带输入磁滞的非线性系统模糊事件触发控制

文章针对一类带输入磁滞的不确定非线性系统的控制问题进行了研究,提出一种自适应模糊事件触发控制方法。一方面,实际系统模型往往难于精确获取,建模过程中难免会有不确定部分,不确定部分的处理得当与否将直接影响控制的精度;另一方面,因为输入磁滞在实际物理系统中是不可避免的,系统需要大量的控制量来补偿磁滞以保证控制精度,所以磁滞会加重系统通信的负担。然而,系统的通信资源是有限的,研究如何减少通信资源的占用在理论和实践中都具有重要意义。针对上述问题,文章基于Backstepping技术,利用模糊逻辑系统处理系统中的不确定部分,与此同时设计一种特殊相对阈值事件触发机制,实现了非周期的事件触发控制。该方法可以在线补偿磁滞,在保证系统控制精度的前提下,减少输入信号的更新频率,从而节约通信资源。从理论上证明闭环系统中的所有信号都是半全局一致最终有界的,且设计的事件触发机制可以避免Zeno现象的出现。最后,仿真验证了所提方法的有效性。

输入磁滞的非线性系统事件触发有限时间控制

针对具有输入磁滞的不确定非线性系统自适应补偿事件触发控制问题,提出了一种模糊逼近方法对非线性系统中的不确定项进行逼近。在backstepping技术框架下,设计了一种模糊自适应事件触发补偿控制方法。为了节省通信资源,提出了一种自适应补偿事件触发机制,在此基础上,设计了一种有限时间控制方法,保证系统状态有界。最后通过仿真试验验证了该方法可减少通信资源的占用,并有效地保证系统的稳定性。

具有磁滞输入的可调金属切削系统鲁棒自适应动态面控制

针对既有时滞环节又存在磁滞输入的可调金属切削系统,提出了一种改进的自适应动态面控制方法,其特点为:1)设计了带有跟踪误差性能指标函数的鲁棒自适应动态面控制算法,并结合神经网络,使其能够保证系统的跟踪误差及其过渡过程在预先任意给定的范围内;2)克服了反推控制方案中的"微分爆炸"问题,简化控制器结构;3)估计神经网络权值向量的范数而不是估计权值向量,极大地减少系统的计算负担,便于实时控制.仿真结果验证了该控制方法的有效性.

未知非线性多智能体系统的分布式有限时间自适应神经网络控制

针对一类具有未知磁滞输入的非线性多智能体系统,提出了一种基于改进命令滤波器的分布式预设性能自适应神经网络渐近一致控制方案。首先,为保证系统的跟踪性能,提出了基于新型性能函数的有限时间Funnel控制方案,使得跟随者与领导者在有限的时间内输出一致。其次,利用径向基神经网络和放缩方法消除了未知非线性的影响。然后,使用命令滤波器解决了传统递归方法的“微分爆炸”难题。理论分析表明:该控制方案消除了未知磁滞输入的影响并且实现了一致性误差渐近收敛至0。最后通过实例仿真验证了文中控制方案的有效性。