具有执行器故障的非线性系统指定性能控制

针对一类带有全状态约束和执行器故障的非线性系统，提出一种具有指定性能的自适应神经网络输出反馈容错控制方案。首先，建立状态观测器估计系统中的不可测状态，利用径向基神经网络(RBF NNs)逼近系统中的未知非线性函数。其次，引入非线性映射将状态约束系统转化为一个没有约束的新系统。然后，采用新的性能函数，不仅能使跟踪误差在预先设定的时间内收敛，还可以利用设计参数改变误差的收敛速度。最后证明，该控制方法能够保证闭环系统中所有信号都是半全局一致最终有界的，并通过一个数值仿真验证该方法的有效性。     

一种无模型的柔性关节机械臂非线性 状态观测器设计

在复杂非线性摩擦阻尼参数以及模型参数不确定的情况下,针对柔性关节机器人的状态观测问题,提出一种基于神经网络的无模型非线性观测器。采用径向基神经网络(RBF)对系统模型进行在线逼近,通过Lyapunov稳定性分析推导,获得神经网络权值自适应律;通过引入鲁棒项来抑制神经网络逼近误差,加快观测误差的收敛速度;通过不同激励下的仿真分析,验证了提出方法的有效性。     

基于边界值定量计算的神经网络自适应飞行控制

针对一般多输入多输出不确定系统,设计了一种基于自适应神经网络误差观测器控制方法。通过对一般多输入多输出系统进行匹配与非匹配两种不确定性分析,采用自适应神经网络对不确定因素导致的误差进行逼近补偿,采用Lyapunov定理证明了误差收敛有界,并计算了误差的边界值。最后将设计的控制律应用到不确定飞行器的指令跟踪控制中。仿真结果证明了该方法的有效性。     

多航天器系统的编队包含鲁棒协同控制

研究了多航天器系统在执行器和传感器故障作用下的编队包含协同控制问题。首先,对航天器的轨道动力学系统进行建模,并进行线性化处理;其次,设计自适应广义观测器,以获得系统状态以及执行器和传感器故障的估计值;再次,通过调整非奇异矩阵,提高观测器性能,使观测器误差收敛到原点附近;从次,基于估计的系统状态和执行器故障,设计了编队包含控制器,并利用Lyapunov理论分析得到编队误差和观测器误差收敛的充分条件;最后,通过仿真实例验证了所设计算法的系统性能。     

基于观测器的自适应神经网络Backstepping输出反馈控制

针对一类单输入单输出状态不可测非线性系统,提出一种自适应神经网络bakstepping输出反馈控制方法。首先,用神经网络逼近非线性函数,然后设计神经网络自适应观测器估计系统的状态。其次,在backstepping设计框架下,设计了自适应输出反馈控制器。最终,证明了所提出的自适应神经网络控制方法能够保证系统所有信号有界的同时,跟踪误差趋近于原点的一个小邻域内。仿真结果进一步验证了所提出方法的有效性。     

基于高增益观测器的SISO非线性系统模糊自适应输出反馈控制

针对一类状态不可测的SISO非线性不确定系统,提出一种新的模糊自适应Backstepping输出反馈控制,利用模糊逻辑系统逼近未知非线性函数,设计模糊自适应高增益观测器对系统未知状态进行观测,利用模糊自适应Backstepping控制方法设计模糊自适应输出反馈控制器。通过理论分析证明了闭环系统是半全局一致最终有界的;观测误差和跟踪误差都分别收敛到零的一个小邻域内。     

控制方向未知的非线性系统有限时间跟踪控制

研究了一类具有输入死区以及控制方向未知的严格反馈非线性系统有限时间输出反馈跟踪控制问题. 首先,通过坐标变换,将所研究的控制方向未知的非线性系统转化为控制增益已知的等效系统. 然后,设计了一个模糊状态观测器来逼近不可测的状态,引入Nussbaum函数来解决控制方向未知的困难. 基于模糊状态观测器,通过反步法利用变换后的系统间接得到原系统的控制器. 此外,该控制器可以保证跟踪误差在有限时间内收敛于原点的一个小邻域,且闭环系统中的所有信号都保持有界. 最后,通过一个仿真算例验证了该控制方法的可行性和有效性.     

一类MIMO系统的自适应模糊观测器设计

针对一类MIMO非线性状态不可测系统,提出一种基于观测器的自适应模糊控制方法。该方法应用＂主导输入＂的概念,同时考虑了函数逼近误差和系统外扰的存在,假设了该系统逼近误差和系统外扰有界但界未知的情况;并探讨了自适应模糊控制器的参数自适应律由跟踪误差和逼近误差共同进行调节。基于李亚普诺夫函数证明了闭环系统的所有信号是有界的,并且跟踪误差收敛到零。仿真结果表明了该方法的有效性。     

一类非线性系统的神经网络鲁棒自适应控制

针对一类单输入单输出仿射非线性系统，提出了一类神经网络鲁棒自适应控制。设计过程中，采用RBF神经网络实现对系统中的未知非线性函数逼近，并考虑到存在逼近误差和外部干扰，采用滑模控制实现了系统的鲁棒控制。最后通过MATLAB仿真，证明了该方法的有效性。     

非线性系统的H∞部分状态观测器设计

针对一类具有干扰的非线性系统的鲁棒部分状态观测器，设计了新的能够重构有L2（即平方可积）干扰非线性系统部分状态的日。状态观测器．首先，给出了部分状态观测器设计矩阵应满足的约束条件和具体的表达形式．进而通过对观测误差动态的分析，研究了观测误差对L2干扰的衰减性问题，并基于LMI技术给出了日。部分状态观测器存在的充分条件．理论分析指出，当干扰为零时，所设计的观测器可渐近重构待估状态；当干扰不为零时，观测器误差具有对L2干扰的衰减性．最后，仿真算例验证了本文理论结果的正确性．     

基于定量反馈理论的液压机驱动系统复合鲁棒控制

针对液压机驱动系统参数摄动和不确定性的特点,建立了系统数学模型,提出了动梁速度外环控制和压力内环控制的分级复合鲁棒控制策略。外环级应用定量反馈理论,设计了鲁棒性较强的速度跟踪控制器和前置滤波器。内环级设计了基于径向基函数的神经网络扰动观测补偿器,运用Lyapunov稳定性定理证明了提出的干扰观测器对扰动抑制的有效性,可在不确定因素存在的情况下实现期望的系统压力跟踪控制。仿真结果表明：该控制方案对系统不确定性的抑制作用明显,且能提高液压机驱动系统的跟踪性能,具有较好的鲁棒稳定性,可有效实现速度切换瞬态过程的平顺性。     

基于自适应神经网络滑模观测器的容错控制

针对机电伺服系统可能发生的故障,提出基于自适应神经网络滑模观测器的快速终端滑模容错控制策略. 在自适应滑模观测器中引入神经网络估计故障,以提高故障发生时观测器的状态估计精度和故障检测准确性. 利用观测器的状态估计值进行状态重构,结合参数自适应技术和快速终端滑模控制方法设计主动容错控制器. 针对参数不确定性设计参数自适应率进行估计,并利用前馈补偿技术补偿故障和参数不确定性. 针对未知上界的扰动设计具有自适应增益的鲁棒项. 利用Lyapunov定理证明所提出的控制方法可以实现系统有界稳定,大量仿真和实验结果验证了控制器在系统发生故障时具有良好的容错能力、控制精度和响应速度.     

固定翼无人机自适应滑模控制

针对固定翼无人机的姿态和速度控制中存在不确定和外部扰动的问题,设计自适应超螺旋滑模干扰观测器和控制器,实现了固定翼无人机对速度指令和姿态指令的有限时间精确跟踪.首先建立固定翼无人机速度模型和基于四元数的姿态误差模型;进而在该模型的基础上针对无人机飞行过程中的外部扰动和不确定问题,采用自适应超螺旋滑模算法设计干扰观测器对干扰和不确定进行快速估计,并在此基础上设计多变量超螺旋控制器使固定翼无人机快速、精确地跟踪期望的速度和姿态指令;最后基于Lyapunov理论证明了该系统的稳定性.仿真结果表明:所提出的综合控制策略可以实现固定翼无人机速度与姿态的快速精确跟踪并具有良好的鲁棒自适应能力,而且针对无人机不同的飞行指令,使用该控制策略都能使无人机快速稳定的达到预期目标.     

一类非仿射非线性系统的神经网络输出反馈方案设计

针对一类非仿射非线性系统,设计了一种基于神经网络的自适应输出反馈控制方案,使得输出信号能够跟踪给定信号。构造观测器估计系统中的未知状态变量,采用神经网络结构补偿系统中的非线性部分,并且设计了鲁棒控制项来抵消逼近误差,增加了抗干扰能力。系统稳定性得到严格证明。仿真结果充分证明了该方案的有效性和可行性。     

基于扰动观测器的时滞非线性系统的跟踪控制

研究了具有输入时滞和未知外部扰动的单输入单输出非线性系统的跟踪控制问题. 针对系统中未知扰动,设计了扰动观测器对其进行良好的监测,针对输入时滞问题,采用pade近似和增加中间变量的方法消除其带来的影响. 在系统具有未知外部扰动的情况下,利用反步法和扰动观测器的技术提出了鲁棒跟踪控制. 在基于扰动观测器的鲁棒跟踪控制下,通过李雅普诺夫分析,保证了闭环系统中所有信号的一致渐近收敛性. 最后通过一个仿真实例验证了该控制方法的有效性.     

飞翼布局无人机反步L2增益纵向着陆鲁棒控制

针对存在干扰的飞翼布局无人机纵向着陆控制问题,提出一种基于super twisting滑模干扰观测器与跟踪微分器的反步L_2增益鲁棒控制方案.为解决反步控制虚拟控制量求导复杂的问题,设计了跟踪微分器对虚拟控制量进行求导,同时综合采用super twisting滑模干扰观测器和L_2增益鲁棒项增强了控制系统的鲁棒性.仿真结果表明,无人机高度、空速都跟踪上控制指令,垂直接地速度在允许的范围内,与传统的PID着陆控制方案相比具有更好的着陆控制性能.     

基于磁链观测器的无速度传感器DTC系统的实现

针对在传统的直接转矩控制系统中，定子磁链受定子电阻及积分计算的影响使参数辨识不准确这一点，将一种新型磁链观测器应用于直接转矩控制系统中，取代传统的纯积分器，并进行对比仿真.得知该磁链观测器对定子磁链的观测精度较高，对于电机参数的鲁棒性较好，在电机低速运行时仍能实现对定子磁链准确的观测.在此基础上，提出了一种神经网络辨识电机转速的新方案.该神经网络结构简单，不受电动机负载、参数等影响，通过简单快速的运算，便可得到正确的辨识结果.     

Hybrid H2/H∞ force/position control based on neural networks

A neural network control scheme with mixed H2/H∞ performance was proposed for robot force/posi-tion control under parameter uncertainties and external disturbances. The mixed H2/H∞ tracking performance ensures both robust stability under a prescribed attenuation level for external disturbance and H2optimal track-ing. The neural network was introduced to adaptively estimate nonlinear uncertainties, improving the system' s performance under parameter uncertainties as well as obtaining the H2/H∞ tracking performance. The simulation shows that the control method performs better even when the system is under large modeling uncertainties and external disturbances.     

Robust adaptive control for a class of uncertain non-affine nonlinear systems using neural state feedback compensation

A robust adaptive control is proposed for a class of uncertain nonlinear non-affine SISO systems. In order to approximate the unknown nonlinear function, an affine type neural network(ATNN) and neural state feedback compensation are used, and then to compensate the approximation error and external disturbance, a robust control term is employed. By Lyapunov stability analysis for the closed-loop system, it is proven that tracking errors asymptotically converge to zero. Moreover, an observer is designed to estimate the system states because all the states may not be available for measurements. Furthermore, the adaptation laws of neural networks and the robust controller are given based on the Lyapunov stability theory. Finally, two simulation examples are presented to demonstrate the effectiveness of the proposed control method. Finally, two simulation examples show that the proposed method exhibits strong robustness, fast response and small tracking error, even for the non-affine nonlinear system with external disturbance, which confirms the effectiveness of the proposed approach.