基于RBF神经网络的减摇鳍自适应滑模控制

为减轻船舶在大风浪中剧烈的横摇,减摇鳍是目前应用最广泛的减摇装置.针时船舶减摇鳍系统的非线性和不确定性,在系统不确定性函数结构未知的情况下,提出一种RBF神经网络自适应滑模控制方法.采用RBF神经网络逼近系统不确定动态,并设计权值的自适应律,结合滑模控制增强系统的鲁棒性.在不同有义波高和不同浪向角下,建立随机海浪的干扰模型,应用simulink对系统进行仿真.仿真结果表明,该控制策略在各种海况下,均具有良好的减摇效果和较强的鲁棒性.     

基于滑模与自适应观测器的感应电机非线性控制新策略

提出一种结合滑模变结构和自适应观测技术的感应电机非线性控制新方法. 以定子电流与定子磁链为状态变量建立感应电机模型, 采用非线性分析方法建立转矩与磁链误差方程, 使用自适应滑模技术设计转矩与磁链控制器, 推导出定子电压控制量. 基于模型参考技术设计自适应观测器, 向控制器提供准确的转速辨识与磁链观测值,并给出了控制系统的稳定性证明. 该方法具有转矩脉动小、定子磁链畸变不明显的优点, 低速时也具有良好的控制性能, 且对参数与负载变化有较强的鲁棒性. 仿真与实验结果证明了该控制策略的正确性与有效性.     

基于神经网络补偿的高超声速飞行器滑模控制

针对吸气式高超声速飞行器的轨迹控制问题,提出了一种基于自适应径向基函数(RBF)神经网络的滑模控制方法.建立了高超声速飞行器的纵向动态模型;设计了滑模控制器,利用自适应RBF神经网络对系统不确定项进行在线逼近,对滑模控制器进行补偿;基于李雅普诺夫的稳定性分析证明了闭环系统的稳定性.仿真结果表明:控制系统能够实现对于高超声速飞行器给定指令的有效跟踪.     

机器人操作器的自适应模糊滑模控制器设计

针对机器人动力学系统提出了一种基于模糊逻辑的自适应模糊滑模控制方案.根据滑模控制原理并利用模糊系统的逼近能力设计控制器,基于李雅谱诺夫方法设计自适应律,证明了闭环模糊控制系统的稳定性和跟踪误差的收敛性.控制结构简单,不需要复杂的运算.该设计方案柔化了控制信号,减轻了一般滑模控制的抖振现象.仿真结果表明了所提控制策略的有效性.     

基于RBF网络自适应的Buck变换器终端滑模控制

对于Buck变换器系统,考虑到实际应用中负载变动引起系统参数的不确定性,且不确定性上界无法测量的情况,本文拟采用RBF神经网络对不确定性上界进行自适应学习。针对Buck变换器输出电压的控制问题,为了避免普通滑模控制跟踪误差渐进收敛的问题,改善其动态响应速度和稳态性能,本文拟设计一种基于RBF神经网络的上界自适应的终端滑模控制器,并通过Simulink仿真验证这种方法的可行性。     

非匹配不确定系统的自适应反步非奇异快速终端滑模控制

针对一类n阶非匹配不确定系统,提出一种自适应反步非奇异快速终端滑模控制方法.控制的前n-1步采用自适应反步控制策略,消除非匹配不确定性的影响;最后一步利用误差的积分构造非奇异快速终端滑模面,设计控制律使系统第n个状态有限时间收敛.该方法对系统中匹配和非匹配不确定项均具有鲁棒性,比自适应反步终端滑模方法具有更快的收敛速度.理论分析证明了闭环系统的稳定性,仿真结果验证了该方法的有效性.     

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.     

电液伺服系统的多滑模鲁棒自适应控制

针对一类参数与外负载非匹配不确定的非线性高阶系统,提出了一种基于逐步递推方法的多滑模鲁棒自适应控制策略.应用逐步递推的多滑模控制方法简化了高阶系统的控制问题,同时在自适应控制中加入鲁棒控制的方法,以消除不确定性对控制性能的影响.首先利用逐步递推方法与状态反馈精确线性化理论,得出确定系统的多滑模控制器设计方法;然后基于Lyapunov稳定性分析方法,给出不确定系统的参数自适应律,及鲁棒自适应控制器的设计方法.本文把该控制策略应用到电液伺服系统的位置跟踪控制中,仿真结果显示,该控制方法具有较强的鲁棒性及良好的跟踪效果.     

空间微重力环境地面模拟系统的控制器设计

针对小型和迷你型试验目标,提出一种新的空间微重力环境模拟系统.系统采用平面气浮和气缸垂直悬浮组合方案来模拟空间微重力环境,并采用恒张力控制思想来模拟垂直地面方向上的微重力状态.采用RBF神经网络控制和滑模变结构控制复合控制方案,其中RBF神经网络用于逼近和补偿系统的不确定信息,并作为前馈补偿使跟踪误差快速收敛;通过滑模变结构控制消除RBF神经网络的逼近误差和不定随机干扰的影响,保证系统的鲁棒性.实验研究结果表明,该控制方案是有效的,系统具有较好的动态响应能力、鲁棒性和自适应能力.     

基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

研究了作业型AUV （自主水下机器人）的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF （径向基函数）神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.