朱丽雅[1]2008年在《非线性不确定系统的自适应神经网络控制》文中研究指明近年来,自适应控制理论作为一种不确定非线性控制策略,特别适用于控制复杂的不确定、非线性系统。在许多研究考虑具有不确定性的非线性控制系统的设计和分析中,基于Backstepping方法的自适应神经网络控制研究已成为主要热点之一。神经网络理论应用于不确定系统,取得了很好的控制效果。然而在实际系统中,受控系统的已知信息在非线性控制中是广泛存在的,因此有必要针对含有这些不确定性的系统进行控制器设计。针对一类含部分未知非线性项和部分未知参数的不确定严反馈系统,结合自适应神经网络设计方法和Backstepping设计方法,给出了一个基于Lyapunov稳定性原理的鲁棒自适应神经网络控制设计。不仅充分利用系统中的已知信息,减少了神经网络的计算;而且通过合适的选取系统设计参数,保证了闭环系统的控制性能,进一步给出了该控制策略的推广应用。仿真结果表明所提方法的有效性。论文共包括五部分内容。第一章,综述非线性不确定系统自适应控制的研究现状和研究目的意义。第二章,给出一些相关的预备知识。第叁章,分析了一类具有未知函数的不确定严反馈非线性系统的自适应神经网络控制问题,提出了一种直接自适应神经网络控制方法。第四章,针对一类含有部分未知非线性不确定严反馈系统,设计了一个自适应神经网络控制策略并给出了其推广应用。最后总结全文内容。
朱永红[2]2003年在《非线性不确定系统鲁棒自适应控制研究》文中研究表明本文对非线性不确定系统的鲁棒自适应控制问题作了较深入地研究和探索,主要的研究内容包括: (1)基于Lyapunov函数Backstepping法(回馈递推)研究了一类具有动态不确定和零动态SISO串联非线性系统的鲁棒自适应控制问题。提出了鲁棒自适应控制律,所提出的控制律不仅保证闭环系统全局稳定并且使得系统所有状态一致终值有界。 (2)针对一类具有零动态SISO串联不确定非线性系统,结合H_∞控制和自适应控制并利用李亚普诺夫函数递推设计方法设计了状态反馈H_∞鲁棒自适应控制器,避免了求解HJI不等式设计控制器的困难。该控制器不仅保证闭环系统ISS稳定,而且使得系统对于所有允许的参数不确定从干扰输入到可控输出的L_2增益不大于给定的值。 (3)针对一类含有未知参数和干扰的SISO串联非线性系统提出了鲁棒自适应动态面控制方法。传统的回馈递推方法要求对模型非线性的多次微分。本方法由于加入了n个低通滤波器使得算法不用对模型非线性进行多次微分,仅要求非线性函数为C~1类函数,因而克服了因“微分项的爆炸”引起的算法复杂性从而简化了算法。从而提出了一类串联非线性不确定系统鲁棒自适应控制器另一种递推设计方法。所设计的控制器不仅保证闭环系统半全局稳定而且使得输出能够半全局跟踪期望轨迹。 (4)基于二次型供给率,研究了具有不确定和干扰的非线性互联系统的鲁棒分散耗散控制问题,建立了鲁棒集中耗散控制和鲁棒分散耗散控制之间的联系。基于HJI不等式给出了含有不确定和干扰非线性互联系统鲁棒分散耗散控制存在的充分条件,即对于所有允许的不确定如果存在标量C~1类存储函数使得HJI不等式有非负定解,那么非线性互联系统鲁棒分散耗散控制就可获得,并且构造的控制器使得非线性互联系统在给定二次型供给率下具有鲁棒耗散性。 (5)研究了一类含有线性矩阵参数不确定MIMO非线性系统自适应无源控制问题。提出了本文所讨论的系统的一种自适应控制器设计方法,所设计的控制器使得系统在假设条件下在平衡点附近局部无源。所设计的控制器不仅保证系统稳定,而且使得参数收敛于某个常值,因而具有良好的控制性能。仿真结果也表明了控制器的有效性和可行性。 (6)研究了一类具有参数不确定、未建模动态以及干扰的MIMO非线性系统自适应鲁棒H_∞跟踪控制问题。将鲁棒控制、自适应控制、H_∞控制以及变结构控制结合起来对此类系统进行控制,提出了VSS自适应鲁棒H_∞控制律。H_∞跟踪控制要求解非线性不确定系统鲁棒自适应控制戒毋究修正代数Ricatti矩阵方程,因而所提出的控制律很容易实现,避免了求解产大刀不等式设计控制器的困难。所设计的自适应鲁棒H二跟踪控制器不仅可保证所有的系统状态有界,跟踪误差一致终值有界,而且使得系统满足H。性能指标。 (7)将学习控制与自适应鲁棒控制方法结合起来研究了一类MIMO非线性不确定系统自适应鲁棒迭代学习控制问题。提出了自适应鲁棒迭代学习控制律。当跟踪误差小于指定的阀值时,控制方案将停止学习和自适应,因而提高了控制系统的鲁棒性同时使系统达到任意指定的跟踪精度。学习控制策略用于处理周期性不确定,自适应鲁棒控制策略用于处理具有未知上界的非周期性不确定。所提出的控制方案保证跟踪误差在有限的迭代步骤内收敛到任意指定的误差区域并且一直保持在指定的区域内,而且保证每一迭代步系统信号有界。所提出的控制方案能够处理一大类MIMO非线性不确定系统。 (8)基于模糊方法研究了一类MIMO非线性不确定系统的自适应鲁棒H。控制问题。由于结合了自适应模糊控制、VSC设计以及H.控制几种方法,因而是一种混合的控制方案。提出了自适应H。鲁棒输出跟踪控制策略。构造的VSS间接和直接自适应模糊控制器不仅保证闭环系统的变量有界,而且使得系统满足H。跟踪性能指标。 (9)针对一类具有对象不确定和外部干扰的MIMO非线性系统提出了自适应鲁棒输出跟踪控制方案。该方案使用了径向基神经网络自适应补偿对象不确定,高增益观测器被用来估计不能直接测量的输出导数。此方法所设计的控制器不仅保证闭环系统稳定,而且所有状态有界以及跟踪误差一致终值有界。 (10)针对一类部分未知或全部未知的MIMO非仿射非线性系统设计了基于小波网络自适应鲁棒输出反馈控制器。每个输出假定有相对阶小于或等于2。基于小波网络的自适应观测器被用来估计输出导数。在控制中加入了鲁棒项来减少网络重构误差以及外部干扰对闭环系统稳定性带来的影响。导出了保证整个闭环系统所有误差信号一致有界的条件。以上结果均经过仿真验证,仿真结果表明以上所有方法均是有效的和可行的。
张春雨[3]2007年在《空天飞行器建模及其自适应轨迹线性化控制研究》文中提出本课题的来源是国家自然科学基金开展的“空天飞行器的若干重大基础问题”的研究计划之一。本文第一部分首先研究了空天飞行器的几何模型、操纵特性及六自由度非线性数学模型,接着研究了空天飞行器的空气动力、空气动力矩、发动机推力和推力矩的数学模型,最后基于时标分离的原则对空天飞行器的非线性数学模型进行了仿射化,分析了非线性数学模型的零输入响应和开环耦合特性。本文第二部分首先给出了非线性系统和线性时变系统的相关理论,然后介绍了非线性轨迹线性化控制的基本理论及设计思想,并着重介绍了非线性系统伪动态逆理论和线性时变系统PD谱理论,最后应用轨迹线性化控制方法为空天飞行器设计了飞行控制系统,所设计的轨迹线性化控制器不仅具有很好的动态性能,而且还具有一定的鲁棒特性。本文第叁部分针对多输入多输出不确定非线性系统,重点提出了五种自适应轨迹线性化控制方法:(1)基于模糊理论的自适应轨迹线性化控制方法;(2)基于轨迹线性化的鲁棒自适应模糊控制方法;(3)基于模糊干扰观测器的自适应轨迹线性化跟踪控制方法;(4)基于T-S模糊理论的鲁棒自适应轨迹线性化控制方法;(5)基于小增益理论的鲁棒自适应轨迹线性化控制方法。所设计的控制器均能保证闭环系统所有信号一致最终有界,并且具有很好的跟踪性能和鲁棒特性。最后应用本文提出的五种控制方法为空天飞行器设计了飞行控制系统,仿真结果表明了所设计控制器的有效性。
范玲玲[4]2017年在《执行器故障下系统的鲁棒自适应容错控制研究》文中研究指明在实际工程系统中,由于外界干扰和执行器故障引起的非线性通常是不可避免的。在大多数情况下,系统执行器故障发生的时间是未知的,并且它的进一步发展可能导致整个系统产生不同形式和规模的故障。因此,当一个给定的动态系统发生故障时,如何保证系统稳定性和保持可接受的执行性能成为控制系统设计中的重要问题。因为故障是难以预见和预防的,容错控制被视为突发故障下维持某些安全苛求系统安全运行的最有前途的控制技术之一。本论文对上述关键问题的研究主要从以下几个方面进行。针对一类存在执行器故障的受扰线性系统的镇定控制问题,建立执行器部分失效的故障模型,提出一种鲁棒自适应容错控制算法。这种控制算法不需要对时变执行器故障的界值进行分析与估算,不依赖于故障检测及诊断装置,因此结构更加简单,不需要大量的在线计算。研究表明,应用所设计的控制方法,不仅能够保证执行器故障下系统的稳定性,也能够有效抑制状态相关的外界干扰对系统的影响。基于Lyapunov稳定性理论的证明和仿真结果验证了所设计控制算法的有效性,即当系统存在外界干扰、参数不确定性以及执行器故障时,控制器能够保证系统的镇定。然后,将此方法进行推广和改进,解决执行器故障下模型不确定随机系统的容错控制问题。针对一类存在建模不确定性和执行器故障的非线性系统,研究其状态跟踪控制问题。在控制器的设计过程中较为关注易设计性和低成本两个方面,其设计理念是将模型参考自适应方法和基于径向基函数(Radial basis function,RBF)的神经网络(Neural network,NN)方法结合起来应用于被控对象,所提出的几种控制策略既不需要精确的系统模型信息,也不需要对时变故障信息进行分析与估计,因此结构简单,计算量小。然后,为解决一类同时存在执行器故障、状态时滞和输入受限的非线性参数化重复运行系统的状态跟踪问题,提出了一种数据驱动的自适应迭代学习容错控制方法。这种控制策略由一个非线性反馈项和一个鲁棒项构成,能够补偿执行器故障、输入饱和以及状态时滞给系统带来的非线性影响。通过构建一个时间权重的类Lyapunov-Krasovskii的组合能量函数证明闭环系统的稳定性。针对多智能体系统,单个智能体的执行器故障可通过智能体间的协同行为扩散到整个系统,从而导致性能下降甚至系统失稳,造成严重事故。为实现直流微电网中有源负载的协调控制,提出了两种控制策略。当故障信息已知时,为每一个有源负载定义一个博弈性能指标函数,然后设计一个分布式控制策略同时最小化所有的指标函数。在MATLAB/Simulink环境下对一个低压直流微电网的有源负载协调控制进行了模拟仿真,验证了所设计控制算法的有效性。当故障信息未知时,提出基于鲁棒自适应技术的分布式控制策略来解决系统的容错控制问题。
高宏宇[5]2006年在《不确定系统的神经网络控制研究》文中认为在实际控制中,由于参数误差,未建模动态或外部干扰等因素,系统总是具有不确定性,因而难以达到理想的控制指标。为解决这一问题,需要设计相应的控制器,以使不确定系统保持稳定或满足理想的设计指标。神经网络具有较强的并行处理能力,逼近任意非线性映射能力以及自组织学习等能力。它的这些特性能较好地解决系统中存在的不确定问题,因此把神经网络理论应用于不确定系统,将会取得很好的控制效果。本文分别对线性不确定系统、非线性不确定系统,以及时滞不确定系统进行研究,设计了基于神经网络的控制器。对线性不确定系统,将神经网络控制、鲁棒控制与滑模变结构控制叁种方法结合,基于矩阵不等式设计出状态反馈控制器,利用神经网络对不确定变量进行逼近,最后设计基于神经网络的滑模变结构控制器,并给出了保证该线性不确定系统渐近稳定的充分条件。最后的仿真结果表明其控制效果比单一算法的控制器好。对一类非线性不确定系统进行了神经网络控制器设计,并根据Lyapunov理论,给出了控制器存在的充分条件,证明该系统渐近稳定,仿真结果表明该控制器是有效的。为减小系统跟踪误差,提高响应速度,对原控制器进行了改进,仿真实例表明,改进后的控制器能够满足提高控制性能的要求。论文对具有时滞的不确定系统的稳定性问题进行了分析。首先考虑一类不确定非线性时滞系统,提出了一种基于径向基神经网络的控制器设计方案,给出了保证该时滞系统渐近稳定的理论证明,并用仿真实例验证了该控制器的有效性。然后研究了一类非线性不确定时滞系统,在原鲁棒H_∞控制的基础上,引入神经网络与滑模控制方法,因而鲁棒H_∞性能被融入到控制中,设计了基于鲁棒H_∞的神经网络滑模控制器,并用理论证明该控制器能够保证此类时滞系统渐近稳定,最后的仿真结果表明其控制性能与原来相比有了较大的提高。
陈刚[6]2006年在《不确定非线性系统的鲁棒自适应控制研究》文中研究表明随着科学技术的发展,人们对非线性系统的控制提出了更高的要求。为了进一步发展和完善非线性控制理论,本文以非匹配非线性系统为研究对象,提出了一套鲁棒自适应控制方法。其贡献主要体现在以下几个方面: (1) 针对一类具有未知控制方向,未知参数以及未建模动态的非线性系统,提出了一种带有死区修正算法的鲁棒自适应后推控制策略。该策略不需要控制方向符号的先验知识,根据参数上下界先验信息,分别将光滑投影和非连续投影算法与参数自适应律结合起来,既抑制了参数的漂移,又使估计参数达到了最小。算法保证了闭环系统所有信号的有界性,同时使得跟踪误差收敛于零的任意小邻域内。 (2) 对存在外界干扰的严反馈非线性系统H_∞控制问题,给出了一种带有死区的鲁棒自适应设计方法。该算法不但能够保证闭环系统的稳定性,还使得系统满足给定的L_2干扰抑制性能指标,同时也不需要求解HJI不等式。 (3) 针对一类具有未知时变控制方向,不确定时变参数以及未知时变有界干扰的非线性系统,给出了一种带有死区修正算法的鲁棒控制方法。该策略不需要未知时变控制系数的上下界先验知识以及不确定参数和外界干扰的上界信息。算法保证了闭环系统所有信号的有界性,同时也使得跟踪误差收敛于零的任意小邻域内。 (4) 对一类具有未知参数,包括未知高频增益的非线性最小相位系统,首先在考虑存在外界干扰的情况下,提出一种鲁棒自适应输出反馈控制策略。系统所受的干扰有界但其界值是未知的。控制算法并不需要高频增益符号以及外界干扰的先验知识。同时,系统的非线性项并不需要满足增长性条件和匹配条件。算法使得估计参数量达到了最小,保证了闭环系统所有信号的有界性,同时使得跟踪误差渐进收敛于零。在考虑存在未建模动态的情况下,提出另一种输出反馈控制策略。根据未知参数的上下界先验信息,通过将光滑投影和非连续投影算法与参数自适律结合起来实现参数漂移的抑制。控制算法保证了闭环系统所有信号的有界性,同时使得系统输出渐进收敛于零。 (5) 基于神经网络的万能逼近特性,针对不确定非线性系统提出一种鲁棒自适应神经网络控制策略。运用神经网络来逼近系统中的不确定函数,采用在线自适应律对神经网络的权值进行在线调整。在控制方向未知的情况下,所给出的神经控制算法能够保证系统输出渐进收敛于零。在非线性系统的未建模动态满足输入—输出稳定时,基于小增益定理给出了控制器的设计以及整个闭环系统的稳定性分析,同时也证明系统输出能够调节到任意地小。在系统的所有状态变量均可测的条件下,提出一种多滑模神经网络控制策略。在每一步的设计中均引入一个带有饱和层的动态滑模面。算法保证系统跟踪
高士根[7]2016年在《多列车协同运行的若干控制问题研究》文中研究指明城市轨道交通系统由于其节能性和便捷性等特点成为大城市有机整体的重要组成部分,先进的控制算法是保证其安全、高效、节能运行的重要手段,也是提升其自动化水平的核心保障。列车自动驾驶技术的发展实现驾驶列车从有人到无人的转变,也对核心驾驶控制算法提出较大的自学习能力的要求;同时,移动闭塞和现代通信技术的快速发展及其在列车运行控制系统中的应用,使得列车之间能够进行信息传递与交换,为实现多列车协同控制提供了基本实现条件,多列车协同控制是提升整体的列车运行效率和全局的系统安全性的最佳选择。本文围绕上述自动驾驶和多车协同控制问题展开研究,首先,研究具有自学习和抗干扰特性的单列车自动驾驶控制算法,设计列车运行阻力的自辨识方法,提出具有自学习能力的鲁棒自适应控制方法,然后,考虑移动闭塞运行模式的多列车耦合非线性动力学行为,提出多列车线性加权协同控制模型,设计多列车分布式协同控制算法,实时调整多列车相对位置与速度,保证多列车高效安全运行,由局部控制实现系统的全局最优。本文主要工作总结如下:1.综合考虑列车运行的准时性、舒适性、节能性和精确停车等多指标要求,分析列车运行全过程受力情况,基于运动力学机理,建立列车运动非线性动力学模型,模型中无需历史运行数据拟合而来的经验值,提出具有自学习能力的控制算法,根据列车实际运行速度和目标速度的偏差,自适应估计不确定环境和列车参数的变化,给出实时控制信号,以实现对给定目标速度-距离曲线的跟踪控制,基于自适应辨识理论设计自适应控制方法,并考虑运行阻力随运行环境变化和存在建模不确定性和外部扰动影响的鲁棒自适应控制设计;进一步,为了降低对车载计算机计算能力的要求,避免反步设计过程中存在的复杂度爆炸问题,提出基于新型基于单参数估计和动态面技术的鲁棒单参数自适应控制方法,算法结构简单,计算复杂度低,保证算法的工程实用性。2.基于力学机理的动力学模型对变化的运行环境没有自学习能力,设计基于神经网络的列车运动过程不确定性的重构方法,弥补牛顿力学模型的缺陷;同时考虑乘车舒适性和列车牵引/制动系统的输出能力受限造成的输入饱和问题,提出截断自适应自动驾驶制方法,保证输入饱和发生时系统性能不会过于恶化,保证闭环系统稳定性;车速采集与反馈、定位信息采集与反馈,以及车载软件数据预处理过程,造成传输到车载控制单元的数据存在时滞,解决存在状态延时造成的无穷维状态描述难题,提出基于Lyapunov-Krasovskii函数的时滞依赖控制方法,所设计方法无需时滞的精确值,给出存在状态时滞稳定的充分条件;最后,提出一类含输入饱和和外部扰动的不确定SISO非线性系统的自适应神经动态面控制方法,给出系统稳定条件和控制参数的选取方法。3.分析现用移动闭塞模式的运行原理,提出多列车线性加权协同控制模型,设计基于全信息反馈情形下的分布协同控制,实时调节每列车的速度与相对位置,保证列车稳定行驶前车后最小安全位置处,并确保列车不冒进至防护距离,防止触发用制动甚至紧急制动,并保证多列车队列稳定性;进一步,利用高阶滑模观测器Levant Differentiator,提出位置反馈情形下的协同控制,实现从含噪声的位置信息中估计列车实时速度值与加速度值,并利用速度和加速度观测值设计分布协同控制律,保证不确定运行环境下的有限时间收敛,实现多列车的稳定安全运行。4.提出多拓扑结构下的协同控制模型,改进现用移动闭塞模式单向传输信息的结构,设计具有双向传输结构的邻接-通讯模式,并深入分析该模式下多列车耦合的复杂动力学行为,同时,考虑降低车载计算机的计算和结构复杂度,提出单值学习协同鲁棒自适应控制算法,所设计控制算法的特点在于控制器结构简单,含有一个在线估计的参数,保证了算法的简洁性和实用性,并对建模误差和外部扰动具有强鲁棒性,并保证有限时间收敛;最后,提出一类含有强耦合、输入饱和约束、不确定动力学和外部扰动的耦合MIMO非线性系统的神经自适应控制方法,基于连续函数分离和径向基神经网络逼近技术,提出新型单值学习的神经自适应控制律,与经典Minimal-Learning-Parameter算法具有两个估计参数相比,所设计控制律中只含一个估计参数,避免基于反推设计算法中的维数灾和计算复杂度爆炸问题。
陈杰[8]2015年在《在机器人系统中神经网络智能控制技术的研究》文中研究说明机器人系统的轨迹跟踪控制问题是控制领域中的一个重要的研究课题,实际的机器人系统在运行过程中总是会出现一些不可避免的外界干扰、非线性以及不确定性等因素,对机器人系统的控制精度、可靠性以及动态性能产生很大的影响。因此研究复杂环境下机器人控制系统的轨迹跟踪控制问题具有极其重要的理论意义和实际应用价值。神经网络具有联想记忆、非线性逼近以及自适应能力,是一种能够解决复杂不确定非线性机器人控制系统的跟踪控制问题的有效方法,也是贯穿本文各个部分的关键技术。鉴于此,本文在深入研究神经网络控制理论的基础上,对机器人系统中的神经网络智能控制技术开展了系统的研究。本文的主要工作如下:(1)研究了神经网络稳定性理论。基于M矩阵和Lyapunov稳定性理论,研究了一类不连续时滞T-S模糊Hopfield神经网络的动力学行为,得到一个使不连续时滞T-S模糊Hopfield神经网络在其不动点全局渐近稳定的准则。此外,研究了一类不连续CohenGrossberg神经网络鲁棒自适应控制方法,通过设计一个自适应控制器,确保了不连续Cohen-Grossberg神经网络在其平衡点的稳定性。通过仿真实验来证明所设计鲁棒自适应控制器的可控性和可行性。(2)研究了神经网络智能控制技术。针对一类时滞T-S模糊神经网络模型提出了一种鲁棒滑模控制方法。通过采用线性矩阵不等式技术,对一类模糊T-S时滞神经网络的滑模控制方法进行研究。本文设计的滑模控制器可以实现时滞T-S模糊神经网络的鲁棒渐近稳定性,基于Lyapunov稳定性理论证明了系统的稳定性以及跟踪误差渐近收敛于零。通过仿真实验分析,验证了所提出控制器的可靠性和鲁棒性。(3)针对一类带电机驱动的机器人控制系统,提出了一种鲁棒自适应神经网络控制方法。根据Lyapunov稳定性理论,专门设计了鲁棒自适应控制器,用以保证系统的鲁棒性和稳定性。通过采用反向推理法,首先给出一个期望的控制器,通过设计Lyapunov函数来保证系统的稳定性能,然后将期望控制器中的不确定项通过径向基函数神经网络来逼近,得到能使控制系统稳定的控制器。最后,通过仿真实验验证所得结果的鲁棒性和自适应性能。(4)提出了基于模糊神经网络的移动机器人自适应控制方法。通过整合应用模糊小脑神经网络和鲁棒自适应控制方法,实现对移动机器人系统准确的跟踪控制。基于Lyapunov稳定性理论,设计了鲁棒自适应模糊神经网络控制器,用以保证移动机器人系统的稳定性和鲁棒性。在控制器的设计过程中,使用模糊小脑神经网络来补偿移动机器人系统中的外部扰动和各种不确定性。通过Matlab软件对系统进行仿真实验,验证所设计控制器的有效性。(5)研究了不确定复杂环境下移动机器人的模糊滑模控制方法。通过联合自适应滑模控制和模糊高斯基函数神经网络方法,为移动机器人系统设计一个神经网络鲁棒自适应滑模控制器。通过Lyapunov稳定性理论验证了机器人控制系统的稳定性。针对系统的不确定性,使用模糊高斯基函数神经网络来进行逼近。通过数值仿真实验来验证所得结果,通过比较之前的鲁棒自适应控制结果表明,该控制方法是一种行之有效的控制方法,具有良好的性能和效果。
殷传军[9]2007年在《一类不确定非线性系统的鲁棒自适应控制研究》文中认为非线性系统的控制问题是目前控制界研究的一个重要课题。由于复杂性(系统描述相应复杂),加上建模误差、参数时滞、外部干扰等不确定性,从而往往不能获得满意的解,使得现代控制理论中的许多结果在实际工程中的应用不尽人意,不确定非线性系统的控制一直是当前研究的难点。微分几何理论的出现,极大地促进了非线性系统控制理论的研究,自适应控制理论以及变结构控制理论是非线性系统研究的两大经典成果。本文研究非线性系统的次优H_∞控制问题,利用外部输入到控制输出的L_2-增益,设计非线性H_∞状态反馈控制器;此外,采用一种建立在非线性几何结构理论上的仿射非线性控制方法,将鲁棒控制方法引入到自适应控制领域中,针对一类不确定非线性系统,基于线性辨识模型着重研究鲁棒一般模型控制的问题。在强跟踪滤波器理论和输入等价干扰理论的基础上,设计鲁棒自适应控制器,来补偿可测扰动的影响,克服非线性过程和模型的不匹配以及过程的时变特性。目前,非线性系统鲁棒自适应控制的研究较少,非线性系统理论和不确定性系统的鲁棒自适应控制问题一直是近年来控制理论界和实际系统应用中的热点和难点问题。它们之间的结合产生更为复杂、更具有综合性的问题,不仅具有丰富的理论研究背景,更具有很高的实际应用价值。
刘桂林[10]2014年在《基于T-S模糊模型的机器人轨迹跟踪控制》文中研究说明机器人系统是多输入-多输出、强耦合的复杂非线性系统,其动力学方程存在非线性和不确定性,包括参数不确定性、未知扰动和未建模动态。T-S模糊模型和滑模控制是处理非线性、不确定系统问题的有效方法:T-S模糊控制不需要建立精确的系统模型,可以以任意精度逼近非线性、不确定性系统,而非线性系统的滑动模态与模型参数摄动和外部扰动相对独立,对系统的不确定性具有较强的抑制作用。由于机器人模型的高度非线性和不确定性,适合机器人系统的算法可以推广应用到其它复杂非线性系统的控制。因此,本文的研究具有一定的理论和实际意义,研究内容主要如下:1.针对参数变化的非线性不确定机器人系统,利用T-S模糊模型逼近非线性系统的特点,使用扇区非线性方法处理系统模型,设计了T-S模糊PD控制器,在Matlab平台下进行轨迹跟踪仿真,验证了该方法的正确性。2.为了减小T-S模糊系统对实际系统的逼近误差,利用滑模控制抑制非线性机器人系统不确定性的优势,设计了基于T-S模糊模型的滑模控制器,使得机器人系统具有T-S模糊模型逼近实际系统的能力和滑模控制器对不确定性的强鲁棒性,在Matlab平台下仿真验证了该方法的正确性和有效性。
参考文献:
[1]. 非线性不确定系统的自适应神经网络控制[D]. 朱丽雅. 南京信息工程大学. 2008
[2]. 非线性不确定系统鲁棒自适应控制研究[D]. 朱永红. 南京航空航天大学. 2003
[3]. 空天飞行器建模及其自适应轨迹线性化控制研究[D]. 张春雨. 南京航空航天大学. 2007
[4]. 执行器故障下系统的鲁棒自适应容错控制研究[D]. 范玲玲. 北京交通大学. 2017
[5]. 不确定系统的神经网络控制研究[D]. 高宏宇. 大庆石油学院. 2006
[6]. 不确定非线性系统的鲁棒自适应控制研究[D]. 陈刚. 浙江大学. 2006
[7]. 多列车协同运行的若干控制问题研究[D]. 高士根. 北京交通大学. 2016
[8]. 在机器人系统中神经网络智能控制技术的研究[D]. 陈杰. 西安电子科技大学. 2015
[9]. 一类不确定非线性系统的鲁棒自适应控制研究[D]. 殷传军. 南京信息工程大学. 2007
[10]. 基于T-S模糊模型的机器人轨迹跟踪控制[D]. 刘桂林. 北京林业大学. 2014
标签:自动化技术论文; 自适应论文; 自适应控制论文; 神经网络模型论文; 线性系统论文; 非线性论文; 不确定性分析论文; 系统稳定性论文; 人工智能论文; 滑模论文; 测不准原理论文;