机器人重力参数辨识新方法

将一类新型自适应观测器推广应用到机器人自适应状态观测器上，解决了机器人重力参数辨识的收敛性问题。     

基于干扰观测器的欠驱动AUV自适应反演控制

针对未知外界干扰存在的情况,提出一种基于非线性干扰观测器(NDO)的自适应反演控制,用于改善欠驱动自治水下机器人(AUV)深度跟踪控制性能。首先对欠驱动自治水下机器人的垂直面模型进行有条件的简化,得到新的运动学及动力学方程,建立简化后模型的状态方程;其次根据系统状态方程构建非线性观测器,设计自适应反演控制器,输出控制量根据李雅普诺夫稳定原理推导得出,确保包含非线性干扰观测器及自适应反演控制器在内的控制系统的一致渐进稳定性。研究结果表明:所设计的非线性干扰观测器以及自适应反演控制器可以实现欠驱动自治水下机器人在存在外界未知干扰情况下深度轨迹跟踪,具有较强的鲁棒性。     

采用代数建模方法的自适应观测器设计

针对伴有未知输入的一类线性时不变系统,当观测器匹配条件不满足时,研究了自适应观测器的设计问题。通过将未知输入划分为匹配未知输入和不匹配未知输入两部分,并假设不匹配未知输入可以表述为一个动态系统,从而可得一个满足匹配条件的增广系统;对于该增广系统讨论了自适应观测器的存在条件,给出了自适应观测器的设计方法,这种自适应观测器不仅可以观测原系统的状态,还可以重构、匹配未知输入。将该设计方法应用于一类机器人系统,虽然系统未知输入初值和观测器重构的未知输入初值相差很大,但是观测器重构的未知输入值能够很快地跟踪上系统实际的未知输入值;虽然这是一种有界误差跟踪,但是误差可以控制在很小的范围内,并不影响实际应用。仿真结果表明,所提方法是有效的。     

基于观测器的水下机器人鲁棒故障诊断

为提高水下机器人故障检测的正确率,降低故障诊断的误报率和漏报率,基于水下机器人的空间运动方程,完成了非线性滑模观测器的设计,并利用设计的观测器完成了水下机器人的系统辨识.将观测器应用于水下机器人的传感器仿真试验和推进器故障诊断的海上试验的结果验证了该方法的有效性和可行性.     

基于自适应观测器的线性离散系统故障诊断

为诊断线性离散系统中的故障,提出了基于状态估计的自适应观测器故障诊断方法。利用基于Lyapunov函数的自适应观测器构造残差信号,设计了观测器增益矩阵和故障估计值的自适应调节规律。保证Lyapunov函数的一阶导数为负,所提出的自适应调整律能够实现观测器稳定和故障估计误差收敛。仿真结果表明,该方法可以及时检测系统故障,且能够诊断故障大小。     

Lipschitz非线性系统自适应观测器设计

对具有未知参数的Lipschitz非线性系统自适应观测器设计问题进行了讨论。首先，在一定的条件假设下，讨论了可同时辨识出系统常量参数的全维自适应观测器。然后，在同样的条件下，基于一坐标变换的方法，提出了一种降维自适应观测器设计方法。由此得出结论：具有常未知参数的Lipschitz非线性系统在同样的条件假设下，既可进行全维自适应观测器设计，也可进行降维自适应观测器设计。     

基于扰动卡尔曼滤波的机器人免力矩传感器拖动示教方法

拖动示教技术操作简便且效率高,更符合现代化的柔性生产,而实现工业机器人的拖动示教需要准确地测量外力与控制由外力所引起的关节运动。为了实现免力矩传感器测量操作者施加的外力,设计一种基于扰动卡尔曼滤波的外力观测器。该观测器通过将关节外力矩作为扰动项,并引入广义动量,建立机器人系统的状态空间方程,进而采用卡尔曼滤波算法得到关节外力矩的最优观测值。其中,为了提高外力的估计精度,提出以刚体动力学模型和深度神经网络相结合的方式建立机器人的动力学模型,该方法不仅避免了关节摩擦力矩的复杂建模过程,而且将模型中未建模的因素通过深度神经网络进行补偿。为了实现机器人在拖动示教过程中的牵引控制,将机器人的关节运动与外力矩之间的动态响应关系等效为一个质量阻尼系统,并提出一种自适应阻尼的导纳控制方法,将观测到的外力矩转换成示教运动的期望关节转角,并根据外力矩的变化趋势自适应地调整系统阻尼参数,以改善机器人的示教效果。实验表明,所建立的动力学模型在预测力矩上具有更低的均方根误差,可减小不少于20%的误差;采用所提出的控制方案在六自由度的工业机器人上实现了免力矩传感器的拖动示教,自适应阻尼调整方法能减少约19%的关节...     

一类带有扰动和自适应参数的严格反馈系统的观测器

带有扰动和不确定项的一类非线性系统的观测器已经广泛研究,带有自适应参数的非线性系统的观测器已有全面的发展。本文中的观测器的设计主要运用了有扰动和自适应参数观测器的处理方法,在参数严格反馈系统下来处理。     

基于观测器的无速度传感器感应电机控制

为了辨识感应电机的转速,提出了一种模型参考自适应观测器.该观测器基于模型参考自适应系统(model reference adaptive system,MRAS),将感应电机和全阶观测器分别作为参考模型和可调模型,基于两模型输出之间的误差构造了一个自适应律,通过自适应律不断调整观测器的参数,全阶观测器的输出将实现对实际系统输出的跟踪,并用李雅普诺夫稳定性定理验证了系统的稳定性.理论分析和仿真结果表明,所提出的感应电机无速度传感器矢量控制系统的转速辨识方法具有令人满意的动静态性能.     

基于干扰观测器的多移动机器人编队鲁棒控制

针对多移动机器人存在模型参数不确定性和外部扰动的编队控制问题,提出了一种多移动机器人编队的鲁棒控制方法。在运动学层面依据领航机器人和跟随机器人位姿的偏差,建立领航机器人和跟随机器人的编队误差动态模型,在此基础上为跟随机器人设计镇定编队误差的辅助速度控制器。以辅助速度控制器的输出作为跟随机器人动力学模型的速度给定信号,并在动力学层面设计基于干扰观测器的自适应滑模控制算法,从而改善普通滑模控制中抖振突出的问题,保证编队控制的稳定性和鲁棒性。对编队控制系统进行仿真验证,结果表明了所提控制方法的有效性。     

Hilbert空间中Lipschitz伪压缩映像不动点的杂交投影算法

给出了Hilbert空间中Lipschitz伪压缩映像不动点的一个杂交投影算法,并利用所给出的杂交投影算法与新的发析技巧证明了一个强收敛定理.所得结果肯定地回答了Marino和Xu所提出的一个公开问题,从而将近期的许多相关结果推广到更一般的场合.     

关于U－循环环和双循环环

设Ｒ是有单位元的环．我们称Ｒ为循环环，如果加群（Ｒ，＋）是循环群；称Ｒ为Ｕ－循环群，如果Ｒ的全体单位作成的乘群Ｕ（Ｒ）是循环群；称Ｒ为双循环环，如果（Ｒ，＋）和Ｕ（Ｒ）都是循环群．本文利用（Ｒ，＋）与Ｕ（Ｒ）的一些性质讨论环Ｒ的性质和结构，所得主要结果如下：（１）若Ｒ是Ａｒｔｉｎ半单环，则Ｕ（Ｒ）是有限的当且仅当Ｒ是有限的．（２）域Ｆ是Ｕ－循环环当且仅当Ｆ是有限的．（３）若Ｒ是域Ｆ上所有ｎ阶上三角形矩阵作成的环，则Ｒ是Ｕ－循环环当且仅当ｎ＝２和Ｆ≌Ｚ２．（４）若Ｒ是无限环，则Ｒ是双循环环当且仅当Ｒ≌Ｚ．（５）设Ｒ是有限环且｜Ｒ｜＝ｎ＞１，则Ｒ是双循环环当且仅当Ｒ≌Ｚｎ，ｎ为２，４，ｐｋ，２ｐｋ，其中ｐ为任意奇素数，ｋ为任意正整数．     

两种超限幂零的关系

本文在结合环类中考察两种超限幂零的关系     

子环扩张的morphic性质

设R是一个环,C是R的子环,C包含环R的单位元.令CR={(c,r)|c∈C,r∈R},按方式(c1,r1)+(c2,r2)=(c1+c2,r1+r2)和(c1,r1)·(c2,r2)=(c1c2,c1r2+r1c2+r1r2)定义加法和乘法,易证CR是环,且单位元为(1R,0),故称这样的环为R的子环扩张.特别的,当子环C就取环R本身时,称R×R为R的平凡子环扩张.文章给出一些相关性质和例子,并证明了:1)若S=C×R是morphic环,则C和R也都是morphic环;2)若R是半单环,则R的平凡子环扩张是强morphic环.     

Von Neumann正则环上的零因子图

讨论了一般Von Neumann正则环上的零因子图结构,重点刻画了其连通性和顶点性质.若R是有单位元的正则环,则其零因子图Γ(R)连通当且仅当R是直有限的;若R是无单位元的正则环,则其零因子图Γ(R)连通当且仅当R无真的单边恒等元;若R是满足|R|≥ 5的正则环,则其零因子图Γ(R)的源点和收点可以刻画为Sour(R)={a∈R|a是右可逆的但左不可逆},Sink(R)={a∈R|a是左可逆的但右不可逆}.     

斜Hurwitz级数环的三角矩阵表示

设R是环，H＊R是尺上的斜Hurwitz级数环。在一定条件下，证明了H＊R与尺具有相同的三角维数。此外，如果R是PWP环并且（R，＋）是挠自由的，那么H＊R是PWP环。     

半素PI—环的超中心

证明了半素ＰＩ－环的超中心是平凡的，即定理若Ｒ是半素ＰＩ－环，则Ｔ（Ｒ）＝Ｚ（Ｔ（Ｒ））＝Ｚ（Ｒ），其中Ｔ（Ｒ）是Ｒ的超中心；Ｚ（Ｒ）是Ｒ的中心。     

斜Hurwitz级数环的三角矩阵表示(英文)

设R是环,H*R是R上的斜Hurwitz级数环。在一定条件下,证明了H*R与R具有相同的三角维数。此外,如果R是PWP环并且(R,+)是挠自由的,那么H*R是PWP环。     

一类矩阵环的半交换性

设R是reduced环.记Un(R)为R上的n×n上三角矩阵环.则Un(R)不是半交换环.本文证明了Un(R)的子环Rn是半交换环.作为推论,证明了R平凡扩张T(R,R)也是半交换环.     

EIFP环

给出EIFP环的定义,研究EIFP环的一些性质.主要证明了如下结果:①设R为EIFP环,则对每个e∈E(R),有eR(1-e)■J(R);②设R为quasi-normal环,e∈E(R),则R是EIFP环当且仅当eRe及(1-e)R(1-e)都是EIFP环;③R是Abel环当且仅当R是EIFP环和强左幂等自反环;④R是强正则环当且仅当R是von Neumann正则环和EIFP环;⑤R是约化环当且仅当R是n-正则环和EIFP环;⑥EIFP的exchange环有稳定域1.