态响应能力，这是课题的核心问题之一。(2) 多模型切换控制的自适应性及鲁棒性由于燃料电池机器人动力系统的状态具有快速动态变化的特性，要求控制器具有更强的自适应新状态的能力。在切换控制时，因为同时存在模型的建模误差和模型间切换的切换误差，这要求所研究的切换策略具有鲁棒性。3、拟采取的研究方案及可行性分析。研究方案根据研究目标和研究内容的要求，对于系统的建模与控制，拟采用如下方法：(1) 燃料电池机器人多能源动力系统模糊神经网络建模研究方案建模对象为燃料电池、辅助供电装置及能量流模型，包括在线建模和离线建模两个部分。由于神经网络具有较强的逼近非线性过程的能力，单神经网络在工业过程建模与控制中应用得相当普遍。然而，由于神经网络训练数据有限，而且易陷入局部极小值，单神经网络通常缺乏泛化能力，这种局限性可通过多个神经网络的结合来解决。因此本课题用多神经网络对各被控对象进行建模，不同的神经网络用不同的数据集或不同的训练算法进行学习。即在同一时刻，对同一对象利用多个多神经网络进行建模，其结构如图3所示：图3 多神经网络建模结构图针对燃料电池机器人的各个工作区，建立多个神经网络模型，它不同于上述的多神经网络模型，是指在不同的工作点建立多个多神经网络模型，这就需要对建模数据进行聚类。本课题通过模糊聚类方法进行工作状态的划分及计算模型的数量。离线建模时，首先应用模糊聚类方法将数据分类，然后针对每一类数据利用多神经网络进行建模；在线运行时，将模糊和神经网络方法相结合，根据实际运行状况对神经网络模型进行修正，并增加或删减模型的数量。由于在本项目中建模的目的是为了控制，因此在线建模的要求是在保证一定建模误差基础上建模速度快和建模过程稳定。(2) 能量流的模型预测控制方案模型预测控制是提高动力系统动态响应能力的有效途径。燃料电池机器人动力系统对动态响应的要求较高，而燃料电池又具有一定的时滞，所以针对各个模型设计模型预测控制策略来对系统进行控制。对于部分平稳的状态，可建立多个线性模型，分别设计线性模型预测控制策略；而对于负载突增状态，必须设计非线性模型预测控制策略。模型预测控制策略设计的一个关键问题就是结合动力系统的性能指标要求选择合适的目标函数。负载平稳状态下，目标函数主要反应燃料电池的效率；负载突减、能量回馈阶段，目标函数主要反应能量回收率；负载突增状态下，目标函数主要反应动力系统的响应速度。在目标函数合理选择的基础上，设计使得各目标函数最小的模型预测控制策略。在实际运行过程中，根据模型的变化对控制器参数进行适当的调整。(3) 多模型自适应切换控制研究方案对于整个动力系统各个工作区的切换控制研究，本课题拟采用监督分层自适应切换控制方法。对于系统的每一个工作区，运用模型预测方法可以保证系统控制的可行性。但当系统的工作点发生变化时，需要监督单元在上层采用自适切换应控制算法，将控制策略切换到最优的模型预测控制器。自适应切换控制的关键也是目标函数，即性能评价函数的选择，本课题将根据建模误差建立合适的性能评价函数。切换过程中不仅要保证系统的稳定性，而且要保证系统的控制性能。监督分层自适应切换控制策略能保证闭环系统在有扰动、噪声和未建模动态情况下的稳定性。可行性分析(1) 基于模糊聚类的神经网络不仅具有神经网络本身的很好的非线性逼近能力和学习能力，而且有内部结构物理意义清晰和易于用语言规则形式表达网络内部知识等优点，因此模糊神经网络对于非线性系统具有非常好的建模能力，而且速度快，是一种很好的在线和离线建模工具。(2) 模型预测控制是提高动力系统动态响应能力的有效途径，可以有效克服时滞对系统性能的影响，还可以保证子系统的稳定性，并为对整个系统的稳定性分析打好基础。与传统的控制方法相比，该方法能显著改善系统性能。(3) 监督分层自适应切换控制策略不仅能保证闭环系统在有扰动、噪声和未建模动态情况下的稳定性，而且与模型预测控制策略相结合能保证系统的动态性能。由于切换控制的引入，对部分工作区下的控制器还可用线性模型预测控制方法进行设计，简化了设计方法。综上所述，基于模糊聚类的神经网络建模方法和监督分层自适应切换控制可以解决本课题提出的建模、自适应性及鲁棒性等关键问题，模型预测控制可显著改善被控对象的动态性能，所以本课题提出的研究方案是合理可行的。4、本项目的特色与创新之处本课题将基于模糊聚类的神经网络建模方法、模型预测控制方法与多模型自适应切换的思想相结合，设计多能源动力系统的神经网络多模型自适应切换控制结构和方法，在辅助供电装置容量尽可能小的前提下，保障系统高效稳定运行，这是本项目的特色和创新之处。具体创新点如下： （1）燃料电池机器人多能源动力系统基于模糊聚类的多模型神经网络建模燃料电池机器人动力系统具有多个状态，难以用一个模型对系统加以描述。本课题提出基于模糊聚类的方法，针对系统的各个工作区建立多神经网络模型，并对模型的数量及参数进行在线优化。这种方法建模准确，而且速度快，具有较强的创新性。 （2）基于监督分层的燃料电池机器人多能源动力系统多模型自适应预测控制针对燃料电池机器人动力系统要求响应速度快、而部分对象具有时滞的现状，提出底层利用基于模糊神经网络的模型预测控制、上层应用监督分层自适应切换的分层优化控制结构，这是燃料电池机器人动力系统控制上的创新，同时对于类似复杂系统的控制具有借鉴意义。5、年度研究计划及预期研究结果(1)年度研究计划2008年1月2008年12月：研究系统组成结构，对燃料电池、辅助供电装置、动力系统能量流进行建模研究，并进行模型优化、仿真研究。2009年1月2009年12月：根据模糊神经网络模型设计模型预测控制策略，进行控制器优化、仿真研究，并研究研究监督分层自适应切换控制策略。2010年1月2010年6月：将建模、模型预测控制、监督分层自适应切换控制策略联合起来构成完整的控制系统，进行仿真研究，并在仿真的基础上进行改进、优化。2010年1月2009年9月：设计实际的控制器软、硬件，将课题组现有的四自由度机器人改装为燃料电池机器人，实现该燃料电池机器