CN111474922B - 一种连续非线性系统的控制器构建方法 - Google Patents

一种连续非线性系统的控制器构建方法 Download PDF

Info

Publication number
CN111474922B
CN111474922B CN202010381568.8A CN202010381568A CN111474922B CN 111474922 B CN111474922 B CN 111474922B CN 202010381568 A CN202010381568 A CN 202010381568A CN 111474922 B CN111474922 B CN 111474922B
Authority
CN
China
Prior art keywords
controller
neural network
actuator
alpha
output
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
Application number
CN202010381568.8A
Other languages
English (en)
Other versions
CN111474922A (zh
Inventor
邱剑彬
王桐
王雨佳
樊渊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010381568.8A priority Critical patent/CN111474922B/zh
Publication of CN111474922A publication Critical patent/CN111474922A/zh
Application granted granted Critical
Publication of CN111474922B publication Critical patent/CN111474922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种连续非线性系统的控制器构建方法，包括以下步骤，步骤A：建立非线性系统模型，确定系统状态变量{xi|i∈[1,I]}，初始化i＝1；步骤B：对状态变量xi，求解系统的跟踪误差zi；步骤C：将状态矢量
Figure DDA0002482296000000011
输入RBF神经网络，基于梯度下降法更新RBF神经网络的权值；步骤D：构造李雅普诺夫函数Vi，并根据李雅普诺夫稳定性定理设计使系统运行稳定的虚拟控制器αi；步骤E：如果i＜I，则输出控制器αi，令i＝i+1，返回步骤B，否则输出控制器v(t)。本发明的优点在于：综合考虑系统可能受到的内外部影响及执行器限制，基于RBF神经网络设计容错控制器，重构神经网络的逼近误差，实现了基于梯度下降法的神经网络权值更新，提高了神经网络的故障估计能力，使控制器的容错控制性能更优。

Description

一种连续非线性系统的控制器构建方法
技术领域
本发明涉及非线性系统的容错控制技术领域，尤其涉及一种连续非线性系统的控制器构建方法。
背景技术
随着社会的飞速发展，越来越多的工作逐渐被现代化的机器设备所代替。在设备长期运转的过程中，故障的发生是不可避免的。虽然故障并不经常发生，但是，一旦发生轻则影响系统正常运行，重则会带来巨大的财产损失和人员伤亡。近年来，容错控制技术日益成熟，但主要分为主动容错控制和被动容错控制。
相对于被动容错控制，主动容错控制可以更好的处理系统中发生的未知故障，所以得到更多的关注和研究。可以用于主动容错控制器设计的方法技术有很多，例如，滑模控制，自适应控制，优化控制等等。
其中，神经网络作为一种可以逼近任意连续非线性函数的工具，被广泛应用在容错控制中。现有的方法大都是基于自适应神经网络进行容错控制器设计，如申请号为201811114547.9的专利请求保护一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法，涉及一种刚性飞行器存在外界干扰，转动惯量不确定，执行器故障和饱和情况下的容错控制方案。首先，设计非奇异固定时间滑模面，以保证状态的固定时间收敛并解决奇异值问题，然后设计非奇异神经网络固定时间容错控制器以实现当被控系统发生故障时的稳定性控制。但是神经网络的自适应参数需要很长时间之后才达到稳定，前期精度不高，无法满足容错控制的需求。
另外，控制系统的任务多样化和结构的复杂化使执行器和系统内部的部件都不可避免的发生故障。同时，外部扰动也可能对系统造成干扰。当这些不利因素发生时，可能会造成执行器饱和进一步影响系统的控制性能。
发明内容
本发明所要解决的技术问题在于提供一种针对存在执行器故障、部件故障、外部扰动和执行器饱和等问题的非线性系统构建容错控制器的方法。
本发明是通过以下技术方案解决上述技术问题的：一种连续非线性系统的控制器构建方法，包括以下步骤，
步骤A：建立包括部件故障、执行器故障、外部扰动和执行器饱和的连续非线性系统模型，确定系统状态变量{xi|i∈[1,n]}，初始化i＝1；
步骤B：对状态变量xi，求解系统的跟踪误差zi；
步骤C：基于前i个状态变量xi构造系统状态矢量
Figure GDA0003024612850000021
i∈[1,n]，将状态矢量
Figure GDA0003024612850000022
输入RBF神经网络，基于梯度下降法更新RBF神经网络的权值；
步骤D：构造李雅普诺夫函数Vi，并根据李雅普诺夫稳定性定理设计使系统运行稳定的虚拟控制器αi；
步骤E：如果i<n，则令i＝i+1，返回步骤B，否则输出控制器υ(t)。
优选的，步骤A建立的非线性严格反馈系统模型为
Figure GDA0003024612850000023
其中，
Figure GDA0003024612850000024
表示的xi一阶导数，
Figure GDA0003024612850000025
i∈[1,n]是系统的状态矢量，
Figure GDA0003024612850000026
i∈[1,n]和
Figure GDA0003024612850000027
i∈[1,n]为系统的非线性动态，di,i∈[1,n]为外部扰动，ζi,i∈[1,n]为部件故障，y(t)为系统的输出；
Figure GDA00030246128500000210
v(t)为系统的理想控制输入，β(t)和
Figure GDA00030246128500000211
分别为执行器的乘性故障和加性故障，u(t)为执行器存在故障情况下系统实际控制输入，sat(u(t))为执行器饱和函数，即执行器饱和情况下的系统控制输入；
Figure GDA0003024612850000028
Figure GDA0003024612850000029
其中，uM是执行器饱和限制，sgn(u)为符号函数；则公式(1)重写为
Figure GDA0003024612850000031
其中，
Figure GDA0003024612850000032
Figure GDA0003024612850000033
优选的，步骤B所述的求解系统跟踪误差zi的方法为
Figure GDA0003024612850000034
其中，y为公式(1)中的系统输出，即y＝x1，yr是参考输出，zi是表征系统实际状态和参考状态差值的量。
优选的，步骤C中将系统矢量
Figure GDA0003024612850000035
输入的RBF神经网络得到的输出值为
Figure GDA0003024612850000036
用来逼近未知函数
Figure GDA0003024612850000037
Figure GDA0003024612850000038
Figure GDA0003024612850000039
其中，未知函数为系统中未知但在设计控制器时需要考虑的量，Wi为权值，θi为神经元的输出值，形式为高斯函数，基于梯度下降法设计的权值更新律为
Figure GDA00030246128500000310
Figure GDA00030246128500000311
Ei为重构的神经网络逼近误差，ηi为神经网络的学习因子，ki为控制器参数，神经网络的目标函数为
Figure GDA00030246128500000312
对于符号
Figure GDA00030246128500000313
和
Figure GDA00030246128500000314
是通过以下滤波器获得的，
Figure GDA0003024612850000041
其中，
Figure GDA0003024612850000042
为变量ξ的导数，
Figure GDA0003024612850000043
为变量ξ的近似；则
Figure GDA0003024612850000044
表示变量ξ的近似
Figure GDA0003024612850000045
的导数；lξ为正常数，为根据变量ξ确定的经验值。
变量
Figure GDA0003024612850000046
为权值近似的导数，通过公式(6)计算得到；
优选的，步骤D构建的李雅普诺夫函数为：
Figure GDA0003024612850000047
对李雅普诺夫函数求导，
Figure GDA0003024612850000048
其中，
Figure GDA0003024612850000049
为权值的估计误差，
Figure GDA00030246128500000410
优选的，步骤D所述的虚拟控制器αi需要满足令公式(9)Vi(0)≥0，其中系统状态为零时得Vi(0)＝0，公式(10)Vi(0)≤0时构建控制器，则构造的虚拟控制器的表达式为
Figure GDA00030246128500000411
其中，x1r为参考控制输出，对于总共有n个系统变量的非线性系统，控制器模型为：
Figure GDA00030246128500000412
其中，α0＝x1r。
本发明提供的连续非线性系统的控制器构建方法的优点在于：综合考虑系统可能受到的内外部影响及执行器限制，基于RBF神经网络设计容错控制器，基于梯度下降法对神经网络权值进行更新优化，提高了神经网络的故障估计能力，使控制器的容错控制性能更优。
附图说明
图1为本发明的实施例提供的连续非线性系统的控制器构建方法的控制器设计原理图；
图2为使用本发明的实施例提供的连续非线性系统的控制器构建方法得到的控制器的跟踪效果图；
图3为使用本发明的实施例提供的连续非线性系统的控制器构建方法得到的控制器的跟踪误差曲线图；
图4为使用本发明的实施例提供的连续非线性系统的控制器构建方法得到的控制器的神经网络输出值
Figure GDA0003024612850000051
曲线图；
图5为使用本发明的实施例提供的连续非线性系统的控制器构建方法得到的控制器的神经网络逼近误差E1曲线图；
图6为使用本发明的实施例提供的连续非线性系统的控制器构建方法得到的控制器的神经网络输出值
Figure GDA0003024612850000052
曲线图；
图7为使用本发明的实施例提供的连续非线性系统的控制器构建方法得到的控制器的神经网络逼近误差E2曲线图；
图8为使用本发明的实施例提供的连续非线性系统的控制器构建方法得到的控制器的参考输出值与实际输出值的变化曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本实施例提供了针对含有故障、外部扰动和执行器饱和的连续非线性系统，构造容错控制器的方法；具体步骤如下：
步骤A：建立包括部件故障、执行器故障、外部扰动和执行器饱和的连续非线性系统模型，表达式为
Figure GDA0003024612850000053
其中，{xi|i∈[1,n]}为系统状态变量，系统状态变量为对系统状态及控制结果有影响的变量，例如系统各执行部件的电压、电流、整个系统的位置、姿态等变量；初始化i＝1，
Figure GDA0003024612850000054
表示的xi一阶导数，
Figure GDA0003024612850000055
i∈[1,n]是系统的状态矢量，
Figure GDA0003024612850000056
i∈[1,n]和
Figure GDA0003024612850000057
i∈[1,n]为系统的非线性动态，di,i∈[1,n]为外部扰动，即影响系统正常运行的外部条件，如温湿度、风力、风向、磁场等参数；ζi,i∈[1,n]为部件故障，y(t)为系统的输出；
Figure GDA0003024612850000068
参考图1，其中v(t)为系统的理想控制输入，u(t)为执行器存在故障情况下的系统实际控制输入，β(t)和
Figure GDA0003024612850000069
分别为执行器的乘性故障和加性故障；执行器饱和会对控制器的控制效果产生制约，sat(u(t))为执行器饱和函数，为执行器饱和的情况下的系统控制输入，具体表达式为，
Figure GDA0003024612850000061
Figure GDA0003024612850000062
其中，uM是执行器饱和限制，sgn(u)为符号函数；则公式(1)重写为
Figure GDA0003024612850000063
其中，
Figure GDA0003024612850000064
Figure GDA0003024612850000065
步骤B：对状态变量xi，求解系统的跟踪误差zi；
Figure GDA0003024612850000066
其中，y为公式(1)中的系统实际输出，即y＝x1，yr是参考输出，为人为设定的经验值；zi是表征实际系统状态和理想状态差值的量，αi为虚拟控制器。
基于以上公式，跟踪误差zi为实际输出y与设定值yr之间的误差，对于系统的子系统
Figure GDA0003024612850000067
把xi+1看做此子系统的虚拟控制器αi，该虚拟控制器αi能够使该子系统稳定，然而xi+1并不是完全等同于虚拟控制器αi，他们之间存在一个误差zi+1＝xi+1-αi，我们希望此误差尽可能的小以至于xi+1接近设计的虚拟控制器αi，对于状态xi来说，我们希望它跟踪上虚拟控制器αi-1，基于此将跟踪误差定义为zi＝xi-αi-1。
步骤C：基于前i个系统状态变量xi构造系统状态矢量
Figure GDA0003024612850000071
i∈[1,n]，将状态矢量
Figure GDA0003024612850000072
输入RBF神经网络，基于梯度下降法更新RBF神经网络的权值；
系统矢量
Figure GDA0003024612850000073
输入RBF神经网络得到的输出值为
Figure GDA0003024612850000074
用来逼近未知函数
Figure GDA0003024612850000075
未知函数表示系统中未知但在设计控制器时需要考虑的量，其中
Figure GDA0003024612850000076
Figure GDA0003024612850000077
Wi为权值，θi为神经元的输出值，形式为高斯函数，权值更新律为
Figure GDA0003024612850000078
Figure GDA0003024612850000079
Ei为神经网络的逼近误差，ηi为神经网络的学习因子，ki为控制器参数，神经网络的目标函数为
Figure GDA00030246128500000710
公式(6)中基于梯度下降法设计权值更新率的公式，提高了神经网络的故障估计能力；
对于算符
Figure GDA00030246128500000711
和、
Figure GDA00030246128500000712
是通过以下滤波器获得的，
Figure GDA00030246128500000721
其中，
Figure GDA00030246128500000714
为变量ξ的导数，
Figure GDA00030246128500000715
为变量ξ的近似；则
Figure GDA00030246128500000716
表示变量ξ的近似
Figure GDA00030246128500000717
的导数；lξ为正常数，为根据变量ξ确定的经验值；变量
Figure GDA00030246128500000718
为权值近似的导数，通过公式(6)计算得到。
步骤D：构造李雅普诺夫函数Vi
Figure GDA00030246128500000719
对李雅普诺夫函数求导，
Figure GDA00030246128500000720
其中，
Figure GDA0003024612850000081
为权值的估计误差，
Figure GDA0003024612850000082
根据李雅普诺夫稳定性定理设计使系统运行稳定的虚拟控制器αi，当i＝1时，基于李雅普诺夫函数Vi和系统状态变量xi构造虚拟控制器αi，当i>1时，基于李雅普诺夫函数Vi和虚拟控制器αi-1构造虚拟控制器αi；
令系统运行稳定的虚拟控制器αi需要满足令公式(9)Vi(0)≥0，其中系统状态为零时得Vi(0)＝0，公式(10)Vi(0)≤0时构建控制器，则构造的虚拟控制器的表达式为
Figure GDA0003024612850000083
其中，x1r为参考控制输出，是根据经验给出的参考值。
步骤E：如果i<n，则输出控制器αi，令i＝i+1，返回步骤B，否则输出控制器υ(t)。
通过循环迭代，最终能够得到具有n个系统变量的非线性系统的控制器模型为：
Figure GDA0003024612850000084
并定义α0＝x1r。
把公式(12)代入公式(10)中，得到
Figure GDA0003024612850000085
根据李雅普诺夫稳定定理，系统的输出跟踪误差最终收敛到以下紧集：
Figure GDA0003024612850000086
其中，
Figure GDA0003024612850000087
和
Figure GDA0003024612850000088
分别是神经网络基函数θj，逼近误差κj和重构误差Ej的上界。
由此本实施例提供了对于任意满足公式(1)的非线性系统的控制器模型，在使用到具体系统时，确定系统的非线性动态公式、故障、外部扰动和执行器饱和等参数或函数，即可使用本实施例提供的方法得到适用于该系统的容错控制器，下面以具体的系统模型来论证以本实施提供的方法得到的控制器的有效性。
验证系统模型如下：
Figure GDA0003024612850000091
其中，部件故障为
Figure GDA0003024612850000092
故障情况下的执行器输出为
Figure GDA0003024612850000093
外部扰动为
Figure GDA0003024612850000094
跟踪信号为
x1r＝0.5sin(0.5t) (19)
x1r即为参考输出yr；
未知函数分别为
Figure GDA0003024612850000095
Figure GDA0003024612850000096
用于逼近未知函数的两个RBF神经网络的输入设计为
Figure GDA0003024612850000097
RBF神经网络的学习因子为η1＝3.5，η2＝2.3，滤波器参数为
Figure GDA0003024612850000098
Figure GDA0003024612850000099
系统控制器参数分别为k1＝45，k2＝65。
基于以上系统得到的控制器效果如图2-图8所示，图2为控制器命令下系统的跟踪效果图，根据图2可知跟踪曲线与输出命令几乎完全重合，跟踪效果非常好；根据图3可知系统在公式(16)-(18)的故障和外部扰动下，系统跟踪误差z1会有小幅度的波动，但始终保持在极小的范围内；图4为神经网络的输出值
Figure GDA0003024612850000101
曲线，也即是对系统包含故障的综合未知扰动
Figure GDA0003024612850000102
的估计，图5所示的神经网络的重构逼近误差E1在系统发生故障和扰动时仍保持在极小的范围内；图6和图7为RBF神经网络输出的
Figure GDA0003024612850000103
曲线和对应的重构逼近误差E2曲线，在系统存在故障和扰动时，E2没有明显变化；图8为系统的理想控制输入v和实际控制输入sat(u)的曲线。
本实施例基于RBF神经网络设计容错控制器，基于梯度下降法对神经网络权值进行更新优化，提高了神经网络的故障估计能力，使控制器的容错控制性能更优。

Claims (1)

1.一种连续非线性系统的控制器构建方法，其特征在于：包括以下步骤，
步骤A：建立包括部件故障、执行器故障、外部扰动和执行器饱和的连续非线性系统模型，确定系统状态变量{xi|i∈[1,n]}，初始化i＝1；
其中，严格反馈非线性系统模型为
Figure FDA0003024612840000011
其中，
Figure FDA0003024612840000012
表示的xi一阶导数，
Figure FDA0003024612840000013
是系统的状态矢量，
Figure FDA0003024612840000014
和
Figure FDA0003024612840000015
为系统的非线性动态，di,i∈[1,n]为外部扰动，ζi,i∈[1,n]为部件故障，y(t)为系统的输出；
Figure FDA00030246128400000112
v(t)为系统的理想控制输入，β(t)和
Figure FDA00030246128400000111
分别为执行器的乘性故障和加性故障，u(t)为执行器存在故障情况下输出的系统实际控制输入，sat(u(t))为执行器饱和函数，即执行器饱和情况下的系统控制输入；
Figure FDA0003024612840000016
Figure FDA0003024612840000017
其中，uM是执行器饱和限制，sgn(u)为符号函数；则公式(1)重写为
Figure FDA0003024612840000018
其中，
Figure FDA0003024612840000019
Figure FDA00030246128400000110
步骤B：对状态变量xi，求解系统的跟踪误差zi；
Figure FDA0003024612840000021
其中，y为公式(1)中的系统实际输出，即y＝x1，yr是参考输出，zi是表征实际系统状态和参考状态差值的量；αi为虚拟控制器；
步骤C：基于前i个状态变量xi构造系统状态矢量
Figure FDA0003024612840000022
将状态矢量
Figure FDA0003024612840000023
输入RBF神经网络得到输出值
Figure FDA0003024612840000024
用来逼近未知函数
Figure FDA0003024612840000025
Figure FDA0003024612840000026
Figure FDA0003024612840000027
Figure FDA0003024612840000028
其中，未知函数为系统中未知但在设计控制器时需要考虑的量，
Wi为权值，θi为神经元的输出值，形式为高斯函数，基于梯度下降法设计的权值更新律为
Figure FDA0003024612840000029
Figure FDA00030246128400000210
Ei为神经网络的逼近误差，ηi为神经网络的学习因子，ki为控制器参数，神经网络的目标函数为
Figure FDA00030246128400000211
对于算符
Figure FDA00030246128400000212
和
Figure FDA00030246128400000213
是通过以下滤波器获得的，
Figure FDA00030246128400000214
其中，
Figure FDA00030246128400000215
为变量ξ的导数，
Figure FDA00030246128400000216
为变量ξ的近似；则
Figure FDA00030246128400000217
表示变量ξ的近似
Figure FDA00030246128400000218
的导数；lξ为正常数，为根据变量ξ确定的经验值；
变量
Figure FDA00030246128400000219
为权值近似的导数，通过公式(6)计算得到；
步骤D：构造李雅普诺夫函数Vi，
Figure FDA00030246128400000220
对李雅普诺夫函数求导，
Figure FDA0003024612840000031
其中，
Figure FDA0003024612840000032
为权值的估计误差，
Figure FDA0003024612840000033
并根据李雅普诺夫稳定性定理设计使系统运行稳定的虚拟控制器αi；
虚拟控制器αi需要满足令公式(9)Vi(0)≥0，其中系统状态为零时得Vi(0)＝0，公式(10)Vi(0)≤0时构建控制器，则构造的虚拟控制器的表达式为
Figure FDA0003024612840000034
其中，x1r为参考控制输出，对于总共有n个系统变量的非线性系统，控制器模型为：
Figure FDA0003024612840000035
其中，α0＝x1r；
步骤E：如果i<n，则输出控制器αi，令i＝i+1，返回步骤B；否则输出控制器υ(t)。
CN202010381568.8A 2020-05-08 2020-05-08 一种连续非线性系统的控制器构建方法 Active CN111474922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010381568.8A CN111474922B (zh) 2020-05-08 2020-05-08 一种连续非线性系统的控制器构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010381568.8A CN111474922B (zh) 2020-05-08 2020-05-08 一种连续非线性系统的控制器构建方法

Publications (2)

Publication Number Publication Date
CN111474922A CN111474922A (zh) 2020-07-31
CN111474922B true CN111474922B (zh) 2021-07-16

Family

ID=71762171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010381568.8A Active CN111474922B (zh) 2020-05-08 2020-05-08 一种连续非线性系统的控制器构建方法

Country Status (1)

Country Link
CN (1) CN111474922B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112589798B (zh) * 2020-12-09 2021-12-21 重庆理工大学 基于介电弹性体执行器的软体机器人状态反馈控制方法
CN112612209B (zh) * 2020-12-14 2022-11-04 哈尔滨工业大学 基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法及系统
CN114114917A (zh) * 2021-11-24 2022-03-01 哈尔滨工业大学 一种基于极点配置的反步控制方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611823B1 (en) * 2000-04-20 2003-08-26 Board Of Regents, The University Of Texas System Backlash compensation using neural network
CN101299004B (zh) * 2008-06-24 2010-09-01 华南理工大学 一种基于确定学习理论的振动故障诊断方法
CN102540887A (zh) * 2011-12-27 2012-07-04 浙江大学 一种非线性参数化系统的控制方法
KR20130099479A (ko) * 2012-02-29 2013-09-06 목포대학교산학협력단 풍력발전 제어계통에 대한 센서리스 온라인 신경망 제어방법
US10098582B1 (en) * 2013-05-16 2018-10-16 Cerner Innovations, Inc. Characterizing sleep architecture
CN104022742B (zh) * 2014-06-19 2017-12-12 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法
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
CN105068546B (zh) * 2015-07-31 2017-06-16 哈尔滨工业大学 一种卫星编队相对轨道自适应神经网络构形包含控制方法
CN105843240B (zh) * 2016-04-08 2019-01-22 北京航空航天大学 一种考虑执行器故障的航天器姿态积分滑模容错控制方法
CN106773679B (zh) * 2016-12-01 2018-10-16 北京航空航天大学 一种基于角速度观测器的航天器容错控制方法
CN108710303B (zh) * 2018-07-25 2021-06-08 西北工业大学 含有多源扰动及执行器饱和的航天器相对姿态控制方法
CN109116739A (zh) * 2018-09-28 2019-01-01 南京工业大学 刚性航天器多反作用飞轮故障下的诊断及补偿方法
CN109683477B (zh) * 2018-12-12 2020-11-27 中国地质大学（武汉） 一种随机多智能体系统有限时间控制器的设计方法及系统
CN110134011B (zh) * 2019-04-23 2022-01-11 浙江工业大学 一种倒立摆自适应迭代学习反演控制方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Artificial intelligence control applied to drag reduction of the fluidic pinball;Guy Y. Cornejo Maceda等;《PAMM Prnc.Appl.Math.Mech.2019》;20190517;全文 *
一种非线性滤波器在协调控制系统前馈控制中的应用;王桐等;《电力科学与工程》;30-36;20150831;全文 *
一类强耦合强不确定性强非线性快时变系统复合控制;孔雪等;《宇航学报》;20191231;全文 *

Also Published As

Publication number Publication date
CN111474922A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111474922B (zh) 一种连续非线性系统的控制器构建方法
Niu et al. Adaptive decentralized asymptotic tracking control for large-scale nonlinear systems with unknown strong interconnections
Sun et al. Fixed-time control with uncertainty and measurement noise suppression for hypersonic vehicles via augmented sliding mode observers
Liu et al. Adaptive predefined performance control for MIMO systems with unknown direction via generalized fuzzy hyperbolic model
Chen et al. Robust adaptive neural network control for a class of uncertain MIMO nonlinear systems with input nonlinearities
Hsu et al. Wavelet adaptive backstepping control for a class of nonlinear systems
Zhou et al. Finite-time prescribed performance adaptive fuzzy control for unknown nonlinear systems
Yang et al. SGD-based adaptive NN control design for uncertain nonlinear systems
CN113359445A (zh) 一种多智能体磁滞系统分布式输出反馈渐近一致控制方法
Jin et al. Robust adaptive general formation control of a class of networked quadrotor aircraft
Nai et al. Prescribed performance adaptive neural compensation control for intermittent actuator faults by state and output feedback
Witt et al. Approximate model predictive control of a 3-DOF helicopter
Dydek et al. High performance adaptive control in the presence of time delays
Xiao et al. Fault-tolerant attitude tracking control for carrier-based aircraft using RBFNN-based adaptive second-order sliding mode control
Wang et al. Optimized adaptive finite-time consensus control for stochastic nonlinear multiagent systems with non-affine nonlinear faults
CN107943097B (zh) 飞行器的控制方法、装置和飞行器
CN114063457A (zh) 一种机械臂系统的事件触发容错控制方法
Wu et al. Command filter-based adaptive fuzzy switching event-triggered control for non-affine nonlinear systems with actuator faults
Ahmed et al. Non-model based adaptive control of electro-hydraulic servo systems using prefilter inversion
CN113325717A (zh) 基于互联大规模系统的最优容错控制方法、系统、处理设备、存储介质
CN116068901A (zh) 一种基于自适应有限时间扰动观测器的柔性连杆机械臂控制方法
CN113219832A (zh) 一种自适应迭代学习非一致目标跟踪控制器设计方法
Zhen et al. Neural network adaptive control of MIMO systems with nonlinear uncertainty
Genno et al. An Adaptive Neuro-Fuzzy Controller for Vibration Suppression of Flexible Structuress
Al Younes et al. Intelligent controller design for MIMO systems using model-free control and LMI approaches applied on a twin rotor MIMO system

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