CN106873369B - 针对列车输入受限和执行器故障的自适应容错控制方法 - Google Patents
针对列车输入受限和执行器故障的自适应容错控制方法 Download PDFInfo
- Publication number
- CN106873369B CN106873369B CN201710110594.5A CN201710110594A CN106873369B CN 106873369 B CN106873369 B CN 106873369B CN 201710110594 A CN201710110594 A CN 201710110594A CN 106873369 B CN106873369 B CN 106873369B
- Authority
- CN
- China
- Prior art keywords
- train
- equation
- bound
- input
- mode surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种针对列车输入受限和执行器故障的自适应容错控制方法,包括:S1、建立针对列车输入受限和执行器故障的列车纵向运动动力方程;S2、采用神经网络逼近列车未知的附加阻力;S3、利用近似PID滑模面方程构造近似PID滑模面;S4、设计控制器方程、各未知参数估计值的自适应律和近似PID滑模面方程中滑模面参数的参数方程;S5、将近似PID滑模面方程、控制器方程、各方程中各未知参数估计值的自适应律和滑模面参数的参数方程代入列车纵向运动动力方程,得到列车闭环动态控制方程,利用列车闭环动态控制方程进行针对列车输入受限和执行器故障的自适应容错控制。本发明能够使得列车系统具有良好的位置跟踪性能和速度跟踪性能。
Description
技术领域
本发明涉及列车控制技术领域。更具体地,涉及一种针对列车输入受限和执行器故障的自适应容错控制方法。
背景技术
任何系统中故障的发生都是不可避免的。列车作为现代社会一种重要的交通工具,列车系统一旦发生故障,将有可能导致列车出现事故,从而造成人员和财产的巨大损失,影响社会的稳定和发展。因此,列车系统的可靠性和安全性对于列车的安全运行至关重要。为提高列车系统的可靠性和安全性,容错控制应运而生,为提高列车系统的可靠性开辟了一条新的途径,已经成为国内外一个重要的研究领域。并且列车在运行过程中,列车系统的控制输入不可能无限增大,输入受限也是影响列车系统性能的一个重要的因素。但是,目前针对列车输入受限和执行器故障的研究非常少。
因此,需要提供一种针对列车输入受限和执行器故障的自适应容错控制方法。
发明内容
本发明的目的在于提供一种针对列车输入受限和执行器故障的自适应容错控制方法,以解决列车输入受限和执行器故障对列车系统的影响。
为达到上述目的,本发明采用下述技术方案:
一种针对列车输入受限和执行器故障的自适应容错控制方法,包括如下步骤:
S1、分析列车纵向运动进行受力情况,建立针对列车输入受限和执行器故障的列车纵向运动动力方程;
S2、采用神经网络逼近列车纵向运动动力方程中的列车t时刻的未知的附加阻力;
S3、利用近似PID滑模面方程构造近似PID滑模面;
S4、设计控制器方程、各方程中各未知参数估计值的自适应律和近似PID滑模面方程中滑模面参数的参数方程;
S5、将近似PID滑模面方程、控制器方程、各方程中各未知参数估计值的自适应律和滑模面参数的参数方程代入列车纵向运动动力方程,得到针对列车输入受限和执行器故障的列车闭环动态控制方程,利用列车闭环动态控制方程进行针对列车输入受限和执行器故障的自适应容错控制。
优选地,步骤S1中,
针对列车输入受限和执行器故障的列车纵向运动动力方程为:
其中,t∈[0,T*],T*是列车运行时间;x(t)是列车从0至t时刻的实际位移;m是列车的总质量,大小未知;和分别表示列车t时刻的实际速度和实际加速度;co、cv和ca分别是大小未知的戴维斯系数,且均大于0,不同列车的戴维斯系数不同;d(t)是列车t时刻的未知的附加阻力;kf代表未知的执行器失效故障因子,满足kf∈(0,1),定义kf=1-τf,则τf∈(0,1);u(t)是列车t时刻的牵引力或制动力,表达式为
其中,v(t)代表列车控制输入;sat(v(t))代表v(t)的饱和函数;vup和vlow分别表示列车控制输入的上限和下限;
定义控制力误差项Δu(t)=u(t)-v(t),同时引入一个辅助信号χ(t),其导数定义如下:
其中,α代表一个可自由选择的常数;是m的估计值,其误差定义为
假设期望的位置跟踪曲线xd(t)光滑有界,且其一阶导数和二阶导数存在;同时,假设且|αχ-Δu(t)|≤u*,ι*和u*代表已知常数。
优选地,步骤S2中,
采用神经网络逼近列车t时刻的未知的附加阻力的方程为:
d(t)=w*Th(z(t))+ε(z(t))
其中,是未知的,代表加权矩阵的最优向量;代表实矩阵;p代表神经元的个数;(·)T代表向量的转置;z(t)代表神经网络的输入;h(z(t))代表神经网络的径向基函数;ε(z(t))代表径向基神经网络的重构误差,满足
|ε(z(t))|≤ε0
其中,ε0为未知的正常数;
为了最小化重构误差ε(z(t)),引入一个紧凑的子集:
其中, 代表全体实数集,是w*的估计值。
优选地,步骤S3的具体过程为:
定义位移跟踪误差、速度跟踪误差和加速度跟踪误差为:
e(t)=x(t)-xd(t)
其中,xd(t)、和分别为列车运行的期望位移、期望速度和期望加速度;
利用近似PID滑模面方程构造近似PID滑模面s(t):
其中,γ1(t)和γ2(t)分别为滑模面参数。
优选地,步骤S4的具体过程为:
定义滤波器
设计控制器:
且
vmax=max{vup,|vlow|};
其中,分别是co、cv、ca、εo、的估计值,且其误差项分别满足 k1为正常数;代表的符号函数。
设计各方程中未知参数估计值和的自适应律分别如下:
其中,γo、γv、γa、γε、γm和γΩ分别为待选取的正常数;Γ为待选取的正定矩阵;
设计滑模面参数的参数方程:
优选地,步骤S5中,针对列车输入受限和执行器故障的列车闭环动态控制方程为:
本发明的有益效果如下:
本发明所述技术方案能够有效补偿执行器失效故障和输入受限对列车系统的影响、能够有效衰减或去除附加阻力对列车系统的影响,最终能够使得列车系统具有良好的位置跟踪性能和速度跟踪性能。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明:
图1示出针对列车输入受限和执行器故障的自适应容错控制方法的流程图。
图2示出列车纵向运动的受力分析示意图。
图3示出列车运行期望位移和期望速度曲线示意图。
图4示出位移误差响应曲线和速度误差响应曲线的示意图。
图5示出控制输入的示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本发明公开的针对列车输入受限和执行器故障的自适应容错控制方法,包括如下步骤:
S1、分析列车纵向运动进行受力情况,建立针对列车输入受限和执行器故障的列车纵向运动动力方程;
S2、采用神经网络逼近针对列车输入受限和执行器故障的列车纵向运动动力方程中的列车t时刻的未知的附加阻力;
S3、利用近似PID(比例积分微分)滑模面方程构造近似PID滑模面;
S4、设计控制器方程、各方程中各未知参数估计值的自适应律和近似PID滑模面方程中滑模面参数的参数方程;
S5、将近似PID滑模面方程、控制器方程、各方程中各未知参数估计值的自适应律和滑模面参数的参数方程代入针对列车输入受限和执行器故障的列车纵向运动动力方程,得到针对列车输入受限和执行器故障的列车闭环动态控制方程,利用针对列车输入受限和执行器故障的列车闭环动态控制方程进行针对列车输入受限和执行器故障的自适应容错控制。
其中,
结合图2所示,步骤S1中针对列车输入受限和执行器故障的列车纵向运动动力方程为:
其中,t∈[0,T*],T*是列车运行时间;x(t)是列车从0至t时刻的实际位移;m是列车的总质量,大小未知;和分别表示列车t时刻的实际速度和实际加速度;co、cv和ca分别是大小未知的戴维斯系数,且均大于0,不同列车的戴维斯系数不同;d(t)是列车t时刻的未知的附加阻力;kf代表未知的执行器失效故障因子,满足kf∈(0,1),定义kf=1-τf,则τf∈(0,1);u(t)是列车t时刻的牵引力或制动力,表达式为
其中,v(t)代表列车控制输入;sat(v(t))代表v(t)的饱和函数;vup和vlow分别表示列车控制输入的上限和下限;
定义控制力误差项Δu(t)=u(t)-v(t),同时引入一个辅助信号χ(t),其导数定义如下:
其中,α代表一个可自由选择的常数;是m的估计值,其误差定义为
假设期望的位置跟踪曲线xd(t)光滑有界,且其一阶导数和二阶导数存在;同时,假设且|αχ-Δu(t)|≤u*,ι*和u*代表已知常数。
步骤S2的具体过程为:
采用神经网络逼近列车t时刻的未知的附加阻力的方程为:
d(t)=w*Th(z(t))+ε(z(t))
其中,是未知的,代表加权矩阵的最优向量;代表实矩阵;p代表神经元的个数;(·)T代表向量的转置;z(t)代表神经网络的输入;h(z(t))代表神经网络的径向基函数;ε(z(t))代表径向基神经网络的重构误差,满足
|ε(z(t))|≤ε0
其中,ε0为未知的正常数;
为了最小化重构误差ε(z(t)),引入一个紧凑的子集:
其中, 代表全体实数集,是w*的估计值。
步骤S3的具体过程为:
定义位移跟踪误差、速度跟踪误差和加速度跟踪误差为:
e(t)=x(t)-xd(t)
其中,xd(t)、和分别为列车运行的期望位移、期望速度和期望加速度;
利用近似PID滑模面方程构造近似PID滑模面s(t):
其中,γ1(t)和γ2(t)分别为滑模面参数。
步骤S4的具体过程为:
定义滤波器
设计控制器:
且
vmax=max{vup,|vlow|};
其中,分别是co、cv、ca、εo、的估计值,且其误差项分别满足 k1为正常数;代表的符号函数。
设计各方程中未知参数估计值和的自适应律分别如下:
其中,γo、γv、γa、γε、γm和γΩ分别为待选取的正常数;Γ为待选取的正定矩阵。
设计滑模面参数的参数方程:
步骤S5中,针对列车输入受限和执行器故障的列车闭环动态控制方程为:
下面通过Lyapunov(李雅普诺夫)函数证明本发明公开的列车闭环动态控制方程的有效性:
构造如下Lyapunov函数:
对Lyapunov函数求导,并将位移跟踪误差、速度跟踪误差、加速度跟踪误差、近似PID滑模面方程、控制器方程、各方程中各未知参数估计值的自适应律、滑模面参数的参数方程、以及列车闭环动态控制方程带入Lyapunov函数求导公式中,得
因此,得出以下结论:本发明公开的列车闭环动态控制方程在控制器方程、各方程中各未知参数估计值的自适应律及滑模面参数的参数方程下渐近稳定;利用列车闭环动态控制方程进行自适应容错控制时所有信号有界,且利用列车闭环动态控制方程进行自适应容错控制具有良好的位移和速度跟踪特性,实际的位移和速度渐近跟踪于期望的位移和速度。
为了验证本发明公开的针对列车输入受限和执行器故障的自适应容错控制方法的有效性,采用MATLAB进行仿真实验验证,详细说明如下:
仿真实验中,运行距离为83.4km,列车总质量m=5×105kg,重力加速度g=9.8N/kg,坡度角θ=rand(0,5)。神经网络径向基函数选取如下:
其中,神经元的中心和宽度分别为z0∈[-1.5,1.5]和σh=2。
基于上述参数和图3所示的列车运行期望位移和速度曲线,对本发明提出的控制方法进行仿真验证,得到如图4和图5所示的结果。其中,图4显示了使用本发明公开的针对列车输入受限和执行器故障的自适应容错控制方法的位移误差曲线和速度误差曲线,图5显示了使用本发明公开的针对列车输入受限和执行器故障的自适应容错控制方法的控制输入曲线。根据图4可得,位移跟踪误差和速度跟踪误差是趋于0的,即本发明具有良好的位移跟踪性能和速度跟踪性能。图5显示了本发明的输入受限。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.一种针对列车输入受限和执行器故障的自适应容错控制方法,其特征在于,该方法包括如下步骤:
S1、分析列车纵向运动进行受力情况,建立针对列车输入受限和执行器故障的列车纵向运动动力方程;
S2、采用神经网络逼近列车纵向运动动力方程中的列车t时刻的未知的附加阻力;
S3、利用近似PID滑模面方程构造近似PID滑模面;
S4、设计控制器方程、各方程中各未知参数估计值的自适应律和近似PID滑模面方程中滑模面参数的参数方程;
S5、将近似PID滑模面方程、控制器方程、各方程中各未知参数估计值的自适应律和滑模面参数的参数方程代入列车纵向运动动力方程,得到针对列车输入受限和执行器故障的列车闭环动态控制方程,利用列车闭环动态控制方程进行针对列车输入受限和执行器故障的自适应容错控制;
步骤S1中,
针对列车输入受限和执行器故障的列车纵向运动动力方程为:
其中,t∈[0,T*],T*是列车运行时间;x(t)是列车从0至t时刻的实际位移;m是列车的总质量,大小未知;和分别表示列车t时刻的实际速度和实际加速度;co、cv和ca分别是大小未知的戴维斯系数,且均大于0,不同列车的戴维斯系数不同;d(t)是列车t时刻的未知的附加阻力;kf代表未知的执行器失效故障因子,满足kf∈(0,1),定义kf=1-τf,则τf∈(0,1);u(t)是列车t时刻的牵引力或制动力,表达式为
其中,v(t)代表列车控制输入;sat(v(t))代表v(t)的饱和函数;vup和vlow分别表示列车控制输入的上限和下限;
定义控制力误差项Δu(t)=u(t)-v(t),同时引入一个辅助信号χ(t),其导数定义如下:
其中,α代表一个可自由选择的常数;是m的估计值,其误差定义为
假设期望的位置跟踪曲线xd(t)光滑有界,且其一阶导数和二阶导数存在;同时,假设且|αχ-Δu(t)|≤u*,ι*和u*代表已知常数。
2.根据权利要求1所述的针对列车输入受限和执行器故障的自适应容错控制方法,其特征在于,步骤S2中,
采用神经网络逼近列车t时刻的未知的附加阻力的方程为:
其中,是未知的,代表加权矩阵的最优向量;代表实矩阵;p代表神经元的个数;(·)T代表向量的转置;z(t)代表神经网络的输入;h(z(t))代表神经网络的径向基函数;ε(z(t))代表径向基神经网络的重构误差,满足
|ε(z(t))|≤ε0
其中,ε0为未知的正常数;
为了最小化重构误差ε(z(t)),引入一个紧凑的子集:
其中, 代表全体实数集,是w*的估计值。
3.根据权利要求2所述的针对列车输入受限和执行器故障的自适应容错控制方法,其特征在于,步骤S3的具体过程为:
定义位移跟踪误差、速度跟踪误差和加速度跟踪误差为:
e(t)=x(t)-xd(t)
其中,xd(t)、和分别为列车运行的期望位移、期望速度和期望加速度;
利用近似PID滑模面方程构造近似PID滑模面s(t):
其中,γ1(t)和γ2(t)分别为滑模面参数。
4.根据权利要求3所述的针对列车输入受限和执行器故障的自适应容错控制方法,其特征在于,步骤S4的具体过程为:
定义滤波器
设计控制器:
且
vmax=max{vup,|vlow|};
其中,分别是co、cv、ca、εo、的估计值,且其误差项分别满足 k1为正常数;代表的符号函数;
设计各方程中未知参数估计值和的自适应律分别如下:
其中,γo、γv、γa、γε、γm和γΩ分别为待选取的正常数;Γ为待选取的正定矩阵;
设计滑模面参数的参数方程:
5.根据权利要求4所述的针对列车输入受限和执行器故障的自适应容错控制方法,其特征在于,步骤S5中,针对列车输入受限和执行器故障的列车闭环动态控制方程为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110594.5A CN106873369B (zh) | 2017-02-28 | 2017-02-28 | 针对列车输入受限和执行器故障的自适应容错控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110594.5A CN106873369B (zh) | 2017-02-28 | 2017-02-28 | 针对列车输入受限和执行器故障的自适应容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106873369A CN106873369A (zh) | 2017-06-20 |
CN106873369B true CN106873369B (zh) | 2019-06-04 |
Family
ID=59168881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710110594.5A Active CN106873369B (zh) | 2017-02-28 | 2017-02-28 | 针对列车输入受限和执行器故障的自适应容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106873369B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515533B (zh) * | 2017-07-21 | 2019-08-06 | 北京交通大学 | 一种用于列车ato系统的鲁棒非奇异终端滑模控制方法 |
CN108333949B (zh) * | 2018-03-09 | 2020-10-02 | 南京航空航天大学 | 针对多智能体系统执行器失效故障的滑模容错控制方法 |
CN108646712B (zh) * | 2018-05-23 | 2020-12-22 | 青岛理工大学 | 带有执行器故障的不确定系统的容错控制系统 |
CN109001982B (zh) * | 2018-10-19 | 2021-01-19 | 西安交通大学 | 一种非线性系统自适应神经容错控制方法 |
CN109557815B (zh) * | 2018-12-06 | 2021-04-06 | 南京航空航天大学 | 一种航空发动机的传感器故障调节方法 |
CN109835372A (zh) * | 2019-02-03 | 2019-06-04 | 湖南工业大学 | 一种铁路运输列车稳定性的主动容错控制方法 |
CN110244747B (zh) * | 2019-08-02 | 2022-05-13 | 大连海事大学 | 一种基于执行器故障和饱和的异构车队容错控制方法 |
CN110647031B (zh) * | 2019-09-19 | 2020-10-02 | 北京科技大学 | 用于高速列车的抗饱和自适应伪pid滑模故障容错控制方法 |
CN112711190B (zh) * | 2020-12-25 | 2022-03-08 | 四川大学 | 一种自适应容错控制器、控制设备及控制系统 |
CN113110130B (zh) * | 2021-03-22 | 2022-09-27 | 青岛科技大学 | 一种多列车协同追踪运行的控制方法 |
CN113721497B (zh) * | 2021-07-13 | 2023-03-31 | 湖南工业大学 | 一种安全距离约束下重载列车滑模一致性跟踪控制方法 |
CN114167733B (zh) * | 2022-02-14 | 2022-06-14 | 华东交通大学 | 一种高速列车速度控制方法及系统 |
CN115257873B (zh) * | 2022-07-18 | 2024-04-30 | 青岛科技大学 | 一种多列车虚拟连挂协同控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116357A (zh) * | 2013-03-14 | 2013-05-22 | 郭雷 | 一种具有抗干扰容错性能的滑模控制方法 |
CN104238357A (zh) * | 2014-08-21 | 2014-12-24 | 南京航空航天大学 | 一种近空间飞行器的容错滑模控制方法 |
CN105511268A (zh) * | 2016-01-07 | 2016-04-20 | 北京交通大学 | 一种针对列车执行器故障的复合控制方法 |
CN106249591A (zh) * | 2016-09-13 | 2016-12-21 | 北京交通大学 | 一种针对列车未知扰动的神经自适应容错控制方法 |
-
2017
- 2017-02-28 CN CN201710110594.5A patent/CN106873369B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116357A (zh) * | 2013-03-14 | 2013-05-22 | 郭雷 | 一种具有抗干扰容错性能的滑模控制方法 |
CN104238357A (zh) * | 2014-08-21 | 2014-12-24 | 南京航空航天大学 | 一种近空间飞行器的容错滑模控制方法 |
CN105511268A (zh) * | 2016-01-07 | 2016-04-20 | 北京交通大学 | 一种针对列车执行器故障的复合控制方法 |
CN106249591A (zh) * | 2016-09-13 | 2016-12-21 | 北京交通大学 | 一种针对列车未知扰动的神经自适应容错控制方法 |
Non-Patent Citations (1)
Title |
---|
执行器故障与饱和受限的航天器滑模容错控制;于彦波;《哈尔滨工业大学学报》;20160430;第48卷(第4期);第20-24页 |
Also Published As
Publication number | Publication date |
---|---|
CN106873369A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106873369B (zh) | 针对列车输入受限和执行器故障的自适应容错控制方法 | |
CN106249591B (zh) | 一种针对列车未知扰动的神经自适应容错控制方法 | |
CN106773691B (zh) | 基于ls‑svm的高超声速飞行器自适应时变预设性能控制方法 | |
CN105511268B (zh) | 一种针对列车执行器故障的复合控制方法 | |
CN104238357A (zh) | 一种近空间飞行器的容错滑模控制方法 | |
CN110244747A (zh) | 一种基于执行器故障和饱和的异构车队容错控制方法 | |
CN106773679A (zh) | 一种基于角速度观测器的航天器容错控制方法 | |
CN106970528B (zh) | 一种针对列车执行器失效故障的自适应反步容错控制方法 | |
CN105372996B (zh) | 一种基于马尔可夫跳跃系统的列车容错控制方法 | |
CN103676646B (zh) | 一种具有随机发生的不确定性和分布式传感器时滞的网络化控制系统的状态估计方法 | |
CN103235504B (zh) | 基于直接自适应控制重构的大型民用飞机飞行控制方法 | |
CN104049536B (zh) | 底盘非线性系统模糊神经网络广义逆控制器的构造方法 | |
CN108375907A (zh) | 基于神经网络的高超声速飞行器自适应补偿控制方法 | |
CN105182989A (zh) | 一种风场影响下的飞机姿态控制方法 | |
CN102540882A (zh) | 一种基于最小参数学习法的飞行器航迹倾角控制方法 | |
CN105676852B (zh) | 小型无人直升机无动力学模型结构自适应姿态控制方法 | |
CN105137999A (zh) | 一种具有输入饱和的飞行器跟踪控制直接法 | |
CN104007663A (zh) | 一种含参数不确定性的四旋翼姿态自适应容错控制方法 | |
CN109703779B (zh) | 一种用于民用电传飞机pio研究的控制律设计方法 | |
CN108528522A (zh) | 一种车辆爆胎后主动安全控制方法 | |
CN102929142A (zh) | 飞行器不确定时变模型的控制器设计方法 | |
CN104290919A (zh) | 一种四旋翼飞行器的直接自修复控制方法 | |
CN109375510A (zh) | 一种用于高速列车的自适应滑模容错控制方法 | |
CN105700348A (zh) | 一种基于扰动上界估计的电动转台位置跟踪控制方法 | |
CN105487384A (zh) | 一种基于事件触发机制的整车悬架控制系统及其设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |