加速抑制随机初态误差影响的迭代学习控制

针对一类具有不确定性的多输入多输出非线性系统,提出一种迭代学习控制算法.该算法具有的特点是:针对任意初态情形,结合开环 D型迭代学习控制器的优点,在时间轴上设计了一个随迭代次数增加而缩短的时间段.在该时间段上,控制算法对状态偏差进行修正,以使系统输出在此段时间后跟踪期望输出,且系统跟踪误差收敛到一个界内.这个界仅由系统自身不确定性和不确定的外界干扰决定,与初态误差无关.当外界扰动为0,以及迭代次数趋于无穷时,经过上述时间段后,系统输出精确跟踪期望输出.理论证明和仿真结果都说明了该算法的有效性.     

船舶航向控制的多滑模鲁棒自适应设计

针对带有未知虚拟控制增益和常参数不确定的非匹配不确定船舶航向非线性控制问题,设计了一种新的多滑模鲁棒自适应控制算法.该算法利用神经网络来逼近系统模型的不确定性;应用逐步递推的多滑模控制算法降低了控制器的复杂性;尤其是采用Nussbaum函数处理系统中符号未知的问题,避免了可能存在的控制器奇异值问题;然后借助Lyapunov稳定性分析方法,理论分析证明了所得闭环系统全局一致最终有界,且跟踪误差收敛到零.仿真试验结果表明,该方法具有较好的控制效果.     

抑制初态误差影响的自适应迭代学习控制

针对一类参数化高阶不确定非线性连续系统, 设计迭代学习控制算法, 以解决随机初态对系统跟踪性能产生负面影响的问题. 结合滑模控制思想以及部分限幅参数学习律, 控制算法在预设时间段内抑制随机初态偏差对系统跟踪性能的影响. 经过预设时间后, 随着迭代次数的增加, 系统的跟踪误差及其各阶导数一致收敛到零. 且在整个运行时间段内, 系统各个变量一致有界. 此外, 本文回避了非参数化不确定非线性系统在放宽迭代初值假设时常使用的Lipschitz假设条件, 而采用类Lyapunov函数分析法设计迭代学习控制器. 理论证明和仿真结果都说明了该算法的有效性.     

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。     

基于调节函数的一类三角结构非线性系统的自适应滑模控制

针对一类三角结构的非线性系统,基于状态参考自适应控制算法和滑模控制技术,研究了其在非匹配未知参数和不确定性干扰下的跟踪控制问题,提出了自适应滑模控制策略,实现了不确定非线性系统的鲁棒输出跟踪.与一般自适应控制相比,允许系统存在非参数化的不确定性和未知扰动,增强了控制系统鲁棒性.仿真算例证明了理论研究成果的正确性和可行性.     

网联车辆有限时间滑模预设性能队列控制

针对含有未知扰动和模型不确定的网联车辆预设性能队列控制问题,本文提出了一种基于改进滑模的有限时间队列控制方法.首先,为满足预设性能,设计了一种新型性能函数,保证了跟踪误差在预设时间内收敛到规定区域.其次,提出了一种改进的滑模队列控制算法,加快了系统收敛速度,实现了有限时间单车稳定及队列稳定,同时,设计了自适应律,有效解决了扰动及模型不确定问题.最后,进行了MATLAB仿真实验,通过6辆网联车的队列控制仿真验证了所提算法的有效性.     

轮式移动机器人轨迹跟踪控制研究

针对轮式移动机器人参数摄动和内外部扰动等问题,提出一种新型的基于自适应扩张状态观测器的滑模控制算法。采用自适应虚拟速度控制器估计系统未知参数,滑模控制器抑制参数摄动和内外部扰动,非线性扩张状态观测器观测系统扰动并减小控制输入的抖振,实现了轨迹跟踪误差的快速收敛。利用Lyapunov稳定性理论证明了控制算法的稳定收敛性。将所提算法与传统自适应反演滑模算法进行对比,对比结果表明了所提算法的有效性和鲁棒性。     

基于小波逼近的非线性系统鲁棒迭代学习控制

针对存在扰动的未知非线性系统,利用小波逼近将系统参数化,结合变结构控制技术, 提出了一种鲁棒迭代学习控制算法.该算法采用迭代学习的方式修正小波逼近的系数,利用具 有死区的滑模变结构技术保证算法的鲁棒收敛性.收敛性分析表明,每次迭代学习都将减小所 得到的逼近系数与最佳系数的差异.因此,期望轨迹变化后,该算法针对以前轨迹的学习结果仍 然可以起作用,部分克服了传统迭代学习控制的学习结果仅对某一特定轨迹有效的缺点.     

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

基于自适应滑模的不确定Euler-Lagrange多智能体系统抗扰动蜂拥控制

针对具有参数不确定性和未知外部扰动的Euler-Lagrange多智能体系统,设计一种基于自适应滑模控制的分布式蜂拥算法.该算法使用自适应滑模控制和自适应控制律分别补偿未知的外部扰动与模型中可线性参数化回归的不确定项,从而在实现蜂拥控制的同时,避免智能体对外部扰动先验知识的要求.理论分析表明,在多智能体达成蜂拥的同时,算法保证滑模的自适应增益有界.此外,所提出的算法同时考虑虚拟领导者追踪与基于目标区域的跟踪问题,并给出碰撞避免的条件.最后,通过算例仿真验证所提出算法的有效性.     

非匹配扰动干扰下的无人直升机轨迹跟踪控制

针对小型无人直升机在飞行过程中容易受到非匹配扰动影响的特点,本文设计了一种基于新型滑模控制方法的轨迹跟踪控制器.首先,建立了无人直升机系统的非线性数学模型,并对该模型进行近似反馈线性化处理,同时将模型分为位置和偏航两个子系统;然后,利用扩展扰动观测器对复合扰动以及非匹配扰动的各阶导数的估计值,设计新型时变滑模面,得到滑模控制律,并给出了控制系统的稳定性分析;最后,仿真结果验证了控制方法的有效性和优越性.该新型滑模控制方法的优越性主要体现在:对非匹配扰动具有较强的鲁棒性,以及能有效地抑制抖振现象.     

基于时变终端滑模的任意迭代初态抑制控制EI北大核心CSCD

为解决迭代学习过程中的任意迭代初值和迭代收敛理论证明难的问题,本文构造了一种轨迹跟踪误差初值恒位于滑模面内的时变终端滑模面,将轨迹跟踪误差初值不为零的轨迹跟踪控制问题转换为滑模面初值恒为零的滑模面跟踪控制问题,建立了任意迭代初值与相同迭代初值的迭代学习控制理论连接桥梁.本文提出一种基于时变滑模面的比例–积分–微分(PID)型闭环迭代学习控制策略,基于压缩映射原理证明了迭代学习的收敛性,给出了迭代收敛条件.时变终端滑模面经有限次迭代学习收敛到零,达到轨迹跟踪误差最终稳定在时变滑模面内的目的;Lyapunov稳定理论证明了位于滑模面内的轨迹跟踪误差在有限时间内收敛到原点,达到轨迹局部精确跟踪目的.随机初态下的工业机器人轨迹跟踪控制数值仿真验证了本文方法的有效性和系统对外部强干扰的鲁棒性.     

基于神经网络观测器的船舶轨迹跟踪递归滑模 动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

飞翼布局无人机分数阶积分滑模姿态控制

针对存在复合干扰的飞翼布局无人机(UAV)姿态控制问题,提出了一种基于分数阶积分滑模与双幂次趋近律的姿态跟踪控制方案.结合分数阶微积分及滑模变结构控制理论,设计了分数阶积分滑模面.为解决传统趋近律收敛时间长和抖振严重等不足,提出一种具有二阶滑模特性且有限时间收敛的双幂次趋近律.在名义控制律的基础上,设计super twisting滑模干扰观测器,实现对复合干扰的估计和补偿,增强内外环控制器应对复合干扰的鲁棒性.为充分利用冗余操纵面与解决非线性舵效问题,在飞行控制系统中引入了非线性控制分配环节.仿真结果验证了所提方案的有效性.     

Adaptive Reinforcement Learning Strategy with Sliding Mode Control for Unknown and Disturbed Wheeled Inverted Pendulum

This paper develops a novel adaptive integral sliding-mode control (SMC) technique to improve the tracking performance of a wheeled inverted pendulum (WIP) system, which belongs to a class of continuous time systems with input disturbance and/or unknown parameters. The proposed algorithm is established based on an integrating between the advantage of online adaptive reinforcement learning control and the high robustness of integral sliding-mode control (SMC) law. The main objective is to find a general structure of integral sliding mode control law that can guarantee the system state reaching a sliding surface in finite time. An adaptive/approximate optimal control based on the approximate/adaptive dynamic programming (ADP) is responsible for the asymptotic stability of the closed loop system. Furthermore, the convergence possibility of proposed output feedback optimal control was determined without the convergence of additional state observer. Finally, the theoretical analysis and simulation results validate the performance of the proposed control structure.

     

Adaptive fuzzy ILC of nonlinear discrete-time systems with unknown dead zones and control directions

This paper presents an adaptive fuzzy iterative learning control (ILC) design for non-parametrized nonlinear discrete-time systems with unknown input dead zones and control directions. In the proposed adaptive fuzzy ILC algorithm, a fuzzy logic system (FLS) is used to approximate the desired control signal, and an additional adaptive mechanism is designed to compensate for the unknown input dead zone. In dealing with the unknown control direction of the nonlinear discrete-time system, a discrete Nussbaum gain technique is exploited along the iteration axis and applied to the adaptive fuzzy ILC algorithm. As a result, it is proved that the proposed adaptive fuzzy ILC scheme can drive the ILC tracking errors beyond the initial time instants into a tunable residual set as iteration number goes to infinity, and keep all the system signals bounded in the adaptive ILC process. Finally, a simulation example is used to demonstrate the feasibility and effectiveness of the adaptive fuzzy ILC scheme.     

基于边界层的不确定机器人自适应迭代学习控制

针对不确定的多连杆机械手的跟踪控制问题,提出一种基于边界层的自适应迭代学习控制方法.自适应控制用来估计系统的未知参数的上界,本文主要特征是基于边界层设计自适应迭代学习控制器,避免了传统方法设计控制器的不连续性,削弱抖振现象的同时也提高系统的鲁棒性.理论证明系统所有信号有界,系统误差渐进收敛到边界层邻域内.仿真表明了算法的有效性.