CN109343348B - 一种混合阶机电系统的协同容错控制方法及控制系统 - Google Patents
一种混合阶机电系统的协同容错控制方法及控制系统 Download PDFInfo
- Publication number
- CN109343348B CN109343348B CN201811256014.4A CN201811256014A CN109343348B CN 109343348 B CN109343348 B CN 109343348B CN 201811256014 A CN201811256014 A CN 201811256014A CN 109343348 B CN109343348 B CN 109343348B
- Authority
- CN
- China
- Prior art keywords
- order
- electromechanical system
- mixed
- representing
- control
- 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
Images
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
为了解决在驱动器或者执行器产生未知或不可预测错误的条件下混合机电系统的协同容错控制效果不好的问题,本发明提供一种混合阶机电系统的协同容错控制方法及控制系统,属于机电系统协同控制领域。本发明包括:建立包含驱动器或执行器错误的被控混合阶机电系统的模型;获取各被控混合阶机电系统的不同阶同步跟踪误差及滑模跟踪误差;获取神经网络自适应律和容错自适应律,容错自适应律和神经网络自适应律分别用于对混合阶机电系统模型中的驱动器或执行器的错误和动力学参数进行估计;根据建立的模型,结合同步跟踪误差、滑模跟踪误差、神经网络自适应律和容错自适应律,获取分布式混合阶协同控制律,进而获得各被控混合阶机电系统的控制量。
Description
技术领域
本发明涉及一种协同控制技术,特别涉及一种混合阶机电系统的协同容错控制方法、控制系统及存储设备,属于机电系统协同控制领域。
背景技术
多智能体协同控制技术来源于自然界中某些动物的协同运动现象,其主要包括一致性控制、编队控制、估计及优化等研究方向。其中一致性涉及的是各智能体在协同一致性控制律的作用之下达到某种平衡或一致的控制问题。一致性控制主要包含一致性调节问题和一致性跟踪问题。其中,一致性调节涉及的是各智能体根据各自的初始状态达到一种未预定的平衡状态,也叫无领导者一致性。而在一致性跟踪问题中存在一个真实或者虚拟的领导者作为信号参考,其他多智能体对其进行协同跟踪或者同步。在现有机电系统的协同容错控制中,通常将被控机电系统考虑为完全相同的被控对象,不仅阶数相同而且参数也完全相同,并且在考虑驱动器或执行器错误时仅考虑为介于0和1之间的失效程度或者健康程度。以上考虑在实际中并不合理,因为没有两个完全相同的被控机电系统并且不同的机电系统有可能具有不同的阶数。除此之外,驱动器和执行器错误在实际中很可能表现为一种放大效果而非上述介于0和1之间的失效程度或者健康程度。综上所述,现有相同阶机电系统协同容错控制方法已经不能满足当今混合阶复杂机电系统的控制需要。
发明内容
本发明为了解决在驱动器或者执行器产生未知或不可预测错误的条件下混合机电系统的协同容错控制效果不好的问题,本发明提供一种混合阶机电系统的协同容错控制方法及控制系统。
本发明的一种混合阶机电系统的协同容错控制方法,所述方法包括如下步骤:
S1、建立包含驱动器或执行器错误的被控混合阶机电系统的模型;
S2、获取各被控混合阶机电系统的不同阶同步跟踪误差;
S3、根据获取的不同阶同步跟踪误差,获取各被控混合阶机电系统的不同阶滑模跟踪误差;
S4、建立混合阶神经网络估计模型,根据该模型及获取的不同阶滑模跟踪误差,获取神经网络自适应律和容错自适应律,容错自适应律用于对混合阶机电系统模型中的驱动器或执行器的错误进行估计,神经网络自适应律用于对混合阶机电系统模型中的动力学参数进行估计;
S5、根据建立的混合阶机电系统模型,结合同步跟踪误差、滑模跟踪误差、神经网络自适应律和容错自适应律,获取分布式混合阶协同控制律,并根据获取的控制律获得各被控混合阶机电系统的控制量。
优选的是,所述S5中的分布式混合阶协同控制律包括一阶控制律和二阶控制律;
表示τi的估计值,τi(mi,ηi)=mi×ηi,mi表示第i个被控混合阶机电系统中的控制参数,ηi表示驱动器或执行器的错误参数;ui表示对第i个被控混合阶机电系统的控制量,zi表示第i个被控混合阶机电系统的一阶或二阶滑模跟踪误差,h表示控制比例增益,e2,i表示第i个被控混合阶机电系统的二阶同步跟踪误差,表示神经网络中被控混合阶机电系统的基函数,表示神经网络中驱动器或执行器错误的基函数,表示神经网络中动力学参数权重的估计值,表示神经网络中驱动器或执行器错误动力学参数权重的估计值,χi表示滑模系数,di表示第i个被控混合阶机电系统的入度,bi表示第i个被控混合阶机电系统与领导者的连接权值;
3、根据权利要求2所述的混合阶机电系统的协同容错控制方法,其特征在于,容错自适应律为:
pi表示通讯拓扑权值,Fi ε表示容错自适应增益,θε表示容错比例系数。
优选的是,
神经网络自适应律:
Fi表示神经网络自适应增益和θ表示神经网络比例增益;
优选的是,所述S5中,还包括根据控制参数自适应律对混合阶机电系统模型中的控制参数进行估计。
优选的是,所述控制参数自适应律为:
τi 代表τi的下界,κi表示控制参数自适应增益和β表示控制参数比例增益。
优选的是,第i个被控混合阶机电系统的一阶滑模跟踪误差为:zi=e1,i;
第i个被控混合阶机电系统的二阶滑模跟踪误差为:zi=e2,i+χie1,i;
其中,e1,i和e2,i分别表示第i个被控混合阶机电系统的一阶和二阶同步跟踪误差;
第i个被控混合阶机电系统的二阶同步跟踪误差为:
其中,Ni表示与第i个被控混合阶机电系统相邻的被控混合阶机电系统,aij表示所述相邻被控混合阶机电系统的邻接矩阵的系数,bi表示第i个被控混合阶机电系统与领导者的连接权值,x1,j和x2,j分别表示与第i个被控混合阶机电系统相邻的被控混合阶机电系统j的位置和速度,x1,i和x2,i分别表示第i个被控混合阶机电系统的位置和速度,x1,0和x2,0分别表示领导者的位置和速度。
优选的是,所述S1包括:
S11、建立各被控混合阶机电系统的混合阶机电系统模型,包括:
一阶对象为:
二阶对象为:
wi表示外部扰动,ufi表示含有驱动器或执行器错误的控制量;
S12、建立各被控混合阶机电系统的驱动器或执行器错误模型,包括:
S13、根据建立的混合阶机电系统模型及驱动器或执行器错误模型,获得包含驱动器或执行器错误的被控混合阶机电系统的模型,包含驱动器或执行器错误的被控混合阶机电系统的模型,包括:
一阶对象:
二阶对象:
本发明的有益效果,本发明主要涉及的是混合阶复杂机电系统的协同容错控制,很好解决了在驱动器或者执行器产生未知或不可预测错误的条件下混合阶复杂机电系统的协同容错控制问题。利用本发明可以对含有未知或不可预测驱动器、执行器错误的混合阶复杂机电系统进行有效地控制,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1所示,本实施方式的混合阶机电系统的协同容错控制方法,包括如下步骤:
S1、建立包含驱动器或执行器错误的被控混合阶机电系统的模型;
S2、获取各被控混合阶机电系统的不同阶同步跟踪误差;
S3、根据获取的不同阶同步跟踪误差,获取各被控混合阶机电系统的不同阶滑模跟踪误差;
S4、建立混合阶神经网络估计模型,根据该模型及获取的不同阶滑模跟踪误差,获取神经网络自适应律和容错自适应律,容错自适应律用于对混合阶机电系统模型中的驱动器或执行器的错误进行估计,神经网络自适应律用于对混合阶机电系统模型中的动力学参数进行估计;
S5、根据建立的混合阶机电系统模型,结合同步跟踪误差、滑模跟踪误差、神经网络自适应律和容错自适应律,获取分布式混合阶协同控制律,并根据获取的控制律获得各被控混合阶机电系统的控制量。
本实施方式针对包含驱动器或执行器错误的被控混合阶机电系统获得分布式混合阶协同控制律,首先建立包含驱动器或执行器错误的被控混合阶机电系统的模型,采集各被控机电系统的不同阶同步跟踪误差,进而获得滑模跟踪误差,同时利用神经网络估计模型,获得神经网络自适应律和容错自适应律,对建立的混合阶机电系统模型中的驱动器或执行器的错误参数和动力学参数进行估计,根据获得的误差和估计后的模型,获得分布式混合阶协同控制律,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
优选实施例中,本实施方式S5中的分布式混合阶协同控制律包括一阶控制律和二阶控制律;
表示τi的估计值,τi(mi,ηi)=mi×ηi,mi表示第i个被控混合阶机电系统中的控制参数,ηi表示驱动器或执行器的错误参数;ui表示对第i个被控混合阶机电系统的控制量,zi表示第i个被控混合阶机电系统的一阶或二阶滑模跟踪误差,h表示控制比例增益,e2,i表示第i个被控混合阶机电系统的二阶同步跟踪误差,表示神经网络中被控混合阶机电系统的基函数,表示神经网络中驱动器或执行器错误的基函数,表示神经网络中动力学参数权重的估计值,表示神经网络中驱动器或执行器错误动力学参数权重的估计值,χi表示滑模系数,di表示第i个被控混合阶机电系统的入度,bi表示第i个被控混合阶机电系统与领导者的连接权值。本实施方式给出了分布式混合阶协同控制律的具体形式,用于获取各被控混合阶机电系统的控制量,实现协同控制,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。。
优选实施例中,本实施方式的容错自适应律为:
pi表示通讯拓扑权值,Fi ε表示容错自适应增益,θε表示容错比例系数。
本实施方式给出了容错自适应律的具体形式,用于对在驱动器或者执行器产生未知或不可预测错误的条件下混合阶复杂机电系统的错误参数进行估计,实现容错。
优选实施例中,本实施方式神经网络自适应律:
Fi表示神经网络自适应增益和θ表示神经网络比例增益。
本实施方式中的神经网络非线性估计模型为:
本实施方式给出了神经网络自适应律的具体形式,用于对混合阶机电系统模型中的动力参数进行估计,进而获得分布式混合阶协同控制律,实现协同控制,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
优选实施例中,本实施方式S5中,还包括根据控制参数自适应律对混合阶机电系统模型中的控制参数进行估计。
优选实施例中,本实施方式控制参数自适应律为:
τi 代表τi的下界,κi表示控制参数自适应增益和β表示控制参数比例增益。
本实施方式给出了控制参数自适应律的具体形式,用于对带有时变控制参数的被控混合阶机电系统模型中的控制参数进行估计,解决被控对象的控制系数通常是时变、非线性导致控制效果不好的问题,根据控制参数自适应律对控制参数实时更新的方法获取各被控混合阶机电系统的控制量,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
优选实施例中,本实施方式第i个被控混合阶机电系统的一阶滑模跟踪误差为:zi=e1,i;
第i个被控混合阶机电系统的二阶滑模跟踪误差为:zi=e2,i+χie1,i;
其中,e1,i和e2,i分别表示第i个被控混合阶机电系统的一阶和二阶同步跟踪误差;
第i个被控混合阶机电系统的二阶同步跟踪误差为:
其中,Ni表示与第i个被控混合阶机电系统相邻的被控混合阶机电系统,aij表示所述相邻被控混合阶机电系统的邻接矩阵的系数,bi表示第i个被控混合阶机电系统与领导者的连接权值,x1,j和x2,j分别表示与第i个被控混合阶机电系统相邻的被控混合阶机电系统j的位置和速度,x1,i和x2,i分别表示第i个被控混合阶机电系统的位置和速度,x1,0和x2,0分别表示领导者的位置和速度。
优选实施例中,本实施方式S1包括:
S11、建立各被控混合阶机电系统的混合阶机电系统模型,包括:
一阶对象为:
二阶对象为:
wi表示外部扰动,ufi表示含有驱动器或执行器错误的控制量;
S12、建立各被控混合阶机电系统的驱动器或执行器错误模型,包括:
S13、根据建立的混合阶机电系统模型及驱动器或执行器错误模型,获得包含驱动器或执行器错误的被控混合阶机电系统的模型,包含驱动器或执行器错误的被控混合阶机电系统的模型,包括:
一阶对象:
二阶对象:
本实施方式还包括一种计算机可读的存储设备,所述存储设备存储有计算机程序,所述计算机程序被执行时实现上述控制方法。
本实施方式还包括一种混合阶机电系统的协同容错控制系统,包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序实现上述控制方法。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (4)
1.一种混合阶机电系统的协同容错控制方法,其特征在于,所述方法包括如下步骤:
S1、建立包含驱动器或执行器错误的被控混合阶机电系统的模型;
S2、获取各被控混合阶机电系统的不同阶同步跟踪误差;
S3、根据获取的不同阶同步跟踪误差,获取各被控混合阶机电系统的不同阶滑模跟踪误差;
S4、建立混合阶神经网络估计模型,根据该模型及获取的不同阶滑模跟踪误差,获取神经网络自适应律和容错自适应律,容错自适应律用于对混合阶机电系统模型中的驱动器或执行器的错误进行估计,神经网络自适应律用于对混合阶机电系统模型中的动力学参数进行估计;
S5、根据建立的混合阶机电系统模型,结合同步跟踪误差、滑模跟踪误差、神经网络自适应律和容错自适应律,获取分布式混合阶协同控制律,并根据获取的控制律获得各被控混合阶机电系统的控制量;
所述S5中的分布式混合阶协同控制律包括一阶控制律和二阶控制律;
表示τi的估计值,τi(mi,ηi)=mi×ηi,mi表示第i个被控混合阶机电系统中的控制参数,ηi表示驱动器或执行器的错误参数;ui表示对第i个被控混合阶机电系统的控制量,zi表示第i个被控混合阶机电系统的一阶或二阶滑模跟踪误差,h表示控制比例增益,e2,i表示第i个被控混合阶机电系统的二阶同步跟踪误差,表示神经网络中被控混合阶机电系统的基函数,表示神经网络中驱动器或执行器错误的基函数,表示神经网络中动力学参数权重的估计值,表示神经网络中驱动器或执行器错误动力学参数权重的估计值,χi表示滑模系数,di表示第i个被控混合阶机电系统的入度,bi表示第i个被控混合阶机电系统与领导者的连接权值;
容错自适应律为:
还包括根据控制参数自适应律对混合阶机电系统模型中的控制参数进行估计;。
所述控制参数自适应律为:
τi 代表τi的下界,κi表示控制参数自适应增益和β表示控制参数比例增益;
第i个被控混合阶机电系统的一阶滑模跟踪误差为:zi=e1,i;
第i个被控混合阶机电系统的二阶滑模跟踪误差为:zi=e2,i+χie1,i;
其中,e1,i和e2,i分别表示第i个被控混合阶机电系统的一阶和二阶同步跟踪误差;
第i个被控混合阶机电系统的二阶同步跟踪误差为:
其中,aij表示所述相邻被控混合阶机电系统的邻接矩阵的系数,bi表示第i个被控混合阶机电系统与领导者的连接权值,x1,j和x2,j分别表示与第i个被控混合阶机电系统相邻的被控混合阶机电系统j的位置和速度,x1,i和x2,i分别表示第i个被控混合阶机电系统的位置和速度,x1,0和x2,0分别表示领导者的位置和速度。
2.根据权利要求1所述的混合阶机电系统的协同容错控制方法,其特征在于,所述S1包括:
S11、建立各被控混合阶机电系统的混合阶机电系统模型,包括:
一阶对象为:
二阶对象为:
wi表示外部扰动,ufi表示含有驱动器或执行器错误的控制量;
S12、建立各被控混合阶机电系统的驱动器或执行器错误模型,包括:
S13、根据建立的混合阶机电系统模型及驱动器或执行器错误模型,获得包含驱动器或执行器错误的被控混合阶机电系统的模型,包含驱动器或执行器错误的被控混合阶机电系统的模型,包括:
一阶对象:
二阶对象:
3.一种计算机可读的存储设备,所述存储设备存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1至2任一所述方法。
4.一种混合阶机电系统的协同容错控制系统,包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序实现如权利要求1至2任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256014.4A CN109343348B (zh) | 2018-10-26 | 2018-10-26 | 一种混合阶机电系统的协同容错控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256014.4A CN109343348B (zh) | 2018-10-26 | 2018-10-26 | 一种混合阶机电系统的协同容错控制方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109343348A CN109343348A (zh) | 2019-02-15 |
CN109343348B true CN109343348B (zh) | 2021-11-12 |
Family
ID=65311947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811256014.4A Active CN109343348B (zh) | 2018-10-26 | 2018-10-26 | 一种混合阶机电系统的协同容错控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343348B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781830B (zh) * | 2020-07-02 | 2022-06-07 | 黑龙江大学 | 基于估计状态扰动观测的混合阶机电系统协同控制方法 |
CN113703315B (zh) * | 2021-07-14 | 2023-10-13 | 桂林理工大学 | 一种非线性混合阶多智能体机电系统事件触发协同控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133375A (zh) * | 2014-08-14 | 2014-11-05 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
CN105404304A (zh) * | 2015-08-21 | 2016-03-16 | 北京理工大学 | 基于归一化神经网络的航天器容错姿态协同跟踪控制方法 |
CN108197698A (zh) * | 2017-12-13 | 2018-06-22 | 中国科学院自动化研究所 | 基于多模态融合的多脑区协同自主决策方法 |
CN108398884A (zh) * | 2018-03-09 | 2018-08-14 | 南京航空航天大学 | 一种基于滑模的不确定时滞系统的自适应容错控制方法 |
-
2018
- 2018-10-26 CN CN201811256014.4A patent/CN109343348B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133375A (zh) * | 2014-08-14 | 2014-11-05 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
CN105404304A (zh) * | 2015-08-21 | 2016-03-16 | 北京理工大学 | 基于归一化神经网络的航天器容错姿态协同跟踪控制方法 |
CN108197698A (zh) * | 2017-12-13 | 2018-06-22 | 中国科学院自动化研究所 | 基于多模态融合的多脑区协同自主决策方法 |
CN108398884A (zh) * | 2018-03-09 | 2018-08-14 | 南京航空航天大学 | 一种基于滑模的不确定时滞系统的自适应容错控制方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive NFTSM-Based Fault Tolerant Control for a Class of Nonlinear System With Actuator Fault and Saturation;MOSHU QIAN, ZHONG ZHENG,PENG CHENG;《IEEE access》;20190731;第107083-107095页 * |
Decentralized finite-time adaptive fault-tolerant synchronization tracking control for multiple UAVs with prescribed performance;Ziquan Yu,Youmin Zhang,Zhixiang Liu,Yaohong Qu,Chun-Yi Su;《Journal of the Franklin Institute》;20191203;Pages 11830-11862 * |
基于神经网络的非线性系统轨迹线性化自适应容错控制;赵峻,孙伟,王雪松;《控制与决策》;20110630;第902-906页 * |
基于自适应控制技术的故障诊断与容错控制研究;沈启坤;《中国博士学位论文全文数据库 信息科技辑》;20160715;第I140-47页 * |
多智能体系统有限时间一致性若干问题研究;肖秋云;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151215;第I140-88页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109343348A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109445447B (zh) | 一种多智能体编队跟踪控制方法及系统 | |
Suh et al. | Modified Kalman filter for networked monitoring systems employing a send-on-delta method | |
CN109343348B (zh) | 一种混合阶机电系统的协同容错控制方法及控制系统 | |
CN109031959B (zh) | 一种非一致非线性系统协同控制方法及控制系统 | |
CN107390529B (zh) | 一种基于带宽节省的模糊自适应执行器失效补偿控制方法 | |
CN110442022B (zh) | 带有时滞异构多智能体系统的分组一致性控制方法 | |
Mrugalski et al. | Neural network-based robust actuator fault diagnosis for a non-linear multi-tank system | |
BenDor et al. | Ecological and economic sustainability in fishery management: a multi-agent model for understanding competition and cooperation | |
Farrell et al. | On-line approximation based control of uncertain nonlinear systems with magnitude, rate and bandwidth constraints on the states and actuators | |
CN102998973B (zh) | 一种非线性系统的多模型自适应控制器及控制方法 | |
CN104950677A (zh) | 基于反演滑模控制的机械臂系统饱和补偿控制方法 | |
CN113406886B (zh) | 单连杆机械臂的模糊自适应控制方法、系统及存储介质 | |
CN109144018B (zh) | 一种不同阶混合机电系统协同控制方法及控制系统 | |
CN109116737A (zh) | 基于观测器的多智能体系统故障上限评估以及容错一致性控制算法 | |
CN109188914B (zh) | 一种n阶混合非线性系统的协同控制方法及控制系统 | |
Pazera et al. | A quadratic boundedness approach to a neural network-based simultaneous estimation of actuator and sensor faults | |
CN112650290A (zh) | 带有扰动补偿的高层消防无人机编队优化控制方法及系统 | |
CN107450320B (zh) | 一种执行器失效的模糊自适应补偿控制方法 | |
CN113792858A (zh) | 耦合神经网络有界同步及其分布式控制方法 | |
CN111781830B (zh) | 基于估计状态扰动观测的混合阶机电系统协同控制方法 | |
CN111694272B (zh) | 基于模糊逻辑系统的非线性多智能体的自适应控制方法及装置 | |
CN107390527B (zh) | 一种执行器时滞和失效时的模糊自适应补偿控制方法 | |
US9008939B2 (en) | Vehicle control system and method using control allocation and phase compensation | |
CN113515066B (zh) | 一种非线性多智能体系统动态事件触发控制方法 | |
Maalej et al. | State-dependent sampling for linear time invariant systems: a discrete time analysis |
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 |