基于H∞鲁棒控制的挠性卫星姿态控制

针对存在未建模动态、模型参数不确定性和外力矩扰动的挠性卫星，通过选择合适的加权函数将挠性卫星姿态控制问题转化为H∞混合灵敏度问题。采用H∞优化方法设计了鲁棒控制器。最后对卫星姿态控制系统进行了仿真研究，结果表明采用鲁棒控制器的姿控系统较传统的PID控制的姿控系统具有更好的鲁棒稳定性和抗干扰性能。     

自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制

讨论了自由漂浮双臂空间机器人关节运动的控制问题.由拉格朗日第二类方法及系统动量、动量矩守恒关系,建立了自由漂浮双臂空间机器人完全能控形式的系统动力学方程.以此为基础,借助于RBF神经网络技术、Ge-Lee(GL)矩阵及其乘积算子定义,对自由漂浮双臂空间机器人进行了神经网络系统建模;之后针对双臂空间机器人系统所有惯性参数均未知的情况,设计了自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制方案.提出的控制方案不要求系统动力学方程具有惯常的关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练、学习,所以更适于实时、在线应用.系统数值仿真证实了该控制方案的有效性.     

漂浮基空间机械臂基于速度滤波器的鲁棒控制

讨论了载体位置不受控、姿态受控情况下,自由漂浮空间机械臂基于速度滤波器的姿态、关节协调运动鲁棒跟踪控制问题。系统动力学分析的结果表明,结合系统总质心定义得到的系统动力学方程为系统惯性参数的线性函数,而由动力学方程得到的控制方程系数也可以表示为一组适当选择的惯性参数的线性函数。以此为基础,针对末端抓取载荷未知及仅有精确姿态、关节位置反馈的情况下,利用速度滤波器生成关节空间的伪速度,设计了基于伪速度的关节轨迹鲁棒跟踪控制方案。该控制方案的显著优点为不需要测量、反馈漂浮基的位置、移动速度、移动加速度和载体姿态及各关节铰的转动速度、转动加速度。系统的数值仿真,证实了方法的有效性。     

自由漂浮空间机器人载体姿态扰动最优轨迹规划

针对机械臂运动产生的航天器载体姿态扰动,提出一种基于粒子群优化算法的自由漂浮空间机器人载体姿态扰动最优轨迹规划方案。对系统角动量守恒方程进行分析,给出了载体姿态扰动最优轨迹规划的目标函数。采用高阶多项式逼近机械臂关节角轨迹,将多项式系数作为优化参数。为保证规划算法的收敛性,采用带有收缩因子的粒子群优化算法进行轨迹寻优。仿真结果表明,在完成位姿调整任务的同时,载体姿态扰动得到了有效的抑制,验证了所提方法的有效性。     

基于公共Lyapunov函数的一类切换系统H∞鲁棒控制

针对一类含有参数不确定性的离散时间切换系统,在任意切换的情况下研究了这类系统的H∞鲁棒控制问题,利用公共二次Lyapunov函数法,设计了切换系统的状态反馈控制器。切换系统的不确定性满足一定的匹配条件,所设计的控制器能保证闭环系统鲁棒稳定且具有H∞扰动衰减度。可以通过求解一组线性矩阵不等式获得状态反馈控制器,仿真结果验证了设计方案的有效性。     

基于网络控制系统的H∞鲁棒控制

针对控制器与执行器均为事件驱动、传感器为时间驱动、时延不确定且不大于一个采样周期的网络控制系统,建立了其在单包传输下的离散模型。基于Lyapunov函数和线性矩阵不等式(LMI)方法,分析了闭环系统的鲁棒稳定性,导出了闭环系统渐近稳定且满足给定H_∞性能指标的充分条件。通过仿真算例,证明了分析方法和结果的有效性。     

基于变增益鲁棒控制的拦截弹姿控系统设计

针对线性变参数系统,在吸收传统变增益控制思想的基础上,基于保Hz性能插值设计了一种变增益鲁棒输出反馈控制器.首先,把整个参数集基于"H,性能覆盖"的概念分割成若干个子集,然后在每个子集上利用保H∞性能插值设计变增益鲁棒控制器,并在计算出各子集的插值以后得到保证系统在整个变参数集上具有H∞性能的变参数变化率的上界.通过引入该上界,消除了控制器中的参数变化率,从而便于工程应用.文章的最后把它成功的应用于动能拦截弹姿控系统设计,达到了预期的控制效果.     

改进的机器人神经网络变结构混合控制

针对不确定性机器人的轨迹跟踪控制问题,提出了一种神经网络前馈补偿加变结构的混合控制器。通过引入广义误差的立方项补偿以提高系统的动态性能,不但保证了全局的渐近稳定,而且加快了误差的收敛速度。对闭环系统稳定性进行了证明。以二自由度刚性机器人为例进行了仿真研究,结果证明了该方案的有效性。     

基于神经网络的机器人阻抗控制研究

基于神经网络非线性补偿器原理,本文提出了一种机器人新型顺应控制方案,外力信号通过一个二阶阻抗模型来修正期望输入,神经网络非线性补偿器用于补偿机器人有界干扰和未建模动态,提出了机器人模型学习方案,仿真结果证明了学习过程的有效性以及顺应控制的渐近稳定性。     

空间机器人的增广自适应神经网络补偿控制

研究了具有外部扰动空间机器人系统的补偿控制问题。首先,给出了漂浮基空间机器人系统的动力学方程。进而借助于增广变量思想,针对系统存在有未知惯性参数及外部扰动的复杂情况,先后设计了空间机器人系统关节运动、末端爪手运动的增广自适应神经网络补偿控制方案。所提控制方案无需对载体的位置、线性速度和线性加速度进行实时地测量与反馈;且较比传统自适应控制方法,又不要求动力学方程满足关于系统惯性参数的线性函数关系,因此有效避免了对系统回归矩阵进行繁琐提取的麻烦。仿真运算,验证了上述控制方法的有效性。     

基于神经网络的移动机器人路径规划方法

针对动态环境下移动机器人路径规划,提出了一种基于递归神经网络的实时路径规划方法。利用神经网络表示机器人的工作空间,每个神经元都只有局部侧连接。目标点位置神经元具有全局最大的正活性值,该活性值通过神经元之间的局部侧连接逐渐衰减地传播到整个状态空间,障碍物及其周围区域神经元活性值则被抑制为零。目标点全局地吸引机器人,障碍物局部地将机器人推开实现避障,从而能够在动态环境下产生最优规划路径。仿真结果表明该方法具有较好的环境适应性和实时性。     

Robust adaptive neural network control with supervisory controller

The problem of direct adaptive neural network control for a class of uncertain nonlinear systems with unknown constant control gain is studied in this paper. Based on the supervisory control strategy and the approximation capability of multilayer neural networks (MNNs), a novel design scheme of direct adaptive neural network controller is proposed.The adaptive law of the adjustable parameter vector and the matrix of weights in the neural networks and the gain of sliding mode control term to adaptively compensate for the residual and the approximation error of MNNs is determined by using a Lyapunov method. The approach does not require the optimal approximation error to be square-integrable or the supremum of the optimal approximation error to be known. By theoretical analysis, the closed-loop control system is proven to be globally stable in the sense that all signals involved are bounded, with tracking error converging to zero.Simulation results demonstrate the effectiveness of the approach.     

一种基于神经网络的任意模型参考自适应控制

针对一般模型参考自适应控制方法在解高阶非线性模型时参考模型阶数较高的不足,采用一种任意模型参考自适应控制降低了参考模型的难度。利用隐层神经网络对模型进行逼近,对线性化时由不确定因素导致的误差进行补偿,并利用直接Lyapunov稳定性理论证明了跟踪误差有界,最后将其应用到飞行器纵向非线性模型的自动着陆下滑控制设计中。仿真结果表明,所设计的控制器能够使飞行器较好地跟踪理想着陆轨迹,从而验证了方法的有效性。     

基于神经网络的BTT导弹鲁棒动态逆设计

针对存在不确定性的BTT导弹系统,基于神经网络提出了一种鲁棒动态逆控制系统设计方法。首先应用双时标假设将BTT导弹动力学分离为快变状态动力学和慢变状态动力学。然后,在巧妙地利用导弹气动参数特性设计Lyapunov函数的基础上,对快变状态动力学和慢变状态动力学分别进行动态逆控制设计。设计中应用RBF神经网络来逼近系统中存在的不确定性,证明了闭环系统的所有信号均有界且指数收敛至系统原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果验证了该算法的有效性。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

基于神经网络的反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出了一种基于全调节神经网络的反步自适应控制方法。飞机模型不确定部分由全调节径向基函数(radical basis function, RBF)神经网络在线补偿,控制律及神经网络参数自适应律由反步法回馈递推得到,并利用一种自适应参数策略的混沌粒子群算法优化控制器固定参数,改善动态性能,最后通过加权伪逆控制分配方法得到最终控制信号。仿真结果表明：在较大的模型气动参数不确定及控制增益矩阵未知时,所设计的控制律仍能理想地跟踪飞机大机动指令飞行,神经网络参数估计误差指数收敛到有界紧集,系统具有快速的收敛性和良好的鲁棒性。     

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function, RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。     

基于Smith补偿与神经网络的网络控制系统PD控制

为减小网络时延给系统控制性能带来的负面影响,把传输网络以及被控对象看作是一个时变的被控系统,用Smith补偿器对时延进行补偿,并用遗忘因子递推最小二乘法对Smith补偿器中的参数进行估计,初步减小网络传输时延给系统带来的影响。将小脑模型控制器与PD控制相结合,组成复合控制器,进一步减小由时延预估误差带给系统的控制偏差,优化系统控制效果。最后,对该控制方法进行仿真实验,结果表明该方法能有效改善系统的控制性能。     

基于神经网络的航管装备故障预报系统研究

根据神经网络BP算法和专家系统原理 ,研究了航管装备故障预报的方法 ,给出了特征参数选取和知识库建立的过程 ,讨论了航管装备故障预报系统的系统结构和功能实现 ,界定了系统的推理机、解释机制、知识库规则和人机接口 ,并进行了航管装备机杨管制中心系统故障预报的过程举例 ,给出了一种基于神经网络实现航管装备故障预报系统的方法     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。