CN105223808B - 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 - Google Patents
基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 Download PDFInfo
- Publication number
- CN105223808B CN105223808B CN201510351699.0A CN201510351699A CN105223808B CN 105223808 B CN105223808 B CN 105223808B CN 201510351699 A CN201510351699 A CN 201510351699A CN 105223808 B CN105223808 B CN 105223808B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mover
- mtd
- mtr
- 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 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000009415 formwork Methods 0.000 title abstract 2
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000013461 design Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000036299 sexual function Effects 0.000 claims 1
- 229920006395 saturated elastomer Polymers 0.000 abstract description 9
- 238000004880 explosion Methods 0.000 abstract description 8
- 230000006641 stabilisation Effects 0.000 abstract 1
- 238000011105 stabilization Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
一种基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法,包括:建立机械臂伺服***的动态模型,初始化***状态、采样时间以及控制参数;根据微分中值定理,将***中的非线性输入饱和线性化处理,推导出带有未知饱和的机械臂伺服***模型;基于动态面滑模控制方法,计算控制***跟踪误差,滑模面及微分。本发明提供一种能够有效补偿未知饱和,避免反演法带来的复杂度***问题的神经网络动态面滑模控制方法,实现***的稳定快速跟踪。
Description
技术领域
本发明涉及一种基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法,特别是带有输入饱和约束的机械臂伺服***的控制方法。
背景技术
机械臂伺服***在机器人、航空飞行器等高性能***中得到了广泛的应用,如何实现机械臂伺服***的快速精确控制已经成为了一个热点问题。机器臂的轨迹跟踪控制***与柔性机械臂问题受到越来越多的重视。然而,未知饱和非线性环节广泛存在于机械臂伺服***中,往往会导致控制***的效率降低甚至是失效。因此,输入饱和的约束必须考虑在控制器设计过程中。针对机械臂伺服***的控制问题,存在很多控制方法,例如PID控制,自适应控制,滑模控制等。
滑模控制在解决***不确定性和外部扰动方面被认为是一个有效的鲁棒控制方法。滑模控制方法具有算法简单、响应速度快、对外界噪声干扰和参数摄动鲁棒性强等优点。然而,滑模控制在设计过程中需要满足匹配条件,实际***匹配条件的不确定性成为了滑模控制设计的障碍。反演法具有改善滑模控制器性能,放松匹配条件的优点。将滑模控制与反演法相结合,在控制器的每一步设计中引入虚拟控制变量。然而,反演法将引入复杂度***的问题。因此,采用动态面滑模控制,使***的控制器输入变得简单,成为了一个重要的研究方向。
饱和非线性环节广泛存在于机械臂伺服***、液压伺服***以及其他工业工程领域。饱和的存在往往会导致控制***的效率降低甚至是失效。因此,为提高控制性能,针对饱和的补偿和控制方法必不可少。传统的饱和补偿方法一般是建立饱和的逆模型或近似逆模型,并通过估计饱和的上下界参数设计自适应控制器,以补偿饱和的影响。然而,在机械臂伺服***等非线性***中,饱和的逆模型往往不易精确获得。对于***中存在的未知饱和输入,基于微分中值定理经行线性化,使其成为一个简单的时变***,避免了附加补偿。神经网络广泛应用于处理***的非线性和不确定性,并取得了良好的控制效果。从而可以利用神经网络逼近未知函数和***模型的未知参数,同时避免反演法带来的复杂度***问题提高***的跟踪控制性能。
发明内容
为了克服现有的机械臂伺服***的无法有效地饱和补偿,模型参数不确定性,以及反演法带来的复杂度***等的不足,本发明提供一种基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法,简化了控制器的设计结构,实现了带饱和输入的机械臂***位置跟踪控制,保证***稳定快速跟踪。
为了解决上述技术问题提出的技术方案如下:
一种基于动态面滑模控制的机械臂***饱和补偿控制方法,包括以下步骤:
步骤1,建立机械臂伺服***的动态模型,初始化***状态、采样时间以及控制参数,过程如下:
1.1机械臂伺服***的动态模型表达形式为
其中,q和θ分别为机械臂连杆和电机的角度;g为重力加速度;I为连杆的惯量;J是电机的惯量;K为弹簧刚度系数;M和L分别是连杆的质量和长度;u是控制信号;v(u)为饱和,表示为:
其中sgn(u),为未知非线性函数;vmax为未知饱和参数,满足vmax>0;
定义x1=q,x3=θ,式(1)改写为
其中,y为***输出轨迹;
1.2定义变量z1=x1,z2=x2, 则式(3)改写成
其中,
步骤2,根据微分中值定理,将***中的非线性输入饱和进行线性化处理,推导出带有未知饱和的机械臂伺服***模型,过程如下:
2.1对饱和模型进行光滑处理
则
v(u)=sat(u)=g(u)+d(u) (6)
其中,d(u)表示光滑函数与饱和模型之间存在的误差;
2.2根据微分中值定理,存在δ∈(0,1)使
其中u0∈(0,u);
选择u0=0,将式(7)改写为
2.2由式(6)和式(8),将式(4)改写为以下等效形式:
其中,
步骤3,计算控制***跟踪误差,滑模面及微分,过程如下:
3.1定义控制***的跟踪误差,滑模面为
其中,yd为二阶可导期望轨迹,λ为常数,且λ>0;
3.2对式(10)求导得:
3.3设计虚拟控制量
其中,k1为常数,且k1>0;
3.4定义一个新的变量β2,让虚拟控制量通过时间常数为τ2的一阶滤波器:
3.5定义则
步骤4,针对式(4),设计虚拟控制量,过程如下:
4.1定义误差变量
si=zi-βi,i=2,3 (15)
式(15)的一阶微分为
4.2设计虚拟控制量
其中,ki为常数,且ki>0;
4.3定义一个新的变量βi+1,让虚拟控制量通过时间常数为τ2的一阶滤波器:
4.4定义则
步骤5,设计控制器输入,过程如下:
5.1定义误差变量
s4=z4-β4(20)
计算式(20)的一阶微分为
5.2为了逼近不能直接得到的非线性不确定项以及b2,定义以下神经网络
其中,W*为理想权重,ε*为神经网络理想误差值,满足|ε*|≤εN,表达式为:
其中,a,b,c,d为常数;
5.3设计控制器输入u:
其中,为理想权重W的估计值,为理想误差上界ε*的估计值;
5.4设计自适应率:
其中,Γ=ΓT>0,Γ3是自适应增益矩阵,σ,vεN都是常数,且σ>0,vεN>0;
步骤6,设计李雅普诺夫函数
对式(26)进行求导得:
如果则判定***是稳定的。
本发明基于神经网络,动态面滑模控制方法,考虑输入未知饱和情况下,设计机械臂伺服***的饱和补偿的控制方法,实现***的稳定跟踪,保证跟踪误差在有限时间收敛。
本发明的技术构思为:针对状态不可测,并且带有未知饱和输入的机械臂伺服***,利用微分中值定理优化饱和结构,提出基于饱和模型的机械臂伺服***。再结合神经网络、自适应控制以及动态面滑模控制,设计一种机械臂伺服***的饱和补偿控制方法。通过微分中值定理,使饱和连续可微,再通过神经网络逼近未知函数,取消了传统饱和的附加补偿。并且利用动态面滑模设计虚拟误差变量,避免了反演法所带来的复杂度***问题,实现***的位置跟踪控制。本发明提供一种能够有效补偿未知饱和,避免反演法带来的复杂度***问题的神经网络动态面滑模控制方法,实现***的稳定快速跟踪。
本发明的优点为:避免未知饱和输入对***位置跟踪控制性能的影响,以及反演法带来的复杂度***问题,补偿***未知模型不确定项,实现***的位置跟踪。
附图说明
图1为本发明的非线性饱和的示意图;
图2为本发明的跟踪效果的示意图;
图3为本发明的跟踪误差的示意图;
图4为本发明的控制器输入的示意图;
图5为本发明的控制流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1-图5,一种基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法,包括以下步骤:
步骤1,建立机械臂伺服***的动态模型,初始化***状态、采样时间以及控制参数,过程如下:
1.1机械臂伺服***的动态模型表达形式为
其中,q和θ分别为机械臂连杆和电机的角度;g为重力加速度;I为连杆的惯量;J是电机的惯量;K为弹簧刚度系数;M和L分别是连杆的质量和长度;u是控制信号;v(u)为饱和,表示为:
其中sgn(u),为未知非线性函数;vmax为未知饱和参数,满足vmax>0;
定义x1=q,x3=θ,式(1)改写为
其中,y为***输出轨迹;
1.2定义变量z1=x1,z2=x2, 则式(3)改写成
其中,
步骤2,根据微分中值定理,将***中的非线性输入饱和进行线性化处理,推导出带有未知饱和的机械臂伺服***模型,过程如下:
2.1对饱和模型进行光滑处理
则
v(u)=sat(u)=g(u)+d(u) (6)
其中,d(u)表示光滑函数与饱和模型之间存在的误差;
2.2根据微分中值定理,存在δ∈(0,1)使
其中u0∈(0,u);
选择u0=0,将式(7)改写为
2.2由式(6)和式(8),将式(4)改写为以下等效形式:
其中,
步骤3,计算控制***跟踪误差,滑模面及微分,过程如下:
3.1定义控制***的跟踪误差,滑模面为
其中,yd为二阶可导期望轨迹,λ为常数,且λ>0;
3.2对式(10)求导得:
3.3设计虚拟控制量
其中,k1为常数,且k1>0;
3.4定义一个新的变量β2,让虚拟控制量通过时间常数为τ2的一阶滤波器:
3.5定义则
步骤4,针对式(4),设计虚拟控制量,过程如下:
4.1定义误差变量
si=zi-βi,i=2,3 (15)
式(15)的一阶微分为
4.2设计虚拟控制量
其中,ki为常数,且ki>0;
4.3定义一个新的变量βi+1,让虚拟控制量通过时间常数为τ2的一阶滤波器:
4.4定义则
步骤5,设计控制器输入,过程如下:
5.1定义误差变量
s4=z4-β4 (20)
计算式(20)的一阶微分为
5.2为了逼近不能直接得到的非线性不确定项以及b2,定义以下神经网络
其中,W*为理想权重,ε*为神经网络理想误差值,满足|ε*|≤εN,表达式为:
其中,a,b,c,d为常数;
5.3设计控制器输入u:
其中,为理想权重W的估计值,为理想误差上界ε*的估计值;
5.4设计自适应率:
其中,Γ=ΓT>0,Γ3是自适应增益矩阵,σ,vεN都是常数,且σ>0,vεN>0;
步骤6,设计李雅普诺夫函数
对式(26)进行求导得:
如果则判定***是稳定的。
为验证所提方法的有效性,本发明给出了三种控制方法的对比:带饱和补偿的动态面滑模控制方法(S1)、不带饱和补偿的动态面滑模控制方法(S2)以及不带饱和补偿的动态面控制方法(S3)。
为了更有效的进行对比,所有参数设置都是一致的***初始化参数为[x1,x2,x3,x4]T=[0,0,0,0]T,[β2,β3,β4]T=[0,0,0]T;神经网络参数为Γ=diag{5},a=10,b=10,c=1,d=-1;自适应控制率参数为vεN=0.1,σ=0.01,δ=0.1;一阶滤波器的时间常数参数为t2=t3=t4=0.02;***模型参数为Mgl=5,I=1,J=1,K=40,I=1;控制器参数为k1=0.5,k2=8,k3=8,k4=2,λ=7。
跟踪梯形波输入,其表达式如式(28)。S1的控制器饱和输入vmax=75,S2、S3控制器输入为vmax=295。由图2可以看出,S1的跟踪效果比S2、S3更好,S2最后不能实现***的稳定收敛;从图3可以看出,S1方法的跟踪稳态误差最小。从图4可以看出,在带有饱和输入控制器情况下,即使饱和限制较大,仍能实现***的稳定跟踪。因此,本发明提供一种能够有效补偿未知饱和,避免反演法带来的复杂度***问题的神经网络动态面滑模控制方法,实现***的稳定快速跟踪。
以上阐述的是本发明给出的一个实施例表现出的优良优化效果,显然本发明不只是限于上述实施例,在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。
Claims (1)
1.一种基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法,其特征在于:所述控制方法包括以下步骤:
步骤1,建立机械臂伺服***的动态模型,初始化***状态、采样时间以及控制参数,过程如下:
1.1机械臂伺服***的动态模型表达形式为
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>I</mi>
<mover>
<mi>q</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mo>+</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>-</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>M</mi>
<mi>g</mi>
<mi>L</mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>J</mi>
<mover>
<mi>&theta;</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mo>-</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>-</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,q和θ分别为机械臂连杆和电机的角度;g为重力加速度;I为连杆的惯量;J是电机的惯量;K为弹簧刚度系数;M和L分别是连杆的质量和长度;u是控制信号;v(u)为饱和函数,表示为:
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>s</mi>
<mi>a</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mi>u</mi>
<mo>|</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>u</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mi>u</mi>
<mo>|</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中sgn(u),为未知非线性函数;vmax为未知饱和参数,满足vmax>0;
定义x1=q,x3=θ,式(1)改写为
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mi>M</mi>
<mi>g</mi>
<mi>L</mi>
</mrow>
<mi>I</mi>
</mfrac>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>K</mi>
<mi>I</mi>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>4</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>4</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>J</mi>
</mfrac>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mi>K</mi>
<mi>J</mi>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>.</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,y为***输出轨迹;
1.2定义变量z1=x1,z2=x2, 则式(3)改写成
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>4</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>4</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
步骤2,根据微分中值定理,将***中的非线性输入饱和进行线性化处理,推导出带有未知饱和的机械臂伺服***模型,过程如下:
2.1对饱和模型进行光滑处理
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
<mo>&times;</mo>
<mi>tanh</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>u</mi>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mi>u</mi>
<mo>/</mo>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>u</mi>
<mo>/</mo>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
</mrow>
</msup>
</mrow>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mi>u</mi>
<mo>/</mo>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>u</mi>
<mo>/</mo>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
则
v(u)=sat(u)=g(u)+d(u) (6)
其中,d(u)表示光滑函数与饱和模型之间存在的误差;
2.2根据微分中值定理,存在ξ∈(0,1)使
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>g</mi>
<msub>
<mi>u</mi>
<mi>&xi;</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>-</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中uξ=ξu+(1-ξ)u0,u0∈(0,u);
选择u0=0,将式(7)改写为
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>g</mi>
<msub>
<mi>u</mi>
<mi>&xi;</mi>
</msub>
</msub>
<mi>u</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
2.3由式(6)和式(8),将式(4)改写为以下等效形式:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>4</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>4</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mi>u</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
步骤3,计算控制***跟踪误差,滑模面及微分,过程如下:
3.1定义控制***的跟踪误差,滑模面为
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mo>=</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>e</mi>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>&Integral;</mo>
<mi>e</mi>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,yd为二阶可导期望轨迹,λ为常数,且λ>0;
3.2对式(10)求导得:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>s</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>e</mi>
<mo>=</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
3.3设计虚拟控制量
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>e</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,k1为常数,且k1>0;
3.4定义一个新的变量β2,让虚拟控制量通过时间常数为τ2的一阶滤波器:
<mrow>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<msub>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
3.5定义则
<mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4,针对式(4),设计虚拟控制量,过程如下:
4.1定义误差变量
si=zi-βi,i=2,3 (15)
式(15)的一阶微分为
<mrow>
<msub>
<mover>
<mi>s</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
4.2设计虚拟控制量
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
2
其中,ki为常数,且ki>0;
4.3定义一个新的变量βi+1,让虚拟控制量通过时间常数为τi+1的一阶滤波器:
<mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
4.4定义则
<mrow>
<msub>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤5,设计控制器输入,过程如下:
5.1定义误差变量
s4=z4-β4 (20)
计算式(20)的一阶微分为
<mrow>
<msub>
<mover>
<mi>s</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>4</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mi>u</mi>
<mo>-</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>4</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>21</mn>
<mo>)</mo>
</mrow>
</mrow>
5.2为了逼近不能直接得到的非线性不确定项以及b2,定义以下神经网络
其中,W*为理想权重,ε*为神经网络理想误差值,满足|ε*|≤εN,表达式为:
其中,a,b,c,d为常数;
5.3设计控制器输入u:
其中,为理想权重W的估计值,为理想误差ε*上界的估计值;
5.4设计自适应率:
其中,Γ=ΓT>0,Γ是自适应增益矩阵,σ,vεN都是常数,且σ>0,vεN>0;
步骤6,设计李雅普诺夫函数
<mrow>
<mi>V</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>s</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<msubsup>
<mi>s</mi>
<mn>4</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mover>
<mi>W</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mi>&Gamma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mover>
<mi>W</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msub>
<mi>v</mi>
<mrow>
<mi>&epsiv;</mi>
<mi>N</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<msubsup>
<mover>
<mi>&epsiv;</mi>
<mo>~</mo>
</mover>
<mi>N</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>26</mn>
<mo>)</mo>
</mrow>
</mrow>
对式(26)进行求导得:
<mrow>
<mover>
<mi>V</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<msub>
<mover>
<mi>s</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mover>
<mi>y</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mfrac>
<msub>
<mi>s</mi>
<mn>4</mn>
</msub>
<msub>
<mover>
<mi>s</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>4</mn>
</msub>
<mo>+</mo>
<msup>
<mover>
<mi>W</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mi>&Gamma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mover>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>v</mi>
<mrow>
<mi>&epsiv;</mi>
<mi>N</mi>
</mrow>
</msub>
</mfrac>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>~</mo>
</mover>
<mi>N</mi>
</msub>
<msub>
<mover>
<mover>
<mi>&epsiv;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mi>N</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>27</mn>
<mo>)</mo>
</mrow>
</mrow>
如果则判定***是稳定的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510351699.0A CN105223808B (zh) | 2015-06-24 | 2015-06-24 | 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510351699.0A CN105223808B (zh) | 2015-06-24 | 2015-06-24 | 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105223808A CN105223808A (zh) | 2016-01-06 |
CN105223808B true CN105223808B (zh) | 2017-12-05 |
Family
ID=54992845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510351699.0A Active CN105223808B (zh) | 2015-06-24 | 2015-06-24 | 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105223808B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573119A (zh) * | 2016-01-13 | 2016-05-11 | 浙江工业大学 | 一种保证瞬态性能的机械臂伺服***神经网络全阶滑模控制方法 |
CN105573122B (zh) * | 2016-01-15 | 2018-02-02 | 河海大学常州校区 | 基于动态面控制微陀螺仪的方法 |
CN106406085B (zh) * | 2016-03-15 | 2019-02-01 | 吉林大学 | 基于跨尺度模型的空间机械臂轨迹跟踪控制方法 |
CN105739311B (zh) * | 2016-03-21 | 2018-11-20 | 浙江工业大学 | 基于预设回声状态网络的机电伺服***受限控制方法 |
CN106335064B (zh) * | 2016-11-29 | 2018-08-24 | 合肥工业大学 | 一种柔性关节机器人***的控制器设计方法 |
CN107065540A (zh) * | 2017-03-15 | 2017-08-18 | 东北电力大学 | 一种基于神经网络的自适应动态面分布控制方法 |
CN107390523B (zh) * | 2017-07-13 | 2020-07-14 | 西北工业大学 | 空间绳系复合体***的自适应神经网络动态面控制器 |
CN108549235B (zh) * | 2018-05-14 | 2020-05-01 | 西北工业大学 | 一种电机驱动单连杆机械手的有限时神经网络控制方法 |
CN108638068B (zh) * | 2018-05-18 | 2020-11-24 | 华南理工大学 | 一种携带冗余度机械臂的飞行机器人控制***设计方法 |
CN108536018B (zh) * | 2018-05-28 | 2021-10-29 | 浙江工业大学 | 基于反比例函数增强型双幂次趋近律和快速终端滑模面的四旋翼飞行器自适应控制方法 |
CN109324503B (zh) * | 2018-08-28 | 2022-02-15 | 南京理工大学 | 基于鲁棒积分的多层神经网络电机***控制方法 |
CN109557524B (zh) * | 2018-12-29 | 2020-09-22 | 安徽优思天成智能科技有限公司 | 一种船舶废气监测激光雷达随动***的输入饱和控制方法 |
CN109884890B (zh) * | 2019-02-15 | 2021-12-07 | 浙江工业大学 | 一种电驱动机械臂伺服***的时变约束反演控制方法 |
CN110086391A (zh) * | 2019-04-18 | 2019-08-02 | 广东工业大学 | 基于永磁直线同步电机的bp神经网络优化混沌控制方法 |
CN110007602B (zh) * | 2019-05-06 | 2022-03-04 | 江苏建筑职业技术学院 | 一种非线性***低复杂度自适应饱和控制方法 |
CN110320800B (zh) * | 2019-06-20 | 2023-06-20 | 广州大学 | 控制***补偿方法、装置、介质及智能设备 |
CN112180729B (zh) * | 2020-10-09 | 2023-03-03 | 电子科技大学中山学院 | 一种机械臂自适应轨迹跟踪控制方法 |
CN112987770B (zh) * | 2021-02-26 | 2021-09-28 | 哈尔滨工程大学 | 两栖仿蟹多足机器人步行足抗饱和有限时间运动控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199295A (zh) * | 2014-08-14 | 2014-12-10 | 浙江工业大学 | 基于神经网络的机电伺服***摩擦补偿和变结构控制方法 |
CN104570733A (zh) * | 2014-12-15 | 2015-04-29 | 南京理工大学 | 一种含磁滞补偿的电机伺服***预设性能跟踪控制方法 |
CN104698846A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种机械臂伺服***的指定性能反演控制方法 |
-
2015
- 2015-06-24 CN CN201510351699.0A patent/CN105223808B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199295A (zh) * | 2014-08-14 | 2014-12-10 | 浙江工业大学 | 基于神经网络的机电伺服***摩擦补偿和变结构控制方法 |
CN104570733A (zh) * | 2014-12-15 | 2015-04-29 | 南京理工大学 | 一种含磁滞补偿的电机伺服***预设性能跟踪控制方法 |
CN104698846A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种机械臂伺服***的指定性能反演控制方法 |
Non-Patent Citations (3)
Title |
---|
Neural-Network Decoupled Sliding-Mode Control for Inverted Pendulum System with Unknown Input Inverted Pendulum System with Unknown Input Saturation;Tang Xiaoqing,et al.;《2015 2nd International Conference on Information Science and Control Engineering》;20150611;全文 * |
带有未知死区的转台伺服***神经网络滑模控制;陈强 等;《第三十二届中国控制会议论文集(A卷)》;20130728;全文 * |
永磁同步电机变负载自适应神经网络控制;陈强 等;《新型工业化》;20140430;第4卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105223808A (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105223808B (zh) | 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 | |
CN104950677B (zh) | 基于反演滑模控制的机械臂***饱和补偿控制方法 | |
CN104950678B (zh) | 一种柔性机械臂***的神经网络反演控制方法 | |
CN104698846B (zh) | 一种机械臂伺服***的指定性能反演控制方法 | |
CN105798930B (zh) | 基于龙伯格状态观测器的柔性机械臂***饱和补偿控制方法 | |
CN106938462B (zh) | 一种基于自适应pd和模糊逻辑的遥操作双边控制方法 | |
CN104932271B (zh) | 一种机械臂伺服***的神经网络全阶滑模控制方法 | |
CN108875253B (zh) | 基于干扰观测器的欠驱动吊车***的终端滑模消摆控制方法及*** | |
CN105563489B (zh) | 基于非线性自抗扰控制技术的柔性机械臂控制方法 | |
CN107272677B (zh) | 一种移动机器人的变结构自适应轨迹跟踪控制方法 | |
CN111319036B (zh) | 基于自适应算法的移动机械臂位置/力自抗扰控制方法 | |
CN105772917B (zh) | 一种三关节点焊机器人轨迹跟踪控制方法 | |
CN104199295B (zh) | 基于神经网络的机电伺服***摩擦补偿和变结构控制方法 | |
CN110673472B (zh) | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 | |
Ryu et al. | Differential flatness-based robust control of mobile robots in the presence of slip | |
CN106393116B (zh) | 具有初态学习的机械臂分数阶迭代学习控制方法及*** | |
CN107121932B (zh) | 电机伺服***误差符号积分鲁棒自适应控制方法 | |
CN103728882B (zh) | 微陀螺仪的自适应反演非奇异终端滑模控制方法 | |
CN105549395B (zh) | 保证瞬态性能的机械臂伺服***死区补偿控制方法 | |
CN113031446B (zh) | 不确定时滞非线性***非奇异性神经自适应跟踪控制方法 | |
CN105182745B (zh) | 一种带有死区补偿的机械臂伺服***神经网络全阶滑模控制方法 | |
CN110687796B (zh) | 基于神经网络的自适应有限时间命令滤波反步控制方法 | |
CN106113046B (zh) | 基于死区和摩擦补偿的机械臂伺服***动态面瞬态控制方法 | |
Vo et al. | An output feedback tracking control based on neural sliding mode and high order sliding mode observer | |
CN110829933B (zh) | 基于发射平台的神经网络输出反馈自适应鲁棒控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |