在线数据记录和扰动观测器相结合的柔性机械臂复合学习控制

本文针对多输入多输出的柔性机械臂动力学模型,提出了一种基于神经网络估计和扰动观测器的复合学习控制策略.首先,通过奇异摄动分析将系统解耦为快慢子系统.然后,针对慢变刚性子系统的动力学模型,基于在线数据记录模型构造新型预测误差,结合跟踪误差设计自适应控制律;针对快变柔性子系统采用滑模控制抑制弹性振动.在此基础上,构建了扰动观测器实时估计复合扰动信号,并纳入在线数据记录模型作为前馈补偿.最后,基于Lyapunov稳定性分析可证系统误差信号一致终值有界,仿真算例验证了所提策略的有效性和优越性.

变负载柔性机械臂复合学习控制

针对末端负载质量变化的柔性连杆机械臂运动轨迹跟踪控制问题,提出了一种结合径向基神经网络(RBFNN)和干扰观测器(DOB)的复合学习控制方法。利用RBFNN逼近连杆柔性引起的非线性不确定性,构造DOB实时估计包括负载变化、非线性摩擦、RBFNN逼近误差等效应的集中干扰,将两者用于控制器的前馈补偿设计以提升系统跟踪性能,同时设计鲁棒反馈控制律保证系统的稳定性。通过Lyapunov稳定性理论证明了所提控制方法可保证跟踪误差的有界性和闭环系统的稳定性。基于柔性机械臂平台的对比实验结果表明:所提控制方法在不同负载下可以保持跟踪精度在0.5%以内,负载变化引起的误差变化不超过2%;与仅使用神经网络的控制方法相比,跟踪性能提升了24.7%。

零相位跟踪预测自学习复合运动控制系统研究

提出了一种结合了零相位跟踪控制与预测自学习控制的零相位跟踪预测自学习复合控制方案,并将它在运动控制系统中进行了实验研究,结果表明,对于周期性的位置指令信号输入,这种控制系统能够从第一个指令周期开始就具有比较小的跟踪误差,而且误差还会周期性减小,具有比单独的零相位跟踪控制或者预测自学习控制更好的控制性能。

基于时标分解的弹性高超声速飞行器智能控制

考虑弹性高超声速飞行器纵向动力学模型,提出了一种基于时标分解的智能控制方法。考虑刚体状态和弹性模态具有不同的时标特性,采用奇异摄动理论进行快慢时标分解,将模型转换为刚体慢变子系统和弹性快变子系统。针对刚体子系统考虑动力学不确定,基于平行估计模型构造表征不确定逼近效果的预测误差,结合跟踪误差给出复合学习控制策略。针对弹性子系统设计自适应滑模控制稳定弹性模态。通过李雅普诺夫稳定性分析可证系统状态一致终值有界。仿真表明所提出的控制方法能够实现刚弹模态的稳定收敛,且具有更高的跟踪精度、更好的学习性能和更快的收敛速度。