空间绳系机器人目标抓捕鲁棒自适应控制器设计

针对空间绳系机器人（Tethered space robot,TSR）目标抓捕过程中的稳定控制问题,建立空间绳系机器人系统模型,根据阻抗控制原理,设计基于位置的阻抗控制方法;针对空间绳系机器人系统的模型不确定性问题,利用神经网络对不确定性进行估计补偿,设计鲁棒项对空间系绳干扰和神经网络估计误差的影响进行抑制,在此基础上设计空间绳系机器人目标抓捕鲁棒自适应稳定控制器,并进行稳定性证明.最后对设计的控制器进行仿真验证.作为对比,对无鲁棒项自适应的稳定控制器进行仿真.仿真结果表明,设计的基于阻抗控制的鲁棒自适应控制可以实现对空间绳系机器人目标抓捕过程中的稳定控制,与无鲁棒项自适应的稳定控制器仿真结果相比,本文采用的鲁棒自适应控制方法可以有效地对不确定性进行补偿,控制过程中超调量更小,收敛时间更短,并且控制精度更高.     

双容液位系统鲁棒自适应容错控制

针对双容液位控制系统的泄漏等故障,通过线性化建模,研究了鲁棒自适应主动容错控制问题.首先在系统无故障正常运行情形,考虑建模误差和外界干扰等不确定性,利用不确定性上界自适应估计,设计了鲁棒自适应控制器.与此同时,对系统进行故障监控,设计了故障诊断滤波器,并利用对不确定性上界的估计终值提出了一种新的故障检测算法,进一步基于神经网络故障逼近,研究了一种修正控制律的自适应鲁棒容错控制器设计方法,该控制器通过补偿故障所带来的影响使闭环系统最终一致有界稳定.最后,通过仿真试验,验证了提出的方法的有效性.     

基于一类饱和函数的机器人混合鲁棒/自适应控制

提出一类不需要线性PD反馈的混合鲁棒/自适应控制策略,用于不确定性机器人的轨迹 跟踪.其控制结构由一个补偿参数不确定性的自适应控制器和补偿非参数不确定性的鲁棒控 制器构成. 其主要特点是基于一类饱和型函数,提出了一类新颖的鲁棒控制器和非线性滑动 变量的设计方法.基于Lyapunov方法的理论分析和计算机仿真,均保证设计的控制策略能够消 除系统所有的不确定性影响,并达到全局的渐近稳定.     

基于自适应重复学习的不确定多涡卷混沌系统同步控制

基于滞环函数提出一种参数可调的多涡卷混沌系统构造方法. 针对复杂不确定性系统, 综合利用自适应神经网络和重复学习控制方法设计一种自适应重复学习同步控制器; 利用自适应重复学习控制方法对周期时变参数化不确定性进行处理; 对函数型不确定性利用神经网络逼近技术进行补偿; 设计鲁棒学习项对神经网络逼近误差和扰动上界进行估计; 通过构造类Lyapunov 复合能量函数证明了同步误差学习的收敛性. 仿真结果验证了所提出方法的有效性.

     

不确定非线性系统的模糊鲁棒跟踪控制

提出了一种基于T-S模糊型的鲁捧自适应跟踪控制方法.整个控制方案在结合所有 的局部线性状态反馈控制器的基础上,引入了基于自适应神经网络的鲁棒控制器.所提出的 模糊自适应鲁棒控制器设计方法不需要求取李亚普诺夫方程的公共解,不要求系统的不确定 性项满足任何匹配条件或约束条件所提出的带有补偿项的完全自适应RBF神经网络,通过 在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,可以 有效地对消系统的未知不确定性的影响.同时通过自适应补偿项来在线估计神经网络的近似 误差边界,弥补了神经网络的不足.所提出的方案保证了闭环系统的稳定性,有效地提高了 系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

基于反馈增益的AUV稳定神经网络反步变深控制

为解决自主水下航行器的变深控制问题,提出一种基于反馈增益的反步控制方法.首先,通过设计控制器参数消除部分非线性项,在保证系统稳定性的同时设计神经网络控制器来补偿纵倾运动中的模型不确定性;然后,通过自适应鲁棒控制器对神经网络的逼近误差予以消除,以加快神经网络的收敛学习速度,神经网络权值和逼近误差估计的学习律可由李雅普诺夫稳定性理论推导得出,保证了闭环系统的一致最终有界性;最后,通过仿真实验验证了所提出方法的有效性.     

基于神经网络的鲁棒自适应控制

考虑摩擦及外界干扰的情况下，针对具有不确定性参数的机器人系统，提出一种基于神经网络动态补偿的鲁棒自适应控制策略，采用神经网络在线补偿控制器以克服系统的外部扰动，未建模动力学部分等非参数不定性带来的影响，从而提高了系统的动态性能和稳态精度，并对闭环系统稳定性进行了证明，仿真结果表明，所提方法具有良好的跟踪性能和较强的鲁棒性。     

不确定非线性系统自适应鲁棒控制器设计

针对一类含不确定参数且存在未知扰动的非线性系统,设计了一种新型的自适应鲁棒控制器。用反演设计思想获得具有待定系数的控制器表达式,用BP神经网络自适应调节控制器的参数。仿真结果表明该控制器对系统参数的不确定性和未知扰动具有一定的鲁棒性,并能保证闭环系统全局稳定。     

具有超稳定结构的鲁棒自适应控制器

针对结构和参数未知的非线性系统,提出了一种具有神经网络的超稳定鲁棒自适应 控制器.控制器基于一阶线性模型,采用Popov超稳定理论设计,其建模误差由BP网在线辨 识,辨识结果在前馈补偿器中加以补偿,有效地实现了鲁棒自适应控制.文中还给出了仿真 结果.     

基于改进的FNNs移动机械臂输出反馈跟踪控制

针对包含电机动态模型的移动机械臂系统,提出一种鲁棒自适应输出反馈控制方法.将误差符号函数鲁棒积分反馈与神经网络前馈结构相结合用于控制器的设计,然后利用神经网络去逼近机器人和电机系统的不确定项,设计鲁棒项实时补偿网络误差.通过Lyapunov稳定性分析证明闭环系统所有信号半全局一致有界.最后仿真实验表明,控制方法对系统动态不确定性和外界干扰有很好的鲁棒性,可实现移动机械臂的输出反馈跟踪控制.     

非完整移动机器人的神经网络鲁棒自适应控制

在非完整移动机器人轨迹跟踪问题中,针对机器人运动学与动力学模型的参数和非参数不确定性,提出了一种混合神经网络鲁棒自适应轨迹跟踪控制器,该控制器由运动学控制器和动力学控制器两部分组成;其中,采用了参数自适应的径向基神经网络对运动学模型的未知部分进行了建模,并采用权值在线调整的单层神经网络和自适应鲁棒控制项构成了动力学控制器;基于Lyapunov方法的设计过程保证了系统的稳定性和收敛性,仿真结果证明了算法的有效性。     

基于神经网络的无人机姿态自适应控制仿真

针对四旋翼无人机姿态控制中模型不完整、部分参数和扰动不确定的问题,提出了一种基于神经网络的自适应控制方法,采用RBF神经网络对无人机姿态动力学模型中不确定和扰动部分进行学习,设计了以类反步法为基础,包含反馈控制和神经网络控制的自适应控制器,实现了对未知动态的准确逼近,解决了传统控制方法中过于依赖精确模型的问题。同时设计了神经网络的权值自适应律,实现了控制过程中的在线学习和调整,并且通过李雅普诺夫方法证明了闭环系统的稳定性。仿真结果表明,在存在较大扰动的情况下,上述控制器可得到很好的控制效果,可以实现误差的快速收敛,具有较好的鲁棒性和自适应性。     

Filtering adaptive neural network controller for multivariable nonlinear systems with mismatched uncertainties

This paper synthesizes a filtering adaptive neural network controller for multivariable nonlinear systems with mismatched uncertainties. The multivariable nonlinear systems under consideration have both matched and mismatched uncertainties, which satisfy the semiglobal Lipschitz condition. The nonlinear uncertainties are approximated by a Gaussian radial basis function (GRBF)‐based neural network incorporated with a piecewise constant adaptive law, where the adaptive law will generate adaptive parameters by solving the error dynamics between the real system and the state predictor with the neglection of unknowns. The combination of GRBF‐based neural network and piecewise constant adaptive law relaxes hardware limitations (CPU). A filtering control law is designed to handle the nonlinear uncertainties and deliver a good tracking performance with guaranteed robustness. The matched uncertainties are cancelled directly by adopting their opposite in the control signal, whereas a dynamic inversion of the system is required to eliminate the effect of the mismatched uncertainties on the output. Since the virtual reference system defines the best performance that can be achieved by the closed‐loop system, the uniform performance bounds are derived for the states and control signals via comparison. To validate the theoretical findings, comparisons between the model reference adaptive control method and the proposed filtering adaptive neural network control architecture with the implementation of different sampling time are carried out.     

Adaptive Sliding Mode Control for Re-entry Attitude of Near Space Hypersonic Vehicle Based on Backstepping Design

Combining sliding mode control method with radial basis function neural network (RBFNN), this paper proposes a robust adaptive control scheme based on backstepping design for re-entry attitude tracking control of near space hypersonic vehicle (NSHV) in the presence of parameter variations and external disturbances. In the attitude angle loop, a robust adaptive virtual control law is designed by using the adaptive method to estimate the unknown upper bound of the compound uncertainties. In the angular velocity loop, an adaptive sliding mode control law is designed to suppress the effect of parameter variations and external disturbances. The main benefit of the sliding mode control is robustness to parameter variations and external disturbances. To further improve the control performance, RBFNNs are introduced to approximate the compound uncertainties in the attitude angle loop and angular velocity loop, respectively. Based on Lyapunov stability theory, the tracking errors are shown to be asymptotically stable. Simulation results show that the proposed control system attains a satisfied control performance and is robust against parameter variations and external disturbances.      

Adaptive neural network control of flexible joint robots based on feedback linearization

A robust adaptive neural network controller is presented for flexible joint robots using feedback linearization techniques. The controller is based on an approach of using an additional neural network to provide adaptive enhancements to a bask fixed nonlinear controller which can be either neural-network-based or model-used. The weights of the additional neural network are updated on-line based on direct adaptive techniques. It is shown that if Gaussian radial basis function networks are used for the additional neural network, uniformly stable adaptation is assured and asymptotic tracking of the position reference signal is achieved. Intensive computer simulations on a two-link flexible joint robot have shown that the controller can belter handle dynamical model changes and parameter uncertainties than the conventional feedback linearization controller     

An on-line learning neural controller for helicopters performing highly nonlinear maneuvers

This paper presents an on-line learning adaptive neural control scheme for helicopters performing highly nonlinear maneuvers. The online learning adaptive neural controller compensates the nonlinearities in the system and uncertainties in the modeling of the dynamics to provide the desired performance. The control strategy uses a neural controller aiding an existing conventional controller. The neural controller is based on a online learning dynamic radial basis function network, which uses a Lyapunov based on-line parameter update rule integrated with a neuron growth and pruning criteria. The online learning dynamic radial basis function network does not require a priori training and also it develops a compact network for implementation. The proposed adaptive law provides necessary global stability and better tracking performance. Simulation studies have been carried-out using a nonlinear (desktop) simulation model similar to that of a BO105 helicopter. The performances of the proposed adaptive controller clearly shows that it is very effective when the helicopter is performing highly nonlinear maneuvers. Finally, the robustness of the controller has been evaluated using the attitude quickness parameters (handling quality index) at different speed and flight conditions. The results indicate that the proposed online learning neural controller adapts faster and provides the necessary tracking performance for the helicopter executing highly nonlinear maneuvers.     

永磁同步电机的自适应反演滑模变结构控制

针对永磁同步电机提出一种基于反演的PMSM自适应滑模控制方案.设计基于反演的滑模变结构位置控制器,通过RBF神经网络实现系统参数变化和外部负载扰动等引起的不确定上界值的在线辨识,减小滑模控制器的控制量,并引入饱和函数来减弱系统的"抖动"现象.理论分析和仿真结果对比表明,基于RBF神经网络的自适应反演滑模控制对参数变化和外部负载扰动具有很好的鲁棒性,永磁同步电动机获得了很好的跟踪效果.     

不确定机器人的神经网络轨迹控制

针对不确定机器人的轨迹跟踪问题,提出了一种基于自适应神经网络的控制方案.对于系统中的各种未知非线性,通过RBF神经网络和变结构光滑集成的控制器来自适应学习并且补偿,这种控制器克服了局部泛化网络的不足,提高了控制精度及其收敛速度.而且在考虑神经网络失效的情况下,仍能保证系统具有良好的鲁棒性.网络权重的自适应修正规则基于Lyapunov函数方法得到,它保证了跟踪误差的全局渐进稳定性.试验结果证明了这种控制算法的有效性.     

全局自适应神经网络跟踪控制及逼近域确定

针对自适应神经网络跟踪控制问题,提出一种确定逼近域的方法.采用参考信号取代未知非线性函数中的系统输出,神经网络用于逼近以参考信号为输入的未知不确定项.可以利用参考信号的界预先确定神经网络逼近域,再采用自适应鲁棒方法处理由于函数输入置换所引起的另一类不确定项.所得到的闭环系统是全局稳定的.仿真实例说明了该控制方法的有效性.     

基于自适应滑模的欠驱动无人艇轨迹跟踪控制算法

针对欠驱动水面无人艇在航行过程中存在的海洋环境干扰、数学模型参数不确定、执行器故障等问题,提出了一种基于扰动观测器与神经网络技术的自适应滑模轨迹跟踪策略。在无人艇三自由度模型的基础上,结合视线制导率,提出了一种新的轨迹跟踪制导策略。采用自适应滑模控制技术设计了欠驱动无人艇轨迹跟踪控制器,有效地抑制了执行器衰减故障对无人艇控制系统的影响;同时运用了非线性扰动观测器和自适应径向基函数神经网络分别对无人艇受到的外界干扰和模型参数不确定性进行补偿和拟合,提高了控制系统的抗干扰能力。基于Lyapunov定理证明了所设计的控制系统的稳定性,并在MATLAB中进行了仿真测试。仿真结果表明,所提出的轨迹跟踪控制算法可以在较为复杂的环境下实现对欠驱动无人艇的精准控制;相较于对比算法,位置的平均跟踪误差减小了80%以上,具备较高的稳定性和鲁棒性。