CN114779628B - 基于rbf和多模态切换机制的自抗扰运动控制方法 - Google Patents

基于rbf和多模态切换机制的自抗扰运动控制方法 Download PDF

Info

Publication number
CN114779628B
CN114779628B CN202210259510.5A CN202210259510A CN114779628B CN 114779628 B CN114779628 B CN 114779628B CN 202210259510 A CN202210259510 A CN 202210259510A CN 114779628 B CN114779628 B CN 114779628B
Authority
CN
China
Prior art keywords
disturbance
mode
nonlinear
control
rbf
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
CN202210259510.5A
Other languages
English (en)
Other versions
CN114779628A (zh
Inventor
马广程
王冠
夏红伟
王常虹
考永贵
温奇咏
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 CN202210259510.5A priority Critical patent/CN114779628B/zh
Publication of CN114779628A publication Critical patent/CN114779628A/zh
Application granted granted Critical
Publication of CN114779628B publication Critical patent/CN114779628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明提供了一种基于RBF和多模态切换机制的自抗扰运动控制方法，属于运动控制领域。本发明一种基于RBF和多模态切换机制的自抗扰运动控制方法步骤：一、根据被控对象任务目标，建立具有多模态特征的控制系统模型，对于多模态系统的未知非线性动态，采用RBF神经网络对其进行逼近；二、针对控制系统模型和控制目标，确定和划分被控系统的控制模态，根据当前系统状态信息，判断出当前所处模态，通过多模态切换机制启动对应模态控制器；三、对扰动进行上界估计，实现对系统的未知扰动进行补偿。本发明可对系统扰动集总的上界估计补偿；能够实现多模态系统的控制，对系统中的多模态非线性进行逼近，也可对系统扰动的上界进行估计并给予相应补偿，所设计的控制器具有较强的鲁棒性。

Description

基于RBF和多模态切换机制的自抗扰运动控制方法
技术领域
本发明涉及一种基于RBF和多模态切换机制的自抗扰运动控制方法，属于运 动控制领域。
背景技术
专利“一种基于可调阶次滤波器的分数阶自抗扰运动控制方法”(专利，南 京工程学院，CN108459507B，20210525)提出了一种具有参数调节灵活、易于 工程实现的运动控制方法，并有效改善了运动控制系统对测量噪声和干扰的抑 制能力。采用扩张状态观测器能够较好地提高系统的扰动抑制效果，但其针对 的模型相对简单，且未考虑多模态特性。
专利“一种用于飞行器多模态控制系统的设计方法”(专利，南京航空航天 大学，CN104573182B，20171208)提出了一种用于飞行器多模态控制系统的设 计方法，能够对系统进行功能、物理、软件体系结构进行定义和分析。对系统 进行了功能、物理、软件系统结构的定义，但对于具体的控制器设计并未详细 给出。
论文“Adaptive tracking control for a class of uncertain switchednonlinear systems”(Zhao X,Zheng X,Niu B,et al.Adaptive tracking control for aclass of uncertain switched nonlinear systems[J].Automatica,2015,2:185-191.)针对一类具 有未知函数的切换非线性系统控制问题，采用自适应反步技术构造状态反馈控 制器，并利用李雅普诺夫函数证明了其稳定性。所设计的状态反馈控制器可以 确保所有信号有界，并且跟踪误差收敛到原点的一个小邻域。考虑了不确定切 换非线性系统，但其控制器设计未对系统扰动进行处理。
现有技术与本申请的基于RBF和多模态切换机制的自抗扰运动控制方法相 比，未考虑较为复杂且具有实际工程意义的系统多模态特性，同时未给出详细的 多模态条件下具有未知动态的处理方法。
基于此，本发明提出一种基于RBF和多模态切换机制的自抗扰运动控制方 法。该方法能够实现多模态系统的控制，对系统的未知扰动进行估计并给予相应 补偿，所设计的控制器具有较强的鲁棒性。
发明内容
本发明的目的是为了解决上述现有技术存在的问题，进而提供一种基于RBF 和多模态切换机制的自抗扰运动控制方法。
本发明的目的是通过以下技术方案实现的：
一种基于RBF和多模态切换机制的自抗扰运动控制方法，所述基于RBF和 多模态切换机制的自抗扰运动控制方法步骤为：
步骤一，根据实际应用的非线性系统的状态变量x1、x2和期望输出信 号yd，建立含有扰动项的非线性二阶系统状态空间模型，设计基于RBF 神经网络的多模态非线性逼近模块使系统状态空间模型的非线性函数 fσ(x1,x2)采用RBF神经网络进行逼近；
步骤二，确定和划分含有扰动项的非线性二阶系统状态空间模型的控 制模态，设计多模态切换机制构造模块，当系统状态信息改变时，判断 出当前所处模态，即启动对应模态控制器；
步骤三，根据含有扰动项的非线性二阶系统状态空间模型，设定误差 变量e1＝x1-yd，e2＝x2-α1，其中，α1表示带设计的虚拟控制函数；
步骤四，利用步骤三中得到的误差变量设计李雅普诺夫函数V；
步骤五，对步骤三中的李雅普诺夫函数V对时间求一阶导数得到
步骤六，根据李雅普诺夫函数的一阶导数考虑模态切换导致的控 制指令误差Δu、利用RBF逼近非线性引入的模型不确定性Δf以及扰动 d(t)，假设以上误差的集总|bΔu+Δf+d(t)|≤D，其中D为未知的正常数， 对误差的集总D进行上界估计/>估计误差设计鲁棒自抗扰 控制器构造模块，其中包含虚拟控制指令α1和控制输入u，进而获得多模 态鲁棒自抗扰运动控制器，实现对期望信号yd的跟踪。
本发明基于RBF和多模态切换机制的自抗扰运动控制方法，
基于RBF神经网络的多模态非线性逼近模块，根据系统的状态作为输 入，训练RBF神经网络，直至RBF神经网络的逼近精度满足要求，构造多 模态条件下的系统非线性函数；
鲁棒自抗扰控制器构造模块，根据任务的目标和相关控制理论，构造 控制器，利用估计集总扰动上界的方法处理扰动项；
多模态切换机制构造模块，确定和划分被控系统的控制模态，判断出 被控对象当前所处的模态；当系统状态信息改变时，判断出当前所处模 态，即启动对应模态控制器。
本发明基于RBF和多模态切换机制的自抗扰运动控制方法，所述步骤 一中，建立含有扰动项的非线性二阶系统状态空间模型为：
其中，x1，x2代表非线性二阶系统的状态变量，b为常数且不为0； σ＝1,2,…,n代表不同的模态，fσ(x1,x2)为实际已知非线性函数，且为局部 李普希茨连续函数；d(t)表示非线性二阶系统的扰动项，u表示非线性二 阶系统的控制输入信号，y表示非线性二阶系统的输出，控制目的为设计 控制器输入u使系统输出y跟踪期望输出信号yd，此系统为被控系统。
本发明基于RBF和多模态切换机制的自抗扰运动控制方法，所述步骤 四利用步骤三中的误差变量设计的李雅普诺夫函数V为
其中，τD表示待设计的正参数。
本发明基于RBF和多模态切换机制的自抗扰运动控制方法，所述步骤 三中的李雅普诺夫函数V对时间求一阶导数得到为：
其中，表示期望信号的一阶导数；/>表示虚拟控制函数α1的一阶 导数；/>表示扰动上界估计的一阶导数，/>表示扰动上界估计误差的一阶 导数。
本发明基于RBF和多模态切换机制的自抗扰运动控制方法，所述设计 虚拟控制指令α1和控制输入u为：
其中，k1，k2，k3，τD和μD为正常数；
进一步地，步骤三中的李雅普诺夫函数V的一阶导数可变为：
其中，c1＝min{2k1,2k2,k3τD}，
可以得到，同时说明/>
本发明一种基于RBF和多模态切换机制的自抗扰运动控制方法，利用RBF神 经网络对多模态系统状态空间模型的非线性函数进行逼近，保留了研究对象的多 模态特性，简化了控制问题的复杂性。通过确定和划分被控系统的控制模态，实 现对不同模态下被控对象的精细化控制；利用基于李雅普诺夫理论的控制器设计 保证了闭环系统的稳定性，被控对象的稳态跟踪误差收敛到较小的邻域内；对于 复杂被控对象存在的参数不确定和外部干扰等多源干扰系统严重影响系统控制 的精度和稳定度，本发明可对系统扰动集总的上界估计补偿；能够实现多模态系 统的控制，对系统中的多模态非线性进行逼近，也可对系统扰动的上界进行估计 并给予相应补偿，所设计的控制器具有较强的鲁棒性。
附图说明
图1为本发明基于RBF和多模态切换机制的自抗扰运动控制方法的结构示 意图。
图2为实施例三中攻角、俯仰角速度、升降舵偏角、扰动估计时间响应曲线。
图3为实施例三中电机系统的转角响应曲线。
具体实施方式
下面将结合附图对本发明做进一步的详细说明：本实施例在以本发明技术方 案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述 实施例。
实施例一：如图1所示，本实施例所涉及的基于RBF和多模态切换机制的自 抗扰运动控制方法，步骤一，根据实际应用的非线性系统的状态变量x1、x2和期 望输出信号yd，建立含有扰动项的非线性二阶系统状态空间模型，模型的非线 性函数fσ(x1,x2)采用RBF神经网络进行逼近；
步骤二，确定和划分被控系统的控制模态。设计多模态切换机制，当系统状 态信息改变时，判断出当前所处模态，即启动对应模态控制器。
步骤三，根据含有扰动项的非线性二阶系统状态空间模型，设定误差变量 e1＝x1-yd，e2＝x2-α1，其中，α1表示带设计的虚拟函数，u为待设计的系统 控制输入；
步骤四，利用步骤三中得到的误差变量和设计李雅普诺夫函数V；
步骤五，对步骤三中的李雅普诺夫函数V对时间求一阶导数得到
步骤六，根据李雅普诺夫函数的一阶导数考虑模态切换导致的控制指令 误差Δu误差、利用RBF逼近非线性引入的模型不确定性Δf以及扰动d(t)，假设 以上误差的集总|bΔu+Δf+d(t)|≤D，其中D为未知的正常数，对误差的集总D 进行上界估计/>估计误差/>设计鲁棒自抗扰控制器构造模块，其中 包含虚拟控制指令α1和控制输入u，进而获得多模态鲁棒自抗扰运动控制器，实 现对期望信号yd的跟踪。
进一步地，对于步骤(1)中，建立含有扰动项的非线性二阶系统状态空间 模型为：
其中，x1，x2代表非线性二阶系统的状态变量，b为常数且不为0；σ＝1,2,…,n 代表不同的模态，fσ(x1,x2)为实际已知非线性函数，且为局部李普希茨连续函 数；d(t)表示非线性二阶系统的扰动项，u表示非线性二阶系统的控制输入信号， y表示非线性二阶系统的输出，控制目的为设计控制器输入u使系统输出y跟踪期 望输出信号yd。此系统为被控系统。
进一步地，步骤四利用步骤三中的误差变量和设计李雅普诺夫函数V为
进一步地，对步骤三中的李雅普诺夫函数V对时间求一阶导数得到为：
其中，表示期望信号的一阶导数；/>表示虚拟控制函数α1的一阶导数；/>表示扰动上界估计的一阶导数，/>表示扰动上界估计误差的一阶导数。
进一步地，本申请中，获得的虚拟控制指令α1和系统控制输入u为：
其中，k1，k2，k3，τD和μD为正常数。
进一步地，步骤三中的李雅普诺夫函数V的一阶导数可变为：
其中，c1＝min{2k1,2k2,k3τD}，
可以得到，同时说明/>
实施例二：如图1所示，本实施例所涉及的一种基于RBF和多模态切换机制 的自抗扰运动控制方法，
一、根据被控对象任务目标，建立具有多模态特征的控制系统模型，对于多 模态系统的未知非线性动态，采用RBF神经网络对其进行逼近；二、针对控制系 统模型和控制目标，确定和划分被控系统的控制模态，根据当前系统状态信息， 判断出当前所处模态，通过多模态切换机制启动对应模态控制器；三、对扰动进 行上界估计，实现对系统的未知扰动进行补偿。
本方法的控制示意图如图1所示。其特征主要包括：
基于RBF神经网络的多模态非线性逼近模块，根据系统的状态作为输入，训 练所述的RBF神经网络，直至所述的RBF神经网络的逼近精度满足要求，用于构 造多模态条件下的系统非线性函数。
RBF神经网络的逼近精度满足要求：一方面，具有足够多隐层神经元的RBF 网络能以任意精度逼近任意连续函数，故其具有万能逼近性质。但是，随着神经 元训练层数的增加，训练成本和训练周期也会明显增加。另一方面，建立合乎需 要的数学描述(不要求精确,但应该能大概描述出系统主要动态特性)是必要的。因 此，本要求中的精度要求指标应因研究对象而异，最终目的是满足设计者的需求。
鲁棒自抗扰控制器构造模块，用于根据任务的目标和相关控制理论，构造控 制器，利用估计集总扰动上界的方法处理扰动项；
多模态切换机制构造模块，用于确定和划分被控系统的控制模态，判断出被 控对象当前所处的模态。当系统状态信息改变时，判断出当前所处模态，即启动 对应模态控制器。
实施例三：下面将以高超声速飞行器的纵向机动控制为例对本发明做进一步 详细说明，本实施案例的实现流程如图1-3所示，对具体实现步骤详细说明如下：
步骤一，根据高超声速飞行器的非线性系统的状态变量x1、x2和期望输出信 号yd，建立含有扰动项的非线性二阶系统状态空间模型，设计基于RBF神经网 络的多模态非线性逼近模块使系统状态空间模型的非线性函数fσ(x1,x2)采用 RBF神经网络进行逼近；建立含有扰动项的非线性二阶系统状态空间模型为：
上述系统模型中，x1＝θ＝α+γ、x2＝q为系统状态量，u＝δ为控制输入。 α、γ、θ、q和δ分别为攻角(单位deg)、航迹角(单位deg)、俯仰角(单 位deg)、俯仰角速率(单位deg/s)和升降舵偏角(单位deg)；b是与俯仰通 道转动惯量有关的已知参数；d(t)表示因环境干扰、模型不确定性等因素造成的 额外扰动；fσ(x1,x2)采用RBF神经网络进行逼近，经训练可视为与系统状态量 有关的已知函数；高超声速飞行器纵向机动的控制目标为控制攻角渐进跟踪参考 信号，短周期运动过程中航迹角γ可视为常数，故攻角跟踪误差近似等于俯仰角 跟踪误差，进而控制目标可转化为跟踪俯仰角的参考指令θd，即系统状态变量x1渐进跟踪给定的参考信号yd。本案例中，飞行器的初始条件为α(0)＝2.66deg， γ(0)＝0.5deg，q(0)＝0deg/s，跟踪指定的参考轨迹 αd(t)＝5+2e-0.3t-2.5e-0.05t(deg)。
步骤二，确定和划分高超声速飞行器控制系统的控制模态。设计多模态切换 机制，当飞行器状态信息改变时，判断出当前所处模态，即启动对应模态控制器。
步骤三，根据含有扰动项的非线性二阶系统状态空间模型，设定误差变量 e1＝x1-yd，e2＝x2-α1，其中，α1表示带设计的虚拟函数，u为待设计的系统 控制输入；
步骤四，利用步骤三中得到的误差变量和设计李雅普诺夫函数
步骤五，对步骤三中的李雅普诺夫函数V对时间求一阶导数得到
步骤六，根据李雅普诺夫函数的一阶导数考虑模态切换导致的控制指令 误差Δu误差、利用RBF逼近非线性引入的模型不确定性Δf以及扰动d(t)，假设 以上误差的集总bΔu+Δf+d(t)≤D，其中D为未知的正常数，对误差的集总D 进行上界估计/>估计误差设计鲁棒自抗扰控制器构造模块，其中 包含虚拟控制指令α1和控制输入u，获得多模态鲁棒自抗扰运动控制器，实现对 期望信号yd的跟踪。
其中，控制器表达式为：
其中，k1，k2，k3，τD和μD为正常数(μD通常取小于1的常数)。本案例 中，选取k1＝0.1，k2＝0.3，k3＝1，τD＝0.5，μD＝0.8。
图2给出了分别给出了其攻角、俯仰角速度、升降舵偏角的状态曲线。从图2 可以看出，本发明方法下，具有多模态特性的系统能够取得较好的攻角跟踪控制 效果。与此同时，能够较好地对扰动上界进行估计并给予控制补偿，实现了较好 的自抗扰性能。
本发明的上述算例仅为详细地说明本发明的计算模型和处理流程，并非是对 本发明的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其他不同形式的变化或变动，这里再简要给出另一实施方式：
下面将以电机转角动力学为例对本发明做进一步详细说明，对具体实现步骤 详细说明如下：
步骤一，根据电机转角动力学的非线性系统的状态变量x1、x2和期望输出信 号yd，建立含有扰动项的非线性二阶系统状态空间模型，设计基于RBF神经网 络的多模态非线性逼近模块使系统状态空间模型的非线性函数fσ(x1,x2)采用 RBF神经网络进行逼近；建立含有扰动项的非线性二阶系统状态空间模型为：
上述系统模型中，x1(单位rad)代表电机转角、x2(单位rad/s)代表电 机转角角速度；u＝τψ(单位N·m)代表电机扭矩，作为控制输入；(单 位1/(kg·m2))代表转动惯量与电机扭矩相关的已知参数；d(t)表示因环境干扰、 模型不确定性等因素造成的额外扰动；fσ(x1,x2)采用RBF神经网络进行逼近， 经训练可视为与系统状态量有关的已知函数；电机转动的控制目标为跟踪转角的 参考指令，即系统状态变量x1渐进跟踪给定的参考信号yd。本案例中，电机线 圈的质量m＝1.5kg，转角的初始条件为x1(0)＝0rad，x2(0)＝0rad，跟踪指定的 参考轨迹yd(t)＝1.1rad。
步骤二，确定和划分电机转动系统的控制模态。设计多模态切换机制，当状 态信息改变时，判断出当前所处模态，即启动对应模态控制器。
步骤三，根据含有扰动项的非线性二阶系统状态空间模型，设定误差变量 e1＝x1-yd，e2＝x2-α1，其中，α1表示带设计的虚拟函数，u为待设计的系统 控制输入；
步骤四，利用步骤三中得到的误差变量和设计李雅普诺夫函数
步骤五，对步骤三中的李雅普诺夫函数V对时间求一阶导数得到
步骤六，根据李雅普诺夫函数的一阶导数考虑模态切换导致的控制指令 误差Δu误差、利用RBF逼近非线性引入的模型不确定性Δf以及扰动d(t)，假设 以上误差的集总bΔu+Δf+d(t)≤D，其中D为未知的正常数，对误差的集总D 进行上界估计/>估计误差设计鲁棒自抗扰控制器构造模块，其中 包含虚拟控制指令α1和控制输入u，进而获得多模态鲁棒自抗扰运动控制器，实 现对期望信号yd的跟踪。
其中，控制器表达式为：
其中，k1，k2，k3，τD和μD为正常数。本案例中，选取k1＝0.3，k2＝0.35，k3＝2， τD＝0.7，μD＝0.5。
图3给出了在本发明方法和传统方法作用下，电机系统的转角响应曲线能够 在较短的时间跟踪期望输出信号yd。对于具有多模态特性的系统模型，在本发 明方法下的控制器依然能够取得较好地控制效果。与此同时，能够地对电机系统 的扰动上界进行估计并给予控制补偿，具有一定的自抗扰性能。
以上所述，仅为本发明较佳的具体实施方式，这些具体实施方式都是基于本 发明整体构思下的不同实现方式，而且本发明的保护范围并不局限于此，任何熟 悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替 换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要 求书的保护范围为准。

Claims (6)

1.一种基于RBF和多模态切换机制的自抗扰运动控制方法，其特征在于，所述基于RBF和多模态切换机制的自抗扰运动控制方法步骤为：
步骤一，根据实际应用的非线性系统的状态变量x1、x2和期望输出信号yd，建立含有扰动项的非线性二阶系统状态空间模型，设计基于RBF神经网络的多模态非线性逼近模块使系统状态空间模型的非线性函数fσ(x1,x2)采用RBF神经网络进行逼近；
步骤二，确定和划分含有扰动项的非线性二阶系统状态空间模型的控制模态，设计多模态切换机制构造模块，当系统状态信息改变时，判断出当前所处模态，即启动对应模态控制器；
步骤三，根据含有扰动项的非线性二阶系统状态空间模型，设定误差变量e1＝x1-yd，e2＝x2-α1，其中，α1表示带设计的虚拟控制函数；
步骤四，利用步骤三中得到的误差变量设计李雅普诺夫函数V；
步骤五，对步骤三中的李雅普诺夫函数V对时间求一阶导数得到
步骤六，根据李雅普诺夫函数的一阶导数考虑模态切换导致的控制指令误差Δu、利用RBF逼近非线性引入的模型不确定性Δf以及扰动d(t)，假设以上误差的集总|bΔu+Δf+d(t)|≤D，其中D为未知的正常数，对误差的集总D进行上界估计/>估计误差/>设计鲁棒自抗扰控制器构造模块，其中包含虚拟控制指令α1和控制输入u，进而获得多模态鲁棒自抗扰运动控制器，实现对期望信号yd的跟踪。
2.根据权利要求1所述的基于RBF和多模态切换机制的自抗扰运动控制方法，其特征在于，
基于RBF神经网络的多模态非线性逼近模块，根据系统的状态作为输入，训练RBF神经网络，直至RBF神经网络的逼近精度满足要求，构造多模态条件下的系统非线性函数；
鲁棒自抗扰控制器构造模块，根据任务的目标和相关控制理论，构造控制器，利用估计集总扰动上界的方法处理扰动项；
多模态切换机制构造模块，确定和划分被控系统的控制模态，判断出被控对象当前所处的模态；当系统状态信息改变时，判断出当前所处模态，即启动对应模态控制器。
3.根据权利要求1所述的基于RBF和多模态切换机制的自抗扰运动控制方法，其特征在于，所述步骤一中，建立含有扰动项的非线性二阶系统状态空间模型为：
其中，x1，x2代表非线性二阶系统的状态变量，b为常数且不为0；σ＝1,2,…,n代表不同的模态，fσ(x1,x2)为实际已知非线性函数，且为局部李普希茨连续函数；d(t)表示非线性二阶系统的扰动项，u表示非线性二阶系统的控制输入信号，y表示非线性二阶系统的输出，控制目的为设计控制器输入u使系统输出y跟踪期望输出信号yd，此系统为被控系统。
4.根据权利要求1所述的基于RBF和多模态切换机制的自抗扰运动控制方法，其特征在于，所述步骤四利用步骤三中的误差变量设计的李雅普诺夫函数V为
其中，τD表示待设计的正参数。
5.根据权利要求1所述的基于RBF和多模态切换机制的自抗扰运动控制方法，其特征在于，所述步骤三中的李雅普诺夫函数V对时间求一阶导数得到为：
其中，表示期望信号的一阶导数；/>表示虚拟控制函数α1的一阶导数；/>表示扰动上界估计的一阶导数，/>表示扰动上界估计误差的一阶导数。
6.根据权利要求1所述的基于RBF和多模态切换机制的自抗扰运动控制方法，其特征在于，设计虚拟控制指令α1和控制输入u为：
其中，k1，k2，k3，τD和μD为正常数；
进一步地，步骤三中的李雅普诺夫函数V的一阶导数可变为：
其中，c1＝min{2k1,2k2,k3τD}，
可以得到，同时说明/>
CN202210259510.5A 2022-03-16 2022-03-16 基于rbf和多模态切换机制的自抗扰运动控制方法 Active CN114779628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210259510.5A CN114779628B (zh) 2022-03-16 2022-03-16 基于rbf和多模态切换机制的自抗扰运动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210259510.5A CN114779628B (zh) 2022-03-16 2022-03-16 基于rbf和多模态切换机制的自抗扰运动控制方法

Publications (2)

Publication Number Publication Date
CN114779628A CN114779628A (zh) 2022-07-22
CN114779628B true CN114779628B (zh) 2024-05-24

Family

ID=82426046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210259510.5A Active CN114779628B (zh) 2022-03-16 2022-03-16 基于rbf和多模态切换机制的自抗扰运动控制方法

Country Status (1)

Country Link
CN (1) CN114779628B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110347044A (zh) * 2019-07-15 2019-10-18 贵州大学 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法
CN110347036A (zh) * 2018-09-30 2019-10-18 哈尔滨工业大学 基于模糊滑模控制的无人机自主抗风智能控制方法
CN113093553A (zh) * 2021-04-13 2021-07-09 哈尔滨工业大学 一种基于指令滤波扰动估计的自适应反步控制方法
CN114089637A (zh) * 2022-01-20 2022-02-25 伸瑞科技（北京）有限公司 多模态鲁棒自抗扰运动控制方法及系统
CN114167734A (zh) * 2022-02-14 2022-03-11 伸瑞科技（北京）有限公司 一种强耦合非线性系统高精度控制方法及控制系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005135186A (ja) * 2003-10-30 2005-05-26 Toshiba Corp 規範モデル追従型制御システム及び規範モデル追従型制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110347036A (zh) * 2018-09-30 2019-10-18 哈尔滨工业大学 基于模糊滑模控制的无人机自主抗风智能控制方法
CN110347044A (zh) * 2019-07-15 2019-10-18 贵州大学 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法
CN113093553A (zh) * 2021-04-13 2021-07-09 哈尔滨工业大学 一种基于指令滤波扰动估计的自适应反步控制方法
CN114089637A (zh) * 2022-01-20 2022-02-25 伸瑞科技（北京）有限公司 多模态鲁棒自抗扰运动控制方法及系统
CN114167734A (zh) * 2022-02-14 2022-03-11 伸瑞科技（北京）有限公司 一种强耦合非线性系统高精度控制方法及控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任务空间内空间机器人鲁棒智能控制器设计;丰保民;马广程;温奇咏;王常虹;;宇航学报;20070731(第04期);全文 *

Also Published As

Publication number Publication date
CN114779628A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
Park Adaptive formation control of underactuated autonomous underwater vehicles
Sun et al. Fixed-time sliding mode disturbance observer-based nonsmooth backstepping control for hypersonic vehicles
Yang et al. Adaptive NN backstepping control design for a 3-DOF helicopter: Theory and experiments
Song et al. 1 bit encoding–decoding-based event-triggered fixed-time adaptive control for unmanned surface vehicle with guaranteed tracking performance
CN108594639B (zh) 一种基于强化学习的全垫升气垫船航迹跟踪控制方法
CN110597061A (zh) 一种多智能体完全分布式自抗扰时变编队控制方法
CN107807657B (zh) 一种基于路径规划的挠性航天器姿态自适应控制方法
CN111290387B (zh) 一种智能船舶自动舵系统的模糊自适应输出反馈指定性能控制方法及系统
CN110647154B (zh) 基于模糊状态观测器的智能船舶自动舵系统航向轨迹跟踪设计方法
CN107203138B (zh) 一种输入输出饱和的飞行器鲁棒控制方法
CN111897225B (zh) 一种智能船舶自动舵系统的模糊自适应输出反馈控制方法及系统
CN111948937B (zh) 多智能体系统的多梯度递归强化学习模糊控制方法及系统
CN113110511B (zh) 一种基于广义模糊双曲模型的智能船舶航向控制方法
CN111198570B (zh) 一种基于固定时间微分器预测的抗时延高精度自抗扰姿态控制方法
CN110244556B (zh) 基于期望航向修正的欠驱动船舶航向控制方法
CN112180961B (zh) 一种全状态受限平流层飞艇轨迹跟踪控制方法及系统
CN111930124A (zh) 一种智能船舶自动舵系统的模糊自适应输出反馈有限时间控制方法及系统
CN112782981A (zh) 一种智能船舶自动舵系统的模糊自适应输出反馈指定性能控制方法及系统
CN111007867B (zh) 一种可预设调整时间的高超声速飞行器姿态控制设计方法
CN116382332A (zh) 一种基于ude的战斗机大机动鲁棒飞行控制方法
CN115248553A (zh) 欠驱动船舶的事件触发自适应pid航迹跟踪容错控制方法
CN111413996B (zh) 一种基于事件触发eso的四旋翼保性能轨迹跟踪控制方法
CN114779628B (zh) 基于rbf和多模态切换机制的自抗扰运动控制方法
CN112698575A (zh) 一种智能船舶自动舵自适应模糊输出反馈控制方法及系统
Li et al. Parallel path following control of cyber-physical maritime autonomous surface ships based on deep neural predictor

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