一种改进的非线性MIMO系统鲁棒自适应反推控制

针对一类具有模型不确定性和未知外界干扰的严反馈非线性MIMO系统,提出一种基于RBF神经网络和反推控制的鲁棒控制律设计方法.应用RBF神经网络在线逼近模型的不确定性,引入低通滤波器消除反推设计方法中由于对虚拟控制反复求导而导致的复杂性问题.同时,在控制律设计中引入一个自适应鲁棒控制项来补偿神经网络逼近误差和未知外界干扰的影响,提高系统的鲁棒性,使整个系统获得更好的跟踪控制性能.基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致终结有界;通过适当选择设计参数及初始化误差变量,跟踪误差可收敛到原点的一个任意小邻域内,且跟踪误差的L∞跟踪性能被保证.数值仿真验证了方法的有效性.     

无人直升机非线性鲁棒控制器设计及仿真

按照Tornambe型非线性鲁棒控制器设计方法,基于某型无人直升机侧向运动数学模型,设计了该型无人直升机侧向飞行姿态保持分散非线性控制系统,该控制系统包含的积分环节补偿了系统内部各种未知因素及外部扰动,通道间解耦效果良好。仿真结果与PID控制相比较,具有很强的抗扰动能力。     

基于模糊干扰观测器的无人机自主着陆逆控制器设计

针对具有显著非线性和不确定性的无人机自主着陆系统,提出基于模糊干扰观测器的非线性动态逆的控制方法,用于降低控制器对不确定性的要求.基于时标分离原则,将无人机自主着陆系统分为快回路、慢回路、非常慢回路和极慢回路,通过在快回路、慢回路和非常慢回路设计动态逆控制律使状态解耦,设计直线下滑和指数拉平的着陆轨迹,并在极慢回路进行跟踪.设计基于模糊系统的干扰观测器,以逼近外部干扰和内部不确定性等复合干扰,基于李雅普诺夫理论证明系统稳定性.最后给出了无人机自主着陆轨迹跟踪控制仿真,仿真结果表明设计控制器具有良好鲁棒性,完成无人机在外界干扰下的自主着陆控制.     

基于神经网络的飞艇非线性鲁棒滑模飞行控制

为了提高飞艇飞行的鲁棒性能,针对飞艇水平面受扰运动提出了一种基于非线性滑模的鲁棒神经网络飞行控制方案。对于飞艇模型中的不确定性,采用神经网络进行逼近,同时对神经网络权值进行在线调整以达到在线逼近的目的。为了有效地处理外部时变干扰对飞艇飞行控制的影响,将参数自适应、神经网络输出与滑模控制相结合设计了飞艇的鲁棒飞行控制。最后,通过飞艇水平面运动控制验证了本文所提出的飞艇鲁棒飞行控制方法的有效性。     

鲁棒飞行控制系统的逆标架正规化设计

本文讨论了飞行控制系统的逆标架正规化设计理论和方法,证明了正规传递函数阵具有相同特征轨迹的鲁棒稳定性定理,并用飞行控制系统的设计实例说明了这种方法的应用和优点。     

一种未知非线性系统的自适应神经网络控制方法

神经网络用于控制,主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。由于神经网络具有学习能力和自适应性,使神经网络控制能对变化的环境有自适应性,且成为基本上不依赖于模型的一类控制,介绍了一种未知非线性系统的自适应神经网络控制方法。     

基于简单自适应控制的鲁棒飞行控制律设计

为了提高飞行控制系统的鲁棒性和抗干扰性能,提出一种基于简单自适应控制的飞行控制律设计方法。根据简单自适应控制应用条件,需要保证飞行控制系统满足正实性的要求,为此引入并联前馈补偿器,将其转化为同时镇定问题,并利用YALM IP工具箱对相应的线性矩阵不等式进行求解;在PI调节律中引入了对误差的积分项以更好地抑制外部扰动;以某型飞机侧向飞行控制系统为例,针对系统参数摄动和承受有界干扰情况,对所提出的方法进行了仿真分析与验证。结果表明利用该方法设计的飞行控制系统在跟踪参考输入信号时具有较好的自适应跟踪性能和鲁棒性能。     

制导炮弹非线性鲁棒自适应控制系统设计

针对制导炮弹非线性模型存在参数不确定性、建模误差和外界干扰的特点, 基于动态面设计了制导炮弹的鲁棒自适应控制器, 在设计过程中加入了一阶低通滤波器, 得到虚拟控制量的微分, 从而消除传统反步法中“计算膨胀”的难题。针对模型的不确定参数的影响采用鲁棒函数抵消, 并通过非线性阻尼项消除外界扰动, 最后由Lyapunov方法证明该闭环系统为半全局稳定。该设计方法较为简单, 在有效利用已知信息的前提下, 放宽了不确定项的限制条件, 且跟踪误差可以通过控制器的可调参数加以调整。仿真结果证明了该方法的有效性。     

无人作战飞机自主攻击非线性控制器设计

针对无人作战飞机自主攻击过程高精度、大迎角以及飞行状态快速变化等飞行控制需求, 采用反步控制设计非线性控制器。依据飞行器六自由度方程建立非线性控制模型, 利用奇异摄动原理将速度控制器和姿态控制器设计分离开, 分别利用反步控制原理设计控制器, 采用一阶指令滤波器克服传统反步法带来的“微分爆炸”问题, 最后依据Lyapunov稳定原理证明了控制系统跟踪误差渐近趋近于零。仿真结果表明, 非线性控制器在输入参考信号发生剧烈变化时仍能够实现高精度跟踪控制。     

基于微分几何方法的一种非线性控制器设计与仿真

以微分几何方法为工具,针对输出变量关系为隐式函数且具有未知时变参数的非线性多变量系统,在相对阶次为1 的情况下,设计了一种解耦线性化控制器与非线性比例积分微分(PID)控制器构成的复合控制方案并给出了控制系统的稳定性分析.仿真研究表明控制系统具有满意的动态特性和较强的鲁棒性.     

非线性系统神经网络L2增益控制

针对很难求解Ⅲ偏微分不等式解析解的问题,采取一种新的思想,给出了利用神经网络构造HJ不等式解的一种方法,并利用遗传算法进行神经网络权值的优化,使得Lyapunov函数满足HJ不等式,避免了求解HJ偏微分不等式。并在此基础上,给出基于HJ不等式的仿射非线性系统神经网络L2增益抗干扰控制器设计方法,以神经网络的形式给出厶增益控制器的一般结构。仿真结果表明,提出的控制器设计方法是可行的,实现了闭环系统为从外界干扰到系统输出是有限增益L2稳定的。     

非线性系统神经网络L_2增益控制

针对很难求解HJ偏微分不等式解析解的问题,采取一种新的思想,给出了利用神经网络构造HJ不等式解的一种方法,并利用遗传算法进行神经网络权值的优化,使得Lyapunov函数满足HJ不等式,避免了求解HJ偏微分不等式.并在此基础上,给出基于HJ不等式的仿射非线性系统神经网络L2增益抗干扰控制器设计方法,以神经网络的形式给出L2增益控制器的一般结构.仿真结果表明,提出的控制器设计方法是可行的,实现了闭环系统为从外界干扰到系统输出是有限增益L2稳定的.     

基于神经网络仿射非线性系统滑模自适应控制

研究了一类单输入单输出仿射非线性系统的自适应控制问题.采用反馈线性化方法设计控制器,用神经网络逼近系统中的未知非线性函数,并在神经网络权值的自适应律中引入权值误差的概念,以改善系统的动态性能.同时采用滑模控制方法设计补偿器,提高了系统的鲁棒性.理论分析及仿真结果表明,所设计的控制器,不仅能解决该系统的轨迹跟踪控制问题,...     

无人机自主低空突防航迹控制系统设计

设计了一种无人机自主低空突防航迹控制系统。提出了一种满足无人机低空突防要求的航迹预规划方法和航迹控制指令生成算法。针对动态逆方法需要被控对象精确数学模型的难点,在分析无人机误差动力学特性的基础上,采用神经网络在线动态补偿模型逆误差,并运用李亚普诺夫稳定性理论推导网络权值更新律,确保指令跟踪误差和网络权值的有界性。数字仿真结果表明,该系统满足无人机自主低空突防时航迹精确跟踪要求。     

大迎角控制的一种神经网络逆系统方法

提出了一种用于大迎角控制的基于神经网络补偿和逆系统反馈的控制方案,并用e-修正方法对神经网络的权值进行了限幅。基于Lyapunov稳定性理论证明了该控制方法的跟踪误差是收敛的。大迎角控制的仿真实例表明该控制方法具有良好的大迎角跟踪性能。     

三维非线性鲁棒制导律

建立了球坐标系下的三维导弹与目标相对运动模型,基于Lyapunov方法和输入状态稳定性(ISS)分析,设计了非线性三维鲁棒制导律,不需要估计目标加速度,实现了对机动目标的扰动抑制跟踪,并且比传统的比例制导律在拦截时间及鲁棒性方面具有优势。仿真结果表明,对于目标作复杂的大机动逃逸运动,仍然能够取得较好的跟踪性能和鲁棒性。     

关于近空间飞行器飞行控制系统研究设计的几个问题

讨论了近空间飞行器飞行控制系统研究设计的几个问题。首先指出了研究近空间飞行器的国内外形势和近空间飞行器研究的重要性;接着就近空间飞行器飞行控制的几个重要问题:飞行运动控制的建模问题,飞行姿态控制的鲁棒性问题,飞行姿态与重心运动的一体化协调控制问题,飞行与发动机的一体化协调控制问题,飞行控制的抗干扰问题提出了相应的方法和看法;最后就近空间飞行器飞行控制系统的设计原则提出了自己的体会和看法,指出了用一体化协调控制的思想进行近空间飞行器飞行控制系统分析设计的重要性。     

弹性体导弹鲁棒控制器设计

基于欧拉-自由梁模型理论得出弹性体导弹横向振动模型,用模态分析方法对模型进行求解。结合弹性导弹的刚体运动方程,得到包括横向振动和刚体运动的增广模型,对该模型进行鲁棒控制器设计,仿真结果表明,所设计的鲁棒控制器能够在保证弹体运动姿态控制的同时抑制横向振动。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数．实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好。表明了该算法的可行性与有效性。