机器人的非奇异终端神经滑模轨迹跟踪控制

针对具有不确定性的机器人系统,为提高系统的稳态跟踪精度,提出一种非奇异终端神经滑模轨迹跟踪控制方案.控制器采用改进的非奇异终端滑模面,并基于径向基函数神经网络自适应调整控制律的切换项,不但克服了在设计中需要知道系统不确定性的上界的限制,而且平滑了控制信号.可应用Lyapunov稳定性理论证明了系统的渐近稳定性和跟踪误差的渐近收敛性.仿真结果验证了控制方法不仅能够保证机器人系统轨迹跟踪控制的快速性和鲁棒性,而且有效地削弱了抖振,可见方案是可行且有效的.     

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.     

基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应控制

针对三自由度全驱动船舶存在模型不确定和未知外部环境扰动的情况,设计出一种基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应神经网络控制方法.该方法综合考虑船舶位置和速度误差之间关系设计递归滑模面,引入神经网络对船舶模型不确定部分进行逼近,设计带σ-修正泄露项的自适应律对神经网络逼近误差与外界环境扰动总和的界进行估计,并应用一种非线性增益函数构造动态面控制律,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、精度高,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.     

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.     

基于干扰观测器的高速列车RBF自适应滑模控制方法

针对高速列车动力学模型的不确定性和存在外部干扰难以实现高速列车对目标轨迹的高精度跟踪控制的问题,设计了一种基于非线性干扰观测器的RBF神经网络自适应滑模控制方法。首先,针对高速列车模型非线性系统的不确定性问题,设计自适应RBF神经网络鲁棒控制器进行跟踪控制,基于RBF神经网络的特性设计神经网络权值自适应律,对列车模型中的未知函数进行估计。其次,针对高速列车跟踪控制外部干扰问题,采用指数收敛干扰观测器进行干扰补偿,提高高速列车对目标轨迹追踪的抗干扰能力。最后,李雅普诺夫(Lyapunov)稳定性分析保证了闭环系统的渐近稳定性,以秦沈客运专线为仿真对象。结果表明,所设计的控制方法不仅解决了列车模型未知阻力部分的自适应逼近,而且在此基础上引入干扰观测器对外部非线性干扰进行补偿实现了对期望轨迹的高精度快速跟踪。     

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.     

PHANTOM Omni机器人的自适应模糊滑模控制

针对PHANTOM Omni机器人的位置轨迹跟踪问题,采用了一种基于模糊逻辑的自适应模糊滑模控制方案。利用滑模控制中的切换函数作为输入,根据模糊系统的逼近能力设计控制器,并基于李雅谱诺夫方法设计自适应律对控制器所需参数进行实时调节。仿真中将其与传统的滑模控制进行了比较,仿真结果表明：自适应模糊滑模控制能使PHANTOM Omni机器人更好地实现期望的位置轨迹跟踪并有效地减轻抖振现象,从而证明了该方法在PHANTOM Omni机器人上实施的可行性。     

基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

非线性系统的自适应神经网络轨迹跟踪控制

文章讨论了一类非线性系统稳定自适应跟踪控制问题。为使非线性闭环系统的稳定及跟踪误差的收敛，对系统方程进行恒等变换，用径向基函数（RBF）神经网络逼近系统方程中的未知函数。在反步控制中构建控制律和更新律，并引入动态面控制（DSC）技术避免对虚拟控制变量求导出现奇异。通过Lyapunov泛函分析，推导出非线性系统镇定条件及所有闭环信号是半全局一致最终有界。最后由两个例子实现参考轨迹的有限时间跟踪，跟踪误差都能收敛到0的小邻域，验证了所提方案的有效性和鲁棒性。     

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。     

不确定非线性系统的自适应反推高阶终端滑模控制

针对一类非匹配不确定非线性系统,提出一种神经网络自适应反推高阶终端滑模控制方案.反推设计的前1步利用神经网络逼近未知非线性函数,结合动态面控制设计虚拟控制律,避免传统反推设计存在的计算复杂性问题,并抑制非匹配不确定性的影响;第步结合非奇异终端滑模设计高阶滑模控制律,去除控制抖振,使系统对于匹配和非匹配不确定性均具有鲁棒性.理论分析证明了闭环系统状态半全局一致终结有界,仿真结果表明了所提出方法的有效性.     

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。     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...     

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。     

基于修正闭环子空间辨识--分段线性结构的 环管式丙烯聚合反应过程非线性模型预测控

本文提出一种非奇异终端滑模funnel控制(NTSMFC)方法, 实现带有饱和输入电机伺服系统的指定性能跟踪控制. 根据中值定理, 非光滑饱和函数转化为放射形式, 并且应用一个简单的神经网络进行逼近和补偿. 为保证跟踪误差被限制在指定的界限内, 同时为避免构建复杂的barrier李雅普诺夫函数或逆函数, 本文采用一个新的限制变量. 然后, 构建非奇异终端滑模funnel控制器保证电机伺服系统的指定跟踪性能. 该方法无需事先已知输入饱和函数的界限等先验知识, 且基于李雅普诺夫函数设计可以保证位置跟踪误差的收敛性, 最后给出仿真对比实例证明了该方法的有效性.     

带有饱和的电机伺服系统非奇异终端滑模funnel控制

本文提出一种非奇异终端滑模funnel控制(NTSMFC)方法, 实现带有饱和输入电机伺服系统的指定性能跟踪控制. 根据中值定理, 非光滑饱和函数转化为放射形式, 并且应用一个简单的神经网络进行逼近和补偿. 为保证跟踪误差被限制在指定的界限内, 同时为避免构建复杂的barrier李雅普诺夫函数或逆函数, 本文采用一个新的限制变量. 然后, 构建非奇异终端滑模funnel控制器保证电机伺服系统的指定跟踪性能. 该方法无需事先已知输入饱和函数的界限等先验知识, 且基于李雅普诺夫函数设计可以保证位置跟踪误差的收敛性, 最后给出仿真对比实例证明了该方法的有效性.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

基于非奇异快速终端滑模的轧机液压伺服位置系统反步控制

针对具有非线性、参数不确定性和未知负载扰动的非对称缸轧机液压伺服位置系统,提出一种基于模糊自适应观测器和非奇异快速终端滑模面的反步控制方法.首先,基于非奇异快速终端滑模面和双幂次趋近律完成非对称缸轧机液压伺服位置系统反步控制器的设计,并通过构造二阶滑模滤波器对虚拟控制量的微分信号进行估计,有效地避免了反步控制中的微分爆炸现象;然后,选用模糊自适应观测器对系统的不确定项进行逼近估计,并将输出的估计值引入到设计的控制器中进行补偿,有效地提高了系统的跟踪控制精度,且分析表明,所提出的控制方法能够保证闭环系统全局渐近稳定;最后,基于某650mm可逆冷带轧机液压伺服位置系统的实际参数进行仿真研究,并与常规线性滑模控制方法相比较,结果验证了所提出方法能够有效提高系统在整个全局过程的收敛速度和鲁棒稳定性.     

基于积分型切换函数的自适应神经网络控制

针对一类具有未知函数控制增益的非线性系统,利用RBF神经网络的逼近能力,依据滑模控制原理,提出了一种直接自适应神经网络控制器设计新方案。通过引入积分型切换函数及逼近误差自适应补偿项,监督控制用饱和函数代替符号函数,根据李雅普诺夫稳定性理论,证明了闭环系统是全局稳定的,跟踪误差收敛到零。该算法应用于连续搅拌型化学反应器CSTR（Continuous Stirred Tank Reactor）,仿真结果显示,该算法能很好地使CSTR跟踪给定的温度信号,表明了该控制策略的有效性。     

基于Backstepping的倒立摆鲁棒跟踪控制

针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好.