CN113325718A - 一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质 - Google Patents
一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质 Download PDFInfo
- Publication number
- CN113325718A CN113325718A CN202110648719.6A CN202110648719A CN113325718A CN 113325718 A CN113325718 A CN 113325718A CN 202110648719 A CN202110648719 A CN 202110648719A CN 113325718 A CN113325718 A CN 113325718A
- Authority
- CN
- China
- Prior art keywords
- optimal
- error
- tracking
- equation
- controller
- 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.)
- Pending
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
Abstract
本发明提供一种考虑跟踪误差约束的最优跟踪控制方法,包括以下步骤:步骤1.建立大规模系统的数学模型;步骤2.把含有约束的跟踪误差转化为没有约束的误差;步骤3.利用转换后的误差设计性能指标并利用自适应动态规划技术设计最优跟踪控制器;步骤4.利用互联倒立摆系统仿真验证所提方法的有效性。本发明在考虑跟踪误差约束下设计了最优跟踪控制器;简化了关于大规模互联系统的最优跟踪控制器方案的设计。
Description
技术领域
本发明涉及最优跟踪控制技术领域,具体来说是一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质。
背景技术
大规模系统一般指由多个子系统互联而成的系统。此类系统广泛存在于电力和化工等领域。由于大规模互联系统的多变量,高度非线性和强耦合等特性,设计有效的控制器尤为困难。现有的针对此类系统的控制器设计方法中使用的最多的是集散控制,它考虑互联项并对每个子系统设计一个局部控制器而保证整个控制系统的稳定。随着控制任务越来越复杂,我们也希望控制器在保证闭环系统稳定的同时,在要求的性能指标下是最优的。因此,关于大规模系统的最优控制得到了人们的关注。同时,在控制器设计过程中,系统暂态响应也是一项重要的评价指标。因此,预设性能控制也得到了广泛的研究。虽然,已有学者对大规模系统的预设性能最优控制问题进行研究。但由于最优控制方法的局限性,也即是性能指标在有限或无限时间域内应为有界值,我们一般在被控系统零平衡点处设计控制器。然而,实际中很多系统并不满足此条件,即使可以通过坐标变换使之满足假设条件,系统的平衡点需要事先已知。综上所述,现有的最优控制方案仍然存在以下几个难题:
1)如何在满足跟踪误差约束下设计最优跟踪控制器。
2)如何针对一类含有非零平衡点的大规模互联系统设计最优跟踪控制器。
如申请号为202010665160.3公开的一种基于预设性能的超高声速飞行器姿态控制方法,该专利考虑了预设性能提出了一种基于超高声速飞行器姿态控制方案。首先,建立高超声速姿态控制数学模型;接着,引入扩张观测器对未知函数进行估计和补偿;最后,利用反步控制技术设计控制器。该方法存在以下两点缺点:
1)只考虑了性能约束并没有考虑最优问题;
2)设计的控制器适合单个系统,不能应用于大规模系统。
再如申请号为201810799985.7公开的一种基于自适应动态规划的分布式最优协同容错控制方法,该专利利用自适应动态规划技术设计了一种分布式最优容错控制方案。首先建立大规模被控对象的模型;接着利用最优控制理论设计最优控制器;最后,设计估计器估计系统中发生的未知故障,进而设计一种分布式最优容错控制方法。该方法存在以下缺点:
1)此方案缺少仿真验证或者实验验证;
2)此方案没有考虑性能约束的问题。
因此,如果针对一类含有非零平衡点的大规模系统设计一种预设性能最优控制器成为一个新的难题。
发明内容
本发明所要解决的技术问题在于针对含有非零平衡点的大规模系统设计一种考虑跟踪误差约束的最优跟踪控制方法。
本发明通过以下技术手段实现解决上述技术问题的:
一种考虑跟踪误差约束的最优跟踪控制方法,包括以下步骤:
步骤1.建立大规模系统的数学模型;
步骤2.把含有约束的跟踪误差转化为没有约束的误差;
步骤3.利用转换后的误差设计性能指标并利用自适应动态规划技术设计最优跟踪控制器;
步骤4.利用互联倒立摆系统仿真验证所提方法的有效性。
本发明在考虑跟踪误差约束下设计了最优跟踪控制器;简化了关于大规模互联系统的最优跟踪控制器方案的设计。
进一步的,所述步骤1具体为:
考虑子系统如下的互联大规模系统
其中i=1,2,…,N表示第i个子系统,xi,1和xi,2代表子系统的两个状态变量,和代表子系统的非线性函数,代表系统的互联项,ui代表子系统的控制输入,yi代表子系统的输出,为系统的状态向量;令yi,r代表系统的输出参考信号。
进一步的,所述步骤2具体为:定义系统的跟踪误差为
其中
li,1,li,2为正常数。接下来为了方便控制器设计,把形如公式(3)的含有约束的误差ei,1,ei,2转换为不含约束的误差zi,1,zi,2。
定义
则
因此,得到
对以上两个变量求导,得
定义
所以
进一步的,所述步骤3具体为:定义一个新的变量如下
Ei=λizi,1+zi,2 (12)
式(12)的导数为
定义性能指标为
其中qi和ri为正常数;根据公式(14),得哈密顿方程如下
定义最优性能指标为
把公式(1),(11),(13),(16)带入到公式(15)得最优控制器如下
其中
Ai,1=ri
由于最优性能指标未知,不能利用公式(17)直接获得最优控制器,我们引入神经网络学习算法来逼近最优控制器;首先设计一个神经网络逼近性能指标
其中,W是最优权值向量,h是基函数向量,o(Ei)为神经网络得逼近误差,对上式关于Ei求偏导得
把公式(19)带入公式(15),并根据公式(1),(2),(11),(12)和(13)得
定义代价函数为
则神经网络权值的更新率可以设计为
与上述方法对应的,本发明还提供一种考虑跟踪误差约束的最优跟踪控制系统,包括:
数学模型建立模块,建立大规模系统的数学模型;
跟踪误差转换模块,把含有约束的跟踪误差转化为没有约束的误差;
最优跟踪控制器设计模块,利用转换后的误差设计性能指标并利用自适应动态规划技术设计最优跟踪控制器;
验证模块,利用互联倒立摆系统仿真验证所提方法的有效性。
进一步的,所述数学模型建立模块执行过程具体为:
考虑子系统如下的互联大规模系统
其中i=1,2,…,N表示第i个子系统,xi,1和xi,2代表子系统的两个状态变量,和代表子系统的非线性函数,代表系统的互联项,ui代表子系统的控制输入,yi代表子系统的输出,为系统的状态向量;令yi,r代表系统的输出参考信号。
进一步的,所述跟踪误差转换模块执行过程具体为:定义系统的跟踪误差为
其中
li,1,li,2为正常数,接下来为了方便控制器设计,把形如公式(3)的含有约束的误差ei,1,ei,2转换为不含约束的误差zi,1,zi,2。
定义
则
因此,得到
对以上两个变量求导,得
定义
所以
进一步的,所述最优跟踪控制器设计模块执行过程具体为:定义一个新的变量如下
Ei=λizi,1+zi,2 (37)
式(12)的导数为
定义性能指标为
其中qi和ri为正常数;根据公式(14),得哈密顿方程如下
定义最优性能指标为
把公式(1),(11),(13),(16)带入到公式(15)得最优控制器如下
其中
Ai,1=ri
由于最优性能指标未知,不能利用公式(17)直接获得最优控制器,我们引入神经网络学习算法来逼近最优控制器;首先设计一个神经网络逼近性能指标
其中,W是最优权值向量,h是基函数向量,o(Ei)为神经网络得逼近误差,对上式关于Ei求偏导得
把公式(19)带入公式(15),并根据公式(1),(2),(11),(12)和(13)得
定义代价函数为
则神经网络权值的更新率可以设计为
本发明还提供一种处理设备,包括至少一个处理器,以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述的方法。
本发明的优点在于:
本发明在考虑跟踪误差约束下设计了最优跟踪控制器;由于现有的最优跟踪控制器一般分为两部分完成,一部分用来设计稳态控制器,一部分用来设计反馈控制器。而本专利所设计的最优性能指标,可以直接求解出最优跟踪控制器,简化了关于大规模互联系统的最优跟踪控制器方案的设计。
附图说明
图1为采用本发明实施例中考虑跟踪误差约束的最优跟踪控制方法所获得的最优控制系统框图;
图2为本发明实施例中考虑跟踪误差约束的最优跟踪控制方法步骤3中验证所用的互联倒立摆系统结构示意图;
图3为图2中互联倒立摆系统应用本发明后的跟踪信号和实际输出信号随时间的变化曲线图;
图4为图2中互联倒立摆系统应用本发明后的跟踪误差信号随时间的变化曲线图及预设的跟踪约束函数随时间的变化曲线图;
图5为图2中互联倒立摆系统应用本发明后系统的控制输入变化曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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。本实施例公开一种考虑跟踪误差约束的最优跟踪控制方法,如图1所示,包括以下步骤:
步骤1.建立大规模系统的数学模型;
具体方法为:
考虑子系统如下的互联大规模系统
其中i=1,2,…,N表示第i个子系统,xi,1和xi,2代表子系统的两个状态变量,和代表子系统的非线性函数,代表系统的互联项,ui代表子系统的控制输入,yi代表子系统的输出,为系统的状态向量。令yi,r代表系统的输出参考信号,则我们需要设计控制器使互联系统在跟踪误差约束下最优。
步骤2.含有约束的跟踪误差变量转换;具体为:定义系统的跟踪误差为
其中
li,1,li,2为正常数。接下来为了方便控制器设计,把形如公式(3)的含有约束的误差ei,1,ei,2转换为不含约束的误差zi,1,zi,2。
定义
则
因此,我们得到
对以上两个变量求导,得
定义
所以
步骤3.设计性能指标并利用自适应动态规划技术设计最优跟踪控制器;
具体为:定义一个新的变量如下
Ei=λizi,1+zi,2 (62)
它的导数为
定义性能指标为
其中qi和ri为正常数。根据公式(14),得哈密顿方程如下
定义最优性能指标为
把公式(1),(11),(13),(16)带入到公式(15)得最优控制器如下
其中
Ai,1=ri
由于最优性能指标未知,不能利用公式(17)直接获得最优控制器,我们引入神经网络学习算法来逼近最优控制器。首先设计一个神经网络逼近性能指标
(69)
把公式(19)带入公式(15),并根据公式(1),(2),(11),(12)和(13)得
定义代价函数为
则神经网络权值的更新率可以设计为
至此,针对子系统如公式(1)所示的大规模系统的预设性能最优控制器设计完毕。此控制方案的方框图如图1所示。
步骤4.利用互联倒立摆系统仿真验证所提方法的有效性。具体为:
考虑如图2所示的互联倒立摆系统,模型如下所示
其中,u1和u2为控制输入,θ1和θ2为系统的输出。我们将通过此专利提出的方法,设计此系统的控制输入,使倒立摆系统的两个角度θ1和θ2跟踪上给定的参考信号。系统参数为m1=2kg,m2=2.5kg,g=9.81m/s2,l=0.5m,r=0.5m,b=0.4m,k=100N/m,J1=0.5kg和J2=0.625kg。参考信号设计为y1r=y2r=sin(0.2πt),控制参数设计为λ1=λ2=3,pi,1=1.3,ri,1=0.1,pi,2=0.5和ri,1=0.1。仿真结果如图3-5所示。其中,图3给出了系统的跟踪曲线图,图4为系统的跟踪误差变化图。由图3和图4可以看出,本实施例所提的方法可以获得一个很好的跟踪效果。同时,图4可以看到,系统的跟踪误差始终保持在设计的误差约束范围内。图5给出了系统的控制输入随时间的变化。因此,可以看出,即使系统含有非零平衡点,本实施例所提的控制算法仍然可以实现系统的预设性能最优控制。
综上,本实施例提供的在考虑跟踪误差约束下设计了最优跟踪控制器方法,简化了关于大规模互联系统的最优跟踪控制器方案的设计。
与上述方法对应的,本实施例还公开一种考虑跟踪误差约束的最优跟踪控制系统,包括:
数学模型建立模块,具体方法为:
考虑子系统如下的互联大规模系统
其中i=1,2,…,N表示第i个子系统,xi,1和xi,2代表子系统的两个状态变量,和代表子系统的非线性函数,代表系统的互联项,ui代表子系统的控制输入,yi代表子系统的输出,为系统的状态向量。令yi,r代表系统的输出参考信号,则我们需要设计控制器使互联系统在跟踪误差约束下最优。
误差变量转换模块,含有约束的跟踪误差变量转换;具体为:定义系统的跟踪误差为
其中
li,1,li,2为正常数。接下来为了方便控制器设计,把形如公式(3)的含有约束的误差ei,1,ei,2转换为不含约束的误差zi,1,zi,2。
定义
则
因此,我们得到
对以上两个变量求导,得
定义
所以
最优跟踪控制器设计模块,利用转换后的误差设计性能指标并利用自适应动态规划技术设计最优跟踪控制器:定义一个新的变量如下
Ei=λizi,1+zi,2 (88)
它的导数为
定义性能指标为
其中qi和ri为正常数。根据公式(14),得哈密顿方程如下
定义最优性能指标为
把公式(1),(11),(13),(16)带入到公式(15)得最优控制器如下
其中
Ai,1=ri
由于最优性能指标未知,不能利用公式(17)直接获得最优控制器,我们引入神经网络学习算法来逼近最优控制器。首先设计一个神经网络逼近性能指标
其中,W是最优权值向量,h是基函数向量,o(Ei)为神经网络得逼近误差,对上式关于Ei求偏导得
把公式(19)带入公式(15),并根据公式(1),(2),(11),(12)和(13)得
定义代价函数为
则神经网络权值的更新率可以设计为
至此,针对子系统如公式(1)所示的大规模系统的预设性能最优控制器设计完毕。此控制方案的方框图如图1所示。
验证模块,利用互联倒立摆系统仿真验证所提方法的有效性。具体为:
考虑如图2所示的互联倒立摆系统,模型如下所示
其中,u1和u2为控制输入,θ1和θ2为系统的输出。我们将通过此专利提出的方法,设计此系统的控制输入,使倒立摆系统的两个角度θ1和θ2跟踪上给定的参考信号。系统参数为m1=2kg,m2=2.5kg,g=9.81m/s2,l=0.5m,r=0.5m,b=0.4m,k=100N/m,J1=0.5kg和J2=0.625kg。参考信号设计为y1r=y2r=sin(0.2πt),控制参数设计为λ1=λ2=3,pi,1=1.3,ri,1=0.1,pi,2=0.5和ri,1=0.1。仿真结果如图3-5所示。其中,图3给出了系统的跟踪曲线图,图4为系统的跟踪误差变化图。由图3和图4可以看出,本实施例所提的方法可以获得一个很好的跟踪效果。同时,图4可以看到,系统的跟踪误差始终保持在设计的误差约束范围内。图5给出了系统的控制输入随时间的变化。因此,可以看出,即使系统含有非零平衡点,本实施例所提的控制算法仍然可以实现系统的预设性能最优控制。
本实施例还提供一种处理设备,包括至少一个处理器,以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述的方法。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种考虑跟踪误差约束的最优跟踪控制方法,其特征在于,包括以下步骤:
步骤1.建立大规模系统的数学模型;
步骤2.把含有约束的跟踪误差转化为没有约束的误差;
步骤3.利用转换后的误差设计性能指标并利用自适应动态规划技术设计最优跟踪控制器;
步骤4.利用互联倒立摆系统仿真验证所提方法的有效性。
4.根据权利要求3所述的一种考虑跟踪误差约束的最优跟踪控制方法,其特征在于,所述步骤3具体为:定义一个新的变量如下
Ei=λizi,1+zi,2 (114)
式(12)的导数为
定义性能指标为
其中qi和ri为正常数;根据公式(14),得义哈密顿方程如下
定义最优性能指标为
把公式(1),(11),(13),(16)带入到公式(15)得最优控制器如下
其中
Ai,1=ri
由于最优性能指标未知,不能利用公式(17)直接获得最优控制器,我们引入神经网络学习算法来逼近最优控制器;首先设计一个神经网络逼近性能指标
其中,Wi是最优权值向量,hi是基函数向量,oi(Ei)为神经网络的逼近误差,对上式关于Ei求偏导得
把公式(19)带入公式(15),并根据公式(1),(2),(11),(12)和(13)得
定义代价函数为
则神经网络权值的更新率可以设计为
5.一种考虑跟踪误差约束的最优跟踪控制系统,其特征在于,包括:
数学模型建立模块,建立大规模系统的数学模型;
跟踪误差转换模块,把含有约束的跟踪误差转化为没有约束的误差;
最优跟踪控制器设计模块,利用转换后的误差设计性能指标并利用自适应动态规划技术设计最优跟踪控制器;
验证模块,利用互联倒立摆系统仿真验证所提方法的有效性。
8.根据权利要求7所述的一种考虑跟踪误差约束的最优跟踪控制系统,其特征在于,所述最优跟踪控制器设计模块执行过程具体为:定义一个新的变量如下
Ei=λizi,1+zi,2 (139)
式(12)的导数为
定义性能指标为
其中qi和ri为正常数;根据公式(14),得哈密顿方程如下
定义最优性能指标为
把公式(1),(11),(13),(16)带入到公式(15)得最优控制器如下
其中
Ai,1=ri
由于最优性能指标未知,不能利用公式(17)直接获得最优控制器,我们引入神经网络学习算法来逼近最优控制器;首先设计一个神经网络逼近性能指标
其中,Wi是最优权值向量,hi是基函数向量,oi(Ei)为神经网络的逼近误差,对上式关于Ei求偏导得
把公式(19)带入公式(15),并根据公式(1),(2),(11),(12)和(13)得
定义代价函数为
则神经网络权值的更新率可以设计为
9.一种处理设备,其特征在于,包括至少一个处理器,以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648719.6A CN113325718A (zh) | 2021-06-10 | 2021-06-10 | 一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648719.6A CN113325718A (zh) | 2021-06-10 | 2021-06-10 | 一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113325718A true CN113325718A (zh) | 2021-08-31 |
Family
ID=77421292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110648719.6A Pending CN113325718A (zh) | 2021-06-10 | 2021-06-10 | 一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113325718A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681140A (zh) * | 2016-12-23 | 2017-05-17 | 西北工业大学 | 一种不确定大系统低复杂度鲁棒保性能分散控制方法 |
CN107450316A (zh) * | 2017-08-10 | 2017-12-08 | 哈尔滨工业大学 | 贴片机驱动系统的采样自适应鲁棒控制方法 |
-
2021
- 2021-06-10 CN CN202110648719.6A patent/CN113325718A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681140A (zh) * | 2016-12-23 | 2017-05-17 | 西北工业大学 | 一种不确定大系统低复杂度鲁棒保性能分散控制方法 |
CN107450316A (zh) * | 2017-08-10 | 2017-12-08 | 哈尔滨工业大学 | 贴片机驱动系统的采样自适应鲁棒控制方法 |
Non-Patent Citations (2)
Title |
---|
WANG YUJIA 等: "Decentralized optimal tracking control for large-scale nonlinear systems with tracking error constraints", 《HTTPS://DOI.ORG/10.1002/ACS.3248》 * |
马敏 等: "含有执行器故障的非线性切换互联大系统的自适应模糊Backstepping容错控制", 《南京信息工程大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cho et al. | Composite model reference adaptive control with parameter convergence under finite excitation | |
Wu et al. | Practical adaptive fuzzy control of nonlinear pure-feedback systems with quantized nonlinearity input | |
Liu et al. | Reinforcement learning design-based adaptive tracking control with less learning parameters for nonlinear discrete-time MIMO systems | |
Wang et al. | Adaptive finite-time tracking control of switched nonlinear systems | |
Chen et al. | Fuzzy approximation-based adaptive control of nonlinear delayed systems with unknown dead zone | |
Yang et al. | Adaptive neural prescribed performance tracking control for near space vehicles with input nonlinearity | |
Liu et al. | Observer-based adaptive fuzzy tracking control for a class of uncertain nonlinear MIMO systems | |
Chen et al. | Novel adaptive neural control design for nonlinear MIMO time-delay systems | |
Wang et al. | Direct adaptive neural control for stabilization of nonlinear time-delay systems | |
Liu et al. | Model‐free adaptive control method for a class of unknown MIMO systems with measurement noise and application to quadrotor aircraft | |
He | Non-fragile passive controller design for nonlinear Markovian jumping systems via observer-based controls | |
Li et al. | Decentralized adaptive neural control of nonlinear systems with unknown time delays | |
Dastres et al. | Neural-network-based adaptive backstepping control for a class of unknown nonlinear time-delay systems with unknown input saturation | |
Beyhan et al. | Stable modeling based control methods using a new RBF network | |
Zhang et al. | Fuzzy adaptive control of nonlinear MIMO systems with unknown dead zone outputs | |
Fan et al. | Adaptive nearly optimal control for a class of continuous-time nonaffine nonlinear systems with inequality constraints | |
Si et al. | Decentralized adaptive neural control for interconnected stochastic nonlinear delay-time systems with asymmetric saturation actuators and output constraints | |
Li et al. | Prescribed performance trajectory tracking fault-tolerant control for dynamic positioning vessels under velocity constraints | |
Li et al. | Finite-time composite learning control for trajectory tracking of dynamic positioning vessels | |
CN113325717B (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 | |
Liu et al. | Online H∞ control for continuous-time nonlinear large-scale systems via single echo state network | |
Yuan et al. | Event-based adaptive horizon nonlinear model predictive control for trajectory tracking of marine surface vessel | |
Yoshimura | Adaptive fuzzy dynamic surface control for a class of stochastic MIMO discrete-time nonlinear pure-feedback systems with full state constraints | |
Tanemura et al. | Closed-loop data-driven estimation on passivity property | |
CN113325718A (zh) | 一种考虑跟踪误差约束的最优跟踪控制方法、系统、处理设备、存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |
|
RJ01 | Rejection of invention patent application after publication |