为了满足对产品质量和经济效益的要求,现代工业生产设备变得越来越复杂,并呈现动态未知性、高度非线性和不确定性,给自动控制系统的研发带来了更大的难度。与此同时,系统组件的不断增加也导致故障发生的概率越来越高。作为一种智能方法,自适应动态规划(adaptive dynamic programming,ADP)具有自学习和优化能力,已经在运动控制、电力系统、交通物流和化工过程等领域取得了广泛的应用。将ADP算法集成到容错控制器中,不仅可以维持期望的代价函数,还可以快速响应系统的未知故障,保证系统的容错性和最优性。因此,本文研究基于ADP理论的容错控制方法,主要包括以下两个方面:1.针对一类带有执行器故障的部分未知连续非线性系统,研究了基于粒子群优化评判网络的容错控制方法。为了获得系统的未知动态,提出了带有误差反馈机制的神经网络辨识器设计方法。对于系统存在的执行器故障,设计故障观测器进行实时估计。与此同时,设计了一个能反映系统执行器故障的系统代价函数,将容错控制问题转化为最优控制问题,进而通过求解哈密顿-雅克比-贝尔曼方程(HamiltonJacobi-Bellman,HJB)得到具有最优性能的容错控制策略。与此同时,针对现有的基于梯度学习算法训练的评判网络在求解HJB方程成功率不高的问题,建立粒子群优化评判网络,提高了求解HJB方程的成功率。采用仿真验证了所提出的容错控制方法的有效性。2.针对一类带有执行器故障的完全未知连续非线性系统,提出了一种基于辨识-评判网络结构的自适应容错控制算法。该算法由辨识-评判网络结构和故障补偿器组成。利用系统的输入输出数据,构建神经网络辨识器,估计未知系统动态和控制增益函数。通过粒子群优化的评判网络求解HJB方程,进而获得最优控制策略。针对系统存在的未知执行器故障,设计了故障估计器进行在线估计,并对最优控制策略进行在线调整。利用李雅普诺夫定理证明了系统辨识误差、闭环系统状态最终一致有界。通过两个仿真验证了所提出的自适应容错控制算法的有效性。本文基于ADP方法解决了部分未知和完全未知的连续非线性系统容错控制问题,所提出的容错控制策略同时具有最优性能。与此同时,建立了粒子群优化评判网络,提高了求解HJB方程的成功率。