含摩擦非线性系统的自适应滑模控制

针对摩擦非线性的扰动抑制和输出反馈控制问题,提出一种高阶滑模扩张状态观测器(ESO),实时获得系统的状态信号.在此基础上,设计神经网络自适应权值调节律,以得到控制信号设计参数与输出跟踪性能之间的关系;同时,给出保证系统动态性能的观测器状态初值与自适应调节律参数初值的充要条件.最后,通过稳定性证明和仿真算例验证了所提出控制算法的有效性.     

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.     

集成神经网络与自适应算法的分数阶滑模控制

针对被控对象的参数时变和外部扰动问题,本文融合神经网络的万能逼近能力和自适应控制技术,并结合分数阶微积分理论,提出了基于神经网络和自适应控制算法的分数阶滑模控制策略.本文采用等效控制的方法设计滑模控制律,并利用神经网络的万能逼近能力估测控制律的变化,结合自适应控制算法和分数阶微积分理论抑制传统滑模控制系统的抖震,同时根据Lyapunov稳定性理论分析了系统的稳定性,最后给出了实验结果.实验结果表明,本文提出的基于神经网络和自适应控制算法的分数阶滑模控制系统,能保持滑模控制器对系统外部扰动和参数变化鲁棒性的同时,也能有效地抑制抖震,使得系统获得较高的控制性能.     

严格反馈非线性系统的自适应神经网络输出反馈控制

基于非线性反馈函数,文章设计神经网络状态观测器,解决一类非线性系统的输出反馈控制问题.非线性反馈神经网络观测器在系统存在不确定性函数的情况下实时估计系统状态.利用所获得的状态信号,设计了自适应神经网络动态面控制器,同时保证了闭环系统的稳定性和所有信号的有界性.通过调节设计参数的取值能够达到期望的闭环跟踪性能.数值仿真表明,所设计的状态观测器不需要对原系统做状态变换,能够克服输出反馈滑模控制器带来的抖震问题.     

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。     

非线性不确定系统的直接自适应输出反馈模糊控制

针对一类单输入单输出非线性不确定系统，基于状态观测器并结合自适应模糊系统和滑模控制，提出一种稳定的直接自适应模糊输出反馈控制算法。该算法不需要系统状态可测的条件，并能保证闭环系统稳定。仿真结果表明了该方法的有效性。     

自适应比例–积分H2滑模观测器设计

传统的龙伯格观测器的观测精度极易受到未知外部扰动的影响.为了解决这个问题,本文设计了一种基于径向基神经网络的自适应比例–积分H₂滑模观测器,实现了参数不确定性和外部扰动下非线性系统的鲁棒确切估计.首先,利用径向基神经网络自适应逼近系统模型的复杂非线性项;其次,设计基于误差的线性滑模面,将比例–积分滑模项注入观测器中,使得滑模动态在有限时间内收敛于滑模面,实现对外部扰动和系统模型非线性的完全补偿;最后,基于H₂次优控制和区域极点配置,提出观测器参数自整定方法.通过对单连杆机器人的仿真结果表明,该方法能够保证非线性系统具有较好的鲁棒性和自适应性.     

基于干扰观测器的一类不确定非线性系统鲁棒H∞控制

为了降低控制器对干扰的要求,基于干扰观测器提出一类多输入多输出不确定非线性系统的鲁棒H∞控制方法．将系统的内部不确定性和外部干扰组成复合干扰,设计基于小波神经网络的复合干扰观测器,并提出干扰观测器的参数调节方案使观测器能以高精度逼近复合干扰．同时在控制器中引入鲁棒控制项用来抑制观测器误差给系统带来的影响,所设计的控制器能使系统的跟踪误差小于一个给定的性能指标．最后给出一个仿真算例验证了本控制方案的有效性．     

采用ESO的Boost变换器改进滑模控制

本文针对Boost变换器的负载电阻扰动和输入电压变化等系统不确定因素对输出电压的影响,提出了一种基于扩张状态观测器的改进滑模控制算法.首先,设计扩张状态观测器对系统状态、负载电阻和输入电压值进行估计,然后基于得到的估计值采用改进滑模控制算法设计系统控制器.通过理论分析,证明了Boost变换器闭环控制系统的稳定性.仿真和实验结果表明,与传统的滑模控制算法相比,本文所提出的控制算法更好地改善了系统的跟踪性能,提升了系统的鲁棒性.     

Real‐Time Results for High Order Neural Identification and Block Control Transformation Form Using High Order Sliding Modes

In this paper, real‐time results for a novel continuous‐time adaptive tracking controller algorithm for nonlinear multiple input multiple output systems are presented. The control algorithm includes the combination of a recurrent high order neural network with block control transformation using a high order sliding modes technique as control law. A neural network is used to identify the dynamic plant behavior where a filtered error algorithm is used to train the neural identifier. A decentralized high order sliding mode, named the twisting algorithm, is used to design chattering‐reduced independent controllers to solve the trajectory tracking problem for a robot arm with three degrees of freedom. Stability analyses are given via a Lyapunov approach.     

基于神经网络的无人机滑模飞行控制设计

针对无人机受扰运动,基于Backstepping方法和非线性滑模控制提出了一种鲁棒神经网络飞行控制方案。对无人机姿态角速度层的系统不确定性项,采用径向基函数神经网络并对其权值进行在线调整,从而实现对其进行逼近。将回馈递推设计方法与滑模控制方法结合起来,基于神经网络的输出为无人机设计了一种回馈递推滑模飞行控制器。所设计的飞行控制器用于无人机的姿态控制,仿真结果表明所研究的无人机鲁棒神经网络飞行控制方案是有效的。     

Direct adaptive neural control of nonlinear systems with extreme learning machine

A direct adaptive neural control scheme for a class of nonlinear systems is presented in the paper. The proposed control scheme incorporates a neural controller and a sliding mode controller. The neural controller is constructed based on the approximation capability of the single-hidden layer feedforward network (SLFN). The sliding mode controller is built to compensate for the modeling error of SLFN and system uncertainties. In the designed neural controller, its hidden node parameters are modified using the recently proposed neural algorithm named extreme learning machine (ELM), where they are assigned random values. However, different from the original ELM algorithm, the output weight is updated based on the Lyapunov synthesis approach to guarantee the stability of the overall control system. The proposed adaptive neural controller is finally applied to control the inverted pendulum system with two different reference trajectories. The simulation results demonstrate good tracking performance of the proposed control scheme.     

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项,通过RBF网络分别进行自适应补偿,并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。     

Fuzzy neural network sliding mode control for long delay time systems based on fuzzy prediction

Delay time, which may degrade the control performance, is frequently encountered in various control processes. The fuzzy neural network sliding mode controller (FNNSMC), which incorporates the fuzzy neural network (FNN) with the sliding mode controller (SMC), is developed to control the long delay system with unknown model based on fuzzy prediction algorithm in the paper. According to the characteristics of the long delay systems, we simulate the manual operating process and predict the delayed error and its derivative based on the information of the input and output variables of the process, and then feedback these prediction values to the FNN and train the FNN with the regulation function by the idea of sliding mode control until the better control results are obtained. The FNNSMC has more robustness due to the abilities of the learning and reasoning and can eliminate the drawbacks of the general SMC, namely the chattering in the control signal and the needing knowledge of the bounds of the disturbances and uncertainties. Simulation examples demonstrate the advantages of the proposed control scheme.     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

Discrete time output feedback sliding mode control for nonlinear MIMO system: a stepper motor case

This article, presents discrete sliding mode control algorithm using multirate output feedback for control of stepper motor. The algorithm developed by the authors uses past output samples and past control inputs. When all the states of the system are neither physical variable nor available for measurement, multirate output feedback can be used. The stepper motor is known to be a differentially flat system. The dynamics of the stepper motor are highly nonlinear, hence feedback linearization based on endogenous feedback has been used. The linear model is obtained and multirate output feedback-based discrete sliding mode control has been designed. The discrete sliding mode control with multirate output feedback has been applied for regulator as well as tracking case for the motor. The proposed algorithm uses only two outputs. It is essentially shown that first output needs to be sampled only once and second output must be sampled at least thrice in every τ sampling interval in order to achieve acceptable performance. The system parameter variation has been considered and the results obtained are found to be satisfactory. Thus, it has been shown that discrete sliding mode control algorithm using multirate output feed back can be extended to a class of nonlinear MIMO system.     

基于线性化反馈的径向神经滑模控制器设计

针对非线性系统,采用径向神经网络逼近及自适应控制方法,利用线性化反馈技术,设计一种自适应神经滑模控制器。滑模变结构控制具有独特的鲁棒性能以及对匹配不确定性和外干扰的完全自适应等特点,但容易出现系统抖振问题,将神经网络应用于滑模变结构控制系统的设计中,系统抖振得到抑制。仿真结果也表明将神经网络与滑模控制相结合的方法是行之有效的。     

基于逆模型的混合驱动水下滑翔机垂直面控制

混合驱动水下滑翔机（Hybrid-driven underwater gliders ,简称HDUGs)是集无人自治水下机器人（Automomous Underwater Vehicles ,简称 AUVs）和水下滑翔机（Autonomous Underwater Gliders,简称 AUGs）于一体的新型水下机器人。由于HDUGs是非线性、强耦合,且受到海流、结构不确定等因素的影响,为了克服这些问题,针对混合驱动水下机器人工作在混合模式下,对其垂直面提出了一种基于逆模型和滑模控制的非线性控制方法,该方法将原始系统解耦为两个单入单出的线性系统,仿真结果证明了该方法具有良好的控制性能,而且对外界扰动具有一定的鲁棒性。     

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.