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。     

一类非线性不确定系统的非奇异Terminal滑模控制

针对一类二阶非线性系统提出新的Terminal滑模控制面以克服传统的Terminal滑模控制的奇异问题，同时确保系统从任何初始状态能在有限时间内收敛至平衡点．进一步考虑系统参数摄动和外界扰动等不确定性因素上界的未知性，用Lyapunov稳定性方法给出了一个带有未知性上界参数估计的自适应非奇异Terminal滑模控制（NTSM）控制．最后通过实例比较三种滑模控制方法，仿真结果验证了非奇异Terminal滑模控制能克服传统的Terminal滑模控制的奇异问题，并说明了自适应非奇异Terminal滑模控制的有效性和可行性．     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

基于输入输出模型的模糊神经网络滑模控制

1　引言在实际系统中,一般难以取到系统的状态.因此,如何仅利用输入输出模型来控制系统一直是控制理论工作者关注的话题.Narendra等人[1]通过加入两个‘状态’滤波器设计了一种基于输入输出的模型参考自适应控制方案,提出了一个很好的思想.在其后的数十年中,基于输入输出?..     

非奇异终端滑模控制系统的设计方法

提出一种全局非奇异终端滑模控制器，可用于带有参数不确定和外部扰动的二阶非线性系统，证明了系统从任意初始状态到达滑模的时间和在滑模上到达平衡点的时间均为有限，分析了终端滑模控制用于不确定性系统的跟踪精度，推导了系统跟踪精度和用于消除抖振的饱和函数宽度之间的数学关系，根据给定的跟踪精度，可设计出合适的饱和函数，仿真结果证明了所提出方法的有效性。     

含有非线性不确定参数的电液系统滑模自适应控制

针对含有非线性不确定参数的电液控制系统, 提出了一种滑模自适应控制方法. 该控制方法主要是为了解决由于初始控制容积的不确定性而引起的, 非线性不确定参数自适应律设计的难题. 其主要特点为, 通过定义一个新型的特Lyapunov 函数, 进而构建系统的自适应控制器及参数自适应律, 并结合滑模控制方法及一种简单的鲁棒设计方法, 给出整个电液系统的滑模自适应控制器, 及所有不确定参数的自适应律. 试验结果表明, 采用该控制方法能够取得良好的性能, 尤其可以补偿非线性不确定参数对系统的影响.     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提     

基于神经网络的机器人二阶滑模控制

本文提出了一种基于神经网络与二阶滑模控制融合的控制策略用于非线性机器人控制,设计了一种新颖简易的二阶滑模控制方法,有效地避免了常规变结构控制的抖震问题,并采用神经网络辨识未知的机器人的非线性模型,通过Lyapunov直接法设计网络的权值更新率,确保了系统闭环全局渐近稳定性。最后,通过仿真验证了算法的有效性。     

基于积分滑模控制的非理想变时滞 神经网络有限时间同步

研究一类非理想变时滞神经网络的有限时间同步问题.首先,利用驱动-响应概念推导误差系统,并运用同步误差构造一个合适的积分滑模流型,若误差系统的状态轨迹在有限时间内到达滑模面,则同步误差将随其后在有限时间内收敛于零.然后,结合神经元激活函数的约束条件,设计一种合适的滑模控制器,根据所设计的控制器和Lyapunov稳定性理论,误差系统的状态轨迹能够在有限时间内到达滑模面,从而非理想变时滞神经网络的有限时间同步能够实现.最后,通过数值仿真结果验证所提出设计方法的有效性.     

一类3阶非线性系统的非奇异终端滑模控制

针对传统非奇异终端滑模控制方法不适用于3阶系统的问题,提出一类具有不确定和外干扰的3阶非线性系统的新型非奇异终端滑模控制方法.该方案首先结合backstepping控制中的动态面方法和传统2阶非奇异终端滑模控制构造非奇异3阶终端滑模面,首次提出采用高阶滑模微分器估计值代替控制器中的负指数项.采用非线性干扰观测器任意精度地估计不确定和干扰,设计控制器中的补偿项.采用终端吸引子函数做趋近律避免抖振的同时能保证有限时间趋近滑模面.基于有限时间稳定李雅普诺夫定理证明了被控状态将在有限时间内收敛到任意小的闭球内.所提出方案快于传统的递阶线性滑模控制和其他非奇异终端滑模控制.仿真中与其他滑模控制方案对比,总误差减小18%以上,超调及收敛时间也显著下降.     

车载惯性稳定平台的神经网络滑模控制

三轴车载惯性稳定平台为复杂的MIMO非线性系统,针对其在不确定扰动下的伺服控制问题,本文设计了一种神经网络反演滑模控制器(NNBSMC).首先,选用反演法对其解耦,同时引入滑模控制律增加系统的抗干扰性;其次针对框架间的非线性摩擦力与系统耦合选用RBF神经网络作为扰动估计器,以便实时估计与补偿;然后采用前向增稳通道应对建...     

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.     

Ｓｔｅｗａｒｔ主动隔振平台的神经网络自适应控制

针对Stewart主动隔振平台,提出一种基于径向基函数(RBF)神经网络的多输入多输出自适应隔振控制方法.考虑外界振动对Stewart主动隔振平台动态特性的影响,建立了隔振平台在工作空间中的动力学模型.推导出RBF神经网络的权值矩阵、高斯基函数中心和宽度的在线自适应调节律,以使神经网络快速逼近系统的非线性动态函数.应用Lyapunov稳定性理论,证明了在扰动力和神经网络逼近误差有界的条件下,闭环控制系统滤波误差和RBF神经网络各调节参数估计误差的一致最终有界.仿真结果表明,该控制方法能有效地抑制不同方向的低频有界振动.     

受约束空间机器人降阶自适应神经网络滑模控制

为了实现受约束空间机器人的高精度控制,提出了一种基于U-K(Udwadia-Kalaba)方程的降阶自适应神经网络滑模控制算法;基于U-K方程,同时考虑受约束空间机器人各个关节的理想约束力与非理想约束力,推导得到详细的动力学方程;考虑到非理想约束力具有不确定性且单独采用滑模控制会出现抖振现象,提出了自适应神经网络滑模控制算法,实现各关节角度、角速度以及非理想约束力的高精度跟踪;针对系统受约束模型,对动力学方程和滑模控制器进行了降阶求解,减少了变量并简化了计算过程;为了验证所提算法的正确性与合理性,以2自由度受约束空间机器人为例进行了仿真验证;仿真结果表明：受约束空间机器人的各关节角度、角速度以及非理想约束力的跟踪误差均低于10^-4量级。     

电动舵机的复合自适应非奇异终端滑模控制

非奇异终端滑模控制（NTSMc）能够实现误差的有限时间收敛,但一般NTSMC的控制律采用高增益项来消除系统不确定性的影响,具有较强的保守性．为了降低这种保守性,本文采用复合白适应律对系统的不确定参数进行估计,按照估计值设计复合自适应非奇异终端滑模控制（CANTSMC）,对不确定参数引起的系统动态进行补偿．本方案曾经应用于电动舵机,以补偿不确定参数对模型动态性能的影响．本文证明了闭环稳定性,以及输出跟踪误差在有限时间内的收敛性．通过仿真验证了该方法的有效性．     

大射电望远镜精调Stewart平台非线性PID控制

为了实现大射电望远镜馈源指向跟踪系统精调Stewart平台的高精度轨迹跟踪,针对Stewart平台的系统特点,基于机器人关节控制策略,设计了一种非线性PID的Stewart关节调节器。该非线性PID算法构造了增益参数关于误差信号的非线性拟合函数,算法能够同时保证响应速度快、超调量小以及自适应能力强的系统特性。通过建立平台的数学模型,进行了典型信号输出响应数值仿真。仿真结果验证了关节空间控制策略以及非线性PID控制方法的可行性和有效性。     

基于Elman神经网络的Stewart平台位姿正解

Stewart平台广泛应用于运动模拟器、光学、精密定位等领域,然而由于复杂的多元非线性使得位姿正解难以准确得到.针对Stewart平台的位姿正解问题,常规的方法比如迭代法和数值法存在初始值难以选取、计算速度较慢等问题,提出了基于Elman神经网络的位姿正解方法.首先建立Stewart平台支腿长度与平台位姿的运动学模型,然后利用Elman神经网络来实现位姿正解的求解并实验验证.该方法具有良好的动态特性,精度高,能够快速准确的实现Stewart平台位姿正解的求解.实验证明了该方法的有效性.     

一类单输入单输出的典型非线性系统神经网络滑模控制

针对系统部分非线性未知的非线性函数输出跟踪问题，提出了一种基于滑模技术的神经网络滑模控制策略。在此采用已有的输入输出线性化方法消除非线性，且将神经网络辨识结果加入到控制器中。采用李亚普诺夫函数证明了跟踪误差渐进收敛至零，仿真结果也证明了这一点。