对迟滞三明治系统基于Duhem算子的自适应控制

对具有迟滞非线性的三明治系统,设计了基于Duhem算子的神经网络自适应控制器.首先对前端动态子系统进行近似补偿;然后用Duhem算子描述所提出的迟滞状态,用神经网络逼近迟滞状态与迟滞输出的关系,实现对迟滞非线性的建模.基于该迟滞模型并采用伪控制技术设计神经网络自适应控制器,通过Lyapunov方法证明了系统的稳定性,并推导出神经网络的权值自适应调整律和控制律.最后通过仿真验证了该方案的有效性.     

未知控制方向的迟滞非线性系统预设自适应控制

针对一类含有迟滞特性的未知控制方向严反馈非线性系统,设计了基于误差变换的反步自适应控制器.首先提出动态迟滞算子来扩展输入空间建立神经网络迟滞模型.然后利用径向基函数(RBF)神经网络逼近未知函数,并引入Nussbaum型函数来解决系统未知控制方向问题.最后采用误差变换将误差限定在预设的范围内,并利用反步法设计自适应控制器.该控制方案不仅能够保证跟踪精度,还可以提高系统暂态和稳态性能.仿真结果表明了控制方案的可行性.     

基于非光滑观测器的迟滞三明治系统状态估计

针对带迟滞的三明治系统特点,构建了一种非光滑观测器以对系统状态进行估计.首先根据带迟滞三明治系统的特点,采用分离原理,建立了描述系统特性的非光滑状态空间方程.据此构造了能够随系统工作区间变化而自动切换的非光滑观测器,给出了相应的收敛定理及其证明.最后通过仿真,分别比较了非光滑观测器和传统的观测器对状态的跟踪效果,比较结果表明非光滑观测器对于带迟滞三明治系统状态变量估计的准确性要优于传统的观测器.     

迟滞非线性动态系统神经网络自适应控制

为了减轻非线性动态系统中未知迟滞(Hysteresis)的不良影响,该文提出了一类Backlash型迟滞模型。将有限数量不同宽度的Backlash(Matlab／Simulink)算子进行叠加,来仿真执行器中的迟滞非线性动态。用此模型,提出了基于径向基函数神经网络的自适应控制方案,以控制伴有未知迟滞的非线性动态系统。该方案采用了动态逆的思想及伪控制的概念。利用Lyapunov稳定理论,设计了两个鲁棒控制项,保证动态系统的稳定性、系统中所有信号有界和误差收敛到起点的领域内。通过Matlab／Simulink仿真实验,证明了所提出方案的有效性。     

基于退化激励信号的含有迟滞的三明治系统辨识

含有迟滞的三明治系统不仅具有非光滑、多值映射等特性, 而且迟滞环节的输入输出信号还是不能直接测量的, 常规方法难以进行有效的辨识. 本文提出了一种基于退化激励信号的两步辨识方案: 第一步, 设计一个特殊的退化激励信号将迟滞环节退化为一条静态曲线, 从而可以将两端的线性动态环节辨识出来, 解决中间信号不可测的问题; 第二步, 利用已辨识的线性模型重构迟滞环节的输入输出信号, 再采用“扩展输入空间法”建立迟滞环节的神经网络模型. 最后, 在压电超精密运动系统的实验结果表明所提出的建模方法取得了令人满意的结果.     

基于状态全反馈的动态迟滞非线性系统自适应控制

该文针对不平滑、多映射动态迟滞非线性系统，提出了一种基于神经网络自适应控制方案。在该方案中，通过利用神经网络来逼近模型误差，避免了目前常用逆模型补偿方案中，需求取复杂逆模型的问题。应用Lyapnov稳定定理，证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内。仿真结果表明，所提出的控制方案能够有效补偿迟滞非线性对系统的影响。     

压电陶瓷执行器的非光滑三明治模型辨识与内模控制

压电陶瓷执行器中含有非光滑、多值映射、频率依赖的非线性迟滞特性,然而在实际应用中,压电器件的输入输出信号无法直接测量,常规方法难以进行有效的辨识和控制.本文采用三明治模型来精确描述实际对象,并提出一种基于退化激励信号的两步辨识法解决三明治迟滞模型的辨识问题.最后,基于已辨识的三明治模型,设计一个内模控制器,解决压电陶瓷执行器的精密轨迹控制问题.实验结果表明所提出的辨识和控制方案取得了令人满意的结果.     

基于非光滑观测器的间隙三明治系统状态估计

在工业领域, 机械传动系统、液压系统等往往含有间隙特性, 这类系统可以用带间隙的三明治系统描述. 本文针对带间隙的三明治系统特点, 构建了一种非光滑观测器以对系统状态进行估计. 首先根据带间隙三明治系统的特点, 采用分离原理, 建立了描述系统特性的非光滑状态空间方程. 据此构造了能够随系统工作区间变化而自动切换的非光滑观测器, 给出了相应的收敛定理及其证明. 最后通过伺服液压系统的例子, 分别比较了非光滑观测器和传统的观测器对状态的跟踪效果, 比较结果表明非光滑观测器对于带间隙三明治系统状态变量估计的准确性要优于传统的观测器.     

基于状态全反馈的动态迟滞非线性系统

该文针对不平滑、多映射动态迟滞非线性系统,提出了一种基于神经网络自适应控制方案.在该方案中,通过利用神经网络来逼近模型误差,避免了目前常用逆模型补偿方案中,需求取复杂逆模型的问题.应用Lyapnov稳定定理,证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内.仿真结果表明,所提出的控制方案能够有效补偿迟滞非线性对系统的影响.     

基于状态观测器的迟滞非线性系统输出反馈控制

利用Preisach模型与其边界线之间的映射关系建立了容易在线更新的迟滞模型．将模型和径向基网络相结合，针对一类动态多映射迟滞非线性系统设计了输出反馈控制器．应用LyaPunov定理得到系统控制律和神经网络权值更新律，从而保证了闭环系统的跟踪误差及网络权值偏差收敛到原点的某个有界邻域内．     

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.     

机械手臂基于神经网络动态补偿的自适应控制

研究了模型具有不确定性的机械手臂的跟踪控制问题.由于模型不确定性的存在,基于精确模型设计的控制律很难达到理想的控制效果.针对这种情况,在基于标称模型设计的控制律的基础上,采用神经网络来补偿模型的不确定性,由于神经网络存在逼近误差,因此在控制器设计时,引入了H_∞ 鲁棒项,使得网络逼近误差达到指定的削弱水平并且跟踪误差渐近收敛到零,仿真结果表明了该方法的有效性.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

一类非线性系统的自适应神经网络控制

针对一类具有非仿射函数和下三角结构的、受干扰未知的非线性系统,提出一种新的自适应神经网络控制方法．它是严格反馈不确定系统和纯反馈系统的更一般化表达．在Backstepping设计思想基础上,证明了闭环信号的半全局最终一致有界性,并很好地处理了控制方向和控制奇异问题．通过仿真验证了该方法的有效性．     

Adaptive non-linear compensation control based on neural networks for non-linear systems with time delay

This article investigates a new adaptive non-linear compensation controller for a class of time-delay non-linear systems with partly known dynamics. First, a non-linear neural-network(NN)-based identification model that includes a prior knowledge about the plant dynamics is discussed by using the approximation capabilities of NNs. Then, the adaptive non-linear compensation controller is developed to produce the desired tracking performance. The proposed controller based on the NN can reduce the effect of modelling uncertainties and provide the time-delay compensation, while stability of the closed-loop system is guaranteed. The effectiveness of the proposed scheme is demonstrated through the application to the control of a continuous stirred tank reactor.     

基于动态神经网络的非线性组合系统自适应观测器

基于动态神经网络，对一类非线性组合系统提出一种观测器设计方法．在观测器设计中，充分考虑了神经网络逼近误差项对观测器性能的影响，增加了鲁棒控制项，并设计了相应的参数自适应律，以保证良好的观测性能．神经网络的连接权值在线调整，无需离线学习．仿真结果表明了该方法的有效性．     

Adaptive neural tracking control for a class of stochastic nonlinear systems

This paper investigates the problem of adaptive neural control design for a class of single‐input single‐output strict‐feedback stochastic nonlinear systems whose output is an known linear function. The radial basis function neural networks are used to approximate the nonlinearities, and adaptive backstepping technique is employed to construct controllers. It is shown that the proposed controller ensures that all signals of the closed‐loop system remain bounded in probability, and the tracking error converges to an arbitrarily small neighborhood around the origin in the sense of mean quartic value. The salient property of the proposed scheme is that only one adaptive parameter is needed to be tuned online. So, the computational burden is considerably alleviated. Finally, two numerical examples are used to demonstrate the effectiveness of the proposed approach. Copyright © 2012 John Wiley & Sons, Ltd.