惯性定向三轴稳定卫星姿态自适应滑模控制

在建立惯性定向三轴稳定卫星非线性耦合姿态运动模型的基础上,设计了姿态三轴稳定控制的自适应滑模变结构控制器。在控制器的设计中,考虑了小卫星惯量参数的不确定性以及外界力矩干扰的情况,利用自适应滑模变结构控制方法在线辨识干扰力矩的极值以及卫星惯量参数,并依此动态调整控制器的输出。基于Lyapunov稳定性原理证明了所设计的控制器能够使系统全局一致最终有界稳定。仿真结果表明了该控制方法的有效性和可行性。     

旋转导向钻井工具稳定平台模糊滑模控制研究

关于稳定平台是旋转导向钻井工具的重要环节.针对稳定平台存在的摩擦问题带来的不确定性,为提高平台系统的控制精度和稳定性,提出利用模糊控制理论与滑模变结构控制相结合的稳定平台控制系统.通过建立带摩擦的稳定平台模型,设计出变结构控制器和自适应模糊系统逐步逼近等效控制,并对切换项进行模糊逼近,以平滑不连续控制.仿真结果表明方法既保证了控制系统对外界扰动和参数不确定性具有较好的鲁棒性,也实现了较高的稳定平台姿态控制精度,使闭环系统具有良好的动态性能.     

非伪控制解决惯性稳定平台的非线性时变干扰

非伪控制是一种基于在线数据的驱动控制方式.本文通过进化策略实现候选控制器的多样性操作,结合滞后算法切换控制器,从而实现系统自适应的PID稳定控制.在惯性稳定平台中,由于非线性时变干扰的存在令被控对象不能提供精确的控制模型,今将非伪控制算法用于惯性稳定平台中,能使惯性稳定平台准确地稳定框架,其方位轴稳定误差小于3.4mrad,俯仰轴稳定误差小于4.36mrad.     

Stewart平台神经网络非奇异终端滑模控制

针对Stewart平台的六自由度（six degrees of freedom, 6-DOF）轨迹跟踪问题,提出一种基于神经网络的非奇异终端滑模控制方法并应用于Stewart平台的位置姿态控制中。通过分析Stewart平台的位置反解和速度反解,建立运动学方程,利用牛顿-欧拉方程建立动力学方程,并结合加速度反解得到了平台的状态空间表达式;基于非奇异滑模面函数,设计非奇异终端滑模控制律。考虑到径向基函数（radial Basis function, RBF）神经网络的逼近特性,采用RBF神经网络对模型未知部分进行自适应逼近,并利用Lyapunov第二法设计了自适应律;通过仿真证明控制器设计的有效性。仿真结果表明,相比于比例积分微分（proportional integral derivative,PID）控制器,提出的RBF神经网络非奇异终端滑模控制器具有更好的轨迹跟踪精度和动态特性。     

基于神经网络的雷达天线稳定平台控制设计

为了提高稳定平台的抗干扰能力,使雷达天线指向稳定保证成像清晰,该文提出一种神经网络PID控制方案,此方案是利用神经网络的非线性映射能力和自学习自适应能力,找到最优的PID三个控制参数,使稳定平台这种非线性系统具有良好的控制效果。通过MATLAB仿真实验证明,神经网络PID控制方案的超调量仅有1.05%,稳态时间只有0.61 s。远远小于PID控制,而其对扰动的响应幅值仅为PID控制的18.6%,与传统的PID控制相比,神经网络PID控制具有更优秀的抗干扰能力,这种控制方案更加适合在复杂环境下工作的稳定平台,有效保证其精度和稳定性。     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提     

车载惯性平台随动系统的自抗扰控制

针对车载惯性随动平台的扰动特性,提出了随动伺服回路的自抗扰控制算法。该方法不需要精确的系统数学模型,具有强鲁棒性、快速性、高精度、方法简单等特点。仿真和实验结果表明,该方法调转时间短,抗干扰能力强,是一种应用在实际平台系统中的理想的控制器。     

基于神经网络的机器人二阶滑模控制

本文提出了一种基于神经网络与二阶滑模控制融合的控制策略用于非线性机器人控制,设计了一种新颖简易的二阶滑模控制方法,有效地避免了常规变结构控制的抖震问题,并采用神经网络辨识未知的机器人的非线性模型,通过Lyapunov直接法设计网络的权值更新率,确保了系统闭环全局渐近稳定性。最后,通过仿真验证了算法的有效性。     

神经网络滑模变结构控制研究综述

综述了近年来将人工神经网络控制和滑模变结构控制相结合的研究工作．从神经网络在滑模变结构控制中不同的应用方式出发,论述了神经网络在提高和改善滑模变结构系统性能方面的理论和方法,分析了它们各自的特点与相互之间的联系．最后展望了该领域未来的研究方向．     

不确定非线性系统的自适应反推高阶终端滑模控制

针对一类非匹配不确定非线性系统,提出一种神经网络自适应反推高阶终端滑模控制方案.反推设计的前1步利用神经网络逼近未知非线性函数,结合动态面控制设计虚拟控制律,避免传统反推设计存在的计算复杂性问题,并抑制非匹配不确定性的影响;第步结合非奇异终端滑模设计高阶滑模控制律,去除控制抖振,使系统对于匹配和非匹配不确定性均具有鲁棒性.理论分析证明了闭环系统状态半全局一致终结有界,仿真结果表明了所提出方法的有效性.     

控制增益符号未知的不确定非线性系统鲁棒自适应控制

针对一类控制增益函数及符号均未知的不确定非线性系统,基于反推滑模设计方法,提出一种鲁棒自适应神经网络控制方案.结合Nussbaum增益设计技术和神经网络逼近能力,取消了控制增益函数及符号已知的条件,应用积分型Lyapunov函数避免了控制器奇异性问题,并通过引入神经网络逼近误差和不确定干扰上界的自适应补偿项消除了建模误差和不确定干扰的影响.理论分析证明了闭环系统所有信号半全局一致终结有界,仿真结果验证了该方法的有效性.     

含摩擦非线性系统的自适应滑模控制

针对摩擦非线性的扰动抑制和输出反馈控制问题,提出一种高阶滑模扩张状态观测器(ESO),实时获得系统的状态信号.在此基础上,设计神经网络自适应权值调节律,以得到控制信号设计参数与输出跟踪性能之间的关系;同时,给出保证系统动态性能的观测器状态初值与自适应调节律参数初值的充要条件.最后,通过稳定性证明和仿真算例验证了所提出控制算法的有效性.     

基于自回归小波神经网络的感应电动机滑模反推控制

为了提高感应电动机控制的鲁棒性, 提出了一种新颖的感应电动机解耦模型. 基于感应电动机的解耦模型, 利用滑模控制和反推控制设计电动机的虚拟转矩和磁链电压控制器. 滑模开关增益的大小是造成系统抖振的关键, 采用自回归小波神经网络(Self-recurrent wavelet neural networks, SRWNN)在线估计滑模开关增益的大小可以有效降低滑模控制造成的抖振. 仿真结果表明基于SRWNN在线估计滑模开关增益的滑模反推控制方案可以有效提高感应电动机控制的鲁棒性, 同时降低了滑模控制造成的抖振.     

一类非线性系统的多面滑模控制

提出一种基于模糊ＣＭＡＣ神经网络的多面滑模变结构控制算法,其特点是无须已知不确定性函数及其各阶导数的上界,与经典设计广阔霜比,所提出的方案允许非参数化不确定性,仿真实例显示了该方法的有效性。     

基于输入输出模型的模糊神经网络滑模控制

1　引言在实际系统中,一般难以取到系统的状态.因此,如何仅利用输入输出模型来控制系统一直是控制理论工作者关注的话题.Narendra等人[1]通过加入两个‘状态’滤波器设计了一种基于输入输出的模型参考自适应控制方案,提出了一个很好的思想.在其后的数十年中,基于输入输出?..     

不确定非线性系统的自适应反演终端滑模控制

针对一类参数严格反馈型不确定非线性系统, 本文提出一种自适应反演终端滑模控制方法. 反演控制的前n-1步结合自适应律估计系统的未知参数, 第n步采用非奇异终端滑模, 使系统最后一个状态有限时间内收敛.利用微分估计器获得误差系统状态的导数, 并设计了高阶滑模控制律, 去除控制抖振, 使系统对于匹配和非匹配不确定性均具有鲁棒性. 同自适应反演线性滑模方法相比, 所提方法提高了系统的收敛速度和稳态跟踪精度, 并且控制信号更加平滑. 仿真结果验证了该方法的有效性.