本文以动态非线性、有界不确定性故障系统为研究对象,对已有的一种主动容错控制方法进行了更深入的仿真研究.并提出了对多输入多输出(MIMO)系统可以用多个神经网络学习的方法进行故障辨识,进而实现容错控制.具体以基于信度分配的CMAC神经网络作为在线故障诊断的手段,并用离散滑模控制技术实现控制规律的在线重构.在以往的研究中,只是单输入单输出(SISO)针对系统分别发生单突发或者单渐进故障的研究,对多故障情况,例如双突发故障、双渐进故障以及混合性故障情况(先渐进后突发性和先突发后渐进性等故障模式)并没进行研究讨论.而容错控制研究的目的是为了进行实际应用,考虑到实际应用中的复杂性,因此针对此算法还有必要研究其在多故障情况下的容错情况,并进行实例仿真研究.对多故障主动容错控制来说,需要考虑两个同等重要的问题:一是故障诊断和检测策略问题,二是控制律如何重构的问题.本文具体分析了复杂多故障情况(CMF)发生的可能性因素,并给出了多变量诊断策略(MVDS)的方法和算法,然后利用改进的基于信度分配的CMAC神经网络进行在线故障诊断,基于信度分配的CMAC算法利用激活单元先前学习次数作为可信度;先前学习次数越多,可信度越高,其权值调整越少.但未进一步考虑“新知识学习”与“旧知识遗忘”之间的平衡关系.而改进的基于信度分配的CMAC(ICA-CMAC)神经网络,保留了信度分配的权值学习思想,提出一种“平衡学习”概念,对信度分配规则进行改进.误差校正值与激活单元先前学习次数的负p次方成比例,通过选择最优的p参数来提高网络的学习速度与精度.利用该算法设计故障估计器,当把耦合故障表示成故障信号的组合时,该方法可推广到耦合故障的诊断中.综上所述,本文以动态非线性系统为研究对象,以单故障决策理论为基础,针对多故障模式进行容错控制仿真研究.在不同的故障模式下,利用ICA-CMAC作为在线估计器进行故障诊断,并用离散滑模控制技术实现控制规律在线重构,从而实现对动态非线性系统的在线容错控制.