CN116661300B - 一种通用非线性多智能体分层自适应容错协同控制方法 - Google Patents
一种通用非线性多智能体分层自适应容错协同控制方法 Download PDFInfo
- Publication number
- CN116661300B CN116661300B CN202310367098.3A CN202310367098A CN116661300B CN 116661300 B CN116661300 B CN 116661300B CN 202310367098 A CN202310367098 A CN 202310367098A CN 116661300 B CN116661300 B CN 116661300B
- Authority
- CN
- China
- Prior art keywords
- agent
- vector
- representing
- fault
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 240000007049 Juglans regia Species 0.000 claims abstract description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
本发明公布了一种通用非线性多智能体分层自适应容错协同控制方法,用于解决多智能体系统的执行器故障问题。该方法首先建立通用非线性多智能体的动力学模型,考虑执行器故障与随机扰动情况,建立非线性多智能体执行器故障模型。其次,在控制器上层设计分数阶滑模估计器对领导者信息进行估计,在控制器下层利用Nussbaum函数方法和自适应模糊神经网络方法对效率损失故障和偏差故障与随机扰动符合生成的未知项进行估计。最后,设计分布式容错控制律。本发明可用于对通用非线性多智能体执行器故障的容错控制。
Description
技术领域
本发明针对通用非线性多智能体执行器故障和随机扰动问题,设计一种分层自适应容错协同控制方法,属于容错控制领域。
背景技术
近些年来,分布式多智能体系统的控制方法受到了广泛研究。多智能体系统涵盖范围、领域十分广泛,相应控制方法可应用多无人机、多无人车、多无人艇、多无人潜水器等领域。如多无人机,目前可广泛应用于森林火情监测、电网巡检、协同作战等领域。然而,多智能体在执行任务时,可能被出现各种意外情况影响。如果对各种影响处理不及时,很可能会导致任务失败。在各种影响情况中,故障是最严重的一种,如无人机一旦出现故障,很可能会导致坠机,造成极大的损失。执行器故障是常见的一种故障形式,一旦发生执行器故障,往往会对智能体的性能产生影响,严重时甚至会导致智能体之间相互碰撞或任务失败。因此,对多智能体系统的容错控制方法研究具有十分重要的现实意义
发明内容
本发明针对多智能体系统在执行任务过程中可能遇到的执行器故障与随机扰动问题,目的在于设计一种针对通用非线性多智能体系统的容错协同控制方法,保证多智能体系统在执行器故障的情况下仍能在一定的误差范围内实现对领导者的跟踪。
为了实现上述目的,本发明采用以下技术方案:
一种通用非线性多智能体分层自适应容错协同控制方法,所述方法包括以下步骤:
步骤一,建立通用非线性多智能体动力学模型;
步骤二,建立执行器故障函数,并将之带入步骤一中多智能体动力学模型,形成多智能体执行器故障下的动力学模型;
步骤三,设计分数阶滑模估计器,利用邻居信息对领导者信息进行估计;
步骤四,使用自适应神经网络方法对所述多智能体执行器故障下的动力学模型中的未知非线性项进行学习,得到估计信息;
步骤五,利用所述领导者的估计信息与步骤四中对非线性未知项的估计信息,采用反步法与Nussbaum函数方法设计分布式容错协同控制率。
进一步的,所述步骤一中建立的通用非线性多智能体动力学模型为:
其中,i表示该智能体的序号,xiυ表示系统的第υ阶状态信息,xin表示智能体第n阶状态信息;Dax表示为x的分数或整数阶导数,a∈(0,1]为导数阶次,当a=1时表示该多智能体系统为整数阶系统,当a≠1时,该多智能体系统为分数阶系统;代表已知函数,代表强未知非线性函数,xi1和ui代表系统的输出信息和输入信息,代表连续时变的未知扰动。
进一步的,所述步骤二中的建立执行器故障函数为:
ui=ρiui0+bif;
其中,ui0是所设计的控制信号,ρi代表效率损失因子,bif代表偏差故障;
将所建立的执行器故障函数(2)带入到多智能体动力学模型(1)中,所形成的执行器故障下多智能体动力学模型为:
其中,为强未知非线性函数,为包含故障的强未知非线性函数。
进一步的,所述步骤三具体包括以下过程:
基于邻居信息,构建如下分数阶滑模估计器:
其中,β1和β2为待设计正参数,和分别为第i个和第j个智能体系统估计的领导者信息,xi0为实际领导者信息,aij与bi分别表示第i个智能体与第j个跟随者邻居的通讯权重和第i个智能体与领导者的通讯权重。
进一步的,所述步骤四具体包括以下过程:
步骤4.1:首先采用傅里叶级数展开方法对所述未知扰动进行估计:
其中,为常数向量,wihυ1,…,wihυq为傅里叶级数展开的参数,q为参数的个数并且为奇数;代表有界转换误差,随着q的增加,该误差变小;代表基函数,具体为:
其中,k=1,2,…,(q-1)/2为定义的参数,T是未知扰动的时间周期,t表示时间;
步骤4.2:使用模糊神经网络对执行器故障下动力学模型中的强未知非线性项进行学习:
其中,fiυ为模糊神经网络的输出,是常数向量,表示傅里叶级数展开的参数,n2表示输出层中神经元数量,εiυ0表示转换误差,为模糊基向量,1≤ξ2≤n2且为整数,是模糊基函数,表达为:
其中,为模糊神经网络输入,为第ξ1个输入,1≤ξ1≤n1且为整数,n1为模糊神经网络输入的个数,是中心向量,是宽度向量,定义和为中心向量的集总向量与宽度向量的集总向量;
步骤4.3:利用模糊神经网络学习后得到的理想结果表示为:
其中,是最小学习误差,为常数向量的最优值,为对未知扰动估计的常数向量,和分别是中心向量集总向量ciυ和宽度向量集总向量ζiυ最优值;
步骤4.4:最终fiυ估计值表示为:
其中,分别为使用自适应方法对最优值进行估计得到的估计值,使用时,υ=1,2,…,n。
进一步的,所述步骤五具体包括以下过程:
第1步,当υ=1时,利用步骤三种估计的领导者信息构建第i个智能体的理想参考信号其中代表理想参考位置与所估计的领导者位置的距离;
定义输出跟踪误差为xi1为多智能体输出状态信息,得到第一步虚拟控制律为:
其中k11>0为设计的参数;
第2步,当υ=2,3,…,n-1时,定义跟踪误差siυ=xiυ-xiυd,其中xiυd是由前一步得到的虚拟控制律;得到第υ步虚拟控制律为:
其中kυ1>0为设计的参数;
第3步,当υ=n时,定义跟踪误差sin=xin-xind,其中xind是前一步得到的虚拟控制律;
利用Nussbuam函数方法设计的控制率表示为:
其中,kn1>0为设计的参数,为Nussbaum函数,θi为设计的向量,其导数为:
其中,分别为使用自适应方法对最优值进行估计得到的估计值,υ=1,2,…,n。
本发明具有以下优点:
(1)本发明所设计的控制方法包含范围较广,既可以对整数阶系统进行控制,也可以对分数阶系统进行控制。
(2)本发明考虑了通用非线性多智能体系统遭遇执行器故障和随机扰动的容错控制问题,所设计的容错控制方案确保了执行器故障下多智能体系统的稳定运行,使得智能体可以对期望信号进行跟踪。
(3)本发明采用Nussbuam函数与自适应神经网络方法对执行器故障引起的效率损失和作动偏差进行处理,使得故障对系统的影响被大大削弱,增强了系统的安全性。
附图说明
图1为执行器故障下多智能体系统分层自适应容错控制方法流程图;
图2为执行器故障下多智能体系统分层自适应容错控制系统框图;
图3为多智能体通信拓扑结构图;
图4为多智能体系统跟随者的理想参考信号和输出信号图;
图5为多智能体系统跟随者的跟踪误差Ei曲线图;
图6为多智能体系统分数阶滑模估计器的估计误差ei曲线图;
图7为多智能体系统跟随者对理想信号的跟踪误差si1曲线图;
图8为跟随者状态xi2曲线图;
图9为跟随者的输入ui0曲线图。
具体实施方式
结合所附图表,对本发明的控制方法作进一步解释说明。
本申请公开的一种通用非线性多智能体分层自适应容错协同控制方法,首先,构建通用非线性多智能体模型,考虑随机扰动与执行器故障两种情况并对两种情况使用数学公式表示。接下来,构建分层自适应容错协同控制律。在上层采用分数阶滑模估计器,利用邻居信息对领导者信息进行估计,并将该信息用于下层控制器的构建;在下层使用反步法对控制律进行推导,针对随机扰动与执行器故障中的偏差故障复合影响形成的强未知非线性项,使用自适应模糊神经网络对强未知非线性项进行学习,针对效率损失故障,使用Nussbaum函数方法进行处理。最后形成容错协同控制律。
(a)建立通用非线性多智能体动力学模型:
其中,i表示该智能体的序号。其中,xiυ表示系统的第υ阶状态信息,xin表示智能体第n阶状态信息。Dax表示为x的分数或整数阶导数,a∈(0,1]为导数阶次,当a=1时表示该多智能体系统为整数阶系统,当a≠1时,该多智能体系统为分数阶系统。代表已知函数,代表强未知非线性函数,xi1和ui代表系统的输出信息和输入信息,代表连续时变的未知扰动。
建立执行器故障函数:
ui=ρiui0+bif (2);
其中,ui0是所设计的控制信号,ρi代表效率损失因子,bif代表偏差故障。将之带入通用非线性多智能体动力学模型得:
其中,为强未知非线性函数,为包含故障的强未知非线性函数。
(b)设计滑模估计器估计领导者信息:
基于邻居信息,构建如下分数阶滑模估计器:
其中,β1和β2为待设计正参数,和分别为第i个和第j个智能体系统估计的领导者信息,xi0为实际领导者信息,aij与bi分别表示第i个智能体与第j个跟随者邻居的通讯权重和第i个智能体与领导者的通讯权重。
证明:定义估计误差对于整个多智能体系统估计误差为e=[e1,e2,…,eN],其中N为多智能体个数。定义Lyapunov函数L0为:
其中,L和B为图论中的LaDlacian矩阵和领导者的邻接矩阵。
对上式求分数阶导数得:
其中,x0是一个N维向量,该向量的每一个元素为x0,λmin(*)与λmax(*)代表最小与最大特征值,||*||1与||*||2代表一范数与二范数。因此,估计值可以收敛到xi0得证。
(c)设计模糊神经网络估计未知项:
利用自适应神经网络对未知项进行估计。由于扰动是时变的,不能直接采用模糊神经网络对未知项学习。因此,首先采用傅里叶级数展开技术对随机扰动进行估计:
其中,为常数向量,wihυ1,…,wihυq为傅里叶级数展开的参数,q为参数的个数并且为奇数;代表有界转换误差,随着q的增加,该误差变小;代表基函数,具体为
其中,k=1,2,…,(q-1)/2为定义的参数,T是的时间周期,t表示时间。
使用模糊神经网络对执行器故障下动力学模型中的强未知非线性项进行学习得:
其中,fiυ为模糊神经网络的输出,是常数向量,表示傅里叶级数展开的参数,n2表示输出层中神经元数量,εiυ0表示转换误差,为模糊基向量,1≤ξ2≤n2且为整数,是模糊基函数,表达为
其中,为模糊神经网络输入,为第ξ1个输入,1≤ξ1≤n1且为整数,n1为模糊神经网络输入的个数,是中心向量,是宽度向量,定义和为中心向量的集总向量与宽度向量的集总向量。
然后,神经网络学习后得到的理想结果表示为:
其中,是最小学习误差,为常数向量的最优值,为对未知扰动估计的常数向量,和是中心向量集总向量ciυ和宽度向量集总向量ζiυ最优值;
实际上,最终得到的fiυ估计值表示为:
其中,为使用自适应方法对上述最优值进行估计得到的估计值,使用时,υ=1,2,…,n。
定义学习误差并对其进行泰勒展开,可得:
其中是自适应律估计误差,Hiυ泰勒展开的高阶项,的时间导数被假设为有界。和分别是对ciυ,ζiυ和的偏导数,可以表达为:
其中,为对中心向量的偏导数,为对宽度向量的偏导数,为对随机扰动项的偏导数。
(d)利用反步法设计容错控制律:
第1步(υ=1):定义跟踪误差其分数阶导数为:
其中,为避免多智能体碰撞,定义 代表理想参考位置与所估计的领导者位置的距离。
设计虚拟控制信号
其中,k11>0为设计的参数。
设计自适应律:
其中,kw1,kc1,kζ1,kh1,ηw1,ηc1,ηζ1和ηh1为设计的大于零的自适应参数。
定义Lyapunov函数:
对上式进行分数阶求导得:
因此,可以实现跟踪。
第υ步(υ=2,3,…,n-1):定义跟踪误差siυ=xiυ-xiυd,其分数阶导数为:
设计虚拟控制律:
其中kυ1>0为设计的参数。
设计自适应律:
其中,kwυ,kcυ,kζυ,kkυ,ηwυ,ηcυ,ηζυ和ηhυ为设计的大于零的自适应参数。
设计Lyapunov函数:
对其求进行分数阶求导得:
因此,可以证明跟踪误差收敛,能够实现跟踪。
第n步:设计跟踪误差sin=xin-xind,其分数阶导数为:
设计自适应律:
其中,kwn,kcn,kζn,khn,ηun,ηcn,θζn和ηhn为设计的大于零的自适应参数。
将Nussbaum函数方法引入对效率损失故障进行处理,形成容错控制律如下:
其中,为Nussbaum函数,θi为设计的向量,其导数为:
其中,kn1>0为设计的参数。
定义Lyapunov函数:
对上式求分数阶导数得:
针对总体的多智能体系统,设计Lyapunov函数为:
其分数阶导数为:
其中,ρ1,ρ2,ρ3,ρ4,ρ5,ρ,λi为定义的参数,σ2=min{κw1ηw1,…,κwυηwυ,…,κwnηwn},σ3=min{κc1ηc1,…,κcυηcυ,…,κcnηcn},σ4=min{κζ1ηζ1,…,κζυηζυ,…,κζnηζn},σ5=min{kh1ηh1,…,κhυηhυ,…,κhnηhn},σ=min{σ1,σ2,σ3,σ4,σ5}。
λi为定义的参数。
因此,证明了该系统得稳定性,能够实现对领导者信息的跟踪。
(e)利用设计的容错控制律,对多智能体系统进行跟踪控制。
为了验证本发明的有效性,进行的实验及分析如下:
考虑分数阶多智能体系统模型如下:
所设计的多智能体通信拓扑结构如图3所示。设领导者智能体信息x0=sin(0.4t),跟随者智能体相对领导者智能体的相对位置为跟随者智能体的初始信息为x11(0)=0.7,x21(0)=1.75,x31(0)=3.3,x41(0)=4.35,xi2(0)=0,i=1,2,3,4。控制参数设计为β1=25,β2=18,k11=5.05,k21=13.52,kw1=92.54,kc1=16.58,kζ1=10.56,kh1=29.87,ηw1=0.85,ηc1=0.76,ηζ1=0.53,ηh1=0.9,κw2=19.03,κc2=89,κζ2=89.66,kh2=97.9,ηw2=0.8,ηc2=0.33,ηζ2=0.62,ηh2=0.39。假设所有的跟随者智能体系统会遭遇随机扰动di1=|0.1sin(0.5t)|,di2=|0.3cos(0.2t)|,i=1,2,3,4。第一个跟随者系统会在t=5s时遭遇执行器故障ρ1=0.4e-5(t-5)+0.6,b1f=5e-5(t-5)-5。第二个跟随者系统会在t=10s时遭遇执行器故障ρ2=0.45e-5(t-10)+0.55,b2f=6e-5(t-5)-6。第三个跟随者系统会在t=15s时遭遇执行器故障ρ3=0.3e-5(t-15)+0.7,b3f=-4e-5(t-5)+4。
此仿真结果表明,在通用非线性多智能体系统中,本发明所提出的控制方法可以较好地对执行器故障和随机扰动进行处理,实现对理想信号的跟踪。图4显示了该多智能体系统的理想参考信号和各智能体的输出信号,可以看出初始误差不为0的情况下,各智能体的输出信号可以实现对理想信号的跟踪。图5显示了各智能体的跟踪误差,可以看出,当多智能体系统遭遇故障前,误差保持在一个很小的范围内。当遭遇故障后,误差曲线图出现了轻微的变化且误差逐渐消失,显示了所提出的控制方法具有较好的故障处理能力。图6为滑模估计器的估计误差图,展示了估计器的精确估计能力。图7为跟踪误差曲线,显示了所有的跟踪误差即使在故障出现的情况下依旧保持在一个较小的范围内。图8展示了智能体状态的变化,所有的状态在故障出现的情况下依旧保持有界。图9为各智能体的控制输入图,从图中可以看出,当执行器故障出现后,控制律会很快对故障进行处理,对输入进行改变。
综上所述,当通用多智能体系统出现执行器故障与随机扰动情况是,本发明所设计的控制方法可以有效地对多智能体系统进行容错控制和性能跟踪。
Claims (2)
1.一种通用非线性多智能体分层自适应容错协同控制方法,其特征在于:所述方法包括以下步骤:
步骤一,建立通用非线性多智能体动力学模型;
步骤二,建立执行器故障函数,并将之带入步骤一中多智能体动力学模型,形成多智能体执行器故障下的动力学模型;
步骤三,设计分数阶滑模估计器,利用邻居信息对领导者信息进行估计;
步骤四,使用自适应神经网络方法对所述多智能体执行器故障下的动力学模型中的未知非线性项进行学习,得到估计信息;
步骤五,利用所述领导者的估计信息与步骤四中对非线性未知项的估计信息,采用反步法与Nussbaum函数方法设计分布式容错协同控制率;
所述步骤一中建立的通用非线性多智能体动力学模型为:
其中,i表示该智能体的序号,xiυ表示系统的第υ阶状态信息,xin表示智能体第n阶状态信息;Dax表示为x的分数或整数阶导数,a∈(0,1]为导数阶次,当a=1时表示该多智能体系统为整数阶系统,当a≠1时,该多智能体系统为分数阶系统;代表已知函数,代表强未知非线性函数,xi1和ui代表系统的输出信息和输入信息,代表连续时变的未知扰动;
所述步骤二中的建立执行器故障函数为:
ui=ρiui0+bif;
其中,ui0是所设计的控制信号,ρi代表效率损失因子,bif代表偏差故障;
将所建立的执行器故障函数(2)带入到多智能体动力学模型(1)中,所形成的执行器故障下多智能体动力学模型为:
其中,为强未知非线性函数,为包含故障的强未知非线性函数;
所述步骤三具体包括以下过程:
基于邻居信息,构建如下分数阶滑模估计器:
其中,β1和β2为待设计正参数,和分别为第i个和第j个智能体系统估计的领导者信息,xi0为实际领导者信息,aij与bi分别表示第i个智能体与第j个跟随者邻居的通讯权重和第i个智能体与领导者的通讯权重;
所述步骤五具体包括以下过程:
第1步,当υ=1时,利用步骤三种估计的领导者信息构建第i个智能体的理想参考信号其中代表理想参考位置与所估计的领导者位置的距离;
定义输出跟踪误差为xi1为多智能体输出状态信息,得到第一步虚拟控制律为:
其中k11>0为设计的参数;
第2步,当υ=2,3,…,n-1时,定义跟踪误差siυ=xiυ-xiυd,其中xiυd是由前一步得到的虚拟控制律;得到第υ步虚拟控制律为:
其中kυ1>0为设计的参数;
第3步,当υ=n时,定义跟踪误差sin=sin-xind,其中xind是前一步得到的虚拟控制律;
利用Nussbuam函数方法设计的控制率表示为:
其中,kn1>0为设计的参数,为Nussbaum函数,θi为设计的向量,其导数为:
其中,分别为使用自适应方法对最优值进行估计得到的估计值,υ=1,2,…,n。
2.根据权利要求1所述的控制方法,其特征在于:所述步骤四具体包括以下过程:
步骤4.1:首先采用傅里叶级数展开方法对所述连续时变的未知扰动进行估计:
其中,为常数向量,wihυ1,…,wihυq为傅里叶级数展开的参数,q为参数的个数并且为奇数;代表有界转换误差,随着q的增加,该误差变小;代表基函数,具体为:
其中,k=1,2,…,(q-1)/2为定义的参数,T是未知扰动的时间周期,t表示时间;
步骤4.2:使用模糊神经网络对执行器故障下动力学模型中的强未知非线性项进行学习:
其中,fiυ为模糊神经网络的输出,是常数向量,表示傅里叶级数展开的参数,n2表示输出层中神经元数量,εiυ0表示转换误差,为模糊基向量,1≤ξ2≤n2且为整数,是模糊基函数,表达为:
其中,为模糊神经网络输入,为第ξ1个输入,1≤ξ1≤n1且为整数,n1为模糊神经网络输入的个数,是中心向量,是宽度向量,定义和为中心向量的集总向量与宽度向量的集总向量;
步骤4.3:利用模糊神经网络学习后得到的理想结果表示为:
其中,是最小学习误差,为常数向量的最优值,为对未知扰动估计的常数向量,和分别是中心向量集总向量ciυ和宽度向量集总向量ξiυ最优值;
步骤4.4:最终fiυ估计值表示为:
其中,分别为使用自适应方法对最优值进行估计得到的估计值,使用时,υ=1,2,…,n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310367098.3A CN116661300B (zh) | 2023-04-07 | 2023-04-07 | 一种通用非线性多智能体分层自适应容错协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310367098.3A CN116661300B (zh) | 2023-04-07 | 2023-04-07 | 一种通用非线性多智能体分层自适应容错协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116661300A CN116661300A (zh) | 2023-08-29 |
CN116661300B true CN116661300B (zh) | 2024-03-29 |
Family
ID=87721320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310367098.3A Active CN116661300B (zh) | 2023-04-07 | 2023-04-07 | 一种通用非线性多智能体分层自适应容错协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116661300B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5048100A (en) * | 1988-12-15 | 1991-09-10 | Michael Kuperstein | Self organizing neural network method and system for general classification of patterns |
WO2004027705A1 (en) * | 2002-09-20 | 2004-04-01 | International Business Machines Corporation | Adaptive problem determination and recovery in a computer system |
CN103105850A (zh) * | 2013-01-30 | 2013-05-15 | 南京航空航天大学 | 一种近空间飞行器故障诊断与容错控制方法 |
WO2013169274A1 (en) * | 2012-05-11 | 2013-11-14 | Siemens Corporation | System and method for fault prognostics enhanced mpc framework |
CN109116736A (zh) * | 2018-09-19 | 2019-01-01 | 南京航空航天大学 | 基于滑模的线性多智能体系统执行器故障的容错控制方法 |
CN109557818A (zh) * | 2019-01-10 | 2019-04-02 | 南京航空航天大学 | 具有执行器和传感器故障的多智能体跟踪系统的滑模容错控制方法 |
CN110058600A (zh) * | 2019-02-26 | 2019-07-26 | 天津大学 | 三旋翼无人机舵机堵塞故障下位姿系统的容错控制方法 |
CN110340898A (zh) * | 2019-08-22 | 2019-10-18 | 北京航空航天大学 | 一种具有指定跟踪性能的自由漂浮空间机械臂自适应容错控制方法 |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
WO2021130486A1 (en) * | 2019-12-23 | 2021-07-01 | University Of Surrey | Sensor fault prediction method and apparatus |
CN114594784A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 基于神经网络的固定翼无人机编队有限时间容错控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110199039A1 (en) * | 2010-02-17 | 2011-08-18 | Lansberry Geoffrey B | Fractional boost system |
-
2023
- 2023-04-07 CN CN202310367098.3A patent/CN116661300B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5048100A (en) * | 1988-12-15 | 1991-09-10 | Michael Kuperstein | Self organizing neural network method and system for general classification of patterns |
WO2004027705A1 (en) * | 2002-09-20 | 2004-04-01 | International Business Machines Corporation | Adaptive problem determination and recovery in a computer system |
WO2013169274A1 (en) * | 2012-05-11 | 2013-11-14 | Siemens Corporation | System and method for fault prognostics enhanced mpc framework |
CN103105850A (zh) * | 2013-01-30 | 2013-05-15 | 南京航空航天大学 | 一种近空间飞行器故障诊断与容错控制方法 |
CN109116736A (zh) * | 2018-09-19 | 2019-01-01 | 南京航空航天大学 | 基于滑模的线性多智能体系统执行器故障的容错控制方法 |
CN109557818A (zh) * | 2019-01-10 | 2019-04-02 | 南京航空航天大学 | 具有执行器和传感器故障的多智能体跟踪系统的滑模容错控制方法 |
CN110058600A (zh) * | 2019-02-26 | 2019-07-26 | 天津大学 | 三旋翼无人机舵机堵塞故障下位姿系统的容错控制方法 |
CN110340898A (zh) * | 2019-08-22 | 2019-10-18 | 北京航空航天大学 | 一种具有指定跟踪性能的自由漂浮空间机械臂自适应容错控制方法 |
WO2021130486A1 (en) * | 2019-12-23 | 2021-07-01 | University Of Surrey | Sensor fault prediction method and apparatus |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN114594784A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 基于神经网络的固定翼无人机编队有限时间容错控制方法 |
Non-Patent Citations (2)
Title |
---|
Adaptive Neural Consensus for Fractional-Order Multi-Agent Systems With Faults and Delays;Xiongliang Zhang ,等;IEEE;7873 - 7886 * |
多无人机自适应容错协同控制方法及应用研究;余自权 ,等;中国博士学位论文全文数据库 (工程科技Ⅱ辑);C031-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN116661300A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Adaptive fault-tolerant time-varying formation tracking for multi-agent systems under actuator failure and input saturation | |
Guo et al. | Command-filter-based fixed-time bipartite containment control for a class of stochastic multiagent systems | |
Deng et al. | Distributed adaptive fault‐tolerant containment control for a class of multi‐agent systems with non‐identical matching non‐linear functions | |
CN113359445B (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 | |
Yang et al. | Adaptive neural containment seeking of stochastic nonlinear strict-feedback multi-agent systems | |
Shahvali et al. | Cooperative adaptive neural partial tracking errors constrained control for nonlinear multi‐agent systems | |
Ye et al. | Disturbance observer-based control for consensus tracking of multi-agent systems with input delays from a frequency domain perspective | |
Ghavidel et al. | Robust composite adaptive fuzzy identification control of uncertain MIMO nonlinear systems in the presence of input saturation | |
Pan et al. | Robust fuzzy feedback control for nonlinear systems with input quantization | |
Azarbahram et al. | Event-triggered tracking formation of networked nonlinear intelligent transportation systems surrounded by random disturbances | |
Ye et al. | Adaptive switching control for hypersonic vehicle with uncertain control direction | |
CN113885548B (zh) | 一种多四旋翼无人机输出约束状态一致博弈控制器 | |
Li et al. | Learning-observer-based adaptive tracking control of multiagent systems using compensation mechanism | |
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 | |
CN116661300B (zh) | 一种通用非线性多智能体分层自适应容错协同控制方法 | |
CN114063457A (zh) | 一种机械臂系统的事件触发容错控制方法 | |
Wei et al. | Adaptive finite‐time neural backstepping control for multi‐input and multi‐output state‐constrained nonlinear systems using tangent‐type nonlinear mapping | |
Pei | Finite-time consensus tracking of nonlinear heterogeneous multi-agent systems with disturbances and directed graphs | |
CN115356929A (zh) | 执行器攻击奇异多智能体系统比例容许跟踪控制方法 | |
Mirzaei et al. | Event-triggered based consensus of autonomous underactuated surface vessels | |
Li et al. | Basis-dependent and delay-dependent results on robust L1 filtering for networked control systems | |
Zhu et al. | Neural-network-based fully distributed formation control for nonlinear multi-agent systems with event-triggered communication | |
Zhang et al. | Formation control of multiple underactuated surface vehicles based on prescribed-time method | |
Li et al. | Further results on containment control for multi-agent systems with variable communication delay | |
CN109981339B (zh) | 一种网联汽车控制系统的故障容错控制方法 |
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 |