参数突变自由漂浮空间机器人神经集成控制

本文以自由漂浮空间机器人为被控对象,针对机器人手臂在捕获大质量目标后,如何保证控制精度这一问题,提出基于神经网络的鲁棒控制策略.由于测量误差和外界干扰等因素的影响,空间机器人系统存在参数和非参数两种不确定性,利用径向基函数神经网络来学习系统的未知参数不确定性,设计隐层和输出层之间权值参数学习律来保证自适应在线调整,鲁棒控制器补偿非参数不确定性和神经网络的逼近误差,利用冗余机理来集成两种控制器,从而确保了捕获后的控制精度,基于Lyapunov理论证明了整个闭环系统全局渐进稳定.所提控制方法无需空间机械臂精确数学模型,仿真结果表明了这种控制器的有效性,且由于空间机械臂的低速工况,这为神经网络提供了充足的学习时间,保证了工程应用的实时性.该控制方法对于国防、航空航天及其安全领域具有重要的工程应用价值.     

基于观测器的空间机器人神经自适应鲁棒控制

研究无速度反馈的不确定性自由漂浮空间机器人轨迹跟踪控制问题,为了提高控制性能,采用一种观测器神经网络自适应鲁棒控制方法。利用神经网络设计观测器对系统的速度信息进行估计;其次,利用神经网络对系统模型的非线性进行逼近,设计神经网络自适应鲁棒控制器对系统进行控制,无需建立复杂的数学模型,并且所设计的自适应律能够进行在线学习;最后,根据H∞理论设计的鲁棒控制器保证了系统稳定,并使系统的L2增益小于给定指标。仿真结果表明,上述方法在无速度信息反馈下仍能进行有效的跟踪控制。     

一种完全数据驱动的子空间辨识与鲁棒预测控制器设计

针对线性时变多变量系统,在可能存在输入输出数据噪声的情况下,不需已知系统的先验结构信息,提出一种完全数据驱动的子空间辨识及控制器设计方法.在子空间在线辨识基础上,利用不确定性模型更好地建模被控系统,结合鲁棒控制策略进行预测控制器的设计;将系统建模与鲁棒控制器的设计包含在一个控制系统设计框架内,对模型不确定性具有更好的鲁棒性;最后给出仿真实例验证算法的有效性.     

基于滑模变结构的空间机器人神经网络跟踪控制

研究了在无需模型估计值的情况下不确定空间机器人轨迹跟踪问题,提出了滑模变结构的神经网络控制方案.首先基于Lyapunov理论设计了一种径向基函数（RBF）神经网络控制器来补偿系统中的未知非线性,该神经控制器能够保证闭环系统的稳定性,而通过利用饱和函数把神经网络和滑模控制结合起来的控制器来不仅可以进一步削弱滑模控制输入的抖振,且当神经网络控制器无效时仍能保证系统鲁棒性.仿真结果证明了该控制器能在初期及强干扰情况下均能达到较好的控制效果.     

地面装调的空间机械臂在空间应用时的自适应鲁棒控制

针对空间机械臂在轨操控过程中,重力加速度不同于地面装调阶段的重力加速度,会随着空间位置的改变而变化的问题.本文提出了一种自适应鲁棒控制策略,用于空间机械臂的末端控制,从而使在地面重力条件下装调好的空间机械臂能够在空间微重力条件下实现在轨操控任务.通过分析重力项对空间机械臂轨迹跟踪控制的影响,设计自适应律在线估计重力加速度,从而得到重力项的估计,系统的不确定性通过鲁棒控制器来补偿.基于李雅普诺夫理论证明了闭环系统的稳定性.仿真结果表明,在地面装调阶段的重力环境下和空间应用阶段的微重力环境下,该控制器对空间机械臂的末端控制均能达到较高的轨迹跟踪精度,具有重要的工程应用价值.     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...     

自适应反推神经网络的转台鲁棒控制器设计

针对未知非线性、外界干扰和参数摄动等不确定因素对实际转台控制系统的影响,提出了自适应反推神经网络的转台鲁棒控制器设计.首先给出自适应Backstepping控制器的设计方法及步骤,接着采用RBF神经网络对转台对象参数的不确定因素上界值加以辨识,实现转台系统的鲁棒控制.其中Backstepping鲁棒控制作为主控制器,RBF神经网络实现了不确定上界值的在线辨识.仿真结果表明,自适应Backstepping神经网络控制很好地克服了对象的不确定性,实现控制系统的较强鲁棒性,适于高精度飞行仿真转台系统的实时鲁棒控制.     

基于神经网络的严反馈块非线性系统的鲁棒控制

针对非匹配不确定性的严反馈块非线性系统,基于神经网络提出一种鲁棒控制方法．利用Lyapunov稳定性定理推导出RBF神经网络的全调节律,用于处理系统中的非线性参数不确定性,提高了神经网络的在线逼近能力;采用神经网络和鲁棒控制方法,利用已知信息的同时,对控制系数矩阵未知时的设计问题进行处理,避免了控制器可能的奇异问题;引入非线性跟踪微分器,解决了Backstepping设计中的“计算膨胀”问题．运用Lyapunov稳定性定理证明了闭环系统的所有信号均最终一致有界．     

机械手的在线鲁棒自适应神经网络跟踪控制

考虑了一类具有外界干扰和不确定性的机械手臂轨迹跟踪鲁棒控制问题. 控制器由自适应RBF(radial basis function)神经网络控制器和PD控制器组成. 采用基于神经元灵敏度和获胜神经元概念的GP–RBF算法, 在线确定神经网络的初始结构和参数. 当误差满足一定要求时, 根据Lyapunov稳定性理论的自适应律进一步调整网络权值, 以保证机械手位置误差和速度跟踪误差渐近收敛于零. 所设计的控制器可保证闭环系统的稳定性和鲁棒性. 仿真结果证明了本文方法的有效性.     

基于干扰观测器的一类不确定非线性系统鲁棒H∞控制

为了降低控制器对干扰的要求,基于干扰观测器提出一类多输入多输出不确定非线性系统的鲁棒H∞控制方法．将系统的内部不确定性和外部干扰组成复合干扰,设计基于小波神经网络的复合干扰观测器,并提出干扰观测器的参数调节方案使观测器能以高精度逼近复合干扰．同时在控制器中引入鲁棒控制项用来抑制观测器误差给系统带来的影响,所设计的控制器能使系统的跟踪误差小于一个给定的性能指标．最后给出一个仿真算例验证了本控制方案的有效性．     

Robust chattering-free sliding mode control of space robot in task space

This paper studies the tracking control problem of a free-floating space robot in a task space. Considering the model uncertainties and external disturbance, a robust sliding mode controller is proposed using the Lyapunov direct method and dissipative theory. To eliminate the chattering phenomenon, an radial basis function （RBF） neural network is applied to replace the discontinuous part of the control signal. A novel on-line learning method of the weights and parameters of the RBF neural network established using Lyapunov function assures the stability of the system. It is proved that the proposed controller can guarantee that the L2 gain from disturbance to tracking error is lower than the given index y. Simulation results show that the control method is valid.     

具有输入饱和的近空间飞行器鲁棒控制

针对近空间飞行器这一类存在外部扰动,输入饱和和参数不确定的多输入多输出线性系统,提出了一种基于干扰观测器的抗饱和鲁棒控制方案.将干扰观测器与抗饱和控制技术相结合,从而消除系统存在的未知外部扰动、输入饱和和不确定性对系统控制的影响.首先,设计干扰观测器对线性外部系统产生的未知扰动进行估计.然后根据干扰观测器输出,通过超前抗饱和方法设计抗饱和补偿器,并将其加入到鲁棒控制器的设计中,保证闭环系统存在输入饱和、未知外部扰动和参数不确定情况下的稳定性.为便于设计,干扰观测器、抗饱和补偿器和控制器设计矩阵均通过求解线性矩阵不等式得到.最后,将提出的鲁棒抗饱和控制方法应用于近空间飞行器,仿真结果验证了该控制方案的有效性.     

基于误差空间的鲁棒跟踪控制

为精确跟踪参考输入信号、抑制扰动信号，将输入信号和扰动信号满足的方程作为问题公式的一部分，在误差空间中设计鲁棒跟踪控制器；并加入前馈控制，改善系统的动态性能，提高系统抑制扰动的能力，使系统能以零稳态误差跟踪非衰减输入，零稳态误差抑制非衰减扰动，并在某些参数变化的情况下能准确跟踪输入信号．仿真结果表明系统具有很强的鲁棒性、优良的动态性能和稳态性能．     

Robust estimation‐free decentralized prescribed performance control of nonaffine nonlinear large‐scale systems

In this paper, a low‐complexity robust estimation‐free decentralized prescribed performance control scheme is proposed and analyzed for nonaffine nonlinear large‐scale systems in the presence of unknown nonlinearity and external disturbance. To tackle the high‐order dynamics of each tracking error subsystem, a time‐varying stable manifold involving the output tracking error and its high‐order derivatives is constructed, which is strictly evolved within the envelope of user‐specialized prescribed performance. Sequentially, a robust decentralized controller is devised for each manifold, under which the output tracking error and its high‐order derivatives are proven to converge asymptotically to a small residual domain with prescribed fast convergence rate. Additionally, no specialized approximation technique, adaptive scheme, and disturbance observer are needed, which alleviates the complexity and difficulty of robust decentralized controller design dramatically. Finally, 3 groups of illustrative examples are used to validate the effectiveness of the proposed low‐complexity robust decentralized control scheme for uncertain nonaffine nonlinear large‐scale systems.     

考虑输入饱和的近空间飞行器姿态容错控制

针对近空间飞行器姿态控制中出现的执行器故障,输入饱和与外部干扰等问题,设计了一种基于二阶滑模干扰观测器和辅助系统的鲁棒容错跟踪控制方法.首先,将系统不确定,外部扰动和执行器故障作为复合干扰,设计super-twisting二阶滑模干扰观测器对其进行估计.然后为解决输入饱和问题构造了辅助分析系统,并借助backstepping方法,设计姿态容错跟踪控制器.利用Lyapunov方法,严格证明了所有闭环系统信号的收敛性.最后将所设计的控制方法应用于近空间飞行器姿态控制中,仿真结果验证了该控制方法的有效性.     

Robust dynamic surface control of flexible joint robots using recurrent neural networks

A robust neuro-adaptive controller for uncertain flexible joint robots is presented. This control scheme integrates H-infinity disturbance attenuation design and recurrent neural network adaptive control technique into the dynamic surface control framework. Two recurrent neural networks are used to adaptively learn the uncertain functions in a flexible joint robot. Then, the effects of approximation error and filter error on the tracking performance are attenuated to a prescribed level by the embedded H-infinity controller, so that the desired H-infinity tracking performance can be achieved. Finally, simulation results verify the effectiveness of the proposed control scheme.     

A scheme for robust trajectory control of space robots

This paper presents a scheme for robust trajectory control of free-floating space robots. The idea is based on the overwhelming robust trajectory control of a ground robot on a flexible foundation and robust foundation disturbance compensation presented elsewhere. No external jets/thrusters are required or used in the scheme. An example of a three-link robot mounted on a free-floating space platform is considered for demonstrating the efficacy of the control scheme. Bond graph technique has been used for the purpose of modeling and simulation. Robustness of the control scheme is guaranteed since the controller does not require the knowledge of the manipulator parameters.     

不确定性自由漂浮空间机器人神经自适应控制

针对具有模型不确定性以及外部干扰下的自由漂浮空间机器人,采用一种整体逼近的神经网络自适应控制方法。该方法采用RBF神经网络对不同重力环境下系统模型的不确定项进行整体逼近,对系统的不确定项进行在线自适应学习。神经网络的逼近误差以及外界干扰由鲁棒项进行消除。该方法不依赖于系统模型,简化了控制系统的结构,在考虑重力等不确定项的情况下不用改变控制器也能进行控制,并且根据李亚普诺夫理论证明了所设计控制器使系统渐进稳定。在不同重力环境下进行了仿真,验证了控制方案的有效性。