基于单位分解的一类非线性不确定系统跟踪控制设计

利用单位分解在紧致域上能够以任意给定精度逼近连续函数的性质,针对一类不确定非线性系统设计了带有自适应律的鲁棒自适应跟踪控制器．结果表明这种控制器可以使输出跟踪误差渐近收敛到零点的一个小邻域内,并保证闭环系统的所有状态一致有界．最后的仿真实例说明了该方法的有效性．     

控制方向未知非线性系统的自适应重复控制

针对控制方向未知的、存在周期性非参数不确定性的一类非线性系统,给出零误差跟踪的重复控制方法.引入Nussbaum函数设计自适应重复控制器,参数估计修正律采用完全饱和形式,将参数估计囿于预先给定的范围内.分析表明,闭环系统中所有信号本身有界,且跟踪误差本身趋于零.数值仿真结果验证了算法的有效性.     

一类不确定系统的重复学习控制方法

针对一类不确定非线性系统,结合Backstepping方法,设计重复学习控制方法.采用Lyapunov-like综合,设计重复学习控制器处理系统中的参数和非参数不确定性,可实现系统状态在整个作业区间上完全跟踪期望轨迹.分别讨论部分限幅和完全限幅学习机制,证明闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性.仿真结果验证了所提出控制方法的有效性.     

迭代学习控制器设计: 一种有限时间死区方法

提出系统不确定性项定常参数化和时变参数化情形下的控制器设计方法,它允许初始位置任意设置且定位误差不要求足够小.在设计的控制器中,采用有限时间死区技术,以保证跟踪误差收敛到这种死区所确定的区域.提出初始修正吸引子的概念,构造的时变死区含这种初始修正吸引子,以使得闭环系统在给定时间区间上可实现完全跟踪.理论分析与仿真结果表明,跟踪误差信号在一预先指定区间上收敛到零,在起始区间段上被囿于死区所确定的区域中;并保证闭环系统中所有信号是有界的.     

非参数不确定系统的有限时间迭代学习控制

针对任意初态情形,引入初始修正作用,研究一类非参数不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法. 采用Lyapunov-like综合,设计迭代学习控制器处理不确定性时变系统非参数化问题,其中含有有限时间控制作用,以实现在预先指定区间上的零误差跟踪. 并且,运用完全限幅学习机制,保证闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性. 仿真结果表明了所提出控制方法的有效性.     

时变时滞随机非线性系统的自适应神经网络跟踪控制

针对一类具有时变时滞的不确定随机非线性严格反馈系统的自适应跟踪问题,利用Razumikhin引理和backstepping方法,提出一种新的自适应神经网络跟踪控制器.该控制器可保证闭环系统的所有误差变量皆四阶矩半全局一致最终有界,并且跟踪误差可以稳定在原点附近的邻域内.仿真例子表明所提出控制方案的有效性.     

航天器姿态跟踪系统的自适应滑模控制

针对存在不确定惯量矩阵和外干扰的刚体航天器姿态跟踪系统,提出了一种自适应滑模控制方法。首先建立了姿态跟踪误差动力学方程,并对刚体航天器跟踪误差动力学定义了滑模,设计了自适应滑模控制律,该控制律的优点在于可以估计系统不确定块,消除了传统滑模控制中对不确定界的要求。Lyapunov分析表明了提出的自适应滑模控制器确保闭环系统取得渐近稳定性。仿真结果验证了提出的控制策略的有效性。     

一类非线性系统的积分变结构模糊自适应跟踪控制

针对一类具有未知常数控制增益的不确定非线性系统,基于变结构控制原理,并利用具有非线性可调参数的模糊系统逼近等价控制,提出一种具有监督控制器的积分变结构模糊自适应跟踪控制策略.该策略通过监督控制器保证闭环系统所有信号有界.进一步,通过引入最优逼近误差的自适应补偿项来消除建模误差的影响.理论分析证明了跟踪误差能够收敛到零.仿真结果表明了该方法的有效性.     

不确定多输入非线性系统自适应模糊滑模控制器设计

针对一类不确定多输入非线性系统提出一种新的自适应模糊滑模控制器,该控制器在存在模型逻辑系统逼近误差的情况下使闭环系统跟踪误差小于预先给定常数,消除滑模控制中的抖振,缓解因系统维数增高所致的模糊规则爆炸现象,最后用仿算例验证了所提出方法的有效性。     

无抖振离散重复控制器的设计与实现

针对周期参考/干扰信号下的不确定离散时间系统,提出一种基于吸引律的重复控制方法,在吸引律中"嵌入"干扰抑制措施,构造理想误差动态,并基于此设计重复控制器.文中推导出单调减区域、绝对吸引层和稳态误差带边界的表达式,用于整定控制器参数和表征闭环系统的跟踪性能,并给出了跟踪误差在无干扰时收敛于原点及在干扰存在时收敛进入稳态误差带内所需最多步数的表达式.设计的重复控制器不仅能够完全抑制周期干扰信号,而且可以消除系统抖振.在电机实验装置上的应用结果表明了所提出控制方法的有效性.     

非参数不确定系统的双周期重复控制

针对一类扰动周期与参考信号周期之间无公共倍数的非参数不确定系统,为实现系统输出对参考信号的跟踪,本文提出一种双周期重复控制方法.基于Lyapunov方法设计控制器,结合鲁棒方法与双周期重复学习方法处理非参数不确定性与周期性扰动,利用无限幅学习方法估计时变参数.经过足够多个周期的重复运行后,可实现系统输出在整个参考信号重复周期上无误差地跟踪参考信号.最后,通过仿真示例验证所提控制方法的有效性.本文给出了闭环系统中无限幅学习量有界的数学证明,其结果优于多数现有文献中的L2意义下有界.     

周期时变系统的鲁棒自适应重复控制

针对周期时变系统,提出一种鲁棒自适应重复控制方法.该方法利用周期学习律估计周期时变参数,并结合鲁棒自适应方法处理非周期不确定性.与现有重复控制不同的是,在控制器设计中引入了新变量—周期数,利用周期系统的重复特性,使界的逼近误差随周期数的增加而逐渐减少,保证了系统的全局渐近稳定性.同时将该方法应用于一类非线性参数化系统,使系统在非参数化扰动的情形下,输出误差仍能收敛于0,倒立摆模型的仿真验证了此结果.该设计方法适用于消除神经网络逼近误差对重复控制系统的影响,理论证明了基于神经网络的鲁棒自适应重复控制系统中所有变量的有界性和输出误差的渐近收敛性,关于机械臂模型的仿真结果验证了受控系统具有良好的跟踪性能.     

Robust output tracking for non-linear systems

The problem of output tracking for a single-input single-output non-linear system in the presence of uncertainties is studied. The notions relative degree and minimum-phase for non-linear systems are reviewed. Given a bounded desired tracking signal with bounded derivatives, a control law is designed for minimum-phase non-linear systems which results in tracking of this signal by the output. This control law is modified in the presence of uncertainties associated with the model vector fields to reduce the effects of these uncertainties on the tracking errors. Two types of uncertainties are considered: those satisfying a generalized matching condition but otherwise unstructured, and linear parametric uncertainties. It is shown that for systems with the first type of uncertainty, high-gain control laws can result in small tracking errors of O(?), where e is a small design parameter. An alternative scheme based on variable structure control strategy is shown to yield zero tracking errors. Adaptive control techniques are used for systems with linear parametric uncertainties. For systems with relative degree larger than one, a new adaptive control scheme is presented which is considerably simpler than the augmented error scheme suggested previously by Narendra et al. (1978) for linear systems and by Sastry and Isidori (1987) for non-linear systems. Contrary to the augmented error scheme, however, this scheme results in small rather than zero tracking errors.     

Observer-based Iterative and Repetitive Learning Control for a Class of Nonlinear Systems

In this paper, both output-feedback iterative learning control (ILC) and repetitive learning control (RLC) schemes are proposed for trajectory tracking of nonlinear systems with state-dependent time-varying uncertainties. An iterative learning controller, together with a state observer and a fully-saturated learning mechanism, through Lyapunov-like synthesis, is designed to deal with time-varying parametric uncertainties. The estimations for outputs, instead of system outputs themselves, are applied to form the error equation, which helps to establish convergence of the system outputs to the desired ones. This method is then extended to repetitive learning controller design. The boundedness of all the signals in the closed-loop is guaranteed and asymptotic convergence of both the state estimation error and the tracking error is established in both cases of ILC and RLC. Numerical results are presented to verify the effectiveness of the proposed methods.      

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.     

Robust adaptive neural tracking control for a class of electrically driven robots with time delays

This article addresses the problem of designing the robust tracking control for a class of uncertain electrically driven robots with time delays. The unknown time-delay uncertainty is assumed to be bounded by a function of all the state variables. By suitably choosing the Lyapunov–Krasovskii functionals, a novel adaptive/robust neural tracking control scheme is developed for the first time such that all the states and signals of the closed-loop time-delay robot system are bounded and the tracking error is shown to be uniformly ultimately bounded. By suitably designing the embedded current signal, the effect of time-delay uncertainty in the mechanical dynamics does not require to be incorporated into the current tracking error dynamics, and so the Lyapunov–Krasovskii functionals can be easily constructed in the stability analysis. Compared with the previous investigations of controlling robots the control scheme developed here can be extended to handle a broader class of electrically driven robots perturbed simultaneously by plant uncertainties, time-varying perturbations, and time-delay uncertainties. Finally, simulation examples are made to demonstrate the effectiveness of the proposed control algorithm.     

基于扩张状态观测器的永磁同步电机重复学习控制

本文针对非参数不确定永磁同步电机系统,提出一种基于扩张状态观测器的重复学习控制方法,实现对周期期望轨迹的高精度跟踪.首先,将永磁同步电机中的非参数不确定性分为周期不确定与非周期不确定两部分.其次,构造包含周期不确定的未知期望控制输入,并设计重复学习律估计未知期望控制输入并补偿系统周期不确定.在此基础上,设计扩张状态观测器,估计系统未知状态和补偿非周期性不确定,进而提高系统鲁棒性.与已有的部分限幅学习律相比,本文提出的全限幅重复学习律可以保证估计值的连续性且能够被限制在指定的界内.最后,基于李雅普诺夫方法分析误差的收敛性能,并给出仿真和实验结果验证本文所提方法的有效性.     

含有参数化和非参数化不确定性系统重复学习控制

针对含有参数化和非参数化的高阶非线性系统,设计了一种重复学习控制方案.假设未知时变参数和参考信号的共同周期是已知的,通过参数重组技巧,将所有未知时变项合并为一个周期时变向量.将改进Backstepping方法与分段积分机制相结合,构造了微分-差分参数自适应律和重复学习控制律,使跟踪误差在误差平方范数意义下渐近收敛于零.利用Lyapunov泛函,给出了闭环系统收敛的充分条件.仿真结果验证了该方法的有效性.     

On robust regulation via sliding mode for nonlinear systems

A robust control scheme for the output tracking of nonlinear systems is proposed. The scheme is based on the nonlinear regulator theory and the sliding mode approach. It is shown that if perturbations and/or uncertainties appear on the system, the sliding mode controller is able to perform approximate asymptotic tracking, in the sense that the output tracking error remains bounded, provided the upper bounds of the uncertain terms are known.