带有输出约束的柔性关节机械臂预设性能自适应控制

针对带有输出约束和模型不确定的柔性关节机械臂系统,提出一种基于时变障碍李雅普诺夫函数的预设性能自适应控制方法.通过构造指数衰减的时变约束边界,提出时变正切型障碍李雅普诺夫函数,能够同时适用于约束与非约束情况,进而拓宽传统对数型障碍李雅普诺夫函数的适用范围.此外,通过预先设置时变边界函数的相关参数,使得系统输出在初始阶段...     

具有未建模动态的互联大系统事件触发自适应模糊控制

针对一类具有未建模动态及执行器故障的非严格反馈非线性互联大系统, 提出一种基于事件触发机制的模糊分散自适应输出反馈控制算法. 首先, 通过设计模糊状态观测器估计系统中不可测的状态, 并引入李雅普诺夫函数约束未建模动态. 然后, 提出一种基于事件触发机制的自适应容错控制器补偿多个执行器故障产生的影响. 最后, 利用障碍李雅普诺夫函数实现对系统输出的约束, 并证明闭环系统中所有信号均是半全局一致最终有界的, 且设计的事件触发机制可以避免Zeno行为. 数值仿真结果验证所提出设计方案的可行性及有效性.     

带有时变输出约束的机械臂自适应轨迹跟踪控制

针对带有输出约束和动力学模型参数未知的机械臂系统，提出一种基于时变tan型障碍李雅普诺夫函数的自适应控制方法.首先，通过设置时变约束边界，给出了一个时变tan型障碍李雅普诺夫函数，保证系统在初始误差较大情况下的瞬态性能和稳态性能，拓展了传统对数型障碍李雅普诺夫函数的适用范围.其次，为了处理机械臂动力学模型的不确定性，采用径向基神经网络(RBFNN)拟合未知的动力学模型，设计了基于RBFNN的自适应控制器，在满足约束的情况下提高了系统的鲁棒性.最后，通过二自由度机械臂轨迹跟踪的仿真，验证了所提方法的控制性能优于传统的PD控制器.     

非线性系统的神经网络鲁棒自适应跟踪控制

针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统,提出了一种神经网络鲁棒自适应输出跟踪控制方法.用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统内的所有信号均为有界.选择的神经网络权值调整规律可以防止自适应控制中的参数漂移.     

具有未建模动态和输出约束系统的自适应输出反馈控制

针对一类具有未建模动态和输出约束的输出反馈非线性系统, 提出一种自适应输出反馈动态面控制方案. 利用神经网络逼近未知连续函数, 分别设计K滤波器和动态信号估计不可测量的状态, 并处理动态不确定性. 引入障碍李雅普诺夫函数并设计自适应控制器以保证BLF有界, 从而实现输出约束. 理论分析表明, 闭环控制系统是半全局一致终结有界的, 且满足输出约束, 仿真结果验证了所提出方案的有效性.     

输入饱和及输出受限的纯反馈非线性系统控制

针对具有输入饱和和输出受限的纯反馈非线性系统,设计了神经网络自适应控制器.首先利用隐函数定理和中值定理将非仿射形式的纯反馈非线性系统转换成有显式输入的非线性系统,基于李雅普诺夫第二方法以及反推法并采用障碍型李雅普诺夫函数进行控制器的设计,最后通过稳定性分析证明了闭环控制系统是半全局一致最终有界的,利用仿真例子验证了控制...     

带有输出约束的水面船舶实际有限时间控制

考虑带有输出约束的水面船舶系统,提出一种自适应神经网络航迹跟踪实际有限时间控制算法.基于反步法设计有限时间控制律,构造障碍李雅普诺夫函数处理输出约束问题,采用神经网络逼近船舶模型中的不确定信息.在控制算法递推过程中,通过设计一个关于跟踪误差的可微幂函数来避免控制器中的奇异问题.借助李雅普诺夫稳定性分析理论,证明了航迹跟踪误差在有限时间内收敛到有界的邻域内.最后,以一艘1:70的比例模型船作为仿真对象,来验证所提出的航迹跟踪实际有限时间控制算法的有效性.     

基于神经网络的非线性系统稳定自适应控制

本文针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统 ,提出了一种基于神经网络的稳定自适应输出跟踪控制方法 .用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统稳定 ,并使输出跟踪误差随时间趋于无穷而收敛到零 .仿真算例证明了该算法的有效性     

航天器全状态约束输出反馈控制

针对无角速度测量的刚性航天器姿态跟踪问题,提出一种全状态约束输出反馈控制方法.建立修正罗德里格参数描述的系统模型,提出能够适用于约束与非约束情况的改进型障碍李雅普诺夫函数(MBLF),拓展传统对数型障碍李雅普诺夫函数的适用范围.构造二阶辅助系统,将控制输入和饱和输入之间的差作为构造系统的输入,进而产生信号以补偿饱和的影响.设计状态观测器估计未知状态量,并结合反步法设计输出反馈控制律,保证系统全状态约束性能和姿态跟踪精度.通过李雅普诺夫稳定性分析证明姿态观测误差和跟踪误差能够达到一致最终有界.仿真结果验证所提方法的有效性.     

考虑输出约束的机械臂自适应神经网络鲁棒控制

在工业机械臂系统的跟踪控制过程中,由于其结构和工作环境复杂,导致难以建立精确的系统模型,针对此问题提出了基于多层前馈神经网络的自适应鲁棒控制器.通过神经网络在线估计机械臂系统动力学模型,并在控制器中进行补偿,同时设计了一个在线更新的鲁棒项克服神经网络的重构误差;考虑机械臂实际系统的输出约束,采用障碍李雅普诺夫函数设计控制律并证明系统的稳定性从而使系统满足约束条件.仿真实验结果表明:在约束条件下所提出的控制器能够实现系统的一致最终有界稳定,且跟踪性能良好,并具有很好的抗干扰和自适应能力.     

Adaptive Neural Dynamic Surface Control for Stochastic Nonlinear Time‐Delay Systems with Input and Output Constraints

This paper presents an adaptive neural tracking control approach for uncertain stochastic nonlinear time‐delay systems with input and output constraints. Firstly, the dynamic surface control (DSC) technique is incorporated into adaptive neural control framework to overcome the problem of ‘explosion of complexity’ in the control design. By employing a continuous differentiable asymmetric saturation model, the input constraint problem is solved. Secondly, the appropriate Lyapunov‐Krasovskii functional and the property of hyperbolic tangent functions are used to deal with the unknown time‐delay terms, RBF neural network is utilized to identify the unknown systems functions, and barrier Lyapunov functions (BLFs) are designed to avoid the violation of the output constraint. Finally, based on adaptive backstepping technique, an adaptive neural control method is proposed, and it decreases the number of learning parameters. Using Lyapunov stability theory, it is proved that the designed controller can ensure that all the signals in the closed‐loop system are 4‐Moment (or 2 Moment) semi‐globally uniformly ultimately bounded (SGUUB) and the tracking error converges to a small neighborhood of the origin. Two simulation examples are provided to further illustrate the effectiveness of the proposed approach.     

Adaptive Neural Network-Based Control for a Class of Nonlinear Pure-Feedback Systems With Time-Varying Full State Constraints

In this paper, an adaptive neural network (NN) control approach is proposed for nonlinear pure-feedback systems with time-varying full state constraints. The pure-feedback systems of this paper are assumed to possess nonlinear function uncertainties. By using the mean value theorem, pure-feedback systems can be transformed into strict feedback forms. For the newly generated systems, NNs are employed to approximate unknown items. Based on the adaptive control scheme and backstepping algorithm, an intelligent controller is designed. At the same time, time-varying Barrier Lyapunov functions (BLFs) with error variables are adopted to avoid violating full state constraints in every step of the backstepping design. All closedloop signals are uniformly ultimately bounded and the output tracking error converges to the neighborhood of zero, which can be verified by using the Lyapunov stability theorem. Two simulation examples reveal the performance of the adaptive NN control approach.      

具有输入和输出约束的高阶随机系统神经网络控制

针对高阶非线性系统,开展自适应神经网络跟踪控制器设计,系统受到随机扰动的影响.首次把输入和输出约束问题引入到高阶系统的跟踪控制中,并假定系统动态是未知.首先借用高斯误差函数表达连续可微的非对称饱和模型以实现输入约束,和障碍Lyapunov函数保证系统输出受限;其次,针对高阶非线性系统,径向基函数(RBF)神经网络用来克服未知系统动态和随机扰动.在每一步的backstepping计算中,仅用到单一的自适应更新参数,从而克服了过参数问题;最后,基于Lyapunov稳定性理论提出自适应神经网络控制策略,并减少了学习参数.最终结果表明设计的控制器能保证所有闭环信号半全局最终一致有界,并能使跟踪误差收敛到零值小的邻域内.仿真研究进一步验证了提出方法的有效性.     

Adaptive fault-tolerant control for multiple Euler–Lagrange systems considering time delays and output constraints

Considering the existence of communication delays, the adaptive fault-tolerant control problems for constrained multiple Euler–Lagrange systems are considered in this paper. First, a communication delays observer is utilized to enable all followers can acquire the leader's state information. Second, based on neural network technique, two distributed coordinated control schemes are designed to make every follower can track the leader. Compared with the first control algorithm, the adaptive fault-tolerant control problem is further considered in the second control algorithm. The proposed algorithm can simultaneously compensate the actuator bias faults and the partial loss of actuation effectiveness faults. At the same time, a tan-type barrier Lyapunov function is used to constrain the tracking errors of all followers and the leader. Finally, the simulations show the effectiveness of the proposed control schemes.     

Neural observer-based adaptive compensation control for nonlinear time-varying delays systems with input constraints

This paper describes a neural network state observer-based adaptive saturation compensation control for a class of time-varying delayed nonlinear systems with input constraints. An advantage of the presented study lies in that the state estimation problem for a class of uncertain systems with time-varying state delays and input saturation nonlinearities is handled by using the NNs learning process strategy, novel type Lyapunov-Krasovskii functional and the adaptive memoryless neural network observer. Furthermore, by utilizing the property of the function tan h²(?/?)/?, NNs compensation technique and backstepping method, an adaptive output feedback controller is constructed which not only efficiently avoids the problem of controller singularity and input saturation, but also can achieve the output tracking. And the proposed approach is obtained free of any restrictive assumptions on the delayed states and Lispchitz condition for the unknown nonlinear functions. The semiglobal uniform ultimate boundedness of all signals of the closed-loop systems and the convergence of tracking error to a small neighborhood are all rigorously proven based on the NN-basis function property, Lyapunov method and sliding model theory. Finally, two examples are simulated to confirm the effectiveness and applicability of the proposed approach.     

输出非对称死区的非严格反馈非线性系统控制

本文研究了具有输出非对称死区和状态含未知控制方向的非严格反馈非线性系统, 设计了稳定的自适应 神经网络控制器. 首先, 针对输出非对称死区的问题, 本文采用死区逆的方法, 构造光滑模型逼近原死区模型. 其 次, 在控制器设计过程中, 基于障碍Lyapunov函数的构造, 动态面控制和反步法, 设计出自适应控制信号, 虚拟控制 信号和实际控制信号. 通过稳定性分析, 证明所设计的神经网络控制器可以保证闭环系统内所有信号是半全局一致 最终有界. 最后, 通过MATLAB数值仿真, 说明所设计控制器的有效性.     

考虑量化输入和输出约束的互联系统自适应分散跟踪控制

本文考虑具有量化输入和输出约束的一类非线性互联系统的自适应分散跟踪控制设计.分别针对量化参数已知和未知两种情况,基于反推(Backstepping)设计法,利用神经网络逼近特性,设计自适应分散跟踪控制策略.通过定义新的未知常量和非线性光滑函数,设计自适应参数估计项来消除未知互联项对系统的影响.进一步考虑量化参数未知的情...     

输入输出受限船舶的轨迹跟踪自适应递归滑模控制

针对输入输出受限, 模型部分不确定和受到未知海洋干扰的全驱动船舶的轨迹跟踪问题, 提出一种基于时 变非对称障碍李雅普诺夫函数的最小参数自适应递归滑模控制策略. 该策略首先设计障碍李雅普诺夫函数约束船 舶轨迹在有限区域内, 利用最小参数法神经网络逼近模型不确定项, 降低系统的计算复杂度, 然后采用指令滤波器 对输入信号进行幅值约束, 同时避免对因反步法导致的微分爆炸问题, 综合考虑船舶位置以及速度误差间的关系设 计递归滑模控制律, 提高系统的鲁棒性, 采用双曲正切函数和Nussbaum函数补偿由输入饱和引起的非线性项, 提高 系统稳定性. 最后通过Lyapunov理论分析证明了全驱动船舶闭环系统中所有信号是一致最终有界的. 仿真结果表 明, 本文所设计的船舶轨迹跟踪控制方案能有效处理船舶模型不确定部分以及未知外界干扰的问题, 能够实现船舶 在输入受限的情况下在有限区域内航行并准确的跟踪期望轨迹, 具有较强的鲁棒性.     

具有Preisach类型磁滞输入的不确定非线性系统 自适应神经网络控制

本文针对一类执行器受Preisach磁滞约束的不确定非线性系统, 提出一种基于神经网络的直接自适应控制 方案, 旨在解决系统的预定精度轨迹跟踪问题. 由于Preisach算子与系统动态发生耦合, 导致算子输出信号不可测 量, 给磁滞的逆补偿造成了困难. 为解决此问题, 本文首先将Preisach模型进行分解, 以提取出控制命令信号用于 Backstepping递归设计, 并在此基础上融合一类降阶光滑函数与直接自适应神经网络控制策略, 形成对磁滞非线性 和被控对象非线性的强鲁棒性能, 且所设计方案仅包含一个需要在线更新的自适应参数, 同时可保证Lyapunov函数 时间导数的半负定性. 通过严格数学分析, 已证明该方案不仅保证闭环系统所有信号均有界, 而且输出跟踪误差随 时间渐近收敛到用户预定区间. 基于压电定位平台的半物理仿真实验进一步验证了所提出控制方案的有效性.