CN110687796A - 基于神经网络的自适应有限时间命令滤波反步控制方法 - Google Patents
基于神经网络的自适应有限时间命令滤波反步控制方法 Download PDFInfo
- Publication number
- CN110687796A CN110687796A CN201911070915.9A CN201911070915A CN110687796A CN 110687796 A CN110687796 A CN 110687796A CN 201911070915 A CN201911070915 A CN 201911070915A CN 110687796 A CN110687796 A CN 110687796A
- Authority
- CN
- China
- Prior art keywords
- equation
- finite time
- vector
- following
- neural network
- 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.)
- Granted
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
本发明公开了一种基于神经网络的自适应有限时间命令滤波反步控制方法。该方法包括构建有限时间命令滤波器、基于神经网络逼近的自适应更新律、有限时间误差补偿机制和针对输入饱和的动态辅助系统等步骤。本发明方法不仅避免了传统反步法存在的计算复杂性问题,还进一步消除了滤波过程中产生的误差。此外,为了进一步提高系统的鲁棒性,本发明方法采用神经网络逼近技术对系统中的不确定动态模型进行逼近。另外,考虑到实际应用过程中执行器遇到的输入饱和问题,本发明设计了动态辅助系统补偿输入饱和,使该发明更适合实际应用,最终保证了关节位置跟踪误差在有限时间内收敛到足够小的原点邻域。
Description
技术领域
本发明涉及一种基于神经网络的自适应有限时间命令滤波反步控制方法。
背景技术
由于谐波减速器和力矩传感器共同作用引起的机械臂关节柔性已成为制约机器人高品质控制的瓶颈,因此人们开发了许多有效的控制方法,诸如滑模控制、反步控制、神经网络控制、模糊自适应控制等,以解决上述原因引起的机械臂关节柔性问题。
柔性关节机械臂通常工作在复杂的环境中,因此不可避免地会出现模型的不确定性。虽然采用滑模控制方法设计的控制器能够有效抑制系统不确定,但通常存在抖振问题。
相比之下,反步技术作为另一种经典的处理高阶非线性系统控制问题的方法,并不存在抖振问题,因此得到了广泛的应用。经典的反步方法经常与自适应神经网络/模糊技术相结合,利用神经网络/模糊系统来逼近系统中的不确定项。但在采用自适应反步控制方法时,需要对虚拟控制信号进行多次微分,这就导致了计算爆炸问题。
为了解决这一问题,人们提出了动态表面控制,并进一步扩展到自适应神经/模糊动态面控制。动态面控制通过应用一阶滤波器消除计算爆炸问题,但是加入滤波器后产生的滤波误差得不到补偿,因而无法进一步提高控制性能。人们又提出了命令滤波反步控制方法,该方法利用命令滤波消除了计算爆炸问题,并利用误差补偿机制消除了滤波误差。
由于有限时间控制具有收敛速度快、抗干扰能力强、控制精度高等优点,其在机器人控制设计中更具吸引力。此外,大多数关于柔性关节机械臂系统的研究都没有考虑系统输入的饱和问题,但是实际应用中,电机输出力矩通常会收到输入饱和的影响。
因此,如何将命令滤波反步法和有限时间控制技术相结合,应用于考虑具有输入饱和的柔性关节机械臂系统,从而实现关节位置对期望位置的跟踪控制,尚未见到相关技术。
发明内容
本发明的目的在于提出一种基于神经网络的自适应有限时间命令滤波反步控制方法,以解决具有不确定性和输入饱和的柔性关节机械臂系统的关节位置跟踪控制问题。
本发明为了实现上述目的,采用如下技术方案:
基于神经网络的自适应有限时间命令滤波反步控制方法,包括如下步骤:
定义柔性关节机械臂的动力学模型如下:
其中,分别表示关节位置、速度和角速度向量;
G(q)∈Rn为重力向量;F∈Rn×n为阻尼摩擦系数的对角正定矩阵;
Km∈Rn×n、J∈Rn×n和B∈Rn×n分别表示关节刚度矩阵、电机惯性矩阵和阻尼矩阵;
u∈Rn为实际电机输出力矩向量;
sat(u)∈Rn为经过输入饱和后的电机输出力矩向量;y∈Rn为输出向量;
输入饱和sat(u)=[sat(u1),…,sat(un)]T,其中,sat(u1)表示向量sat(u)的第1个分量,sat(un)表示向量sat(u)的第n个分量,第p个分量sat(up)定义为:
其中,up是u的第p个分量,up的极限值为upm,upm为大于0的正常数;
引入状态变量s1=q,s3=qm,将方程(1)改写为:
则将方程式(3)进一步改写为:
下面构造考虑输入饱和的不确定柔性关节机械臂系统的基于神经网络的自适应有限时间命令滤波反步控制方法,其具体过程如下:
在反步控制方法的第一步、第二步和第三步中都将采用下面的有限时间命令滤波器:
其中,i=1,2,3,z=1,2,...,n;
fi,z,1,fi,z,2均表示有限时间命令滤波器参数;
χi为有限时间虚拟控制信号,χi,z表示虚拟控制信号χi的第z个分量,sign表示符号函数;
在反步控制方法设计过程中,将有限时间跟踪误差信号δ1、δ2、δ3和δ4定义为:
其中,sd为期望的位置向量,sd和sd的一阶导数均为光滑、已知和有界的信号;
其中,都是正常数;
T1,T2,T3分别表示第一步反步、第二步反步和第三步反步所用命令滤波器的收敛时间;为消除命令滤波器产生的滤波误差ri+1-χi,构造以下有限时间误差补偿机制:
其中,ηj表示误差补偿向量,ηj(0)表示ηj的初始值,ηj(0)=0,j=1,2,3,4;
ηj,1,ηj,2,...,ηj,n表示误差补偿向量ηj的n个分量;
kj,lj表示比例增益,kj,lj均为正常数且满足lj,z<2kj,z;
其中,lj,z表示比例增益lj的第z个分量,kj,z表示比例增益kj的第z个分量;
为了补偿柔性关节机械臂系统中的输入饱和,定义如下动态辅助系统:
其中,λ为动态辅助函数向量;
有限时间虚拟控制信号构造如下:
其中,ej,z为正常数,j=1,2,3,4,z=1,2,...,n;
S2,1,S2,2,...,S2,n以及S4,1,S4,2,...,S4,n均为神经网络逼近的径向基函数向量;
选取以下Lyapunov函数来证明误差补偿机制的稳定性:
在有限时间t>T=max{T1 T2 T3}内,公式(13)写为:
k0=min(2k1-1,2k2-1,2k3-1,k4),ψ为正常数;
则公式(14)表示为:
或者:
其中,0<v<1;
步骤1.选取Lyapunov函数:
对V1求导得:
对V2求导得:
其中,W2,z为理想权矩阵,S2,z为基函数向量;
对公式(28)求导得:
将χ3,代入公式(29)表示为:
公式(31)能够写为:
式中,W4,z为理想权矩阵,S4,z为基函数向量;
其中,||W4,z||表示W4,z的范数;将χ4,和公式(34)代入公式(32)得:
根据杨不等式得到:
将公式(36)代入公式(35)得:
定义μ2=max{||W2,z||2},μ4=max{||W4,z||2};
其中,π2>0,π4>0和ρ2>0,ρ4>0为常数;
如果则有
其中,a=min(2kj-lj,2β2,2β4),
存在一个常数0<v<1,使得公式(44)能够表示为:
或者
到达公式(47)中区域所需的时间Tr如下:
到达公式(49)中区域所需的时间Tr如下:
由公式(47)和公式(49)得知,最终θj会收敛到区域:
其中,到达公式(51)中区域的时间满足:
最后得到:
通过误差补偿信号、虚拟控制信号、动态辅助系统和自适应更新律,能够使关节位置在有限时间内跟踪期望的信号,并且闭环系统中的所有信号在有限时间内都是有界的。
本发明具有如下优点:
本发明采用有限时间命令滤波反步,不仅能够避免传统反步法存在的计算复杂性问题,还能进一步消除滤波过程中产生的误差,并且考虑到有限时间收敛性。为进一步提高系统的鲁棒性,本发明采用神经网络逼近技术对系统中的不确定动态模型进行逼近。此外,考虑到实际应用过程中执行器遇到的输入饱和问题,设计动态辅助系统补偿输入饱和,使本发明更适合实际应用。最终保证关节位置跟踪误差在有限时间内收敛到足够小的原点邻域。
附图说明
图1为本发明基于神经网络的自适应有限时间命令滤波反步控制方法的流程示意图。
图2为本发明实施例中考虑输入饱和时q和sd的轨迹图。
图3为本发明实施例中考虑输入饱和的sat(u)轨迹图。
图4为本发明实施例中不考虑输入饱和时q和sd的轨迹图。
图5为本发明实施例中不考虑输入饱和的u轨迹图。
图6为本发明方法和自适应命令滤波反步控制的整体跟踪误差响应曲线对比结果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示,本发明述及了一种基于神经网络的自适应有限时间命令滤波反步控制方法,以解决具有不确定性和输入饱和的柔性关节机械臂系统的关节位置跟踪控制问题。
该控制方法包括如下步骤:
定义柔性关节机械臂的动力学模型如下:
其中,分别表示关节位置、速度和角速度向量;H(q)∈Rn×n为对称正定惯性矩阵;为科里奥利向心矩阵;G(q)∈Rn为重力向量;F∈Rn×n为阻尼摩擦系数的对角正定矩阵;分别表示电机经过减速器后的关节位置、速度和角速度向量;Km∈Rn×n、J∈Rn×n和B∈Rn×n分别表示关节刚度矩阵、电机惯性矩阵和阻尼矩阵,它们都是常正定对角矩阵;u∈Rn为实际电机输出力矩向量;sat(u)∈Rn为经过输入饱和后的电机输出力矩向量;y∈Rn为输出向量。本发明假设和B包含不确定参数。
输入饱和sat(u)=[sat(u1),…,sat(un)]T,其中,sat(u1)表示向量sat(u)的第1个分量,sat(un)表示向量sat(u)的第n个分量,第p个分量sat(up)定义为:
其中,up是u的第p个分量,up的极限值为upm,upm为大于0的正常数。
则将方程式(3)进一步改写为:
假设1:Y2是有界的,即||H-1(s1)Km||≤ψ,ψ>0是常数。
下面构造考虑输入饱和的不确定柔性关节机械臂系统的基于神经网络的自适应有限时间命令滤波反步控制方法,其具体过程如下:
在反步控制方法的第一步、第二步和第三步中都将采用下面的有限时间命令滤波器:
其中,i=1,2,3,z=1,2,...,n;均表示有限时间命令滤波器的状态;hi,z,1表示的导数;fi,z,1,fi,z,2均表示有限时间命令滤波器参数;χi为有限时间虚拟控制信号,χi,z表示虚拟控制信号χi的第z个分量,sign表示符号函数。
引理1.如果虚拟输入信号χi,z不受噪声干扰,即χi,z=χi,z,0,则有限时间命令滤波器可以在有限时间内达到稳定,并且有如果虚拟输入信号χi,z受噪声干扰影响,即|χi,z-χi,z,0|≤ρi,z,则可以在有限时间内实现,其中,ρi,z,都是正常数。
在控制方法设计过程中,将有限时间跟踪误差信号定义为:
由引理1可知,在有限时间命令滤波过程中如下存在滤波误差:
其中,都是正常数;
分别表示第一步反步、第二步反步和第三步反步所用命令滤波器的收敛时间。
为消除有限时间命令滤波器产生的滤波误差ri+1-χi,构造以下有限时间误差补偿机制:
其中,ηj表示误差补偿向量,ηj(0)表示ηj的初始值,ηj(0)=0,j=1,2,3,4。
ηj,1,ηj,2,...,ηj,n表示误差补偿向量ηj的n个分量;kj,lj表示比例增益,kj,lj均为正常数且满足lj,z<2kj,z;lj,z表示比例增益lj的第z个分量,kj,z表示比例增益kj的第z个分量。
为了补偿柔性关节机械臂系统中的输入饱和,定义如下动态辅助系统:
其中,λ为动态辅助函数向量。
有限时间虚拟控制信号构造如下:
其中,ej,z为正常数,j=1,2,3,4,z=1,2,...,n。γ为正常数且满足0<γ<1,g为正常数,为通过自适应更新律得到的估计变量。S2,1,S2,2,...,S2,n以及S4,1,S4,2,...,S4,n均为神经网络逼近的径向基函数向量。θj,1,θj,2,...,θj,n表示θj的分量,θj定义为:
选取以下Lyapunov函数来证明误差补偿机制的稳定性:
在有限时间t>T=max{T1 T2 T3}内,公式(13)写为:
其中,0<v<1。
对V1求导得:
对V2求导得:
由于函数X2=[X2,1,…,X2,n]T含有不确定性,因此利用神经网络逼近技术对函数X2进行逼近,则X2,z重写为:
其中,z=1,…,n,W2,z为理想权矩阵,S2,z为基函数向量。
步骤3.选取Lyapunov函数:
对公式(28)求导得:
公式(31)能够写为:
由于函数X4=[X4,1,...,X4,n]T含有不确定性,因此利用神经网络逼近技术对函数X4进行逼近,则X4,z重写为:
式中,W4,z为理想权矩阵,S4,z为基函数向量。
其中,||W4,z||表示W4,z的范数。将χ4,和公式(34)代入公式(32)得:
根据杨不等式得到:
将公式(36)代入公式(35)得:
定义μ2=max{||W2,z||2},μ4=max{||W4,z||2}。
其中,π2>0,π4>0和ρ2>0,ρ4>0为常数。
存在一个常数0<v<1,使得公式(44)能够表示为:
或者
到达公式(47)中区域所需的时间Tr如下:
到达公式(49)中区域所需的时间Tr如下:
由公式(47)和公式(49)得知,最终θj会收敛到区域:
其中,到达公式(51)中区域的时间满足:
最后得到:
通过选择具有公式(9)中的误差补偿信号、公式(11)中的虚拟控制信号、公式(10)中的动态辅助系统和公式(38)中的自适应更新律,能够使关节位置在有限时间内跟踪期望的信号,并且闭环系统中的所有信号在有限时间内都是有界的。
下面对本发明提出的考虑输入饱和的不确定柔性关节机械臂系统的基于神经网络的自适应有限时间命令滤波反步控制方法的有效性进行验证。
本发明以双连杆柔性关节机械臂为例,以验证本发明方法的有效性。其中:
其中,m1和m2表示连杆的质量,Lc1和Lc2表示连杆的质量中心,L1和L2表示连杆的长度。I1和I2表示惯性矩。重力矢量G(q)和阻尼摩擦系数矩阵F都假定为零。
关节刚度矩阵Km、电机惯性矩阵J和阻尼矩阵B:
Km=diag[70,70],J=diag[2.5,2.5],B=diag[50,50]。
其他参数假定为:
L1=1.4,L2=1.4,Lc1=1,Lc2=1,I1=0.2,I2=0.2,m1=1,m2=1。
u1m=500,u2m=500,u1m、u2m分别表示u的第1个分量u1、第2个分量u2的极限值。
期望轨迹sd=[sd,1,sd,2]T=[2sin(t),2cos(t)]T,控制增益取:
kj=20,ej,1=5,ej,2=5,lj,1=5,lj,2=5,f1,1,1=40,f1,1,2=40,f1,2,1=40,f1,2,2=40,
图2显示了当考虑输入饱和时,基于神经网络的自适应有限时间命令滤波反步控制下的关节位置信号响应曲线。结果表明,该方法能使q1,q2快速、准确地跟踪sd的相应分量sd,1,sd,2。
图3显示了输入饱和sat(u)的信号响应曲线,u的分量u1,u2均限制在[-500,500]之间。
图4显示了不考虑输入饱和的自适应有限时间命令滤波反步控制下的关节位置信号响应曲线,图5显示了相应的u的信号响应曲线。由图4和图5看出,尽管本发明方法也可以使q1,q2快速、准确地跟踪sd的相应分量sd,1,sd,2,但输入分量均超过了相应的限制值。
进一步采用整体跟踪误差来比较本发明的方法与不考虑有限时间收敛的自适应命令滤波反步控制的性能。图6分别显示了本发明方法和自适应命令滤波反步控制的整体跟踪误差响应曲线。通过两种方法的比较,能够看出本发明有限时间跟踪控制的跟踪误差不仅小于渐近跟踪控制的跟踪误差,而且具有更快的收敛速度。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (1)
1.基于神经网络的自适应有限时间命令滤波反步控制方法,其特征在于,
包括如下步骤:
定义柔性关节机械臂的动力学模型如下:
G(q)∈Rn为重力向量;F∈Rn×n为阻尼摩擦系数的对角正定矩阵;
Km∈Rn×n、J∈Rn×n和B∈Rn×n分别表示关节刚度矩阵、电机惯性矩阵和阻尼矩阵;
u∈Rn为实际电机输出力矩向量;
sat(u)∈Rn为经过输入饱和后的电机输出力矩向量;y∈Rn为输出向量;
输入饱和sat(u)=[sat(u1),…,sat(un)]T,其中,sat(u1)表示向量sat(u)的第1个分量,sat(un)表示向量sat(u)的第n个分量,第p个分量sat(up)定义为:
其中,up是u的第p个分量,up的极限值为upm,upm为大于0的正常数;
则将方程式(3)进一步改写为:
下面构造考虑输入饱和的不确定柔性关节机械臂系统的基于神经网络的自适应有限时间命令滤波反步控制方法,其具体过程如下:
在反步控制方法的第一步、第二步和第三步中都将采用下面的有限时间命令滤波器:
其中,i=1,2,3,z=1,2,...,n;
fi,z,1,fi,z,2均表示有限时间命令滤波器的参数;
χi为有限时间虚拟控制信号,χi,z表示虚拟控制信号χi的第z个分量,sign表示符号函数;
在反步控制方法设计过程中,将有限时间跟踪误差信号δ1、δ2、δ3和δ4定义为:
对于i=1,2,3,为有限时间命令滤波器的输出;
T1,T2,T3分别表示第一步反步、第二步反步和第三步反步所用命令滤波器的收敛时间;
为消除命令滤波器产生的滤波误差ri+1-χi,构造以下有限时间误差补偿机制:
其中,ηj表示误差补偿向量,ηj(0)表示ηj的初始值,ηj(0)=0,j=1,2,3,4;
ηj,1,ηj,2,...,ηj,n表示误差补偿向量ηj的n个分量;
kj,lj表示比例增益,kj,lj均为正常数且满足lj,z<2kj,z;
其中,lj,z表示比例增益lj的第z个分量,kj,z表示比例增益kj的第z个分量;
为了补偿柔性关节机械臂系统中的输入饱和,定义如下动态辅助系统:
其中,λ为动态辅助函数向量;
有限时间虚拟控制信号构造如下:
其中,ej,z为正常数,j=1,2,3,4,z=1,2,...,n;
S2,1,S2,2,...,S2,n以及S4,1,S4,2,...,S4,n均为神经网络逼近的径向基函数向量;
选取以下Lyapunov函数来证明误差补偿机制的稳定性:
在有限时间t>T=max{T1 T2 T3}内,公式(13)写为:
则公式(14)表示为:
或者:
其中,0<v<1;
对V1求导得:
将χ1,代入公式(21)得:
对V2求导得:
其中,W2,z为理想权矩阵,S2,z为基函数向量;
对公式(28)求导得:
步骤4.选取Lyapunov函数:
公式(31)能够写为:
式中,W4,z为理想权矩阵,S4,z为基函数向量;
其中,||W4,z||表示W4,z的范数;将χ4,和公式(34)代入公式(32)得:
根据杨不等式得到:
将公式(36)代入公式(35)得:
定义μ2=max{||W2,z||2},μ4=max{||W4,z||2};
则对μ2,μ4估计得到的估计值能够由如下自适应更新律得到:
其中,π2>0,π4>0和ρ2>0,ρ4>0为常数;
根据杨不等式可知:
存在一个常数0<v<1,使得公式(44)能够表示为:
或者
到达公式(47)中区域所需的时间Tr如下:
到达公式(49)中区域所需的时间Tr如下:
由公式(47)和公式(49)得知,最终θj会收敛到区域:
其中,到达公式(51)中区域的时间满足:
最后得到:
通过误差补偿信号、虚拟控制信号、动态辅助系统和自适应更新律,能够使关节位置在有限时间内跟踪期望的信号,并且闭环系统中的所有信号在有限时间内都是有界的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070915.9A CN110687796B (zh) | 2019-11-05 | 2019-11-05 | 基于神经网络的自适应有限时间命令滤波反步控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070915.9A CN110687796B (zh) | 2019-11-05 | 2019-11-05 | 基于神经网络的自适应有限时间命令滤波反步控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110687796A true CN110687796A (zh) | 2020-01-14 |
CN110687796B CN110687796B (zh) | 2022-03-18 |
Family
ID=69116210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911070915.9A Active CN110687796B (zh) | 2019-11-05 | 2019-11-05 | 基于神经网络的自适应有限时间命令滤波反步控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687796B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596679A (zh) * | 2020-06-03 | 2020-08-28 | 青岛大学 | 一种飞行器的有限时间输出反馈姿态跟踪控制方法 |
CN112039374A (zh) * | 2020-08-05 | 2020-12-04 | 青岛大学 | 考虑输入饱和的永磁同步电动机命令滤波离散控制方法 |
CN114839880A (zh) * | 2022-06-02 | 2022-08-02 | 淮阴工学院 | 一种基于柔性关节机械臂的自适应控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005015324A2 (en) * | 2002-12-09 | 2005-02-17 | Georgia Tech Research Corp. | Adaptive output feedback apparatuses and methods capable of controlling a nonminimum phase system |
CN106788086A (zh) * | 2017-02-20 | 2017-05-31 | 青岛大学 | 考虑输入饱和的异步电机命令滤波有限时间模糊控制方法 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
CN108964545A (zh) * | 2018-07-30 | 2018-12-07 | 青岛大学 | 一种基于命令滤波的同步电机神经网络反步离散控制方法 |
WO2018226014A1 (ko) * | 2017-06-07 | 2018-12-13 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
CN110193833A (zh) * | 2019-06-27 | 2019-09-03 | 青岛大学 | 多机械臂系统的自适应有限时间命令滤波反步控制方法 |
CN110401390A (zh) * | 2019-07-22 | 2019-11-01 | 青岛大学 | 基于观测器的永磁同步电机随机命令滤波模糊控制方法 |
-
2019
- 2019-11-05 CN CN201911070915.9A patent/CN110687796B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005015324A2 (en) * | 2002-12-09 | 2005-02-17 | Georgia Tech Research Corp. | Adaptive output feedback apparatuses and methods capable of controlling a nonminimum phase system |
CN106788086A (zh) * | 2017-02-20 | 2017-05-31 | 青岛大学 | 考虑输入饱和的异步电机命令滤波有限时间模糊控制方法 |
WO2018226014A1 (ko) * | 2017-06-07 | 2018-12-13 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
CN108964545A (zh) * | 2018-07-30 | 2018-12-07 | 青岛大学 | 一种基于命令滤波的同步电机神经网络反步离散控制方法 |
CN110193833A (zh) * | 2019-06-27 | 2019-09-03 | 青岛大学 | 多机械臂系统的自适应有限时间命令滤波反步控制方法 |
CN110401390A (zh) * | 2019-07-22 | 2019-11-01 | 青岛大学 | 基于观测器的永磁同步电机随机命令滤波模糊控制方法 |
Non-Patent Citations (1)
Title |
---|
李雷雷: "带有未知死区非线性系统的自适应控制方案", 《唐山学院学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596679A (zh) * | 2020-06-03 | 2020-08-28 | 青岛大学 | 一种飞行器的有限时间输出反馈姿态跟踪控制方法 |
CN111596679B (zh) * | 2020-06-03 | 2023-02-21 | 青岛大学 | 一种飞行器的有限时间输出反馈姿态跟踪控制方法 |
CN112039374A (zh) * | 2020-08-05 | 2020-12-04 | 青岛大学 | 考虑输入饱和的永磁同步电动机命令滤波离散控制方法 |
CN114839880A (zh) * | 2022-06-02 | 2022-08-02 | 淮阴工学院 | 一种基于柔性关节机械臂的自适应控制方法 |
CN114839880B (zh) * | 2022-06-02 | 2024-04-19 | 淮阴工学院 | 一种基于柔性关节机械臂的自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110687796B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110687796B (zh) | 基于神经网络的自适应有限时间命令滤波反步控制方法 | |
Zhang et al. | Observer-based prescribed performance attitude control for flexible spacecraft with actuator saturation | |
CN108445748B (zh) | 一种基于事件触发机制的自适应航天器姿态跟踪控制方法 | |
CN113534666B (zh) | 多目标约束下单关节机械臂系统的轨迹跟踪控制方法 | |
CN108803326B (zh) | 具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 | |
CN110977988B (zh) | 基于有限时间命令滤波的多关节机械臂阻抗控制方法 | |
Sai et al. | Adaptive nonsingular fixed-time sliding mode control for uncertain robotic manipulators under actuator saturation | |
CN107577145B (zh) | 编队飞行航天器反步滑模控制方法 | |
JPH0740204B2 (ja) | 多自由度非線形機械システムの制御装置 | |
CN111596545A (zh) | 一种多输入多输出机械系统自适应容错预设性能控制方法 | |
US20040015933A1 (en) | Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks | |
CN113183154A (zh) | 一种柔性关节机械臂的自适应反演控制方法 | |
CN114895564B (zh) | 一种电驱动柔性关节机械臂自适应神经网络控制器设计方法 | |
CN113589689B (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
Hung et al. | Adaptive control for nonlinearly parameterized uncertainties in robot manipulators | |
Li et al. | Adaptive neural networks-based fixed-time fault-tolerant consensus tracking for uncertain multiple Euler–Lagrange systems | |
CN113110048B (zh) | 采用hosm观测器的非线性系统输出反馈自适应控制系统和方法 | |
CN115990888B (zh) | 一种具有死区和时变约束功能的机械臂控制方法 | |
CN111948943B (zh) | 一种柔性机械臂的组合滑模运动控制方法 | |
Hao et al. | Dynamic event-triggered adaptive command filtered control for nonlinear multi-agent systems with input saturation and disturbances | |
CN113219825B (zh) | 一种四足机器人单腿轨迹跟踪控制方法及系统 | |
CN112904726B (zh) | 一种基于误差重构权重更新的神经网络反步控制方法 | |
Li et al. | Adaptive finite-time fault-tolerant control for the full-state-constrained robotic manipulator with novel given performance | |
CN109995278B (zh) | 一种考虑输入受限的电机伺服系统自调节控制方法 | |
CN115720061A (zh) | 基于有限时间的机电伺服系统模糊自适应反步控制方法 |
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 |