考虑LuGre 摩擦的伺服系统自适应模糊控制

针对摩擦非线性的存在会使伺服系统控制精度难以提高的问题,建立了考虑动态LuGre摩擦的伺服系统数学模型,在系统参数和负载转矩未知的情况下设计了自适应模糊控制器,用自适应模糊逻辑系统在线逼近包含LuGre摩擦在内的非线性环节,从而实现了伺服系统高精度的位置跟踪。利用Lyapunov函数证明了闭环系统的稳定性。仿真结果表明,该控制器能有效地补偿摩擦非线性的影响,并对负载转矩变化具有较强的鲁棒性。     

含有LuGre摩擦并联机械臂的自适应控制

本文研究了含有LuGre摩擦的并联机械臂自适应控制问题.首先,在并联机械臂动力学模型中引入LuGre摩擦模型来描述伺服关节内部的摩擦行为;其次,构造含有动态摩擦补偿的自适应控制算法,并使用Lyapunov方法证明控制算法的有效性;最后,通过平面3 RRR并联机械臂数值算例,验证所提出控制算法的效果以及LuGre摩擦补偿的必要性.     

神经网络控制在工业机械臂的应用

工业机械臂控制系统具有多样化和非线性,难以利用传统的控制形式完成。本文提出一种基于神经网络的机械臂自适应参考模型控制方案。经验证,此控制方案工业机械臂系统能适应由模型不确定性和外界干扰所产生的未知变化。     

控制力矩陀螺框架伺服系统期望补偿自适应鲁棒控制

本文针对控制力矩陀螺框架伺服系统中存在的参数不确定性、摩擦非线性及外部干扰问题,提出了一种考虑LuGre摩擦的自适应鲁棒控制方法.针对陀螺框架伺服系统未知惯量和阻尼系数、LuGre摩擦参数不确定性及未知外部干扰上界,设计参数更新律对其进行估计.在此基础上,为提高系统对不确定参数及未知干扰的鲁棒性,设计带有期望补偿的自适应鲁棒控制器,可实现对LuGre摩擦非线性的精确补偿,同时减小测量信号噪声及外部干扰对系统的不利影响.应用Lyapunov稳定性理论分析了闭环系统的稳定性.对挠性航天器姿态机动控制的仿真结果,验证了所提方法的有效性.     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

Lugre摩擦模型的模糊神经网络辨识仿真研究

LuGre模型是典型伺服系统的摩擦模型,该模型能够准确地描述伺服系统摩擦过程复杂的动静态特性.模糊神经网络已成为模糊逻辑和神经网络研究最前沿的课题之一.模糊神经网络同时具有神经网络和模糊逻辑的优点.针对伺服系统所面临的摩擦问题,以低速伺服系统为对象,建立伺服系统的LuGre摩擦模型,采用模糊神经网络进行非线性在线辨识.仿真结果表明,采用模糊神经方法建立对非线性对象的辨识器,具有较高的辨识精度.     

滑模自适应控制在光电稳定平台中的应用

针对高精度光电伺服稳定平台系统中摩擦和各种非线性干扰对跟踪精度的影响问题,提出了一种基于LuGre摩擦模型的积分型滑模自适应控制算法。首先建立了基于动态LuGre摩擦的伺服系统模型,根据LuGre模型,构造了一个非线性观测器来估计摩擦中的未知状态变量;然后设计积分型滑模自适应控制算法实现摩擦补偿和各种扰动的估计,通过设计最优的反馈控制律,保证了积分型滑模的收敛速度,并引入自适应思想设计滑模控制器,有效的减弱了滑模控制中的颤抖现象;最后利用Lyapunov理论证明了控制系统的稳定性。仿真结果表明:所提方法有效的抑制了摩擦等各种干扰对稳定平台系统的影响,在提高系统跟踪精度的同时增强了系统的鲁棒性能,该方法也简化了设计过程,具有一定的应用价值。     

切换拓扑下非线性多智能体系统自适应神经网络一致性

本文研究一类具有未知控制系数的非线性多智能体系统自适应神经网络分布式控制策略.首先,针对切换拓扑下具有未知控制系数的非线性多智能体系统一致性问题,提出一类自适应神经网络一致性控制算法.其中,采用神经网络函数逼近方法解决系统中的不确定性问题,并设计一项自适应光滑项处理有界扰动和神经网络函数逼近误差.随后,证明了切换拓扑下具有未知控制系数的非线性多智能体系统的一致性,并保证了闭环系统的有界性.此外,本文把相关的一致性算法扩展到了一般有向图含有一个有向生成树的情形.最后,通过仿真实例验证了本文所提算法的有效性.     

全局自适应神经网络跟踪控制及逼近域确定

针对自适应神经网络跟踪控制问题,提出一种确定逼近域的方法.采用参考信号取代未知非线性函数中的系统输出,神经网络用于逼近以参考信号为输入的未知不确定项.可以利用参考信号的界预先确定神经网络逼近域,再采用自适应鲁棒方法处理由于函数输入置换所引起的另一类不确定项.所得到的闭环系统是全局稳定的.仿真实例说明了该控制方法的有效性.     

随机非线性系统基于事件触发机制的自适应神经网络控制

针对一类具有严格反馈结构且控制方向未知的随机非线性系统，提出了基于事件触发机制的自适应神经网络（Adaptive neural network，ANN）输出反馈控制方法.利用径向基神经网络逼近系统中未知的非线性函数.通过引入Nussbaum增益函数并设计滤波器，解决了系统控制方向未知的问题.通过设计具有相对阈值的事件触发机制，保证了闭环随机非线性系统的有界性.最后给出数值仿真例子验证所提控制方法的有效性.     

时变时滞非线性系统自适应神经网络控制

对于一类具有未知时变时滞和虚拟控制系数的不确定严格反馈非线性系统,基于后推设计提出一种自适应神经网络控制方案.选取适当的Lyapunov-Krasovskii泛函补偿未知时变时滞不确定项.通过构造连续的待逼近函数来解决利用神经网络对未知非线性函数进行逼近时出现的奇异问题.通过引入一个新的中间变量,保证了虚拟控制求导的正确性.仿真算例表明,所设计的控制器能保证闭环系统所有信号是半全局一致终结有界的,且跟踪误差收敛到零的一个邻域内.     

基于ELM的一类MIMO仿射非线性系统的鲁棒自适应控制

针对一类多输入多输出(MIMO) 仿射非线性动态系统, 提出一种基于极限学习机(ELM) 的鲁棒自适应神经控制方法. ELM随机确定单隐层前馈网络(SLFNs) 的隐含层参数, 仅需调整网络的输出权值, 能以极快的学习速度获得良好的推广性. 在所提出的控制方法中, 利用ELM逼近系统的未知非线性项, 针对ELM网络的权值、逼近误差及外界扰动的未知上界值分别设计参数自适应律, 通过Lyapunov 稳定性分析可以保证闭环系统所有信号半全局最终一致有界. 仿真结果表明了该控制方法的有效性.

     

基于控制系统直接方法的非线性系统预见控制器设计

针对一类非线性离散时间系统给出最优预见控制器设计方法. 首先运用非线性控制系统直接控制方法的思想, 将非线性反馈部分作为形式输入, 使得系统成为“形式上”的线性系统; 然后, 针对该线性系统, 利用最优预见控制的基本方法设计最优预见控制器; 最后, 利用形式输入与实际输入的关系得到非线性离散时间系统的最优预见控制器. 证明了如果形式线性系统满足一定的可镇定和可检测条件, 则闭环系统是渐近稳定的. 数值仿真结果表明了控制器的有效性.

     

非仿射非线性系统的自主构架模糊控制器

针对SISO非仿射非线性系统,提出一种新型自主构架模糊控制器.此控制器由鲁棒控制器与自主构架模糊系统构成.模糊系统初始只含有一条规则,根据系统误差和ε完备性2条准则自主增加规则及隶属函数,从而完善模糊系统结构,逼近非线性系统不确定量.模糊系统利用"伪模糊输出"法对新增规则后件初始化,考虑到实际计算能力,采用替换隶属函数机制限制规则数目.通过理论推导证明了系统的稳定性,理论和半实物仿真实验验证了所提出方法的有效性.     

基于多LPV 模型的调度离线鲁棒预测控制

针对一类具有大工作区域和快时变特性的约束非线性系统, 采用多个线性参数时变(LPV) 模型近似描述原非线性系统. 对于各LPV 模型, 设计基于参数独立Lyapunov 函数的局部离线预测控制器. 构造各局部控制器间的切换策略, 在保证切换稳定性的同时, 使相互重叠的稳定域覆盖期望的工作区域. 仿真结果表明, 相比于已有的调度预测控制方法, 所提出的方法不仅能够保证控制输入在给定的约束范围内, 而且在局部控制器切换次数少的情况下, 获得良好的控制性能.

     

基于组合导航系统的非线性高斯滤波算法

由于组合导航系统具有强非线性和模型不确定性的特点, 工程中扩展卡尔曼滤波无法满足组合导航系统实际应用的要求. 为此, 针对贝叶斯框架下高斯类非线性滤波算法的估计性能给出具体分析. 首先, 在估计点处对非线性函数进行泰勒展开获得泰勒近似, 通过一阶矩和二阶矩分析滤波算法的近似精度; 然后, 通过数值稳定性对非线性滤波算法进行分析; 最后, 分别采用低维和高维模型对各滤波算法进行对比分析, 为组合导航系统的实践提供借鉴.

     

基于反馈增益的AUV稳定神经网络反步变深控制

为解决自主水下航行器的变深控制问题,提出一种基于反馈增益的反步控制方法.首先,通过设计控制器参数消除部分非线性项,在保证系统稳定性的同时设计神经网络控制器来补偿纵倾运动中的模型不确定性;然后,通过自适应鲁棒控制器对神经网络的逼近误差予以消除,以加快神经网络的收敛学习速度,神经网络权值和逼近误差估计的学习律可由李雅普诺夫稳定性理论推导得出,保证了闭环系统的一致最终有界性;最后,通过仿真实验验证了所提出方法的有效性.     

一类非线性严格反馈系统基于干扰观测器的抗干扰控制

针对一类带有干扰的非线性严格反馈系统, 研究其抗干扰控制问题. 系统干扰满足不匹配条件, 代表一类部分信息已知的干扰. 通过设计非线性干扰观测器, 提出基于非线性干扰观测器和back-stepping 的抗干扰控制方法来补偿干扰, 该方法可以保证闭环系统所有信号是半全局最终一致有界的. 最后, 通过与现有方法的对比验证了所提出方法的正确性和有效性.

     

一类非线性动态系统基于强化学习的最优控制制

提出一类非线性不确定动态系统基于强化学习的最优控制方法. 该方法利用欧拉强化学习算法估计对象的未知非线性函数, 给出了强化学习中回报函数和策略函数迭代的在线学习规则. 通过采用向前欧拉差分迭代公式对学习过程中的时序误差进行离散化, 实现了对值函数的估计和控制策略的改进. 基于值函数的梯度值和时序误差指标值, 给出了该算法的步骤和误差估计定理. 小车爬山问题的仿真结果表明了所提出方法的有效性.