非线性增益递归滑模动态面自适应NN控制

针对一类严反馈非线性不确定系统的跟踪控制问题,提出一种非线性增益递归滑模动态面 (Dynamic surface control, DSC)自适应控制方法. 通过设计一个新的非线性增益函数,并构造递归滑模动态面的控制策略和新的Lyapunov函数,同时利用神经网络在线逼近系统不确定项, 该方法有效解决了具有输入饱和约束条件下系统控制精度与动态品质间的矛盾,增强了控制器对其自身参数摄动的非脆弱性. 理论证明了闭环系统所有状态是半全局一致最终有界的,且跟踪误差可收敛至任意小.     

移动机器人编队的递归模糊神经网络滑模控制

研究非完整移动机器人编队控制优化问题,由于动态模型存在诸多不稳定性,针对领航者-跟随者l-ψ控制结构,提出了一种Back stepping运动学控制器与自适应神经滑模控制器相结合的新型控制策略.采用动态递归模糊神经网络(dynam-ic recurrent fuzzy neural network,DRFNN)对跟随者及领航者动力学非线性不确定部分进行在线估计,并通过自适应鲁棒控制器对神经网络建模误差进行补偿.所提方法不但解决了移动机器人编队控制的参数与非参数不确定性问题,同时也确保了机器人编队在期望队形下对指定轨迹的跟踪;根据Lyapunov方法的设计过程,保证了控制系统的稳定;仿真结果表明了改进方法对机器人编队优化控制的有效性.     

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.     

具有未建模动态的自适应神经网络动态面控制

对一类具有未建模动态的严格反馈非线性系统,提出一种自适应神经网络动态面控制方案.该方案将动态面控制方法扩展到具有未建模动态的严格反馈非线性系统的控制器设计中,拓展了动态面控制方法的应用范围.利用动态面控制方法引入的紧集来处理未建模动态对于系统的影响.利用Young's不等式,提出两种自适应参数调节方案.与现有研究结果相比,有效地减少了可调参数的数目,放宽了动态不确定性的假设,无需虚拟控制增益系数导数的信息.通过理论分析,证明了闭环控制系统是半全局一致终结有界的,且跟踪误差收敛到原点的一个小邻域内.     

机械臂的改进型递归滑模动态面抗扰控制

针对机械臂关节运动的轨迹跟踪控制问题,研究了一种改进的递归滑模动态面抗扰控制方法。该方法考虑到机械臂系统存在的外部干扰,设计了一种基于非线性光滑函数的非线性扩张状态观测器(NLESO),对外部干扰进行估计并前馈至系统控制输出进行补偿;基于NLESO构造递归滑模动态面的控制策略,利用反双曲正弦函数和幂次函数构造一种新的非线性增益函数设计改进型动态面控制律。该方法避免了反推法存在的"微分爆炸"问题,有效解决了传统动态面控制存在的控制精度与动态品质之间的矛盾问题,基于Lyapunov理论方法分析证明了系统的稳定性。仿真结果表明,该方法响应速度快、控制精度高、抗扰能力强,抑制了滑模的抖振问题。     

永磁同步电动机的自适应神经网络动态面控制

研究永磁同步电动机的位置跟踪控制问题.针对参数不确定的永磁同步电动机系统,提出自适应神经网络动态面位置跟踪控制方法.根据Stone Weierstrass逼近定理,利用神经网络逼近电动机系统中的复杂非线性函数.采用动态面技术的自适应反步方法设计电动机的位置跟踪控制器实现电动机的位置跟踪控制.提出的控制策略不仅能够克服电机参数的不确定性和负载扰动,而且避免了传统反步设计方法存在的“复杂性爆炸”问题.根据Lyapunov稳定性理论,证明闭环系统具有半全局稳定性,位置跟踪误差收敛于原点的小邻域内.仿真结果表明了所提控制方法能够使电动机快速、准确地跟踪给定的位置信号;神经网络能够很好地逼近系统中的复杂非线性函数.     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

一类纯反馈非线性系统的简化自适应神经网络动态面控制

针对一类完全非仿射纯反馈非线性系统,提出一种简化的自适应神经网络动态面控制方法.基于隐函数定理和中值定理将未知非仿射输入函数进行分解,使其含有显式的控制输入;利用简化的神经网络逼近未知非线性函数,对于阶SISO纯反馈系统,仅一个参数需要更新;动态面控制可消除反推设计中由于对虚拟控制反复求导而导致的复杂性问题.通过Lyapunov稳定性定理证明了闭环系统的半全局稳定性,数值仿真验证了方法的有效性.     

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。     

Adaptive neural network sliding mode control of a nonlinear two-degrees-of-freedom helicopter system

The helicopter can play an important role in military and civil applications owing to its super maneuvering ability, which is closely related to its control system. To improve control performance, this study presents an adaptive sliding mode control strategy merging an adaptive neural network for a nonlinear two-degrees-of-freedom (2-DOF) helicopter system. By setting up the Lyapunov function, the asymptotic stability of the closed-loop system is guaranteed, the astringency of the neural network weight renewal course is pledged, and the asymptotic attitude adjustment and trajectory tracking for the desired set point are realized. The availability of the adaptive radial basis function sliding mode control is finally verified via the simulation and real implementation on a nonlinear 2-DOF helicopter platform.     

滑模动态递归模糊神经网络船电推进复合控制

提出了船舶电力吊舱推进系统的复合控制策略,以消除吊舱推进的过冲现象并获得快速平滑的动态响应.复合控制由鲁棒滑模控制和动态递归模糊神经网络控制组成,鲁棒滑模控制利用死区非线性和误差边界厚度法,克服系统的不确定与外界扰动,具有在线自学习算法的动态递归模糊神经网络控制促使系统的跟踪误差趋近于0.建立了基于SIMOTION的半实物仿真Siemens-Schottel推进器系统,仿真与实验结果表明,复合控制具有暂态快速和稳态平滑的动态响应,提高了吊舱推进系统的鲁棒性和运动精度.     

An adaptive dynamic programming method for observer-based sliding mode control of connected vehicles subject to deception attacks

This article investigates the problem of optimal observer-based sliding mode control (SMC) of connected vehicles subject to deception attacks and disturbances with adaptive dynamic programming (ADP) method. For a group of vehicles with unknown nonlinear dynamics term and disturbance, this article aims to give a control methodology to achieve secure tracking of the desired spacing, velocity and acceleration. A neural network (NN) and an observer are constructed to estimate the unknown nonlinear term and the states, respectively. Then, a SMC scheme incorporating NN approximation is developed and an off-policy ADP method is used to implement the optimal control of sliding mode dynamics. The proposed method can ensure individual stability and string stability of the set of vehicles. Numerical simulations are conducted to demonstrate the validity of the proposed controller.     

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.     

A nonlinear sliding mode control design approach based on neural network modelling

A complete nonlinear framework for the modelling and robust control of nonlinear systems is proposed. The use of neural networks for continuous time modelling to obtain a certain nonlinear canonical form is investigated. The model obtained is used with recently proposed dynamic sliding mode controller design methods. The robustness bounds needed for controller design are determined from modelling errors. A modified version of the backpropagation theorem is also introduced. Copyright © 1999 John Wiley & Sons, Ltd.     

基于神经网络观测器的反推终端滑模位置控制

为了提高永磁直线同步电机(PMLSM)的位置跟踪精度,本文提出了一种基于神经网络自适应观测器的反推终端滑模控制(TSMC)方法.首先,建立PMLSM的动力学模型.然后,利用RBF神经网络的万能逼近特性去逼近系统中不确定性,并将逼近后的输出信号输入给自适应观测器进行跟踪目标位置和速度的估计,补偿由不确定性所导致的跟踪误差,进而获得高精度的跟踪性能.同时反推TSMC方法能够保证系统状态在有限时间内收敛,有效改善了系统响应速度和鲁棒性能.此外,设计出一种新型饱和函数来改善系统抖振,并利用Lyapunov稳定性定理进行了闭环系统稳定性分析.最后,通过空载和负载实验证实了该控制方案的有效性.     

Adaptive neural network hierarchical sliding mode control for six degrees of freedom overhead crane

This paper presents an effective control method for three-dimensional (3D) overhead cranes with six degrees of freedom (DOF). Two payload swings and an axial payload oscillation should be minimized besides driving the bridge, trolley, and hoisting drum to bring the payload to the desired position in space. First, a novel 3D-6DOF crane model is developed, where the sixth degree of freedom is axial cargo oscillation that has never been considered in previous studies. A controller is then designed using the hierarchical sliding mode control method. Moreover, a radial basis function neural network (RBFNN) is used to approximate the system's unknown dynamic model accurately. According to the Lyapunov principle, a control law and an updated law for the neural network's weight matrices are designed to ensure the stability of the closed-loop system. Simulation results on Matlab software show the proposed approach's effectiveness, such as smaller swing, minor axial oscillation, and precise position as desired.     

时变时滞复杂动态网络的非脆弱性同步保性能控制

针对一类时变时滞复杂网络系统,提出了一种非脆弱性同步保性能控制方法。在假设非线性向量函数f(x)可微条件下,通过Jacobi矩阵方法进行线性化处理,余项满足匹配条件,设计具有增益摄动的非脆弱性状态反馈控制器,以确保当控制器的参数发生小的摄动时,仍能保证控制器的有效性。通过构造合适的Lyapunov-Krasovskii泛函,采用积分等式、矩阵分析、Schur补定理等方法,在给定的保性能指标的条件下,得到了该系统非脆弱性同步保性能控制存在的充分条件;并证明了该条件等价于一组线性矩阵不等式(LMI)的可行性问题, 给出了LMI约束条件下的凸优解构造方法,求出了闭环时变时滞系统保性能值的最小值。最后,通过数值算例对比验证了设计方法的可行性。     

建筑结构基于RBF神经网络的离散滑模控制研究

抖振问题是离散滑模控制在实际系统中应用的突出障碍.根据神经网络控制的优点,采用一种基于RBF神经网络的离散滑模控制方法对地震作用下建筑结构的振动控制问题进行了研究.根据离散系统建模技术,得到了离散时间形式的状态方程,同时给出了确定切换面的方法,并推导了控制律的表达式.以一个三层剪切型建筑结构模型为例来验证所提出的离散滑模控制方法的有效性.算例分析结果表明:本文所提出的控制方法能够有效地减小结构的地震峰值响应,同时达到了削弱控制系统抖振的目的.