基于滑模变结构的空间机器人神经网络跟踪控制

研究了在无需模型估计值的情况下不确定空间机器人轨迹跟踪问题,提出了滑模变结构的神经网络控制方案.首先基于Lyapunov理论设计了一种径向基函数（RBF）神经网络控制器来补偿系统中的未知非线性,该神经控制器能够保证闭环系统的稳定性,而通过利用饱和函数把神经网络和滑模控制结合起来的控制器来不仅可以进一步削弱滑模控制输入的抖振,且当神经网络控制器无效时仍能保证系统鲁棒性.仿真结果证明了该控制器能在初期及强干扰情况下均能达到较好的控制效果.     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

自适应神经变结构的机器人轨迹跟踪控制

提出一种神经网络与变结构融合的控制策略用于非线性机器人控制,该方案利用神经网络来自适应补偿不确定模型,并通过变结构控制器消除逼近误差.考虑到局部泛化网络的不足,根据其状态空间的划分,分别对3个区间采用神经网络与变结构的分级与集成控制.该方案能在控制阶段初期及网络逼近区域外使两种控制器共同起作用以保持系统的强鲁棒性,基于Lyapunov理论证明了闭环系统的全局稳定性.仿真结果进一步表明了该方法的优越性.     

具有非线性关联的广义分散系统的镇定问题

利用变结构控制思想研究具有非线性关联的大型广义不确定系统的镇定问题。在一定条件下对系统设计了分散变结构控制器及安全分散变结构控制器，由于切换函数中动态补偿器的引入，使得设计简单，易于工程实现。     

不确定机器人的神经网络轨迹控制

针对不确定机器人的轨迹跟踪问题,提出了一种基于自适应神经网络的控制方案.对于系统中的各种未知非线性,通过RBF神经网络和变结构光滑集成的控制器来自适应学习并且补偿,这种控制器克服了局部泛化网络的不足,提高了控制精度及其收敛速度.而且在考虑神经网络失效的情况下,仍能保证系统具有良好的鲁棒性.网络权重的自适应修正规则基于Lyapunov函数方法得到,它保证了跟踪误差的全局渐进稳定性.试验结果证明了这种控制算法的有效性.     

不确定时滞系统的自适应近似变结构控制

针对一类具有未知不确定性范数上界的线性时滞系统,设计自适应近似变结构控制器 ,对系统的不确定性范数上界进行在线估计,近似变结构控制器使系统进入滑模运动区域, 保证系统的一致终结有界性,进而用李雅谱诺夫函数方法分析了所得控制系统的性能．所提 出的近似自适应变结构控制器可以避免控制器中的不连续继电项,同时不必已知系统不确定 性范数界．用数字仿真例子验证了所提出控制器设计方法的有效性．     

永磁同步电机的自适应反演滑模变结构控制

针对永磁同步电机提出一种基于反演的PMSM自适应滑模控制方案.设计基于反演的滑模变结构位置控制器,通过RBF神经网络实现系统参数变化和外部负载扰动等引起的不确定上界值的在线辨识,减小滑模控制器的控制量,并引入饱和函数来减弱系统的"抖动"现象.理论分析和仿真结果对比表明,基于RBF神经网络的自适应反演滑模控制对参数变化和外部负载扰动具有很好的鲁棒性,永磁同步电动机获得了很好的跟踪效果.     

不确定非线性系统的直接自适应神经网络控制

为解决一类带干扰的不确定非线性系统中存在的两类未知项——未知函数和外界干扰,采用了直接自适应神经网络控制方法设计控制器。控制器设计中利用径向基函数神经网络良好的逼近性来近似未知函数,利用非线性衰减项来抑制干扰。所用方法结构简单、算法简洁,在一定条件下稳定性和收敛性能定性地得到保证。最后,仿真结果证明了该方法是正确的。     

控制增益为未知函数的不确定系统预设性能反演控制

对一类控制增益为未知函数的不确定严格反馈系统的预设性能反演控制进行研究.首先,提出一种新的变参数约束方案,放宽了对初始跟踪误差已知的限制,并通过误差转化将不等 式约束的受限系统转化为非受限系统.随后,通过引入积分型Lyapunov函数,避免了因控制增益未知而引起的系统奇异问题.最后,综合应用自适应技术、径向基函数(Radial basis function,RBF)神经网络和反演控制技术完成了控制器的设计,系统中的未知函数利用RBF神经网络直接进行逼近.所设计的控制器能够满足预设性能的要求,且保证闭环系统所有的状态量有界.仿真研究证明了控制器设计方法的有效性.     

基于低通滤波器的不确定机器人迭代学习控制

针对不确定机器人系统轨迹跟踪问题,并更好地消除系统不确定性对控制性能的影响,提出一种基于低通滤波器的迭代学习控制方法。采用滑模变结构控制(SMC)以提高控制器对系统干扰和摄动的鲁棒性,并在控制器输出端引入低通滤波器(LPF)来消除滑模控制中出现的抖振现象。将系统的不确定项描述为周期性和非周期性两部分,通过采用迭代学习算法对周期性不确定部分进行迭代学习,采用RBF神经网络对非周期性不确定部分的未知上界进行自适应学习。该控制方法不仅对系统的不确定性和有界外部扰动具有鲁棒性,而且使得整个系统在迭代域中是全局渐近稳定的。严格的理论推导和仿真结果表明了该控制策略的有效性。     

具LTI 保持的采样控制系统鲁棒稳定性分析

将美国密歇根大学的学者Bernstein 教授和Hollot 教授［1］提出的利用指数矩阵形 式检测鲁棒稳定性的方法,推广到具有线性时不变( LTI) 保持函数的采样控制系统中。直接使 用了连续时间模型的原有数据,避免判断条件过于保守。构造了此类系统的标准Lyapunov 函 数的一个上限。此上限完全不依赖于系统原来的不确定参数,而只依赖于一个为了避免此上 限过于保守而专门引入的一个自由标量参数。给出了一个可靠的数值计算的算法。并且将计 算方法进行改进以进一步适用于具有任意广义采样保持函数( GSHF) 的采样控制系统。     

T-S模糊神经网络应用于变参数系统的控制研究

针对基于模型的传统控制策略在线性时变系统中的应用受到系统的时变性和不确定性限制,通常难以获得理想的控制性能这一问题,提出了线性时变系统的一种变参数系统模型。该模型具有有界性和不确定性特点,利用模糊神经网络具有的自学习能力强、模型依赖性小以及鲁棒性强的优点,提出一种基于遗传算法的T-S模糊神经网络控制器对其进行控制研究,并通过仿真实验证明了该模糊神经网络控制器对变参数系统控制的可行性与有效性,为线性时变系统的控制问题提供了一种新思路。     

基于Backstepping的倒立摆鲁棒跟踪控制

针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好.     

控制增益符号未知的不确定非线性系统鲁棒自适应控制

针对一类控制增益函数及符号均未知的不确定非线性系统,基于反推滑模设计方法,提出一种鲁棒自适应神经网络控制方案.结合Nussbaum增益设计技术和神经网络逼近能力,取消了控制增益函数及符号已知的条件,应用积分型Lyapunov函数避免了控制器奇异性问题,并通过引入神经网络逼近误差和不确定干扰上界的自适应补偿项消除了建模误差和不确定干扰的影响.理论分析证明了闭环系统所有信号半全局一致终结有界,仿真结果验证了该方法的有效性.     

Adaptive neural network control of uncertain MIMO nonlinear systems with input saturation

In this paper, an adaptive neural network (NN) tracking controller is developed for a class of uncertain multi-input multi-output (MIMO) nonlinear systems with input saturation. Radial basis function neural networks are utilized to approximate the unknown nonlinear functions in the MIMO system. A novel auxiliary system is developed to compensate the effects induced by input saturation (in both magnitude and rate) during tracking control. Endowed with a switching structure that integrates two existing representative auxiliary system designs, this novel auxiliary system improves control performance by preserving their advantages. It provides a comprehensive design structure in which parameters can be adjusted to meet the required control performance. The auxiliary system signal is utilized in both the control law and the neural network weight-update laws. The performance of the resultant closed-loop system is analyzed, and the bound of the transient error is established. Numerical simulations are presented to demonstrate the effectiveness of the proposed adaptive neural network control.     

多关节机器人的神经滑模控制

针对含有建模误差和不确定干扰的多关节机械臂轨迹跟踪控制,提出了一种神经滑模控制方法。该方法采用全局快速终端滑模面保证了系统状态能够在有限时间内到达滑模面和平衡点。采用径向基函数神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动。利用李亚普诺夫稳定性判据推导出了控制器的控制律和神经网络的目标函数,通过神经网络的在线学习,削弱了滑模控制的抖振。仿真结果表明了其有效性。     

Adaptive Neural Network Finite-Time Control for Uncertain Robotic Manipulators

An adaptive neural network finite-time controller (NNFTC) for a class of uncertain nonlinear systems is proposed by using the backstepping method, which employs an adaptive neural network (NN) system to approximate the structure uncertainties and uses a variable structure term to compensate the approximation errors, thus improving the robustness of the system to external disturbances. The controller is then applied to uncertain robotic manipulators, with a control objective of driving the system state to the original equilibrium point. It is proved that the closed-loop system is finite-time stable. Moreover, simulated and experimental results indicate that the proposed NNFTC is effective and robust.     

An RBF neural network-based adaptive control for SISO linearisable nonlinear systems

An RBF neural network-based adaptive control is proposed for Single-Input and Single-Output (SISO) linearisable nonlinear systems in this paper. It is shown that a SISO nonlinear system is first linearised by using the differential geometric approach in the state space, and the linearised nonlinear system is then treated as a partially known system. The known dynamics are used to design a nominal feedback controller to stabilise the nominal system, and an adaptive RBF neural network-based compensator is then designed to compensate for the effects of uncertain dynamics. The main function of the RBF neural network in this work is to adaptively learn the upper bound of the system uncertainty, and the output of the neural network is then used to adaptively adjust the gain of the compensator so that the strong robustness with respect to unknown dynamics can be obtained, and the tracking error between the plant output and the desired reference signal can asymptotically converge to zero. A simulation example is performed in support of the proposed scheme.     

Predefined-time control for Euler–Lagrange systems with model uncertainties and actuator faults

A novel adaptive predefined-time tracking control algorithm is proposed for the Euler–Lagrange systems (ELSs) with model uncertainties and actuator faults. Compared with traditional finite-time and fixed-time studies, the system output tracking error under the proposed predefined-time controller converges to a small neighborhood of zero in finite time, whose upper bound is exactly a design parameter in the control algorithm. For the uncertain model, radial-based function neural network (RBFNN) is utilized to approximate the continuous uncertain dynamics. To deal with the actuator faults, an adaptive control law is involved in the fault-tolerant controller. In order to achieve the predefined-time bounded, a novel predefined-time sliding mode surface is designed. It is proved that the tracking error vector trajectory of closed-loop system is semi-globally uniformly ultimately predefined-time bounded, and the upper bounds of both the system settling time and the corresponding output tracking error can be adjusted with a simple parameter. Simulation examples finally demonstrate the effectiveness of the proposed control algorithm.