基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器, RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.     

基于神经网络观测器的反推终端滑模位置控制

为了提高永磁直线同步电机(PMLSM)的位置跟踪精度,本文提出了一种基于神经网络自适应观测器的反推终端滑模控制(TSMC)方法.首先,建立PMLSM的动力学模型.然后,利用RBF神经网络的万能逼近特性去逼近系统中不确定性,并将逼近后的输出信号输入给自适应观测器进行跟踪目标位置和速度的估计,补偿由不确定性所导致的跟踪误差,进而获得高精度的跟踪性能.同时反推TSMC方法能够保证系统状态在有限时间内收敛,有效改善了系统响应速度和鲁棒性能.此外,设计出一种新型饱和函数来改善系统抖振,并利用Lyapunov稳定性定理进行了闭环系统稳定性分析.最后,通过空载和负载实验证实了该控制方案的有效性.     

基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

研究了作业型AUV （自主水下机器人）的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF （径向基函数）神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.     

基于RBF神经网络的PMSM分数阶互补滑模控制

参数变化及外部不确定性干扰等因素对永磁同步电机(PMSM)驱动控制系统影响较大,针对这一问题,提出一种基于RBF神经网络的分数阶互补滑模控制方法。在建立PMSM数学模型的基础上,采用RBF神经网络对外部干扰进行逼近估计。设计基于饱和函数的分数阶互补滑模控制器,并将RBF神经网络估计的干扰引入控制器中,以抵消外部干扰对系统的影响。理论证明,该控制策略在对外部不确定性干扰进行有效抑制的同时保证系统跟踪误差收敛。通过仿真验证所提方法的有效性。     

基于神经网络的一类非线性系统自适应跟踪控制

提出一种非线性系统的自适应神经跟踪控制方案。通过利用RBF神经网络对未知非线性系统建模,并用一个滑模控制项消除网络建模误差和外部干扰的影响,从而能够保证闭环系统的全局稳定性和输出跟踪误差渐近收敛于零。     

Adaptive Backstepping Sliding Mode Control of Tractor-trailer System with Input Delay Based on RBF Neural Network

In this paper, an adaptive sliding mode neural network(NN) control method is investigated for input delay tractor-trailer system with two degrees of freedom. An uncertain camera-object kinematic tracking error model of a tractor car with n trailers with input delay is proposed. Radial basis function neural networks(RBFNNs) are applied to approximate the unknown functions in the error model. A sliding mode surface with variable structure control is designed by using backstepping method. Then, an adaptive NN sliding mode control method is thus obtained by combining Lyapunov-Krasovskii functionals. The controller realizes the global asymptotic trajectories tracking of the kinematics system. The stability of the closed-loop system is strictly proved by the Lyapunov theory. Matlab simulation results demonstrate the feasibility of the proposed method.

     

非同轴两轮机器人自平衡与转向闭环控制

针对车速、车身侧倾角和前轮转角变化较大工况下的非同轴两轮机器人在基于前轮转角的自平衡控制中,因动力学模型准确性对自平衡控制带来的影响,设计了基于RBF神经网络模糊滑模控制的自平衡控制器,利用RBF神经网络的逼近特性,对动力学模型中非线性时变的不确定部分进行自适应逼近,从而提高动力学模型的准确性,并借助模糊规则削弱滑模控制中产生的系统抖振;以及因前轮转角用于自平衡控制中难以实现转向闭环控制,建立了基于纯跟踪法的轨迹跟踪控制器,并设计利用车身平衡时车身侧倾角与前轮转角的耦合关系,将转向闭环控制中的目标前轮转角替换为目标车身侧倾角,从而将自平衡控制器与轨迹跟踪控制器相结合,在保证车身平衡行驶的前提下,实现带有轨迹跟踪的转向闭环控制。实验结果表明,凭借动力学模型的较高准确性,RBF神经网络模糊滑模自平衡控制器具有鲁棒性好、超调量低和响应迅速的优点,并且利用车身平衡后车身侧倾角与前轮转角耦合关系,实现转向闭环控制是可行的,具有良好的轨迹跟踪效果。     

Robust adaptive neural sliding mode control of MEMS triaxial gyroscope with angular velocity estimation

In this paper, a robust adaptive sliding mode control strategy of micro electro-mechanical system (MEMS) triaxial gyroscope using radial basis function (RBF) neural network is presented for the system identification of MEMS gyroscope. A key property of this scheme is that the prior knowledge of the upper bound of the system uncertainties is not required. An adaptive RBF neural network controller is used to learn the unknown upper bound of model uncertainties and external disturbances. The adaptive RBF neural network is incorporated into the adaptive sliding mode control in the Lyapunov sense, and the stability of the proposed adaptive neural sliding mode control can be established. The dynamics and angular velocities of gyroscope can be identified in real time. Numerical simulations are investigated to verify the effectiveness of the proposed adaptive neural sliding mode control scheme, showing that the designed control system has better robust performance in its insensitivity to system nonlinearities; moreover, system parameters including angular velocity can be consistently estimated and tracking errors converge to zero asymptotically.     

漂浮基空间机器人自适应RBF 网络终端滑模控制

主要研究漂浮基空间机器人对工作空间连续轨迹跟踪控制问题．针对系统动力学模型中非线性项未知，以及参数不确定性和外界扰动无法估计的情况，提出了基于自适应RBF网络终端滑模控制方法．该方法结合了非线性滑动流形与径向基函数特性，利用自适应RBF网络在线学习系统中的不确定性，使得无需精确的动力学模型亦能保证系统在有限时间内快速稳定．根据Lyapunov方法设计的自适应增益保证闭环控制系统具有全局稳定性，并且有效抑制抖振现象．针对6关节空间机器人的轨迹跟踪控制仿真表明，提出的自适应RBF网络终端滑模控制方法能够基于不完整动力学模型实现高精度轨迹跟踪，且误差在有限时间内快速收敛，系统抖振也得到了有效抑制．     

集成神经网络与自适应算法的分数阶滑模控制

针对被控对象的参数时变和外部扰动问题,本文融合神经网络的万能逼近能力和自适应控制技术,并结合分数阶微积分理论,提出了基于神经网络和自适应控制算法的分数阶滑模控制策略.本文采用等效控制的方法设计滑模控制律,并利用神经网络的万能逼近能力估测控制律的变化,结合自适应控制算法和分数阶微积分理论抑制传统滑模控制系统的抖震,同时根据Lyapunov稳定性理论分析了系统的稳定性,最后给出了实验结果.实验结果表明,本文提出的基于神经网络和自适应控制算法的分数阶滑模控制系统,能保持滑模控制器对系统外部扰动和参数变化鲁棒性的同时,也能有效地抑制抖震,使得系统获得较高的控制性能.     

自适应神经网络四旋翼无人机有限时间轨迹跟踪控制

针对带有模型不确定性和未知外部干扰的四旋翼无人机轨迹跟踪控制问题,提出一种基于径向基(radial basis function, RBF)神经网络的自适应全局快速终端滑模控制方法,确保系统对期望轨迹的有限时间跟踪。该方法考虑到全局快速终端滑模控制在实际应用中的适应性和抖振问题,利用RBF神经网络替代等效控制量,以神经网络的在线学习能力补偿系统内部的不确定性和未知的外部干扰,有效地降低了系统的抖振;根据Lyapunov方法导出的自适应律在线调整神经网络权值,以保证闭环系统的稳定性。通过一系列仿真算例和飞行实验验证了该方法的有效性与可行性,结果表明:该控制方法相对于滑模控制的抖振更小,具有更好的收敛性和抗干扰能力,同时对模型的参数摄动具有更强的鲁棒性。     

基于干扰观测器的一类不确定非线性系统自适应二阶动态terminal滑模控制

针对一类不确定非线性系统的跟踪控制问题,在考虑建模误差、参数不确定和外部干扰情况下,以其拥有良好的跟踪性能以及强鲁棒性为目标,提出基于回归扰动模糊神经网络干扰观测器(recurrent perturbation fuzzy neural networks disturbance observer,RPFNNDO)的鲁棒自适应二阶动态terminal滑模控制策略.将回归网络、模糊神经网络和sine-cosine扰动函数各自优势相结合,给出一种回归扰动模糊神经网络结构,提出RPFNNDO设计方法,保证干扰估计准确性;构造基于带有指数函数滑模面的二阶快速terminal滑模面,给出其控制器设计过程,避免了滑模到达阶段、传统滑模的抖振问题,采用具有指数收敛的鲁棒项抑制干扰估计误差对系统跟踪性能的影响,利用Lyapunov理论证明闭环系统的稳定性;将该方法应用于混沌陀螺系统同步控制仿真实验,结果表明所提方法的有效性.     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

具有未知干扰的无人机鲁棒滑模飞行控制

研究无人机飞行稳定性控制问题,由于无人机飞行控制系统存在时变外部干扰,飞行过程中升阴比变化激烈,控制稳定性难度较大。利用滑模控制良好的鲁棒能力提出一种神经网络的鲁棒飞行控制方法。因神经网络有良好非线性逼近能力,可对无人机飞行系统中的不确定进行在线逼近,并将神经网络权值误差引入到权值的自适应律中用以改善系统的动态性能。利用神经网络的组合,设计无人机鲁棒滑模飞行控制器。控制器分为两部分,一部分是等效控制器,另一部分是滑模控制器,能有效减小系统的跟踪误差。最后将所设计的鲁棒滑模控制对无人机飞行姿态控制进行仿真。仿真结果表明,新方法能提高无人机的鲁棒飞行控制能力且能实现无人机姿态的精确跟踪和稳定性控制。     

带执行器饱和的N 连杆机械臂输出反馈动态面控制

针对带执行器饱和的多关节刚性机械臂系统,提出一种基于RBF神经网络补偿的输出反馈动态面控制.通过观测器实现角速度的观测,采用RBF网络实现执行器饱和的补偿;通过Lyapunov方法证明闭环系统的稳定性,实现高精度的角度和角速度跟踪.仿真结果表明,所提出的方法能够有效补偿系统存在的执行器饱和,显著减小跟踪误差,并且对于外界干扰具有一定的鲁棒性.     

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项,通过RBF网络分别进行自适应补偿,并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。     

A hybrid adaptive fuzzy control for a class of nonlinear MIMO systems

A hybrid indirect and direct adaptive fuzzy output tracking control schemes are developed for a class of nonlinear multiple-input-multiple-output (MIMO) systems. This hybrid control system consists of observer and other different control components. Using the state observer, it does not require the system states to be available for measurement. Assisted by observer-based state feedback control component, the adaptive fuzzy system plays a dominant role to maintain the closed-loop stability. Being the auxiliary compensation, H/sup /spl infin// control and sliding mode control are designed to suppress the influence of external disturbance and remove fuzzy approximation error, respectively. Thus, the system performance can be greatly improved. The simulation results demonstrate that the proposed hybrid fuzzy control system can guarantee the system stability and also maintain a good tracking performance.     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。