CN114384800A - 一种具有输入信号延时的未知非线性系统反推控制方法 - Google Patents
一种具有输入信号延时的未知非线性系统反推控制方法 Download PDFInfo
- Publication number
- CN114384800A CN114384800A CN202111500812.9A CN202111500812A CN114384800A CN 114384800 A CN114384800 A CN 114384800A CN 202111500812 A CN202111500812 A CN 202111500812A CN 114384800 A CN114384800 A CN 114384800A
- Authority
- CN
- China
- Prior art keywords
- function
- input signal
- unknown
- signal delay
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002441 reversible effect Effects 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000013461 design Methods 0.000 claims description 32
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004880 explosion Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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
本发明涉及一种具有输入信号延时的未知非线性系统反推控制方法,首先利用径向基神经网络逼近具有输入信号延时的未知非线性系统中的未知函数,将未知函数表示成已知函数,然后基于反推控制技术,并在反推控制的第一步构建Funnel函数,通过坐标变换将跟踪误差限制在Funnel函数内;在反推控制的最后一步设计输入信号延时补偿函数,将具有输入信号延时的未知非线性系统转换成无延时的系统;同时使反推控制每一步设计的虚拟控制律通过基于正时变积分函数设计的动态面得到新的虚拟控制信号,作为下一步的虚拟控制量,直到设计出实际控制律。本发明针对一类带有输入信号延时的未知非线性系统,能有效避免传统动态面存在的边界层无差问题,使得系统跟踪性能更好。
Description
技术领域
本发明属于未知非线性系统的跟踪控制技术领域,涉及一种具有输入信号延时的未知非线性系统反推控制方法。
背景技术
近几十年,带有输入信号延时的未知非线性系统的跟踪控制问题得到众多研究者的关注。能够保证设计的控制器满足系统的稳态性能、瞬态性能及精确的跟踪性能是十分重要的。现在处理带有输入信号延时的未知非线性系统的基本是预测反馈控制方法和Pade逼近法,预测反馈控制方法一直是输入信号延时控制的基本方法之一,由于分布特性,传统的基于预测的方法在实际应用中难以实施,且系统的输入信号延时比较大时跟踪误差比较大,跟踪效果不佳,甚至会跟踪发散。虽然截断预测反馈控制方案能够避免反馈律无穷维性问题,但仍未解决输入延时必须小的问题。Pade逼近法被广泛应用于带有输入时滞的严格反馈非线性系统。因为输入延时需要进行Laplace变换,逼近误差要求趋于零,所以Pade逼近法仅能处理较小的时滞系统。以上控制方法对系统的输入信号延时比较大时跟踪误差比较大,跟踪效果不佳,甚至会跟踪发散。在实际的生产应用中对输入信号延时波动较大的系统存在极大的安全隐患,在高精尖的系统跟踪问题中无法应用。
发明内容
本发明的目的是解决现有技术中存在的上述问题,提供一种具有输入信号延时的未知非线性系统反推控制方法。
为达到上述目的,本发明采用的技术方案如下:
一种具有输入信号延时的未知非线性系统反推控制方法,首先利用径向基神经网络逼近具有输入信号延时的未知非线性系统中的未知函数,将未知函数表示成已知函数;然后基于反推控制技术,并在反推控制的第一步构建Funnel函数,通过坐标变换将跟踪误差(即输出与期望轨迹之间的误差)限制在Funnel函数内;在反推控制的最后一步设计输入信号延时补偿函数,将具有输入信号延时的未知非线性系统转换成无延时的系统;同时使反推控制每一步设计的虚拟控制律通过基于正时变积分函数设计的动态面得到新的虚拟控制信号,作为下一步的虚拟控制量,直到设计出实际控制律,不仅避免了反推控制中存在的“微分爆炸”问题,而且消除了动态面边界层误差,保证了系统跟踪误差收敛到零;
基于正时变积分函数设计的动态面如下:
其中,为边界层误差,为虚拟控制律,αi为虚拟控制律通过所述动态面后得到的新的虚拟控制信号,αi(0)为αi的初值,为Mi的估计值,Mi为一个未知正的常数,ei为第i个位置误差,τi是动态面的时间常数,σ(t)是正时变积分函数,满足以下条件:
其中,σ1和σ2是正的常数,t表示时间;
所述输入信号延时补偿函数为:
其中,h为输入信号延时补偿函数,λ为已知正常数,u(t-τ(t))为具有输入信号延时的未知非线性系统的输入,τ(t)为已知时变输入延时,u(t)为具有输入信号延时的未知非线性系统无延时的输入;
构建的Funnel函数为:
作为优选的技术方案:
如上所述的一种具有输入信号延时的未知非线性系统反推控制方法,径向基神经网络的模型如下:
对于任何未知连续的函数f(x),存在径向基神经网络WTΦ(x)如下:
如上所述的一种具有输入信号延时的未知非线性系统反推控制方法,在反推控制的第一步通过坐标变换,将跟踪误差限制在Funnel函数内,具体表示为:跟踪误差e1的Funnel误差变量为表明跟踪误差e1始终在Funnel函数范围内变化,所以当跟踪误差e1逼近函数时,s会增长,跟踪误差e1减小时,s也会相应的减少。
如上所述的一种具有输入信号延时的未知非线性系统反推控制方法,利用输入信号延时补偿函数将具有输入信号延时的未知非线性系统转换成无延时的系统的过程为:在反推控制的最后一步(step n)中利用设计的位置误差en=xn-αn-1-h,将en对时间求导,结果为该结果中已经不再含有u(t-τ(t)),即将具有输入延时的系统转换成无延时的系统;其中en为第n步位置误差,αn-1为第n-1步的虚拟控制律通过所述动态面后得到的新的虚拟控制信号,fn为具有输入信号延时的未知非线性系统中的未知函数,λ为已知正常数,h为输入信号延时补偿函数。
如上所述的一种具有输入信号延时的未知非线性系统反推控制方法,反推控制的具体过程为:
对具有输入信号延时的未知非线性系统:
y=x1
设计位置误差如下:
e1=y-yr
ei=xi-αi-1,i=2,…,n-1;
en=xn-αn-1-h
其中,αi-1是第i-1步设计的虚拟控制律通过所述动态面后得到的新的虚拟控制信号,yr为期望轨迹;
(1)根据Funnel控制则跟踪误差e1的Funnel的误差变量为:
则s关于时间的导数为:
其中,W1为第一个径向基神经网络的权值,Φ1为第一个神经网络径向基函数,ε1为第一个径向基神经网络的逼近误差,选择第一个虚拟控制律以及第一个径向基神经网络权值的自适应律与第一个神经网络逼近误差的自适应律为:
由于反推控制方法存在固有的“微分爆炸”,这极大的增加了计算负担,为减小计算负担,引入了动态面,与以往的研究不同,本发明使用的是非线性的动态面,不仅能避免“微分爆炸”,而且可以消除边界层误差。
(2)i=2,…,n-1,第i个位置误差ei为:
ei=xi-αi-1;
(3)第n个位置误差en为:
en=xn-αn-1-h;
本发明的原理如下:
对于带有输入信号延时的未知非线性系统,现有技术有利用预测器反馈方法处理输入信号延时的问题,但存在反馈律无限性的问题,因非线性系统的状态存在非线性和不确定性难以预测,需要非线性函数满足Lipschitz条件,且基于预测器反馈方法的控制器设计既无法保证系统的瞬态性能,又对大延时处理效果不佳。本发明采用自适应反推控制方法设计控制器。对于输入信号延时问题,设计了输入信号延时的补偿函数,通过补偿函数将带有输入信号延时的未知非线性系统转换成无输入信号延时的系统,该补偿方案简化了控制器设计结构,减轻了运算负担,且满足大延时需求。但是自适应反推控制技术中存在对虚拟控制律的重复微分,加重了控制器的计算负担,且当系统的阶数比较大时,设计的控制器的结构也会变得比较复杂,不利于实际工程的实施。为解决因重复微分导致的“微分爆炸”问题,本发明不同于以往研究的动态面,利用基于正时积分函数设计的新型动态面,不仅解决了“微分爆炸”问题,而且消除了边界层误差,使得系统的最终跟踪误差渐近收敛到零。同时本发明利用Funnel控制技术有效的保证系统的稳态和瞬态性能,既满足设计初期的性能要求,又减少后期调试中的人力成本和时间成本。和预测反馈方法处理的输入信号延时相比,本发明利用新型动态面技术并设计了输入信号延时的补偿函数,不仅能保证大延时的跟踪效果,而且简化了设计结构,减轻了计算负担,保证最终的跟踪误差收敛到零,在工程上易于实现。由于在许多应用环境下,需要对含有输入信号延时的系统实现可靠的、高精度的控制,因此本发明具有不可替代的作用。在医疗卫生、航空航天和5G应用等高精尖的产业存在大量关于输入信号延时的控制问题,因此本发明具有十分重要的理论价值和应用价值。
有益效果:
本发明的优点在于针对一类带有输入信号延时的未知非线性系统,利用径向基神经网络和Funnel结合新型动态面设计了输入信号延时的自适应控制方案,可以有效地避免传统动态面存在的边界层无差问题,使得系统跟踪性能更好,可对航空航天、医疗,5G远程协助等机构的高可靠、高精度控制提供坚实的保障,具有较大的经济效益。
附图说明
图1为本发明实施步骤流程框图;
图2为仿真分析得到的系统的输出y和期望轨迹yr的曲线图;
图3为仿真分析得到的跟踪误差e1与Funnel函数的曲线图;
图5为仿真分析得到的控制律u的曲线图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
下面将对本发明做进一步的详细说明。
本发明中所涉及到的符号及其含义对应关系分别如下:
AT A的转置
t 时间
xi 第i个状态(位置)
τi 第i个动态面的时间常数
αi 第i个虚拟控制律通过所述动态面后得到新的虚拟控制信号
u(t) 实际控制律
zi 第i个边界层误差
Ωi 紧集i
Mi 当自变量在紧集Ω1×Ω2中时函数的最大值
e1 跟踪误差
ei 第i个位置误差,i=2,…,n
αi(0) αi的初值
σ(t) 正时变积分函数
σ1,σ2 正的常数
h 输入信号延时补偿函数
λ 已知正常数
u(t-τ(t)) 具有输入信号延时的未知非线性系统的输入
τ(t) 已知时变输入延时
u(t) 具有输入信号延时的未知非线性无延时的输入
ρ0,ρ∞,a 正的常数
e(0) 跟踪误差的初始值
s 跟踪误差e1的Funnel误差变量
fi(·) 未知光滑连续非线性的函数,i=1,…,n
y 具有输入信号延时的未知非线性系统的输出
yr 期望轨迹
||·|| 欧几里得范数
Wi 第i个径向基神经网络的权值
ci,γWi,γεi 正的设计参数,i=1,…,n
∞ 无穷
|·| 绝对值
Ωx 关于x的紧集
l 神经元个数
ui=(u1,…,uq) 径向基函数的中心点
η 径向基的宽度
sup 上界
exp 自然底数
argmin{} 满足{}内的最小值
d(t) Funnel与误差距离
Li 第i个Lyapunov函数
γMj 正的设计参数,j=1,…,n-1
σ 大于零的常数
一种具有输入信号延时的未知非线性系统反推控制方法,其控制结构如图1所示,具体步骤如下:
步骤1:模型建立
对具有输入信号延时的未知非线性系统,抽象模型如下:
其中: 为系统的状态向量,u(t-τ(t))是具有输入信号延时的未知非线性系统带有延时的输入,y是具有输入信号延时的未知非线性系统的输出,τ(t)是已知时变输入延时;(这里是映射关系,表示f(·)自变量为n维,最后得到一个一维的结果),是一个未知光滑连续非线性的函数,t表示时间。
为了补偿输入信号延时的影响,设计了如下补偿函数:
其中,λ为已知正常数,u(t)为具有输入信号延时的未知非线性系统无延时的输入。
据反推控制方法,各个位置误差设计参考如下:
e1=y-yr
ei=xi-αi-1,i=2,…,n-1 (3)
en=xn-αn-1-h
其中αi-1是第i-1步设计的虚拟控制律通过动态面后得到的新的虚拟控制信号,yr为期望轨迹。
步骤2:控制器设计
其中,ui=[u1,…,uq]T为径向基函数的中心点,ηi为径向基的宽度,W=[w1,…wl]T是径向基神经网络的理想权值,且被定义为:
其中,ψ(t)是变换因子;
控制器的设计流程如图1所示;
Step1根据引理2,跟踪误差e1的Funnel的误差变量为:
则s关于时间t的导数为:
设计Lyapunov函数L1如下:
由公式(15)~(17),L1的导数为:
由于反推控制方法存在固有的“微分爆炸”,这极大的增加了计算负担,为减小计算负担,引入了动态面,与以往的研究不同,本文使用的是动态面,不仅能避免“微分爆炸”,而且可以消除边界层误差。让虚拟控制律通过该动态面得到新的虚拟控制信号α1,而不是直接用作为第i+1个位置误差。基于正时变积分函数设计的动态面设计如下:
其中σ1和σ2是正的常数,t表示时间。
Step i根据公式(3),第i个位置误差ei(i=2,…,n-1)为:
ei=xi-αi-1 (22)
则
设计Lyapunov函数Li如下:
由公式(26)~(28),Li的导数为:
Step n根据公式(3),第n个位置误差en为:
en=xn-αn-1-h (31)
则
设计Lyapunov函数Ln如下:
由公式(35)~(37),Ln的导数为:
步骤3:稳定性分析
输入信号延时的未知非线性系统的稳定性和渐近误差收敛到零在这一部分实现。对边界层误差zi(1≤i≤n-1)求导如下:
其中Bi(·)是连续函数。
选择Lyapunov函数L如下:
其中γMj,j=1,…,n-1为正的设计参数。
定义紧集Ω1和Ω2:
Ω2={L(t)≤L0} (44)
L求导得:
则:
由式(48)得:
对式(49)在时间[0,t]内积分得:
根据Barbalat引理,由式(51)得:
式(52)表明跟踪误差可以渐近收敛到零。
步骤4:设计结束
整个设计过程分为四大步骤。第一步对输入信号延时未知非线性系统进行抽象建模,本模型的未知函数可以包含内外部扰动和带有未知参数的函数,该模型涵盖范围宽,应用范围广。第二步提出了基于反推控制技术的控制器设计过程,通过径向基神经网络逼近系统中的未知函数,为每一步设计虚拟控制律,并让虚拟控制律通过新型非线性动态面,且在最后控制律的设计中通过补偿函数消除输入信号延时的影响。第三步对设计的控制器进行稳定性分析,确保在实际的应用中能稳定运行。通过Barbalat引理得出系统最终收敛到零。经过上述各步骤后,设计结束。
步骤5:应用分析
考虑单力臂机械手控制系统
其中:N表示转动惯量,m为连杆的质量,g是重力加速度,l表示连杆的长度,Q表示连杆的角位置,表示连杆的角速度,表示连杆的角加速度,υ是控制量。定义x1=Q,υ=u(t-τ)。则(53)可以表示成如下形式:
其中f2(x)=1/N(2x2+mglsin(x1)),取输入延时τ=0.01|sin(t)|,期望轨迹为yr=sin(t)。
基于本发明的控制方案,Funnel函数取为FΦ(t)=e-0.05t+0.002,输入延时的补偿函数为系统的初始状态为(x1(0),x2(0))=(0,0),其他自适应参数的初始值都为0。选取设计参数为c1=25,c2=15,γε1=12,γε2=15,γW1k=0.02,γW2k=0.03(k=1,…,l),非线性滤波器设计参数为τ=0.01,γM=0.2,σ(t)=0.01e-0.01t。
Claims (5)
1.一种具有输入信号延时的未知非线性系统反推控制方法,其特征在于:首先利用径向基神经网络逼近具有输入信号延时的未知非线性系统中的未知函数,将未知函数表示成已知函数,然后基于反推控制技术,并在反推控制的第一步构建Funnel函数,通过坐标变换将跟踪误差限制在Funnel函数内;在反推控制的最后一步设计输入信号延时补偿函数,将具有输入信号延时的未知非线性系统转换成无延时的系统;同时使反推控制每一步设计的虚拟控制律通过基于正时变积分函数设计的动态面得到新的虚拟控制信号,作为下一步的虚拟控制量,直到设计出实际控制律;
基于正时变积分函数设计的动态面如下:
其中,为边界层误差,为虚拟控制律,αi为虚拟控制律通过所述动态面后得到的新的虚拟控制信号,αi(0)为αi的初值,为Mi的估计值,Mi为一个未知正的常数,ei为第i个位置误差,τi是动态面的时间常数,σ(t)是正时变积分函数,满足以下条件:
其中,σ1和σ2是正的常数,t表示时间;
所述输入信号延时补偿函数为:
其中,h为输入信号延时补偿函数,λ为已知正常数,u(t-τ(t))为具有输入信号延时的未知非线性系统的输入,τ(t)为已知时变输入延时,u(t)为具有输入信号延时的未知非线性系统的无延时输入;
构建的Funnel函数为:
5.根据权利要求4所述的一种具有输入信号延时的未知非线性系统反推控制方法,其特征在于,反推控制的具体过程为:
对具有输入信号延时的未知非线性系统:
设计位置误差如下:
其中,αi-1是第i-1步设计的虚拟控制律通过所述动态面后得到的新的虚拟控制信号,yr为期望轨迹;
(1)跟踪误差e1的Funnel的误差变量为:
则s关于时间的导数为:
根据径向基神经网络得:
其中,W1为第一个径向基神经网络的权值,Φ1为第一个神经网络径向基函数,ε1为第一个径向基神经网络的逼近误差,选择第一个虚拟控制律以及第一个径向基神经网络权值的自适应律与第一个神经网络逼近误差的自适应律为:
(2)i=2,…,n-1,第i个位置误差ei为:
ei=xi-αi-1;
根据径向基神经网络,则ei关于时间的导数为:
(3)第n个位置误差en为:
en=xn-αn-1-h;
根据径向基神经网络,则en关于时间的导数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111500812.9A CN114384800B (zh) | 2021-12-09 | 2021-12-09 | 一种具有输入信号延时的未知非线性系统反推控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111500812.9A CN114384800B (zh) | 2021-12-09 | 2021-12-09 | 一种具有输入信号延时的未知非线性系统反推控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114384800A true CN114384800A (zh) | 2022-04-22 |
CN114384800B CN114384800B (zh) | 2023-09-12 |
Family
ID=81195742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111500812.9A Active CN114384800B (zh) | 2021-12-09 | 2021-12-09 | 一种具有输入信号延时的未知非线性系统反推控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384800B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430737A (zh) * | 2023-06-13 | 2023-07-14 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种输入延时非线性系统的自适应控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185217B2 (en) * | 2008-01-31 | 2012-05-22 | Fisher-Rosemount Systems, Inc. | Robust adaptive model predictive controller with tuning to compensate for model mismatch |
CN103792849A (zh) * | 2014-03-09 | 2014-05-14 | 东北电力大学 | 可调金属切削系统的鲁棒自适应动态面控制方法 |
CN104698847A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种转台伺服系统的非奇异终端滑模指定性能控制方法 |
CN104698846A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种机械臂伺服系统的指定性能反演控制方法 |
CN104914722A (zh) * | 2015-05-21 | 2015-09-16 | 安阳师范学院 | 时滞关联大系统的自适应模糊动态面控制方法 |
CN108390606A (zh) * | 2018-03-28 | 2018-08-10 | 淮阴工学院 | 一种基于动态面的永磁同步电机自适应滑模控制方法 |
CN108897227A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 非线性严格反馈系统全局有限时间神经网络控制方法 |
WO2019140830A1 (zh) * | 2018-01-22 | 2019-07-25 | 五邑大学 | 基于一阶动态滑模变结构的桥吊防摆方法 |
CN110333657A (zh) * | 2019-07-10 | 2019-10-15 | 上海工程技术大学 | 用于死区非线性不确定系统的自适应动态面跟踪控制方法 |
CN110336506A (zh) * | 2019-08-20 | 2019-10-15 | 贵州大学 | 一种pmsm混沌系统神经网络反演控制方法 |
CN112801266A (zh) * | 2020-12-24 | 2021-05-14 | 武汉旷视金智科技有限公司 | 神经网络构建方法、装置、设备及介质 |
CN113359445A (zh) * | 2021-06-01 | 2021-09-07 | 上海工程技术大学 | 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 |
-
2021
- 2021-12-09 CN CN202111500812.9A patent/CN114384800B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8185217B2 (en) * | 2008-01-31 | 2012-05-22 | Fisher-Rosemount Systems, Inc. | Robust adaptive model predictive controller with tuning to compensate for model mismatch |
CN103792849A (zh) * | 2014-03-09 | 2014-05-14 | 东北电力大学 | 可调金属切削系统的鲁棒自适应动态面控制方法 |
CN104698847A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种转台伺服系统的非奇异终端滑模指定性能控制方法 |
CN104698846A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种机械臂伺服系统的指定性能反演控制方法 |
CN104914722A (zh) * | 2015-05-21 | 2015-09-16 | 安阳师范学院 | 时滞关联大系统的自适应模糊动态面控制方法 |
WO2019140830A1 (zh) * | 2018-01-22 | 2019-07-25 | 五邑大学 | 基于一阶动态滑模变结构的桥吊防摆方法 |
CN108390606A (zh) * | 2018-03-28 | 2018-08-10 | 淮阴工学院 | 一种基于动态面的永磁同步电机自适应滑模控制方法 |
CN108897227A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 非线性严格反馈系统全局有限时间神经网络控制方法 |
CN110333657A (zh) * | 2019-07-10 | 2019-10-15 | 上海工程技术大学 | 用于死区非线性不确定系统的自适应动态面跟踪控制方法 |
CN110336506A (zh) * | 2019-08-20 | 2019-10-15 | 贵州大学 | 一种pmsm混沌系统神经网络反演控制方法 |
CN112801266A (zh) * | 2020-12-24 | 2021-05-14 | 武汉旷视金智科技有限公司 | 神经网络构建方法、装置、设备及介质 |
CN113359445A (zh) * | 2021-06-01 | 2021-09-07 | 上海工程技术大学 | 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 |
Non-Patent Citations (6)
Title |
---|
LIU, CG等: "Observer-based adaptive fuzzy funnel control for strict-feedback nonlinear systems with unknown control coefficients", 《NEUROCOMPUTING》 * |
LIU, Y等: "High Order Sliding Mode Backstepping Control for a Class of Unknown Pure Feedback Nonlinear Systems", 《IEEE ACCESS》 * |
SHUBO WANG等: "Adaptive Neural Funnel Control for Nonlinear Two-Inertia Servo Mechanisms With Backlash", 《IEEE ACCESS》 * |
刘露露: "不确定非线性系统控制性能提高的自适应设计方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邓涛等: "高阶非线性时滞系统的神经网络动态面控制", 《系统工程与电子技术》 * |
邹雨椿: "具有未建模动态非线性系统的智能控制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430737A (zh) * | 2023-06-13 | 2023-07-14 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种输入延时非线性系统的自适应控制方法 |
CN116430737B (zh) * | 2023-06-13 | 2023-08-18 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种输入延时非线性系统的自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114384800B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Adaptive NN backstepping control design for a 3-DOF helicopter: Theory and experiments | |
CN111459051B (zh) | 一种带扰动观测器的离散终端滑模无模型控制方法 | |
CN112207834B (zh) | 一种基于干扰观测器的机器人关节系统控制方法及系统 | |
CN111897214A (zh) | 一种基于序列凸优化的高超声速飞行器轨迹规划方法 | |
CN106774379B (zh) | 一种智能超螺旋强鲁棒姿态控制方法 | |
CN112987567B (zh) | 非线性系统的固定时间自适应神经网络滑模控制方法 | |
CN110181510B (zh) | 一种基于时延估计与模糊逻辑的机械臂轨迹跟踪控制方法 | |
CN107577146B (zh) | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
CN115157238A (zh) | 一种多自由度机器人动力学建模和轨迹跟踪方法 | |
CN114839880B (zh) | 一种基于柔性关节机械臂的自适应控制方法 | |
CN111716360A (zh) | 一种基于模糊逻辑的柔性关节机械臂采样控制方法及装置 | |
CN108762088B (zh) | 一种迟滞非线性伺服电机系统滑模控制方法 | |
CN114509949A (zh) | 一种机器人预定性能的控制方法 | |
CN111123708B (zh) | 基于分布式动态矩阵控制优化的焦化炉炉膛压力控制方法 | |
CN114384800A (zh) | 一种具有输入信号延时的未知非线性系统反推控制方法 | |
CN116991068A (zh) | 基于分布式预设时间梯度下降法的电机控制方法及系统 | |
CN108594643B (zh) | 一种针对全状态受限严格反馈系统的保性能控制方法 | |
Shan et al. | Fuzzy automatic disturbance rejection control of quadrotor UAV based on improved whale optimization algorithm | |
CN111590561B (zh) | 一种分布式机械臂系统鲁棒预设性能控制方法 | |
CN113050417A (zh) | 全状态约束机械臂的快速有限时间控制器的设计方法 | |
Guan et al. | Steering controller design for smart autonomous surface vessel based on CSF L2 gain robust strategy | |
Li et al. | Backstepping-based fuzzy adaptive stabilization of reaction-diffusion equation with state constraints | |
CN111506037A (zh) | 动态矩阵优化的工业加热炉系统分布式控制方法 | |
Dong et al. | Terminal sliding mode attitude tracking control for unmanned vehicle with predefined-time stability |
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 |