基于多观测器的UVMS自适应神经网络抗扰控制

水下机器人机械臂系统(UVMS)往往面临高度非线性、模型不确定、复杂海洋干扰及执行器死区非线性等因素,严重影响控制精度。首先将UVMS水动力学模型与死区非线性特性变换为模型已知和未知两部分,其中未知部分与其他干扰归结为总干扰。接下来利用基于径向基函数(RBF)的自适应神经网络逼近未知非线性函数,并构造神经网络性能估计器,利用其估计误差设计了一种新颖的神经网络干扰观测器来估计总干扰。在此基础上提出了一种基于神经网络干扰观测器、性能估计器以及多补偿器的自适应神经网络抗扰控制算法,并利用李雅普诺夫方法分析了闭环系统的稳定性。最后将所提的算法运用到6自由度UVMS进行仿真实验,并通过对比验证了本文所提控制算法的有效性。

超低空空投航迹倾角自适应跟踪控制

针对超低空空投下滑阶段考虑执行器输入死区、不确定性大气扰动以及模型存在未知非线性等因素干扰轨迹精确跟踪等问题,提出了一种自适应神经网络动态面跟踪控制方法。建立了含执行器输入死区的超低空空投载机纵向非线性模型,采用神经网络逼近模型中未知非线性函数,引入非线性鲁棒补偿项消除了执行器死区建模误差和外界扰动。应用Lyapunov稳定性理论证明了闭环系统所有信号均是有界收敛的。仿真验证表明,所提方法既保证了轨迹跟踪的精确性,又具有强鲁棒性。