基于RBF最小参数学习法的正流量变量泵滑模自适应控制

为了提高正流量变量泵的性能,提出基于RBF最小参数学习法的正流量变量泵滑模自适应控制方法。分析正流量变量泵电液伺服系统的动力学特性,并进行系统辨识实验获得较为精确的系统数学函数模型;基于RBF最小参数学习法设计滑模控制器,在系统参数不确定性、摩擦力干扰和系统泄漏等非线性因素的情况下实现对目标流量的跟踪响应和自适应控制;最后利用MATLAB/Simulink对正流量变量泵的控制系统性能进行仿真实验,并和传统的PID控制器和模糊PID控制器进行比较。仿真实验结果验证了所设计控制方法的可行性和有效性。

基于事件触发机制的动力定位系统神经自适应控制

针对含模型参数不确定和环境干扰的水面船动力定位控制问题,本文提出了一种基于事件触发机制的神经自适应控制算法。结合径向基函数神经网络和最小学习参数算法设计自适应项补偿环境干扰和模型参数不确定。设计的自适应项仅有3个在线学习参数,减少了传统神经网络自适应技术的参数学习个数。再结合动态面控制技术和事件触发机制设计动力定位控制器,其中引入一种事件触发机制降低控制器到执行机构的信息传输负担,同时降低执行机构的动作次数。使用Lyapunov稳定性理论证明了闭环系统的稳定性。通过仿真试验和对比分析验证了提出控制律的有效性。

基于MPL-CS自适应反步法的过失速机动控制

超机动能力仍是未来飞机的重要性能指标,而过失速机动控制的效果将成为决定近距空战胜负的关键。本文提出了一种基于最小参数学习和布谷鸟搜索(MPL-CS)的自适应反步法的过失速机动控制方法,以解决先进布局飞机过失速机动中严重的非线性、耦合性和迟滞性等导致的鲁棒性差和控制精度低等问题。首先,基于一套完整的先进布局飞机缩比模型大振幅振荡风洞试验数据,在给定的建模精度目标下,通过改进极限学习机(ELM)方法,建立了大迎角下先进布局飞行器精确的非定常气动模型。其次,设计了一种基于MPL的自适应反步法,以减少需要优化的参数数量。在不确定性和模型扰动的影响下,结合串接链分配方法完成了分配设计。基于CS方法对MPL下自适应反步控制律的关键参数进行了优化。最后,经典的眼镜蛇机动仿真结果表明,该方法的控制精度高于传统的基于MPL的自适应反步方法,且充分考虑了工程的实际需求,控制精度高、鲁棒性强。该方法为未来先进布局飞机的过失速机动控制提供了理论支撑和技术路径。

欠驱动无人艇固定时间轨迹跟踪控制

[目的]针对欠驱动无人艇系统内部存在模型参数不确定以及外部受到未知干扰等问题,提出一种具有抗干扰能力的固定时间轨迹跟踪控制策略。[方法]首先,通过模型转换将跟踪误差系统分为2个子系统,分别开展控制器设计;然后,为解决系统内外的未知干扰问题,基于径向基神经网络和最小参数学习法对不确定项进行估计,从而保证系统具有抗干扰能力;最后,将双曲正切函数与滑模控制相结合,提出一种基于固定时间的跟踪控制方法,以保证无人艇可在固定时间内快速跟踪期望轨迹。[结果]仿真结果表明,跟踪误差可在固定时间内实现收敛并保持稳定,且其收敛时间与初始状态无关。[结论]该控制策略可对系统中的不确定项进行有效估计,具有良好的抗干扰能力,可为欠驱动无人艇的固定时间控制提供参考。

主动悬架系统事件触发自适应渐近跟踪控制

针对含有未知路面输入的二自由度1/4车辆主动悬架系统高度控制问题,提出一种事件触发自适应神经渐近跟踪控制方案。利用径向基函数神经网络对未知模型动力学和虚拟控制律导数构成的综合不确定项进行逼近,采用最小学习参数化技术对神经网络权重进行压缩,设计单参数自适应律。在控制律和自适应律中构造积分有界函数,以保证跟踪误差的渐近收敛。设计控制器至执行器通道上的事件触发控制律,构造一种变量阈值的事件触发条件。通过Lyapunov直接法和Barbalat引理证明闭环系统的渐近稳定性。最后,通过仿真验证方案的优越性。

基于DSC和MLP的欠驱动船舶自适应滑模轨迹跟踪控制

针对存在船舶动态不确定和外界干扰的欠驱动水面船舶轨迹跟踪控制问题,提出一种基于动态面控制(dynamic surface control,DSC)和最小学习参数法(minimal learning parameter,MLP)的自适应滑模控制方法。在控制律的设计过程中,为实现位置跟踪误差的收敛,利用反步法设计船舶前向速度和横漂速度的虚拟控制律镇定轨迹跟踪误差;引入DSC技术,用于消除反步法对虚拟控制求导引起的"微分爆炸"问题;另外,采用MLP技术,以单参数在线学习代替所有权值在线学习,减少控制器的计算量,避免出现"维数灾难"问题,并结合带有"σ-修正"的自适应律,防止参数漂移,易于工程的实现。稳定性分析证明了所设计控制律可以保证轨迹跟踪船舶闭环系统中轨迹跟踪误差信号一致最终有界,仿真结果验证了所设计控制器的有效性。

绳系拖曳飞行器高抗扰轨迹跟踪控制

针对受未知风扰动作用下的绳系拖曳飞行器轨迹精确控制问题,设计了一种基于最小学习参数神经网络估计器的拖曳飞行器轨迹动态面控制方法。首先,结合绳系拖曳系统多刚体动力学模型,构建拖曳飞行器六自由度非线性模型,并完成其仿射非线性化处理。其次,考虑到拖曳飞行器可能受到前方飞机尾涡、紊流和阵风等未知气流及不可测量瞬变缆绳拉力等扰动的综合影响,构建了基于最小学习参数神经网络的拖曳飞行器状态/扰动在线估计器,以准确重构系统不可测量集总扰动。然后,基于所提状态/扰动在线估计器,设计了一种基于最小学习参数神经网络状态/扰动在线估计器的拖曳飞行器轨迹动态面控制方法,并分析了系统稳定性。最后,仿真表明,所提方法能够在多重气流扰动下实现拖曳飞行器位置稳定和机动轨迹跟踪。

基于MPLM-RBFNN算法的移动机器人姿态控制方法

以移动机器人为研究对象,针对机器人系统模型的不确定性和非线性,提出一种反步运动学控制与径向基神经网络(RBFNN)最小参数学习法(MPLM)结合的滑模控制(SMC)算法。使用径向基神经网络逼近系统中的不确定项,消除系统中不确定因素的影响,增强系统的鲁棒性。针对径向基神经网络中权值难以快速调整的缺陷,采用最小参数学习法设计单个参数以代替神经网络中的权值,以此来优化算法复杂度,增强控制的实时性,通过Lyapunov稳定性判别方法,证明了系统在有限时间内的收敛性与稳定性。实验表明:该方法可使控制器的结构简化,鲁棒性、实时性显著提高,易于在实际应用中实现。

弹丸协调臂的RBF神经网络自适应滑模控制

针对某大口径火炮弹丸协调臂电液伺服系统的位置控制问题,提出一种基于神经网络最小参数学习法的RBF网络自适应滑模控制方法。结合RBF神经网络具有局部逼近特性和神经网络最小参数学习法调节简单的优点,以电液伺服系统的状态为神经网络的输入,通过选取合适的参数,以神经网络的输出逼近系统的未知理想控制律。引入鲁棒项,保证控制策略的稳定性,并采用非线性函数调整反馈项参数的变化,保证收敛速度。仿真结果表明:控制算法在系统参数大范围变化的情况下能够保证弹丸协调臂的运动精度,并具有较好的鲁棒性。

Novel robust approach for constructing Mamdani-type fuzzy system based on PRM and subtractive clustering algorithm

A novel approach for constructing robust Mamdani fuzzy system was proposed, which consisted of an efficiency robust estimator(partial robust M-regression, PRM) in the parameter learning phase of the initial fuzzy system, and an improved subtractive clustering algorithm in the fuzzy-rule-selecting phase. The weights obtained in PRM, which gives protection against noise and outliers, were incorporated into the potential measure of the subtractive cluster algorithm to enhance the robustness of the fuzzy rule cluster process, and a compact Mamdani-type fuzzy system was established after the parameters in the consequent parts of rules were re-estimated by partial least squares(PLS). The main characteristics of the new approach were its simplicity and ability to construct fuzzy system fast and robustly. Simulation and experiment results show that the proposed approach can achieve satisfactory results in various kinds of data domains with noise and outliers. Compared with D-SVD and ARRBFN, the proposed approach yields much fewer rules and less RMSE values.

自主水下航行器事件触发自适应神经渐近深度跟踪控制

针对自主水下航行器(AUVs)在未知模型动力学和环境干扰作用下的高精度深度跟踪控制问题,设计一种事件触发自适应神经渐近跟踪控制器。采用径向基神经网络(RBF NNs)逼近模型中的非线性不确定项,将积分有界函数融入控制律和自适应律中,以实现跟踪误差的渐近收敛;采用最小学习参数(MLPs)技术压缩神经网络权重,构造单参数自适应律;在控制器至执行器通道上应用事件触发机制,构造变量式事件触发条件,避免“Zeno”现象;应用径向基函数的不等式关系,解决“代数环”问题;采用Laypunov直接法和Barbalat引理对闭环系统的稳定性进行分析,证明跟踪误差的渐近收敛。仿真试验验证本文控制策略可实现高精度深度跟踪。

水空跨介质航行器俯冲过程航迹角控制研究

基于神经网络自适应控制方法,研究了变体跨介质航行器俯冲过程航迹角控制问题。针对航迹角动态方程中出现的纯反馈形式,采用微分滤波的方法克服"代数环"问题;采用最小学习参数方法减少神经网络参数在线更新个数,降低计算载荷;采用动态面方法克服反步法虚拟控制的"微分爆炸"问题。仿真结果表明,所设计的控制器能够实现航行器在俯冲过程中对目标航迹角的跟踪,跟踪误差小于2°。

欠驱动船舶自适应神经网络有限时间跟踪控制

针对受动态不确定性和外界未知干扰影响下欠驱动水面船舶的轨迹跟踪控制问题,设计一种有限时间轨迹跟踪控制方案。采用神经网络重构船舶的动态不确定性,通过引入最小学习参数降低计算复杂度,设计自适应律逼近由不确定项和外界干扰组合而成的复合扰动的上界,并基于此设计一种基于最小学习参数的欠驱动船舶自适应神经网络有限时间轨迹跟踪控制方案。通过严格的理论分析后得出,该有限时间轨迹跟踪控制方案能够使闭环系统的所有信号都趋于有界,欠驱动船舶的位姿误差和速度误差都在有限时间内收敛到一个集合。仿真和比较验证了本研究所提出的有限时间控制方案的有效性。本研究中的有限时间控制方案不仅提高了船舶的瞬态性能和稳态性能,且控制器结构简单,更容易应用在工程中。