多关节机器人的神经滑模控制

针对含有建模误差和不确定干扰的多关节机械臂轨迹跟踪控制,提出了一种神经滑模控制方法。该方法采用全局快速终端滑模面保证了系统状态能够在有限时间内到达滑模面和平衡点。采用径向基函数神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动。利用李亚普诺夫稳定性判据推导出了控制器的控制律和神经网络的目标函数,通过神经网络的在线学习,削弱了滑模控制的抖振。仿真结果表明了其有效性。     

基于神经网络补偿的机器人滑模变结构控制

针对机器人控制系统中存在的建模误差和不确定性干扰,提出了基于神经网络补偿的滑模变结构控制。该方法采用双幂次快速终端滑模控制使得系统能在有限时间内快速达到滑模面和平衡点,采用径向基函数神经网络自适应地补偿建模误差和不确定干扰,并通过李雅普诺夫直接法设计权值更新率,确保了系统的全局稳定性,有效抑制了抖震。对两关节机器人的仿真结果表明了该方法的有效性。     

基于干扰观测器的一类不确定非线性系统自适应二阶动态terminal滑模控制

针对一类不确定非线性系统的跟踪控制问题,在考虑建模误差、参数不确定和外部干扰情况下,以其拥有良好的跟踪性能以及强鲁棒性为目标,提出基于回归扰动模糊神经网络干扰观测器(recurrent perturbation fuzzy neural networks disturbance observer,RPFNNDO)的鲁棒自适应二阶动态terminal滑模控制策略.将回归网络、模糊神经网络和sine-cosine扰动函数各自优势相结合,给出一种回归扰动模糊神经网络结构,提出RPFNNDO设计方法,保证干扰估计准确性;构造基于带有指数函数滑模面的二阶快速terminal滑模面,给出其控制器设计过程,避免了滑模到达阶段、传统滑模的抖振问题,采用具有指数收敛的鲁棒项抑制干扰估计误差对系统跟踪性能的影响,利用Lyapunov理论证明闭环系统的稳定性;将该方法应用于混沌陀螺系统同步控制仿真实验,结果表明所提方法的有效性.     

基于径向基函数神经网络的多关节机器人滑模控制器

针对具有不确定性的多关节机器人系统,提出了一种径向基函数神经滑模控制方法;该控制方案采用全局滑模面,将神经网络的非线性映射能力与滑模控制的特点相结合,利用径向基神经网络自适应学习系统不确定性的未知上界,消弱了由滑模控制产生的抖动,同时保证了系统的鲁棒性;基于李亚普诺夫定理给出了系统稳定性的充分条件;仿真结果表明,该方法具有良好的轨迹跟踪和速度跟踪性能,提高了对于建模误差和不确定干扰等因素的鲁棒性。     

多关节机器人的自适应模糊滑模控制

针对多关节机械臂轨迹跟踪控制,提出了一种基于全局快速终端滑模面的自适应模糊滑模控制方法。该方法通过设计合适的自适应律,采用模糊自适应控制调节滑模控制的切换控制增益,实现了对建模误差和不确定干扰的自动跟踪,削弱了抖振。系统不需要对建模误差和干扰进行预估计,并且通过对控制器结构的简化,降低了模糊控制器的维数,减少了计算量。利用李亚普诺夫定理证明了控制系统的稳定性,仿真结果表明了其有效性。     

基于干扰观测器的航天器非奇异终端二阶滑模控制

为了消除干扰力矩和结构不确定性对卫星姿态控制性能的影响,本文提出了一种基于新型干扰观测器的非奇异终端二阶滑模控制方法.首先,文章设计了一种基于跟踪微分器的干扰观测器,来对卫星系统中的不确定项进行估计,利用估计值进行补偿,并保证估计误差在有限时间内收敛.在此基础上,文章设计一个非奇异终端滑模面,当系统到达滑模面时,姿态误差可以在有限时间内收敛,并利用二阶滑模趋近律设计控制器,保证系统在有限时间到达滑模面.在干扰观测器误差未完全收敛时,滑模控制器可以对存在的扰动进一步抑制,实现姿态跟踪系统的有限时间稳定,并通过李雅普诺夫方法严格证明了其稳定性.最后,仿真结果表明,干扰估计值误差可以在有限时间内收敛,证明了该控制方法对存在的干扰是具有较好的鲁棒性.     

非匹配不确定混沌系统的RBF 神经滑模同步

对于非匹配不确定混沌系统,提出一种RBF神经滑模同步方法.设计滑模切换面,并将其作为神经网络的唯一输入,网络的权值依滑模趋近条件在线确定,使得同步跟踪误差渐进到零点.该方法简化了常规神经网络控制结构的复杂性,削弱了滑模控制的抖振程度,并且同步时间较短,对参数不确定性及外干扰具有较好的鲁棒性.仿真结果验证了所提出方法的有效性.     

基于Backstepping的倒立摆鲁棒跟踪控制

针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好.     

一类3阶非线性系统的非奇异终端滑模控制

针对传统非奇异终端滑模控制方法不适用于3阶系统的问题,提出一类具有不确定和外干扰的3阶非线性系统的新型非奇异终端滑模控制方法.该方案首先结合backstepping控制中的动态面方法和传统2阶非奇异终端滑模控制构造非奇异3阶终端滑模面,首次提出采用高阶滑模微分器估计值代替控制器中的负指数项.采用非线性干扰观测器任意精度地估计不确定和干扰,设计控制器中的补偿项.采用终端吸引子函数做趋近律避免抖振的同时能保证有限时间趋近滑模面.基于有限时间稳定李雅普诺夫定理证明了被控状态将在有限时间内收敛到任意小的闭球内.所提出方案快于传统的递阶线性滑模控制和其他非奇异终端滑模控制.仿真中与其他滑模控制方案对比,总误差减小18%以上,超调及收敛时间也显著下降.     

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.