卧式链传动药仓的RBF网络自适应鲁棒滑模控制

卧式链传动药仓的转动惯量与阻尼系数会随着药仓转动与药块数量变化而变化,链传动引起的多边形效应会影响运动的定位精度。采用RBF神经网络和自适应方法对重要未知非线性参数进行估计,并选用等效期望轨迹的方式从控制上补偿多边形效应的影响;通过设置合适的神经网络参数与自适应项,估计位置参数的变化趋势;通过引入鲁棒项,保证了滑模控制策略的稳定性。采用合适的Lyapunov方程分析,从理论上证明算法的可行性,能够使系统在有限时间内收敛。通过仿真分析,验证了RBF神经网络与自适应参数具有较强的学习能力,证明了该算法能够保证药仓模型的运动精度,提高系统稳定性,削弱系统抖振。

四旋翼飞行器的RBF神经网络鲁棒自适应控制

针对具有模型不确定性和有界外部扰动的四旋翼飞行器,提出了一种基于径向基函数神经网络的鲁棒自适应全局控制方法(RRAC)。所提方法结合了神经网络控制对未知非线性的强拟合能力和鲁棒控制的全局稳定性,解决了神经网络控制仅能实现半全局一致最终有界的问题,实现了控制精度和鲁棒性的双重提升。所设计的控制器由在近似域内工作的神经网络控制器和在近似域外工作的鲁棒控制器组成。引入一种新型切换函数来实现两者之间的平滑切换,以保证闭环系统的所有信号是全局一致最终有界的。利用Lyapunov函数和Barbalat引理严格证明了非线性四旋翼飞行器系统的稳定性。仿真表明,所设计的控制器在模型不确定性和有界外部扰动下对参考轨迹依旧保持良好的跟踪性能,且跟踪误差趋近于零。

电力巡检机械臂终端滑模鲁棒控制方法研究

电力巡检机械臂系统通常具有较强的非线性和不确定性,包括负载变化、摩擦和摆动等因素。这些非线性和不确定性对控制系统的稳定性造成影响,导致传统的控制设计方法难以实现精准控制,且存在一定误差。为此,提出电力巡检机械臂终端滑模鲁棒控制方法。将电力巡检机械臂投影至笛卡尔坐标系,得到机械臂末端执行器位姿信息,将其作为滑模控制器的参数,结合模糊自适应算法与李雅普诺夫(Lyapunov)算法,构建机械臂滑模控制器控制律,获取控制信号。利用径向基函数(RBF)网络逼近不确定项,获取其控制律,根据鲁棒项,输出RBF网络鲁棒控制结果。实验表明,所提方法能够在实现电力巡检机械臂精准作业控制的同时,避免因未知扰动造成的机械臂抖动,且关节转角控制误差小、响应快及超调量低。

基于RBF神经网络补偿的自适应滑模机械手控制

针对机械臂在实际工作中无法完全建立精确的数学模型以及系统具有较大的不确定性,提出一种基于RBF神经网络补偿的自适应滑模鲁棒控制器。首先,利用计算力矩控制方法,结合基于RBF神经网络实现的补偿控制器使系统获得较好的跟踪效果;其次,引入滑模鲁棒控制,将建模误差以及外部干扰通过在线训练和调整参数对机械臂的未知不确定量部分进行实时估计和补偿,提高了跟踪精度以及提升了逼近的速度,同时,引入饱和函数降低了滑模控制中的抖振现象。仿真结果表明,改进后的控制器,对比文中传统控制器2和3在跟踪机械臂关节位置的响应速度上分别有约4 s和2 s的提升,同时,改进后的控制器在对于系统不确定性的补偿速度上有提升,约在1 s内做出响应。

基于RBF网络自适应滑模的非对称泵抗扰控制

针对非对称泵样机变排量试验中柱塞对斜盘冲击引起明显的斜盘角度波动现象,以及理论推导的控制系统模型存在误差问题,提出采用鲁棒性较强的RBF网络自适应滑模算法进行变排量抗干扰控制。非对称泵配流盘具有3个不同的串联配流窗口,柱塞经过配流窗口产生不对称的冲击力作用于斜盘,其可视作干扰信号。通过Simulation X和Simulink联合仿真,对比在40 Hz下的变量阻力矩作用下常规PID控制、普通滑模控制和RBF网络自适应鲁棒滑模控制的斜盘摆角响应特性。仿真结果表明:采用RBF网络自适应鲁棒滑模控制,其柱塞腔压力峰值和斜盘摆角的脉动相对于PID控制分别降低了5%和39%,相较于普通滑模控制分别降低了2.51%和4%,其流量的波动与斜盘摆角一致。抗干扰控制算法提高了系统的动态响应特性,削弱了系统的抖动。

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统 ,包括不确定性机器人 ,提出一种自适应鲁棒迭代学习控制方案 .学习控制用于学习周期性的系统不确定性 ,自适应滑模控制用于抑制非周期性系统不确定性 ,并且利用RBF神经网络自适应学习系统不确定性的未知上界 ,对不确定性系统动态和有界输入扰动具有鲁棒性 .通过Lyapunov直接方法 ,确保了对每次迭代闭环系统是一致有界的 ,并且沿着迭代次数的增加 ,跟踪误差渐近收敛于零 .仿真结果表明了该方案的有效性 .

基于双环自适应滑模控制的高速列车运行追踪

针对列车高速运行跟踪控制问题,提出了一种基于双环结构的RBF神经网络自适应滑模控制算法。首先系统结构分为位移与速度控制子系统,防止列车因单个控制器故障而失控;在此基础上采用积分滑模控制,加强控制器的鲁棒性;同时在速度子系统中引入参数自适应算法与RBF神经网络自适应算法削弱列车受到基本阻力、附加阻力以及不确定性阻力带来的影响;最后通过Lyapunov稳定性分析证明系统的稳定性。通过仿真实验结果表明,位移误差在[-3.3×10^(-4),1.9×10^(-4)]范围以内,速度误差在[-2.1×10^(-2),3.1×10^(-2)]范围以内,该算法可以实现对列车的速度与位移精确追踪。

基于RBF神经网络的一类非线性系统反演鲁棒自适应控制

提出一种基于RBF神经网络的一类非线性系统反演鲁棒自适应控制器设计方法。使用RBF神经网络逼近系统不确定性，并和控制器与虚拟控制器中的鲁棒项一起消除不确定性的影响，由Lyapunov稳定性理论推出的RBF神经网络权值矩阵的自适应律能保证闭环系统的所有信号有界，且误差能够全局指数收敛于原点的邻域。该方法不需要系统不确定性的上界以及其任意阶导数，最后的仿真结果验证了方法的有效性。

基于PSO-RBF优化的船舶六相推进电机缺相故障新型自适应滑模容错控制研究

为提升船舶永磁同步推进电机的容错能力与故障条件下的输出能力,针对船舶电力推进系统中推进电机缺相故障,提出一种基于PSO-RBF优化的新型自适应滑模容错控制方法,利用神经网络的学习能力对滑模控制器中的切换增益进行实时调节,并通过粒子群算法对神经网络参数进行寻优,随后采用容错控制策略对缺相后其余健康相电流的相位和幅值进行调节,实现船舶推进电机在正常运行和故障状态下系统的快速收敛和抖振削弱,提高推进电机的容错控制性能。仿真结果表明:笔者方法较传统滑模控制在缺相故障下,转速恢复时间缩短了1.7 s,转速稳态误差降低了0.17%,削减了7%的转矩稳态误差,船舶推进电机运行更稳定,故障后控制性能更优良。

基于保性能自适应RBF神经网络的MR半主动非线性鲁棒分散控制

该文针对模型参数不确定的非线性结构半主动分散控制问题进行研究。首先,采用退化Bouc-Wen滞回模型模拟层间恢复力,并考虑模型参数(质量、刚度和阻尼)不确定及子系统间的耦合项,建立了子控制系统误差状态方程;在此基础上,设计了由保性能控制项和自适应逼近控制项构成的子控制器,其中,保性能控制项通过求解转化为线性矩阵不等式的保性能控制问题得到,逼近控制项通过RBF神经网络自适应控制律确定,同时利用Lyapunov稳定性理论对其稳定性及权值有界性进行证明;从而建立了适用于不确定结构非线性振动控制的保性能自适应RBF神经网络鲁棒分散控制(GCARBF)算法。最后,对一8层非线性结构进行MR半主动分散控制设计及0.3 g^0.8 g地震下仿真分析,结果表明了所提算法的有效性与优越性。

一种基于反步法的鲁棒自适应终端滑模控制

针对不确定严格反馈块控非线性系统,提出了一种基于反步法的鲁棒自适应终端滑模变结构控制方法.系统的未知不确定及外界干扰由模糊系统在线逼近,利用反步法设计了变结构控制的终端滑模面,并由此得到了鲁棒自适应终端滑模控制器,使系统的跟踪误差在有限时间内趋于给定轨迹的任意小的邻域内.通过Lyapunov定理证明了闭环系统所有信号最终有界.对某战斗机6自由度机动仿真结果表明,该方法具有强鲁棒性.

自由漂浮空间机械臂基于神经网络的鲁棒自适应控制

考虑数学模型难以精确获得及带外部干扰情况下,针对自由漂浮空间机械臂的轨迹跟踪控制问题,提出一种基于神经网络的自适应鲁棒控制策略。基于Lyapunov稳定性理论设计理想控制器,进而推出系统的不确定模型。利用神经网络的学习能力逼近系统不确定模型,从而避免保守上界的估计。利用线性化技术并结合Lyapunov函数,设计包括权值及隐层参数在内的在线自适应学习律及鲁棒控制器,加快了误差收敛速度及控制精度,并消除了高阶逼近误差及扰动,保证了系统的一致最终有界,仿真比较表明了该控制策略的有效性。

电液伺服系统的多滑模鲁棒自适应控制

针对一类参数与外负载非匹配不确定的非线性高阶系统,提出了一种基于逐步递推方法的多滑模鲁棒自适应控制策略.应用逐步递推的多滑模控制方法简化了高阶系统的控制问题,同时在自适应控制中加入鲁棒控制的方法,以消除不确定性对控制性能的影响.首先利用逐步递推方法与状态反馈精确线性化理论,得出确定系统的多滑模控制器设计方法;然后基于Lyapunov稳定性分析方法,给出不确定系统的参数自适应律,及鲁棒自适应控制器的设计方法.本文把该控制策略应用到电液伺服系统的位置跟踪控制中,仿真结果显示,该控制方法具有较强的鲁棒性及良好的跟踪效果.

四旋翼飞行器的自适应鲁棒滑模控制器设计

针对四旋翼欠驱动系统的姿态控制问题,提出一种自适应鲁棒滑模控制方法。对四旋翼系统实现了双环控制,内环为姿态控制,外环为位置控制。根据牛顿-欧拉方程建立了四旋翼系统的动力学模型,针对系统中的外部扰动和参数摄动等不确定性因素,设计了基于Lyapunov稳定控制算法,内环使用自适应鲁棒滑模控制;外环使用鲁棒控制。仿真和实验表明所提控制策略对外界扰动和模型的不确定性具有较强的鲁棒性。

基于神经网络的模型跟随鲁棒自适应控制

针对一类复杂非线性动力学系统 ,提出一种基于神经网络动态补偿的模型跟随非线性鲁棒自适应控制策略 .采用神经网络在线补偿控制器以克服系统的未建模动力学和非线性耦合因素的影响 ,从而提高了模型跟随控制的动态性能和稳态精度 ;当系统存在模型不确定性和外部扰动时 ,其输出仍能精确地跟踪期望参考模型的输出 .同时给出了闭环误差系统鲁棒稳定性的证明 .应用示例表明 ,所提方法可保证闭环系统具有良好的跟踪性能和鲁棒性 ,且算法简单 ,易于在线控制 .

基于永磁直线同步电机的光刻机掩模台鲁棒自适应神经网络控制

针对光刻机掩模台宏动永磁直线同步电机(PMLSM)提出一种鲁棒自适应神经网络轨迹跟踪补偿控制策略。该策略的主要特点是采用径向基函数(RBF)神经网络实时在线进行模型参数不确定性和各种外界非线性扰动的估计。为了验证策略的效果,建立基于参数不确定性和外界非线性扰动的掩模台宏动PMLSM模型,并针对此模型进行控制策略的规划、推导和稳定性理论分析,分析结果说明该策略可以保证位置和速度跟踪误差的收敛性。通过在光刻机掩模台上进行的五阶S曲线跟踪控制实验验证了此控制策略的实际控制效果,实验结果显示跟踪准确度达到了满意的效果。由于此控制策略的最大优点是不需要对实际物理系统参数和难于测量的外界不确定性扰动做精准的建模,所以非常适合应用在超精密运动控制领域。

多机电力系统自适应鲁棒Terminal滑模励磁控制

设计了多机电力系统发电机励磁的自适应鲁棒Terminal滑模控制器,将L2增益干扰抑制、自适应逆推法、Terminal滑模控制相结合,可以自适应估计发电机的不确定阻尼系数,对扰动具有鲁棒性。给出了控制器的设计过程。针对2区域4机系统的仿真结果表明,所设计的自适应鲁棒Terminal滑模励磁控制器能够快速抑制功率振荡,有效提高电力系统的暂态稳定性,并保持机端电压的恒定。

基于RBF神经网络的减摇鳍自适应滑模控制

为减轻船舶在大风浪中剧烈的横摇,减摇鳍是目前应用最广泛的减摇装置。针对船舶减摇鳍系统的非线性和不确定性,在系统不确定性函数结构未知的情况下,提出一种RBF神经网络自适应滑模控制方法。采用RBF神经网络逼近系统不确定动态,并设计权值的自适应律,结合滑模控制增强系统的鲁棒性。在不同有义波高和不同浪向角下,建立随机海浪的干扰模型,应用simulink对系统进行仿真。仿真结果表明,该控制策略在各种海况下,均具有良好的减摇效果和较强的鲁棒性。

无速度传感器的感应电机神经网络鲁棒自适应控制

针对感应电机定子电阻和负载转矩参数的不确定性,提出了无速度传感器的感应电机神经网络鲁棒自适应控制方案。用反步法设计了一种可以将各状态变量跟踪误差和神经网络各权值限制在规定范围内的神经网络鲁棒自适应控制器,提出了相应的算法,用Lyapunov定理对其稳定性进行了证明。提出了一种可以估算转子磁链和转速的观测器及相应的算法。仿真研究表明,所提出的感应电机无速度传感器控制方案对电机定子电阻、负载转矩的鲁棒性强,动态性能好,速度估算较精确。

基座弹性影响下空间站柔性关节机械臂的鲁棒自适应滑模控制及双重弹性振动主动抑制

讨论了基座存在弹性情况下,载体位置、姿态均不控的空间站柔性关节机械臂系统控制问题。利用拉格朗日方法结合动量守恒定律,建立了弹性基座空间站柔性关节机械臂系统动力学方程。以此为基础,依据级联控制法,将系统分解为弹性基座刚性臂子系统和关节柔性电机转子子系统。对于弹性基座刚性臂子系统,为了主动抑制弹性基座柔性振动,运用虚拟力的概念,构造同时反映柔性模态和刚性运动轨迹的混合期望轨迹,通过改造原有的控制方案,提出基于虚拟力概念的鲁棒自适应滑模控制器控制策略,由于运用了虚拟力的概念,从而仅通过设计一个控制输入便可同时保证刚性轨迹跟踪并对载体基座的弹性振动进行主动抑制,更适应于空间站柔性关节机械臂系统的实际应用。同时,针对系统参数未知的情况,利用级联控制方法能够有效地抑制柔性关节的振动。理论分析及仿真算例均表明了控制方法的可行性。