CN115373270A - 基于全状态约束mimo自适应事件触发控制方法及系统 - Google Patents
基于全状态约束mimo自适应事件触发控制方法及系统 Download PDFInfo
- Publication number
- CN115373270A CN115373270A CN202211039086.XA CN202211039086A CN115373270A CN 115373270 A CN115373270 A CN 115373270A CN 202211039086 A CN202211039086 A CN 202211039086A CN 115373270 A CN115373270 A CN 115373270A
- Authority
- CN
- China
- Prior art keywords
- function
- virtual control
- law
- adaptive
- event trigger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims description 60
- 238000001914 filtration Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004519 manufacturing process 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
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全状态约束MIMO自适应事件触发控制方法及系统,通过多输入多输出系统,设定非线性映射,解决全状态约束的障碍,利用径向基函数神经网络逼近非线性系统函数,并利用指令过滤器求解虚拟控制函数,通过误差补偿解决动态面法存在的不足,提高了虚拟控制函数的精度;通过李雅普诺夫函数稳定性理论的证明,证明了闭环系统中所有信号都是半全局一致最终有界的,验证了自适应事件触发控制方法的有效性;同时设定事件触发机制,在测量误差超过事件触发机制的阈值时进行传输,避免了动态之间的相互作用,提高了控制效率。
Description
技术领域
本发明涉及机械臂系统的动力学控制方法领域,尤其是一种基于全状态约束MIMO自适应事件触发控制方法及系统。
背景技术
在工业实际生产过程中,为了系统可以稳定运行,通常会对状态或者输出进行约束,若不对其进行约束,系统的动态性能将会受到影响,严重的情况下还会对元器件产生破坏。机械臂作为工业领域常用的自动化机械装置,其控制系统的设计存在设计参数和外界干扰等不确定性。对于不同的任务,需要对机械臂关节空间的运动轨迹进行规划,因此在对控制器进行设计时,考虑约束以及对未知干扰项的处理是十分必要的,这对其控制系统的设计提出了更高的要求。原有的控制器设计大多是针对于单输入单输出系统进行约束,不太适合用于复杂的多输入多输出系统的工程实践。
发明内容
发明目的:本发明的目的在于提供一种基于全状态约束MIMO自适应事件触发控制方法及系统,通过非线性映射,解决全状态约束的障碍,同时利用指令滤波器求解虚拟控制函数,通过误差补偿解决动态面法存在的不足,最终用于拓展的柔性机械臂仿真系统证明了闭环系统中所有信号都是半全局一致最终有界的。
技术方案:本发明提供的一种基于全状态约束MIMO自适应事件触发控制方法,包含以下步骤:
1)根据非线性系统的状态变量x1,x2,x3和期望输出信号yd,建立含有扰动项的非线性三阶二维MIMO系统状态空间模型,该MIMO系统状态空间模型公式如下:
其中,x1,x2,x3均代表非线性三阶二维MIMO系统的状态变量,表示x1的一阶导数,表示x2的一阶导数,表示x3的一阶导数,d1(t),d2(t),d3(t)均表示非线性三阶二维MIMO系统的动态扰动项,u表示控制输入信号,y=[y11,y12,...,y1m]T∈Rm是输出,表示控制增益函数,和均为非线性函数;
2)依据MIMO系统状态空间模型,建立拓展的柔性机械臂系统状态空间模型,设定误差信号是跟踪误差的估计值,和设定误差补偿信号同时设定指令滤波器,其中α2,O,α3,O均表示指令滤波器的输出,使用径向基函数神经网络逼近误差信号,滤波并输出虚拟控制函数,该虚拟控制函数包含虚拟控制律及自适应律;
5)设定事件触发机制,该事件触发机制的阈值即为设定阈值,当测量误差超过事件触发机制的阈值时,进入事件触发机制,反馈补偿虚拟控制律,该事件触发的公式如下:
其中,uj(t)为实际控制律,vj(t)为事件触发后的虚拟控制律,α3j为虚拟控制律α3,I的第j个分量,为指令滤波误差信号的第j个分量,wj1均为该事件触发中设计的两个参数,有tj,k+1表示第j个分量时的k+1时间,pj1,pj2∈(-1,1)均为定义的几个常数。
6)最终获得基于指令滤波扰动估计的自适应反推控制器,实现对期望输出信号的跟踪。
进一步的,步骤2)中,建立拓展的柔性机械臂系统状态空间模型公式如下:
进一步的,步骤2)中,虚拟控制律公式如下:
其中Ci>0,表示神经网络逼近后的基函数向量,表示为对角矩阵,Zi对应径向基函数神经网络中的变量Z,ηij为消除全状态约束之后产生的ηij相关式子,表示指令滤波误差信号,指令滤波误差和误差信号有对应关系如和其中β1,β2,β3均表示误差补偿信号;
自适应律相关公式如下:
进一步的,步骤3)中,使用滤波后虚拟控制函数设计李雅普诺夫函数并进行求导,该李雅普诺夫函数公式如下:
求导后的李雅普诺夫函数如下:
进一步的,步骤4)中,优化后的虚拟控制律展开式及控制输入信号u公式总结如下:
其中,表示期望输出信号的一阶导数;α2,I表示第一步的虚拟控制律,α3,I表示第二步的虚拟控制律;C1,C2,C3和G3均为正数;α2,O和α3,O均为指令滤波器的输出;为自适应律λ1的估计值,为自适应律λ2的估计值,为自适应律λ3的估计值;C1,C2,C3均大于0;a1,a2和a3均大于0。
本发明对应提供一种基于全状态约束MIMO自适应事件触发控制系统,包含建立MIMO模型模块、虚拟控制函数模块、李雅普诺夫函数模块、优化并判定模块、事件触发模块、自适应反推控制器模块;
建立MIMO模型模块用以根据非线性系统的状态变量x1,x2,x3和期望输出信号yd,建立含有扰动项的非线性三阶二维MIMO系统状态空间模型,该MIMO系统状态空间模型公式如下:
其中,x1,x2,x3代表非线性三阶二维MIMO系统的状态变量,表示x1的一阶导数,表示x2的一阶导数,表示x3的一阶导数,d1(t),d2(t),d3(t)均表示非线性三阶二维MIMO系统的动态扰动项,u表示控制输入信号,y=[y11,y12,...,y1m]T∈Rm是输出,表示控制增益函数,和均为非线性函数;
虚拟控制函数模块用以依据MIMO系统状态空间模型,建立拓展的柔性机械臂系统状态空间模型,设定误差信号是跟踪误差的估计值,和设定误差补偿信号同时设定指令滤波器,其中α2,O,α3,O均表示指令滤波器的输出,使用径向基函数神经网络逼近误差信号,滤波并输出虚拟控制函数,该虚拟控制函数包含虚拟控制律及自适应律;
事件触发模块用以设定事件触发机制,该事件触发机制的阈值即为设定阈值,当测量误差超过事件触发机制的阈值时,进入事件触发机制,反馈补偿虚拟控制律,该事件触发的公式如下:
其中,uj(t)为实际控制律,vj(t)为事件触发后的虚拟控制律,α3j为虚拟控制律α3,I的第j个分量,为指令滤波误差信号的第j个分量,wj1均为该事件触发中设计的两个参数,有tj,k+1表示第j个分量时的k+1时间,pj1,pj2∈(-1,1)均为定义的几个常数。
自适应反推控制器模块用以最终获得基于指令滤波扰动估计的自适应反推控制器,实现对期望输出信号的跟踪。
进一步的,虚拟控制函数模块中,建立拓展的柔性机械臂系统状态空间模型公式如下:
进一步的,虚拟控制函数模块中,虚拟控制律公式如下:
其中Ci>0,表示神经网络逼近后的基函数向量,表示为对角矩阵,Zi对应径向基函数神经网络中的变量Z,ηij为消除全状态约束之后产生的ηij相关式子,表示指令滤波误差信号,指令滤波误差和误差信号有对应关系如和其中β1,β2,β3均表示误差补偿信号;
自适应律公式如下:
进一步的,李雅普诺夫函数模块中,使用滤波后虚拟控制函数设计李雅普诺夫函数并进行求导,该李雅普诺夫函数公式如下:
求导后的李雅普诺夫函数如下:
进一步的,优化并判定模块中,优化后的虚拟控制律及控制输入信号u公式如下:
其中,表示期望输出信号的一阶导数;α2,I表示第一步的虚拟控制律,α3,I表示第二步的虚拟控制律;C1,C2,C3和G3均为正数;α2,O和α3,O均为指令滤波器的输出;为自适应律λ1的估计值,为自适应律λ2的估计值,为自适应律λ3的估计值;C1,C2,C3均大于0;a1,a2和a3均大于0。
有益效果:本发明与现有技术相比,其显著特点是通过多输入多输出系统,设定非线性映射,解决全状态约束的障碍,利用径向基函数神经网络逼近非线性系统函数,并利用指令滤波器求解虚拟控制函数,通过误差补偿解决动态面法存在的不足,提高了虚拟控制函数的精度;通过李雅普诺夫函数稳定性理论的证明,最终用于拓展的柔性机械臂仿真系统,证明了闭环系统最终稳定,验证了自适应事件触发控制方法的有效性;同时设定事件触发机制,在测量误差超过事件触发机制的阈值时进行传输,避免了动态之间的相互作用,提高了控制效率。
附图说明
图1是本发明的流程示意图;
图2是本发明中径向基函数神经网络示意图;
图3是本发明中事件触发机制示意图;
图4是本发明中y11,y12分别跟踪yd1,yd2的轨迹图;
图5是本发明中实际控制器u1,u2轨迹图;
图6是本发明中事件触发次数图;
图7是本发明中自适应律及跟踪误差的轨迹图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的详细说明。
实施例1
本发明提供的一种基于全状态约束MIMO自适应事件触发控制方法,请参阅图1所示,包含以下步骤:
1)根据非线性系统的状态变量x1,x2,x3和期望输出信号yd,建立含有扰动项的非线性三阶二维MIMO系统状态空间模型,该MIMO系统状态空间模型公式如下:
其中,x1,x2,x3均代表非线性三阶二维MIMO系统的状态变量,表示x1的一阶导数,表示x2的一阶导数,表示x3的一阶导数,d1(t),d2(t),d3(t)均表示非线性三阶二维MIMO系统的动态扰动项,u表示控制输入信号,y=[y11,y12,...,y1m]T∈Rm是输出,表示控制增益函数,和均为非线性函数。
利用双曲正切函数对状态变量x进行一对一的非线性映射,将有约束系统转化为无约束系统:
由(3)得到:
令:
则全状态约束转换后无约束系统,其中x系统转化为了z系统,x和z均为状态变量,公式如下:
2)依据MIMO系统状态空间模型,建立拓展的柔性机械臂系统状态空间模型,设定误差信号和设定误差补偿信号同时设定指令滤波器,其中α2,O,α3,O均表示指令滤波器的输出,使用径向基函数神经网络逼近误差信号,滤波并输出虚拟控制函数,该虚拟控制函数包含虚拟控制律及自适应律。
建立拓展的柔性机械臂系统状态空间模型公式如下:
虚拟控制律公式如下:
其中Ci>0,表示神经网络逼近后的基函数向量,表示为对角矩阵,Zi对应径向基函数神经网络中的变量Z,ηij为消除全状态约束之后产生的ηij相关式子,表示指令滤波误差信号,指令滤波误差和误差信号有对应关系如和其中β1,β2,β3均表示误差补偿信号;
自适应律相关公式如下:
请参阅图2所示,其中,径向基函数神经网络公式如下:
F(Z)=θ*TΞ(Z)+δ(Z)(12)
F(Z)为将要逼近的未知函数,θ*T表示理想权重向量,Ξ(Z)为基函数向量,δ(Z)表示神经网络逼近误差(向量)。
将公式(18)代入至公式(17)中得到:
用神经网络对F1(Z)进行逼近,令:
设计虚拟控制律和自适应律为:
代入可得:
求导后的李雅普诺夫函数如下:
为证明基于指令滤波器设计的控制输入能保证系统跟踪误差收敛到原点附近,证明过程如下:
则V1的一阶导数为:
λmin(Ci)表示取对角矩阵Ci的最小特征值,Λ取值为Λ≤2λmin(Ci),σi=[σi1,σi2]T,i=1,2,3,hij,j=1,2,hi=[hi1,hi2]T,i=1,2,3与前文自适应律中参数同。
则总的李雅普诺夫函数为:
对(22)求积分可得:
优化后的虚拟控制律及控制输入信号u公式如下:
其中,表示期望输出信号的一阶导数;α2,I表示第一步的虚拟控制律,α3,I表示第二步的虚拟控制律;C1,C2,C3和G3均为正数;α2,O和α3,O均为指令滤波器的输出;为自适应律λ1的估计值,为自适应律λ2的估计值,为自适应律λ3的估计值;C1,C2,C3均大于0;a1,a2和a3均大于0。
有:
5)请参阅图3所示,设定事件触发机制,该事件触发机制的阈值即为设定阈值,当测量误差超过事件触发机制的阈值时,进入事件触发机制,反馈补偿虚拟控制律,该事件触发的公式如下:
其中,uj(t)为实际控制律,vj(t)为事件触发后的虚拟控制律,α3j为虚拟控制律α3,I的第j个分量,为指令滤波误差信号的第j个分量,wj1均为该事件触发中设计的两个参数,有tj,k+1表示第j个分量时的k+1时间,pj1,pj2∈(-1,1)均为定义的几个常数。
6)由前文可知,本发明通过对虚拟控制律,自适应律和事件触发虚拟控制律与实际控制律的设计可的结论:利用了反步法设计优化后虚拟控制函数,引入了事件触发控制器,最终获得基于指令滤波扰动估计的自适应反推控制器,实现了对期望输出信号的跟踪。
其中,实验结果图如附图所示,y11,y12分别跟踪yd1,yd2的轨迹图如图4所示,实际控制器u1,u2轨迹图如图5所示,事件触发次数图如图6所示,自适应律及跟踪误差的轨迹图如图7所示。
实施例2
对应实施例1提供的基于全状态约束MIMO自适应事件触发控制方法,本实施例对应提供一种基于全状态约束MIMO自适应事件触发控制系统,请参阅图1所示,包含建立MIMO模型模块、虚拟控制函数模块、李雅普诺夫函数模块、优化并判定模块、事件触发模块、自适应反推控制器模块。
建立MIMO模型模块用以根据非线性系统的状态变量x1,x2,x3和期望输出信号yd,建立含有扰动项的非线性三阶二维MIMO系统状态空间模型,该MIMO系统状态空间模型公式如下:
其中,x1,x2,x3均代表非线性三阶二维MIMO系统的状态变量,表示x1的一阶导数,表示x2的一阶导数,表示x3的一阶导数,d1(t),d2(t),d3(t)均表示非线性三阶二维MIMO系统的动态扰动项,u表示控制输入信号,是输出,表示控制增益函数,和均为非线性函数。
利用双曲正切函数对状态变量x进行一对一的非线性映射,将有约束系统转化为无约束系统:
由(3)得到:
令:
则全状态约束转换后无约束系统,其中x系统转化为了z系统,x和z均为状态变量,公式如下:
虚拟控制函数模块用以依据MIMO系统状态空间模型,建立拓展的柔性机械臂系统状态空间模型,设定误差信号和设定误差补偿信号同时设定指令滤波器,其中α2,O,α3,O均表示指令滤波器的输出,使用径向基函数神经网络逼近误差信号,滤波并输出虚拟控制函数,该虚拟控制函数包含虚拟控制律及自适应律。
建立拓展的柔性机械臂系统状态空间模型公式如下:
虚拟控制律公式如下:
其中Ci>0,表示神经网络逼近后的基函数向量,表示为对角矩阵,Zi对应径向基函数神经网络中的变量Z,ηij为消除全状态约束之后产生的ηij相关式子,表示指令滤波误差信号,指令滤波误差和误差信号有对应关系如和其中β1,β2,β3均表示误差补偿信号;
自适应律相关公式如下:
请参阅图2所示,其中,径向基函数神经网络公式如下:
F(Z)=θ*TΞ(Z)+δ(Z) (12)
F(Z)为将要逼近的未知函数,θ*T表示理想权重向量,Ξ(Z)为基函数向量,δ(Z)表示神经网络逼近误差(向量)。
将公式(18)代入至公式(17)中得到:
用神经网络对F1(Z)进行逼近,令:
设计虚拟控制律和自适应律为:
代入可得:
求导后的李雅普诺夫函数如下:
为证明基于指令滤波器设计的控制输入能保证系统跟踪误差收敛到原点附近,证明过程如下:
则V1的一阶导数为:
则总的李雅普诺夫函数为:
对(22)求积分可得:
优化后的虚拟控制律及控制输入信号u公式如下:
其中,表示期望输出信号的一阶导数;α2,I表示第一步的虚拟控制律,α3,I表示第二步的虚拟控制律;C1,C2,C3和G3均为正数;α2,O和α3,O均为指令滤波器的输出;为自适应律λ1的估计值,为自适应律λ2的估计值,为自适应律λ3的估计值;C1,C2,C3均大于0;a1,a2和a3均大于0。
有:
请参阅图3所示,事件触发模块用以设定事件触发机制,该事件触发机制的阈值即为设定阈值,当测量误差超过事件触发机制的阈值时,进入事件触发机制,反馈补偿虚拟控制律,该事件触发的公式如下:
其中,uj(t)为实际控制律,vj(t)为事件触发后的虚拟控制律,α3j为虚拟控制律α3,I的第j个分量,为指令滤波误差信号的第j个分量,wj1均为该事件触发中设计的两个参数,有tj,k+1表示第j个分量时的k+1时间,pj1,pj2∈(-1,1)均为定义的几个常数。
自适应反推控制器模块用以由前文可知,本发明通过对虚拟控制律,自适应律和事件触发虚拟控制律与实际控制律的设计可的结论:利用了反步法设计优化后虚拟控制函数,引入了事件触发控制器,最终获得基于指令滤波扰动估计的自适应反推控制器,实现了对期望输出信号的跟踪。
其中,实验结果图如附图所示,y11,y12分别跟踪yd1,yd2的轨迹图如图4所示,实际控制器u1,u2轨迹图如图5所示,事件触发次数图如图6所示,自适应律及跟踪误差的轨迹图如图7所示。
Claims (10)
1.一种基于全状态约束MIMO自适应事件触发控制方法,其特征在于,包含以下步骤:
1)根据非线性系统的状态变量x1,x2,x3和期望输出信号yd,建立含有扰动项的非线性三阶二维MIMO系统状态空间模型,该MIMO系统状态空间模型公式如下:
其中,x1,x2,x3均代表非线性三阶二维MIMO系统的状态变量,表示x1的一阶导数,表示x2的一阶导数,表示x3的一阶导数,d1(t),d2(t),d3(t)均表示非线性三阶二维MIMO系统的动态扰动项,u表示控制输入信号,y=[y11,y12,...,y1m]T∈Rm是输出,表示控制增益函数,和均为非线性函数;
2)依据MIMO系统状态空间模型,建立拓展的柔性机械臂系统状态空间模型,设定误差信号 是跟踪误差的估计值,和设定误差补偿信号同时设定指令滤波器,其中α2,O,α3,O均表示指令滤波器的输出,使用径向基函数神经网络逼近误差信号,滤波并输出虚拟控制函数,该虚拟控制函数包含虚拟控制律及自适应律;
5)设定事件触发机制,该事件触发机制的阈值即为设定阈值,当测量误差超过事件触发机制的阈值时,进入事件触发机制,反馈补偿虚拟控制律,该事件触发的公式如下:
其中,uj(t)为实际控制律,vj(t)为事件触发后的虚拟控制律,α3j为虚拟控制律α3,I的第j个分量,为指令滤波误差信号的第j个分量,wj1均为该事件触发中设计的两个参数,有tj,k+1表示第j个分量时的k+1时间,pj1,pj2∈(-1,1)均为定义的几个常数。
6)最终获得基于指令滤波扰动估计的自适应反推控制器,实现对期望输出信号的跟踪。
6.一种基于全状态约束MIMO自适应事件触发控制系统,其特征在于,包含建立MIMO模型模块、虚拟控制函数模块、李雅普诺夫函数模块、优化并判定模块、事件触发模块、自适应反推控制器模块;
建立MIMO模型模块用以根据非线性系统的状态变量x1,x2,x3和期望输出信号yd,建立含有扰动项的非线性三阶二维MIMO系统状态空间模型,该MIMO系统状态空间模型公式如下:
其中,x1,x2,x3代表非线性三阶二维MIMO系统的状态变量,表示x1的一阶导数,表示x2的一阶导数,表示x3的一阶导数,d1(t),d2(t),d3(t)均表示非线性三阶二维MIMO系统的动态扰动项,u表示控制输入信号,y=[y11,y12,...,y1m]T∈Rm是输出,表示控制增益函数,和均为非线性函数;
虚拟控制函数模块用以依据MIMO系统状态空间模型,建立拓展的柔性机械臂系统状态空间模型,设定误差信号 是跟踪误差的估计值,和设定误差补偿信号同时设定指令滤波器,其中α2,O,α3,O均表示指令滤波器的输出,使用径向基函数神经网络逼近误差信号,滤波并输出虚拟控制函数,该虚拟控制函数包含虚拟控制律及自适应律;
事件触发模块用以设定事件触发机制,该事件触发机制的阈值即为设定阈值,当测量误差超过事件触发机制的阈值时,进入事件触发机制,反馈补偿虚拟控制律,该事件触发的公式如下:
其中,uj(t)为实际控制律,vj(t)为事件触发后的虚拟控制律,α3j为虚拟控制律α3,I的第j个分量,为指令滤波误差信号的第j个分量,wj1均为该事件触发中设计的两个参数,有tj,k+1表示第j个分量时的k+1时间,pj1,pj2∈(-1,1)均为定义的几个常数。
自适应反推控制器模块用以最终获得基于指令滤波扰动估计的自适应反推控制器,实现对期望输出信号的跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211039086.XA CN115373270A (zh) | 2022-08-29 | 2022-08-29 | 基于全状态约束mimo自适应事件触发控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211039086.XA CN115373270A (zh) | 2022-08-29 | 2022-08-29 | 基于全状态约束mimo自适应事件触发控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115373270A true CN115373270A (zh) | 2022-11-22 |
Family
ID=84069118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211039086.XA Pending CN115373270A (zh) | 2022-08-29 | 2022-08-29 | 基于全状态约束mimo自适应事件触发控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115373270A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793465A (zh) * | 2022-12-08 | 2023-03-14 | 广西大学 | 螺旋式攀爬修枝机自适应控制方法 |
CN117724336A (zh) * | 2023-12-18 | 2024-03-19 | 中国矿业大学 | 一种基于状态和估计参数触发的机器人系统跟踪控制方法 |
CN117724336B (zh) * | 2023-12-18 | 2024-06-11 | 中国矿业大学 | 一种基于状态和估计参数触发的机器人系统跟踪控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671831A (zh) * | 2021-08-12 | 2021-11-19 | 南京邮电大学 | 一种非线性互联系统的自适应跟踪控制方法 |
CN114815618A (zh) * | 2022-04-29 | 2022-07-29 | 哈尔滨工业大学 | 一种基于动态增益的自适应神经网络跟踪控制方法 |
-
2022
- 2022-08-29 CN CN202211039086.XA patent/CN115373270A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671831A (zh) * | 2021-08-12 | 2021-11-19 | 南京邮电大学 | 一种非线性互联系统的自适应跟踪控制方法 |
CN114815618A (zh) * | 2022-04-29 | 2022-07-29 | 哈尔滨工业大学 | 一种基于动态增益的自适应神经网络跟踪控制方法 |
Non-Patent Citations (1)
Title |
---|
XINFENG ZHU ETAL: "Command filter-based adaptive neural event-triggered control of MIMO pure-feedback systems with full-state time-varying constraints", 《INTERNATIONAL JOURNAL OF ADAPTIVE CONTROL AND SIGNAL PROCESSING》, 13 June 2022 (2022-06-13), pages 2167 - 2189 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793465A (zh) * | 2022-12-08 | 2023-03-14 | 广西大学 | 螺旋式攀爬修枝机自适应控制方法 |
CN117724336A (zh) * | 2023-12-18 | 2024-03-19 | 中国矿业大学 | 一种基于状态和估计参数触发的机器人系统跟踪控制方法 |
CN117724336B (zh) * | 2023-12-18 | 2024-06-11 | 中国矿业大学 | 一种基于状态和估计参数触发的机器人系统跟踪控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Neural network-based adaptive controller design of robotic manipulators with an observer | |
CN111596545B (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 | |
Xingling et al. | Estimator-based MLP neuroadaptive dynamic surface containment control with prescribed performance for multiple quadrotors | |
CN111580392B (zh) | 一种串联倒立摆的有限频率范围鲁棒迭代学习控制方法 | |
CN108356816B (zh) | 基于输出位置的单臂机械手事件触发adp控制器结构 | |
CN112286047B (zh) | 基于神经网络的narma-l2多变量控制方法 | |
CN108170151B (zh) | 一种水下机器人的自适应运动控制装置及其方法 | |
CN111781942B (zh) | 一种基于自构造模糊神经网络的容错飞行控制方法 | |
Guo et al. | Finite-time deterministic learning command filtered control for hypersonic flight vehicle | |
Wang et al. | Event-triggered decentralized output-feedback control for interconnected nonlinear systems with input quantization | |
CN115373270A (zh) | 基于全状态约束mimo自适应事件触发控制方法及系统 | |
Li et al. | Adaptive finite-time tracking control for continuous stirred tank reactor with time-varying output constraint | |
Cheng et al. | Time-/event-triggered adaptive neural asymptotic tracking control of nonlinear interconnected systems with unmodeled dynamics and prescribed performance | |
CN114063457A (zh) | 一种机械臂系统的事件触发容错控制方法 | |
Poussot-Vassal et al. | Business jet large-scale model approximation and vibration control | |
Hu et al. | Improved adaptive hybrid compensation for compound faults of non-Gaussian stochastic systems | |
Qi et al. | Observer-based finite-time adaptive prescribed performance control for nonlinear systems with input delay | |
CN115220352A (zh) | 基于有限时间指令滤波器的自适应跟踪控制方法及系统 | |
Xia et al. | Distributed adaptive cooperative control via command filters for multi-agent systems including input unmodeled dynamics and sensor faults | |
Tsai et al. | Iterative learning-based decentralized adaptive tracker for large-scale systems: A digital redesign approach | |
Shenoy | Proportional-Integral Controller with Decouplers for an interacting TITO Process | |
Yin et al. | Adaptive decision and robust control under parallel precedence constraints in human strategy modeling | |
CN112379601A (zh) | 基于工业过程的mfa控制系统设计方法 | |
Mirkin et al. | Adaptive coordinated decentralized control of state delayed systems with actuator failures | |
Shui et al. | An approximation-free methodology to tracking control of pure-feedback nonlinear systems with application to hypersonic flight vehicles |
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 |