采用幂次趋近律的滑模控制稳态误差界

对一类不确定非线性系统采用幂次趋近律的滑模跟踪控制,分别推导了采用Slotine形式的传统滑模面和积分滑模面时的稳态跟踪误差的界.首先,基于Lyapunov方法求出了滑模误差的最终界和系统不确定性、幂次趋近律参数之间定量的数学关系.其次,利用有界输入有界输出稳定的方法,分别求出了采用Slotine形式的传统滑模面和积分...     

非脆弱递归滑模动态面自适应神经网络控制

针对一类非匹配不确定非线性系统的跟踪控制问题, 提出了一种递归滑模动态面自适应控制算法. 采用神经网络(neural network, NN)在线逼近系统不确定项, 通过设计递归滑模动态面有效综合反推步骤中每步跟踪误差之间相互影响和制约的关系. 该方法避免了反推法存在的“微分爆炸”问题, 克服了传统动态面方法对其低通滤波器时间常数和神经网络自适应参数摄动脆弱的缺点. 稳定性分析证明了该方法能够保证闭环系统所有状态半全局一致最终有界, 且跟踪误差可以收敛至原点的任意小邻域.     

时变终端滑模自适应有限时间控制算法

为实现非线性系统输出对期望轨迹的有限时间内精确跟踪，提出一种有限时间鲁棒控制算法。通过设计一种无到达过程的时变终端滑模面，在保证有限时间收敛的基础上，消除了传统滑模控制中固有的稳态误差，实现系统输出对期望轨迹的精确跟踪。设计了自适应更新律补偿由参数摄动导致的系统扰动，增强系统对内部未知参数摄动的鲁棒性。对比仿真结果表明：时变终端滑模控制比线性滑模控制的轨迹跟踪时间快41.5%；线性滑模控制器下的轨迹跟踪稳态误差为0.005，时变滑模控制器使轨迹跟踪的稳态误差降为0，实现精确跟踪。     

空间翻滚目标捕获的双滑模面控制律与地面微重力试验

本文研究了空间翻滚目标捕获任务中的相对姿轨耦合控制问题.为了提高系统在有界干扰、测量误差、控制受限、参数不确定等因素影响下的控制性能,设计了双滑模面姿轨耦合控制律,并证明了该控制律作用下闭环系统的稳定性.通过数学仿真与传统单滑模面控制律进行了对比分析,结果表明双滑模面控制律的能够显著减小稳态偏差和噪声.进一步,构建了地面微重力半物理试验系统,设计了轨道面内对翻滚目标逼近与跟踪的任务场景,通过半物理试验结果验证了双滑模面控制律在姿轨控全系统实时闭环、微重力动力学条件下的有效性.     

一类不确定非线性系统的改进积分型滑模控制

针对一类不确定非线性系统的传统滑模控制,推导了滑模误差和稳态误差的范围．为了减小系统的稳态误差,同时防止积分饱和,设计了一种改进积分型滑模面．在边界层外,通过调节因子对积分项进行削弱,以防止在初始误差较大的条件下积分饱和引起的超调较大和调节时间较长的问题;在边界层内,采用传统积分以减小系统稳态误差．理论分析和仿真研究表明了所提改进积分型滑模控制方法的有效性．     

机械臂自适应精确时间滑模控制

考虑机械臂中存在的未建模部分、摩擦力、外加干扰,提出一种自适应精确时间滑模控制方法,实现机械臂各关节角的轨迹跟踪.首先对机械臂进行建模,将未建模部分、摩擦力、外加扰动看作集中扰动;其次,设计一种精确时间收敛滑模面,克服传统终端滑模面收敛时间高估的问题,基于此设计全局精确时间收敛滑模控制方法,使得机械臂系统能够在设定时间实现稳定,并在误差收敛后仍具有较强的鲁棒性;接着,设计低通滤波器削减抖振,通过自适应方法估计扰动上界,避免增益的高估;最后,通过仿真实验验证所提出的控制方法能够严格控制机械臂系统的稳定时间,并降低稳态误差,实现机械臂系统的高精度轨迹跟踪控制.     

永磁同步电机伺服系统的自适应模糊滑模控制

针对永磁同步电机伺服系统的跟踪控制问题,提出了一种基于扰动观测器的自适应模糊滑模控制方法.通过扰动观测器估计等效扰动,改善了系统的动态性能和稳态性能,并且只需要等效扰动的变化有界,而不是为零,放宽了要求;根据模糊控制原理引入3条模糊规则,在保证滑模条件的前提下有效地削弱了抖振;采用自适应策略估计模糊系统参数的最优值,简化了控制器的设计.实验结果表明,与常规自适应模糊滑模控制相比,本文提出的控制方法不仅能够有效地减小跟踪误差,而且能够改善参数估计过程,保证了参数估计的有界性.     

一种基于反步法的鲁棒自适应终端滑模控制

针对不确定严格反馈块控非线性系统, 提出了一种基于反步法的鲁棒自适应终端滑模变结构控制方法. 系统的未知不确定及外界干扰由模糊系统在线逼近, 利用反步法设计了变结构控制的终端滑模面, 并由此得到了鲁棒自适应终端滑模控制器, 使系统的跟踪误差在有限时间内趋于给定轨迹的任意小的邻域内. 通过Lyapunov定理证明了闭环系统所有信号最终有界. 对某战斗机6自由度机动仿真结果表明, 该方法具有强鲁棒性.     

带有内动态的离散不确定非线性系统的滑模预测跟踪控制

对于一类带有内动态的单输入-单输出不确定离散非线性系统,基于滑模预测控制技术设计了一个控制器.通过反馈校正和滚动优化技术,可以及时补偿不确定性的影响,提高了匹配和不匹配不确定项的鲁棒性.然后,通过滚动优化技术得到期望的滑模控制律.特别地,通过预测控制,滑模控制的抖振现象可以消除.最后,在不确定项的界未知的情况下,得到闭环系统的所有信号都是有界的,并且跟踪误差是鲁棒稳定的.仿真例子说明所提出控制方法的有效性.     

一类不确定非线性系统的改进积分型滑模控制

针对一类不确定非线性系统的传统滑模控制,推导了滑模误差和稳态误差的范围．为了减小系统的稳态误差,同时防止积分饱和,设计了一种改进积分型滑模面．在边界层外,通过调节因子对积分项进行削弱,以防止在初始误差较大的条件下积分饱和引起的超调较大和调节时间较长的问题;在边界层内,采用传统积分以减小系统稳态误差．理论分析和仿真研究表明了所提改进积分型滑模控制方法的有效性．

     

不确定移动机器人编队间接自适应模糊动力学控制

研究不确定非完整移动机器人Leader/Follower编队动力学控制问题,对Follower提出了自适应队形跟踪控制方法.首先,基于队形方程设计了运动学队形跟踪控制器,使用Backstepping技术扩展出队形跟踪误差动力学方程;然后,利用自适应模糊系统逼近其不确定项,构造了间接自适应模糊动力学队形跟踪控制器;最后,证明了队形跟踪误差可收敛到原点的小邻域内.仿真结果验证了所提出控制策略的有效性.     

部分未知环境中移动机器人动态路径规划方法

针对部分未知环境,提出一种基于粒子滤波的动态路径规划方法.将全局最优路径视为受机器人运动及环境影响的变化量,采用粒子滤波算法,利用机器人运动信息预测路径,并利用实时环境信息更新路径,通过在线跟踪全局最优路径获得不断更新的全局优化路径.将传统全局路径规划先规划后执行的模式改为边规划边执行的模式,既减少了等待时间,又为机器人的移动误差及部分未知环境提供了较强的适应能力.仿真及实验验证,该方法的有效性.     

含有参数化和非参数化不确定性系统重复学习控制

针对含有参数化和非参数化的高阶非线性系统,设计了一种重复学习控制方案.假设未知时变参数和参考信号的共同周期是已知的,通过参数重组技巧,将所有未知时变项合并为一个周期时变向量.将改进Backstepping方法与分段积分机制相结合,构造了微分-差分参数自适应律和重复学习控制律,使跟踪误差在误差平方范数意义下渐近收敛于零.利用Lyapunov泛函,给出了闭环系统收敛的充分条件.仿真结果验证了该方法的有效性.     

一类带有变时滞的广义切换系统的滑模控制

研究一类具有非匹配不确定性和变时滞的广义切换系统的滑模控制问题.首先,基于Lyapunov稳定性理论和线性矩阵不等式(LMI)技术,针对每个子系统设计对应的积分型滑模面,给出了每个滑动模态方程鲁棒渐近稳定的充分条件;然后,设计了滑模控制器及切换规则,使得闭环系统的状态能够到达滑模面上,产生滑动模态;最后以仿真实例说明了所提出方法的有效性.     

永磁同步电机伺服系统模糊分数阶滑模控制

针对传统整数阶滑模控制系统中的抖震问题,结合分数阶理论、模糊逻辑推理和滑模控制技术的优点,提出了模糊分数阶滑模控制策略.将传统滑模控制器中的整数阶切换面推广到分数阶并设计了全控制域滑模面,保证系统在整个控制域都具有较强的鲁棒性.采用模糊逻辑推理算法,实现了开关切换增益的自整定.仿真和实验验证了模糊分数阶滑模控制系统不但能有效地削减抖震,而且能保持滑模控制器对系统外部扰动的全局鲁棒性.     

有界控制下单向收敛滑模控制

提出一种控制有界情况下状态单向收敛的滑模控制方法.对于二阶系统,单向收敛是指初始状态与状态到达滑动模态的位置位于相平面同一象限的过程.通过分析到达阶段的动态特性,揭示了状态非单向收敛的原因,并提出了一种单向收敛条件,给出了系统状态单向收敛的区域.将所提出的方法应用于具有单向收敛要求的交会对接控制系统,结果验证了所提出方法的有效性.     

自行车机器人系统的稳定滑模控制

基于拉格朗日方法建立自行车机器人动力学模型,针对自行车机器人这一非线性欠驱动系统,利用稳定滑模控制算法实现系统的稳定.该方法首先从各个子系统中取出一个变量组合成一个中间变量;然后从该中间变量出发构造滑模函数,从滑模控制器设计的角度求取控制量,保证中间变量在有限时间内收敛到平衡点,从而保证系统状态收敛到收敛域内.该方法能够保证自行车机器人系统的稳定性,并在仿真实验中得到了验证.     

强跟踪CDKF 及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.     

欠驱动AUV模糊神经网络L2增益鲁棒跟踪控制

提出基于模糊神经网络欠驱动水下自主机器人(AUV)的L2增益鲁棒跟踪控制方法,该方法通过在线学习逼近动力学模型的不确定项.控制器克服了由于缺少横向推力对跟踪误差的影响,在考虑未知海流干扰情况下,实现了系统对模糊神经网络逼近误差的L2增益小于γ.利用Lyapunov稳定性理论证明了闭环控制系统误差信号一致最终有界.最后,通过精确模型参数和参数扰动仿真实验验证了该控制方法具有很好的跟踪效果和较强的鲁棒性.