非仿射纯反馈非线性系统的自抗扰控制

针对一类具有外部扰动的不确定非仿射纯反馈非线性系统,结合反演和自抗扰技术,提出了一种新的控制设计方案,该方案中反演设计的每一步引入了自抗扰设计,同时采用微分器和扩展状态观测器分别估计虚拟控制的导数和系统的未知部分.与现有设计方法不同,它不是直接利用逼近定理来构建理想的控制器.该方案设计过程简单,并且通过输入状态稳定性分析证明了系统状态能渐近收敛到原点的任意小邻域内.仿真结果证实了该方法的有效性.     

非仿射系统的自适应观测器自抗扰控制

研究了一类单输入单输出(SISO)非仿射非线性系统的控制问题,通过微分同胚变换以及自抗扰思想将该类形式转化成含有未知非线性且控制增益未知的仿射形式.引入扩展状态自适应观测器以及Nussbaum-type增益技术,利用积分反演和调节函数技术,设计了自抗扰控制器.从理论上证明了所设计的控制器能够保证闭环系统所有信号全局一致有界,并且证明了跟踪误差渐近收敛到零点的残集内.仿真例子验证了算法的有效性.     

非对称输入饱和下的非仿射不确定系统自抗扰反演控制

针对一类具有内部动态和外部扰动未知以及非对称输入饱和约束的非仿射系统,提出一种自抗扰反演控制方法.首先基于自抗扰控制思想,通过直接从非仿射项中提取线性控制项,将非仿射系统转化为仿射非线性形式.在此基础上, 在每一步反演控制器设计中,引入扩张状态观测器对系统总的不确定项进行估计,引入跟踪微分器解决虚拟导数的“计算膨胀”问题.在设计真实控制律时,利用双曲正切函数设计一种辅助补偿系统,用来处理输入饱和引起的控制量偏差.基于Lyapunov稳定性定理证明了闭环系统的所有信号有界且跟踪误差可渐近收敛到原点的任意小邻域内.仿真比较结果验证了所提出方法的有效性,体现了一定的工程应用价值.     

非仿射纯反馈系统自适应神经网络快速预设性能控制

鉴于在纯反馈系统控制器设计过程中广泛采用的反推法需要逐级设计虚拟控制律, 设计过程复杂, 本文通过变量替换将一类未知非仿射纯反馈系统变换为等效的积分链式系统. 利用有限时间收敛的微分器对转换系统的状态进行估计, 并构造时变的误差面. 通过对误差面的瞬态与稳态值进行性能约束并设计自适应预设性能控制器, 实现了对跟踪误差的预设性能控制. 最后, 基于Lyapunov理论进行了稳定性分析, 证明了闭环系统所有信号半全局最终一致有界. 仿真算例表明了控制方法的有效性.     

受限的非仿射非线性系统的自适应控制

针对受限的非仿射非线性系统,结合自抗扰思想提出了非仿射系统的扩张状态观测器(ESO)设计,从而将辅助系统设计技巧拓展到了非仿射系统,然后利用反演和指令滤波器设计了自适应控制器,为受限的不确定非仿射系统提供了新的设计思路.为了补偿受限带来的影响,引入了辅助系统,它的状态被用来补偿跟踪误差.指令滤波器用来处理虚拟控制受限问题,同时获得虚拟控制导数的估计,避免了backstepping中对它的繁琐计算,扩张状态观测器被用来估计系统的未知非仿射非线性项和外部干扰.利用输入状态稳定性(ISS)分析了闭环系统的全局一致有界稳定性.最后仿真结果验证了该设计方案的有效性.     

不确定非仿射系统的引入动态逆的自抗扰控制器设计

针对一类不确定非仿射严反馈非线性系统, 提出一种引入动态逆的线性自抗扰控制器设计方法. 首先, 利 用微分同胚映射将严反馈非线性系统变换为积分串联型系统, 然后针对积分串联型系统设计线性自抗扰控制器. 提出的线性自抗扰控制器将闭环系统划分为3个时间尺度, 其中线性扩张状态观测器位于最快的时间尺度上, 用来 估计系统的状态和总和扰动, 动态逆位于次快的时间尺度上用以求解非仿射情况下的控制律, 系统动态位于最慢的 时间尺度上. 利用奇异摄动理论分析了闭环系统的稳定性和性能. 提出的自抗扰控制设计方法同样适用于控制增 益不确定的仿射非线性系统. 仿真和实验结果验证了提出的线性自抗扰控制器的可行性.     

MIMO纯反馈受限系统无模型非线性比例反演控制

针对模型未知的MIMO纯反馈系统,提出一种新的控制设计方案.该方案基于预设性能控制思想设计非线性比例控制器,并将其引入反演设计的每一步,以构建非线性比例反演控制器,并融合考虑了模型未知、状态受限、输入受限以及预设性能的需求,且无需引入任何逼近理论和自适应控制等技术即可保证系统具有良好的抗扰性和鲁棒自适应性,控制器结构极为简单.最后,基于Lyapunov稳定性定理证明了闭环系统所有信号一致有界,仿真结果验证了所提出设计方案的可行性和有效性.     

高动态离心机系统的自抗扰控制设计

针对传统PID在控制高速精密离心机系统时难以满足其高动态过程的要求,对系统目标过渡过程进行安排并设计了自抗扰控制器.所提出的自抗扰控制器包括3个部分:跟踪微分器、扩张状态观测器和误差反馈控制器.由于离心机在启动和制动阶段,系统状态会经历一个快速变化的过程,所以在离心机系统动态变化阶段采用跟踪微分器对目标函数进行过渡过程安排,防止系统出现过大超调;并且设计了扩张状态观测器对系统未知干扰进行估计和补偿;补偿后采用误差反馈控制器实现离心机系统高动态过程的跟踪控制.最后通过对自抗扰控制进行参数整定,使得系统满足所提出的各项性能指标要求.仿真结果验证了相比于传统PID控制,所提出的自抗扰控制器在超调量,调节时间以及稳态控制精度等性能指标上具有优越性.     

一类纯反馈非线性系统的简化自适应神经网络动态面控制

针对一类完全非仿射纯反馈非线性系统,提出一种简化的自适应神经网络动态面控制方法.基于隐函数定理和中值定理将未知非仿射输入函数进行分解,使其含有显式的控制输入;利用简化的神经网络逼近未知非线性函数,对于阶SISO纯反馈系统,仅一个参数需要更新;动态面控制可消除反推设计中由于对虚拟控制反复求导而导致的复杂性问题.通过Lyapunov稳定性定理证明了闭环系统的半全局稳定性,数值仿真验证了方法的有效性.     

时延系统的自抗扰动态面控制

本文针对高阶时延系统同时存在系统不确定性和未知输入时延的情况,考虑控制器信号的复杂性问题,在动态面控制方法的基础上,引入自抗扰控制技术设计了自抗扰动态面控制器.利用反步法设计动态面控制信号,采用跟踪微分器对虚拟控制信号滤波,避免了由于对虚拟控制信号重复微分产生的"复杂性爆炸"问题;在控制信号的基础上叠加扰动补偿项,补偿项由扩张状态观测器实时在线估计产生,保证了控制信号的实时性,同时简化了控制器结构以便于实际应用.在闭环系统稳定性判别中运用李雅普诺夫理论做出详细分析.最后,数值仿真结果验证了所提出方法的有效性.     

Adaptive NN dynamic surface control for a class of uncertain non-affine pure-feedback systems with unknown time-delay

Adaptive neural network (NN) dynamic surface control (DSC) is developed for a class of non-affine pure-feedback systems with unknown time-delay. The problems of “explosion of complexity” and circular construction of the practical controller in the traditional backstepping algorithm are avoided by using this controller design method. For removing the requirements on the sign of the derivative of function fi, Nussbaum control gain technique is used in control design procedure. The effects of unknown time-delays are eliminated by using appropriate Lyapunov-Krasovskii functionals. Proposed control scheme guarantees that all the signals in the closed-loop system are semi-globally uniformly ultimately bounded. Two simulation examples are presented to demonstrate the method.     

Adaptive Robust Control for a Class of Uncertain MIMO Non-affine Nonlinear Systems

In this paper, the adaptive robust tracking control scheme is proposed for a class of multi-input and multioutput (MIMO) non-affine systems with uncertain structure and parameters, unknown control direction and unknown external disturbance based on backstepping technique. The MIMO nonaffine system is first transformed into a time-varying system with strict feedback structure using the mean value theorem, and then the bounded time-varying parameters are estimated by adaptive algorithms with projection. To handle the possible "controller singularity" problem caused by unknown control direction, a Nussbaum function is employed, and the dynamic surface control (DSC) method is applied to solve the problem of "explosion of complexity" in backstepping control. It is proved that the proposed control scheme can guarantee that all signals of the closed-loop system are bounded through Lyapunov stability theorem and decoupled backstepping method. Simulation results are presented to illustrate the effectiveness of the proposed control scheme.      

Adaptive Neural Network-Based Control for a Class of Nonlinear Pure-Feedback Systems With Time-Varying Full State Constraints

In this paper, an adaptive neural network (NN) control approach is proposed for nonlinear pure-feedback systems with time-varying full state constraints. The pure-feedback systems of this paper are assumed to possess nonlinear function uncertainties. By using the mean value theorem, pure-feedback systems can be transformed into strict feedback forms. For the newly generated systems, NNs are employed to approximate unknown items. Based on the adaptive control scheme and backstepping algorithm, an intelligent controller is designed. At the same time, time-varying Barrier Lyapunov functions (BLFs) with error variables are adopted to avoid violating full state constraints in every step of the backstepping design. All closedloop signals are uniformly ultimately bounded and the output tracking error converges to the neighborhood of zero, which can be verified by using the Lyapunov stability theorem. Two simulation examples reveal the performance of the adaptive NN control approach.      

一类非线性系统的自适应神经网络控制

针对一类具有非仿射函数和下三角结构的、受干扰未知的非线性系统,提出一种新的自适应神经网络控制方法．它是严格反馈不确定系统和纯反馈系统的更一般化表达．在Backstepping设计思想基础上,证明了闭环信号的半全局最终一致有界性,并很好地处理了控制方向和控制奇异问题．通过仿真验证了该方法的有效性．     

An ISS-modular approach for adaptive neural control of pure-feedback systems

Controlling non-affine non-linear systems is a challenging problem in control theory. In this paper, we consider adaptive neural control of a completely non-affine pure-feedback system using radial basis function (RBF) neural networks (NN). An ISS-modular approach is presented by combining adaptive neural design with the backstepping method, input-to-state stability (ISS) analysis and the small-gain theorem. The difficulty in controlling the non-affine pure-feedback system is overcome by achieving the so-called “ISS-modularity” of the controller-estimator. Specifically, a neural controller is designed to achieve ISS for the state error subsystem with respect to the neural weight estimation errors, and a neural weight estimator is designed to achieve ISS for the weight estimation subsystem with respect to the system state errors. The stability of the entire closed-loop system is guaranteed by the small-gain theorem. The ISS-modular approach provides an effective way for controlling non-affine non-linear systems. Simulation studies are included to demonstrate the effectiveness of the proposed approach.