CN110347042A - 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法 - Google Patents

一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法 Download PDF

Info

Publication number
CN110347042A
CN110347042A CN201910633724.2A CN201910633724A CN110347042A CN 110347042 A CN110347042 A CN 110347042A CN 201910633724 A CN201910633724 A CN 201910633724A CN 110347042 A CN110347042 A CN 110347042A
Authority
CN
China
Prior art keywords
formula
rbf neural
tracking
control
differentiator
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
Application number
CN201910633724.2A
Other languages
English (en)
Inventor
刘欣
罗晓曙
戴沁璇
董翠
韩文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Normal University
Original Assignee
Guangxi Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN201910633724.2A priority Critical patent/CN110347042A/zh
Publication of CN110347042A publication Critical patent/CN110347042A/zh
Pending legal-status Critical Current

Links

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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (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离散跟踪‑微分器与RBF神经网络补偿的三轴云台滑模控制方法，其特征在于，包括如下步骤：1）建立三轴云台任意框的伺服***动力学方程；2）设计离散跟踪‑微分器；3）设计基于扰动补偿的滑模控制率；4）设计RBF神经网络逼近不确定项。这种方法对非线性***的控制具有良好的控制效果，能克服非线性特性对控制精度的影响，能提高抗扰能力和控制精度。

Description

一种基于离散跟踪-微分器与RBF神经网络补偿的三轴云台滑 模控制方法
技术领域
本发明涉及三轴云台伺服电机控制技术领域，具体是一种基于离散跟踪-微分器与RBF神经网络补偿的三轴云台滑模控制方法。
背景技术
对于三轴云台，如何设计良好的稳定控制方法来抵抗外界扰动，从而有效克服因镜头晃动而造成的图像模糊问题，对获取高质量的影像具有重要的意义。三轴云台在空间结构上主要由外框、中框、内框组成结构，而且外框、中框、内框互相独立、互相垂直，具有三个方向的自由度。假设三轴云台是刚体，忽略离心力和科氏力，三轴云台整体可视为一个三轴伺服***，且三个轴的工作原理基本相同。所有控制***在实际控制环境下都会受到来自内部或者外部的干扰，如何抑制扰动是控制的一个重要问题，由于伺服***内的摩擦现象是客观存在的，云台伺服电机在低速运行时会有较强的摩擦现象，此外，在实际工况中还会受到恶劣的外部环境所施加的干扰力矩作用，这时的被控对象就具有非线性特性和时变特性，传统的PID控制难以达到较好的控制效果。
发明内容
本发明的目的是针对现有技术的不足，而提供一种基于离散跟踪-微分器与RBF神经网络补偿的三轴云台滑模控制方法。这种方法对非线性***的控制具有良好的控制效果，能克服非线性特性对控制精度的影响，能提高抗扰能力和控制精度。
实现本发明目的的技术方案是：
一种基于离散跟踪-微分器与RBF神经网络补偿的三轴云台滑模控制方法，与现有技术不同处在于，包括如下步骤：
1)建立三轴云台任意框的伺服***动力学方程：
假定该***采用直流电机，三轴云台的三个轴的工作原理相同，忽略电枢电感，则任意框的伺服***的动力学方程可表示为如公式(1)所示：
其中，u(t)为控制输入，Ce为反电势系数，R为电枢电阻，Km为电机力矩系数，Ku为PWM功率放大器放大倍数，J为等效到电机转轴上的转动惯量，θ为电机转角，为角速度，为角加速度，Tf(t)为随机干扰力矩，Ff(t)为黏性摩擦模型如公式(2)所示：
公式(2)中，Fc为库仑摩擦力，kv为黏性摩擦力矩比例系数，sgn(·)是符号函数，将公式(1)中不确定项视内部扰动并令为f(x)；视为外部扰动并令为d(t)，且满足|d(t)|≤D，D为正值常数；视为建模确已知部分，并令其为g；则式(1)可表示为如(3)式所示二阶非线性***：
2)设计离散跟踪-微分器：离散跟踪-微分器事先安排过渡过程，实现指令信号θd跟踪、提取指令信号θd的近似微分，其表达式如公式(4)所示：
其中，θd(k)是第k时刻的指令信号，x1＝θ′d是指令的跟踪值，是指令的近似一阶微分，是指令的近似二阶微分，是指令的近似三阶微分，h为采样周期，fhan(·)是公式(4)的最速控制综合函数，以fh1＝fhan(x1(k)-θd(k),x2(k),r1,h)为例，其算法如公式(5)所示：
公式(5)中，θd是输入信号，x1为输入信号的跟踪值，x2是输入信号的近似一阶微分，h为采样周期，r为决定跟踪快慢的速度因子，d、d0、y、a0、a均为中间变量；
3)设计基于扰动补偿的滑模控制率：定义跟踪误差为：e＝θ′d-θ，跟踪误差的导数为：并将滑模面设计为：其中c＞0，对s求导得公式(6)：
则理想基于扰动补偿的滑模控制率为公式(7)：
其中，η决定***的收敛速度，将公式(7)代入公式(6)，可得公式(8)：
如果η满足η≥D，可得公式(9)：
4)设计RBF神经网络逼近不确定项f(x)：如果不确定项f(x)未知，则控制率公式(7)无法实现，RBF神经网络对非线性连续函数具有较好的局部逼近效果，可以采用RBF神经网络逼近不确定项f(x)，取为网络的输入，设RBF神经网络的高斯基函数的宽度向量为：b＝[b1,b2,…,bj,…bm]T，径向基向量为：h＝[h1,h2,…,hj,…,hm]T，其中hj为隐含层第j个神经元的输出，W*＝[w1,w2,…,wj,…,wm]T(j＝1,2,…,m)为输出层的理想权向量，ε为RBF神经网络的逼近误差，RBF神经网络算法有公式(10)、公式(11)：
f(x)＝W*Th(x)+ε (11)，
公式(10)中，bj为隐含层节点j的基宽参数且bj＞0，cj为隐含层的的第j个节点的中心向量，
RBF神经网络实际输出的不确定项f(x)估计值为公式(12)：
公式(12)中，为输出层的实际权向量，则实际控制输入公式可写为式(13)：
将控制输入公式(13)代入公式(6)中，可得公式(14)：
在公式(14)中令并定义则有公式(15)：
定义Lyapunov函数为公式(16)：
其中，系数λ＞0，
对Lyapunov函数求导，结合公式(13)、公式(14)得式公式(17)：
则RBF神经网络权值调整自适应率取为公式(18)：
将公式(18)代入公式(17)中，则有公式(19)：
通常RBF神经网络网络的逼近误差ε可以限制在足够小的范围内，只要取η≥ε+D，便可使得由于V≥0，当t→∞时，s和都有界，当且仅当s＝0时，即当时，s≡0，根据LaSalle不变性原理，闭环***会逐渐趋于稳定，即当t→∞时，s→0，从而使得e→0，
本技术方案与现有技术相比具有以下优点：
滑模控制能够克服***的不确定性,对干扰和未建模动态具有很强的鲁棒性,尤其是对非线性***的控制具有良好的控制效果。
RBF神经网络对非线性连续函数具有较好的局部逼近效果，利用RBF神经网络对扰动进行逼近，从而补偿摩擦环节等产生的干扰，克服了非线性特性对控制精度的影响，提高了抗扰能力和控制精度。
跟踪-微分里可以安排事先过渡过程，在提高***响应快速性下的同时还能保证具有较小的超调量。
这种方法对非线性***的控制具有良好的控制效果，能克服非线性特性对控制精度的影响，能提高抗扰能力和控制精度。
附图说明
图1为实施例中PID控制原理框图；
图2为实施例中本发明方法控制原理框图；
图3为实施例中跟踪-微分器输出仿真波形图；
图4为实施例中正弦信号位置跟踪仿真波形对比图；
图5为实施例中正弦位置信号位置跟踪误差曲线仿真波形对比图；
图6为实施例中单位阶跃响应仿真波形对比图；
图7为实施例中单位阶跃响应误差曲线仿真波形对比图。
具体实施方式
下面结合附图和实施例对本发明内容作进一步的阐述，但不是对本发明的的限定。
实施例：
本例中的三轴云台偏航轴、翻滚轴和俯仰轴的伺服电机采用直流电机作为机执行构，电机输出轴直接与框架相连，其中俯仰轴与内框相连，翻滚轴与中框相连，偏航轴与外框相连，内框的稳定性对成像质量的影响最大，本例中以内框控制为例，各轴和框架均采用本例方法控制。
图1为一种传统的PID控制方法，采用三环控制结构，由外到里分别是位置环、速度环、电流环，其中，Kv是速度环反馈系数，Ki是电流环反馈系数，Kd是速度环比例系数，反馈信号可由高精度传感器获得。
参照图2，一种基于离散跟踪-微分器与RBF神经网络补偿的三轴云台滑模控制方法，以内框控制为例，包括如下步骤：
1)建立三轴云台内框的伺服***动力学方程：
忽略电枢电感，则内框的伺服***的动力学方程可表示为如公式(1)所示：
其中，u(t)为控制输入，Ce为反电势系数，R为电枢电阻，Km为电机力矩系数，Ku为PWM功率放大器放大倍数，J为等效到电机转轴上的转动惯量，θ为电机转角，为角速度，为角加速度，Tf(t)为随机干扰力矩，Ff(t)为黏性摩擦模型如公式(2)所示：
公式(2)中，Fc为库仑摩擦力，kv为黏性摩擦力矩比例系数，sgn(·)是符号函数，将公式(1)中不确定项视内部扰动并令为f(x)；视为外部扰动并令为d(t)，且满足|d(t)|≤D，D为正值常数；视为建模确已知部分，并令其为g；则式(1)可表示为如(3)式所示二阶非线性***：
2)设计离散跟踪-微分器：离散跟踪-微分器事先安排过渡过程，实现指令信号θd跟踪、提取指令信号θd的近似微分，其表达式如公式(4)所示：
其中，θd(k)是第k时刻的指令信号，x1＝θ′d是指令的跟踪值，是指令的近似一阶微分，是指令的近似二阶微分，是指令的近似三阶微分，h为采样周期，fhan(·)是公式(4)的最速控制综合函数，以fh1＝fhan(x1(k)-θd(k),x2(k),r1,h)为例，其算法如公式(5)所示：
公式(5)中，θd是输入信号，x1为输入信号的跟踪值，x2是输入信号的近似一阶微分，h为采样周期，r为决定跟踪快慢的速度因子，d、d0、y、a0、a均为中间变量；
3)设计基于扰动补偿的滑模控制率：定义跟踪误差为：e＝θ′d-θ，跟踪误差的导数为：并将滑模面设计为：其中c＞0，对s求导得公式(6)：
则理想基于扰动补偿的滑模控制率为公式(7)：
其中，η决定***的收敛速度，将公式(7)代入公式(6)，可得公式(8)：
如果η满足η≥D，可得公式(9)：
4)设计RBF神经网络逼近不确定项f(x)：如果不确定项f(x)未知，则控制率公式(7)无法实现，RBF神经网络对非线性连续函数具有较好的局部逼近效果，可以采用RBF神经网络逼近不确定项f(x)，取为网络的输入，设RBF神经网络的高斯基函数的宽度向量为：b＝[b1,b2,…,bj,…bm]T，径向基向量为：h＝[h1,h2,…,hj,…,hm]T，其中hj为隐含层第j个神经元的输出，W*＝[w1,w2,…,wj,…,wm]T(j＝1,2,…,m)为输出层的理想权向量，ε为RBF神经网络的逼近误差，RBF神经网络算法有公式(10)、公式(11)：
f(x)＝W*Th(x)+ε (11)，
公式(10)中，bj为隐含层节点j的基宽参数且bj＞0，cj为隐含层的的第j个节点的中心向量，
RBF神经网络实际输出的不确定项f(x)估计值为公式(12)：
公式(12)中，为输出层的实际权向量，则实际控制输入公式可写为式(13)：
将控制输入公式(13)代入公式(6)中，可得公式(14)：
在公式(14)中令并定义则有公式(15)：
定义Lyapunov函数为公式(16)：
其中，系数λ＞0，
对Lyapunov函数求导，结合公式(13)、公式(14)得式公式(17)：
则RBF神经网络权值调整自适应率取为公式(18)：
将公式(18)代入公式(17)中，则有公式(19)：
通常RBF神经网络网络的逼近误差ε可以限制在足够小的范围内，只要取η≥ε+D，便可使得由于V≥0，当t→∞时，s和都有界，当且仅当s＝0时，即当时，s≡0，根据LaSalle不变性原理，闭环***会逐渐趋于稳定，即当t→∞时，s→0，从而使得e→0，
本例中，给定正弦位置跟踪信号θd＝0.10sin(2πt)作为内框俯仰角的指令信号，随机外部干扰力矩Tf(t)的幅值范围：-15～15N·m，如图3所示，本例离散跟踪-微分器对指令信号θd跟踪、提取指令信号θd的近似一阶微分和近似二阶微分均具有较好的效果，在摩擦力和外加干扰作用下，由图4和图5可见，采用PID控制波形失真大，跟踪误差峰值约为0.028rad，采用本例方法跟踪误差峰值约为0.014rad，本例中，给定单位阶跃信号作为内框俯仰角的指令信号，由图6和图7可见：PID控制和采用本例方法控制的上升时间均约为0.164，PID控制稳态误差峰值为0.02rad，采用本例方法控制稳态误差为5×10-6rad，由于PID控制不具扰动估计补偿能力，故抗扰性能低，跟踪误差大，而具有扰动估计补偿能力的采用本例方法的跟踪误差要小于PID控制，能满足更高精度控制的要求。

Claims (1)

1.一种基于离散跟踪-微分器与RBF神经网络补偿的三轴云台滑模控制方法，其特征在于，包括如下步骤：
1)建立三轴云台任意框的伺服***动力学方程：
假定该***采用直流电机，三轴云台的三个轴的工作原理相同，忽略电枢电感，则任意框的伺服***的动力学方程可表示为如公式(1)所示：
其中，u(t)为控制输入，Ce为反电势系数，R为电枢电阻，Km为电机力矩系数，Ku为PWM功率放大器放大倍数，J为等效到电机转轴上的转动惯量，θ为电机转角，为角速度，为角加速度，Tf(t)为随机干扰力矩，Ff(t)为黏性摩擦模型如公式(2)所示：
公式(2)中，Fc为库仑摩擦力，kv为黏性摩擦力矩比例系数，sgn(·)是符号函数，将公式(1)中不确定项视内部扰动并令为f(x)；视为外部扰动并令为d(t)，且满足|d(t)|≤D，D为正值常数；视为建模确已知部分，并令其为g；则式(1)可表示为如(3)式所示二阶非线性***：
2)设计离散跟踪-微分器：离散跟踪-微分器事先安排过渡过程，实现指令信号θd跟踪、提取指令信号θd的近似微分，其表达式如公式(4)所示：
其中，θd(k)是第k时刻的指令信号，x1＝θ′d是指令的跟踪值，是指令的近似一阶微分，是指令的近似二阶微分，是指令的近似三阶微分，h为采样周期，fhan(·)是公式(4)的最速控制综合函数，以fh1＝fhan(x1(k)-θd(k),x2(k),r1,h)为例，其算法如公式(5)所示：
公式(5)中，θd是输入信号，x1为输入信号的跟踪值，x2是输入信号的近似一阶微分，h为采样周期，r为决定跟踪快慢的速度因子，d、d0、y、a0、a均为中间变量；
3)设计基于扰动补偿的滑模控制率：定义跟踪误差为：e＝θ′d-θ，跟踪误差的导数为：并将滑模面设计为：其中c＞0，对s求导得公式(6)：
则理想基于扰动补偿的滑模控制率为公式(7)：
其中，η决定***的收敛速度，将公式(7)代入公式(6)，可得公式(8)：
如果η满足η≥D，可得公式(9)：
4)设计RBF神经网络逼近不确定项f(x)：如果不确定项f(x)未知，则控制率公式(7)无法实现，采用RBF神经网络逼近不确定项f(x)，取为网络的输入，设RBF神经网络的高斯基函数的宽度向量为：b＝[b1,b2,…,bj,…bm]T，径向基向量为：h＝[h1,h2,…,hj,…,hm]T，其中hj为隐含层第j个神经元的输出，W*＝[w1,w2,…,wj,…,wm]T(j＝1,2,…,m)为输出层的理想权向量，ε为RBF神经网络的逼近误差，RBF神经网络算法有公式(10)、公式(11)：
f(x)＝W*Th(x)+ε (11)，
公式(10)中，bj为隐含层节点j的基宽参数且bj＞0，cj为隐含层的的第j个节点的中心向量，
RBF神经网络实际输出的不确定项f(x)估计值为公式(12)：
公式(12)中，为输出层的实际权向量，则实际控制输入公式可写为式(13)：
将控制输入公式(13)代入公式(6)中，可得公式(14)：
在公式(14)中令并定义则有公式(15)：
定义Lyapunov函数为公式(16)：
其中，系数λ＞0，
对Lyapunov函数求导，结合公式(13)、公式(14)得式公式(17)：
则RBF神经网络权值调整自适应率取为公式(18)：
将公式(18)代入公式(17)中，则有公式(19)：
取η≥ε+D，便可使得由于V≥0，当t→∞时，s和都有界，当且仅当s＝0时，即当时，s≡0，根据LaSalle不变性原理，闭环***会逐渐趋于稳定，即当t→∞时，s→0，从而使得e→0，
CN201910633724.2A 2019-07-15 2019-07-15 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法 Pending CN110347042A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910633724.2A CN110347042A (zh) 2019-07-15 2019-07-15 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910633724.2A CN110347042A (zh) 2019-07-15 2019-07-15 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法

Publications (1)

Publication Number Publication Date
CN110347042A true CN110347042A (zh) 2019-10-18

Family

ID=68176156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910633724.2A Pending CN110347042A (zh) 2019-07-15 2019-07-15 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法

Country Status (1)

Country Link
CN (1) CN110347042A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111776250A (zh) * 2020-06-02 2020-10-16 南京航空航天大学 基于干涉神经网络的航天器组合体误差补偿控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7106502B1 (en) * 2003-08-21 2006-09-12 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Operation of a Cartesian robotic system in a compact microscope imaging system with intelligent controls
CN103197562A (zh) * 2013-04-11 2013-07-10 浙江工业大学 转台伺服***神经网络控制方法
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN108646572A (zh) * 2018-07-16 2018-10-12 广西师范大学 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法
CN108733088A (zh) * 2017-04-17 2018-11-02 广西师范大学 一种三轴无刷自稳云台控制装置
CN109073140A (zh) * 2016-05-31 2018-12-21 深圳市大疆灵眸科技有限公司 用于自适应云台的方法和***
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7106502B1 (en) * 2003-08-21 2006-09-12 The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration Operation of a Cartesian robotic system in a compact microscope imaging system with intelligent controls
CN103197562A (zh) * 2013-04-11 2013-07-10 浙江工业大学 转台伺服***神经网络控制方法
CN109073140A (zh) * 2016-05-31 2018-12-21 深圳市大疆灵眸科技有限公司 用于自适应云台的方法和***
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN108733088A (zh) * 2017-04-17 2018-11-02 广西师范大学 一种三轴无刷自稳云台控制装置
CN108646572A (zh) * 2018-07-16 2018-10-12 广西师范大学 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MAN ZHIHONG，等: "A Robust Adaptive Sliding Mode Tracking Control Using An RBF Neural Network for Robotic Manipulators", 《IEEE INTERNATIONAL CONFERENCE ON NEURAL NETWORK》 *
NIU JIANJUN，等: "Design and Application of Discrete Sliding Mode Control with RBF Network-based Switching Law", 《CHINESE JOURNAL OF AERONAUTICS》 *
罗婷婷，刘金琨: "一种使用RBF网络的自适应滑模控制器", 《北京航空航天大学学报》 *
邱龙: "导向钻井稳定平台RBF-滑模变结构控制", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
霍爱清，邱龙，汪跃龙: "旋转导向钻井稳定平台的RBF网络滑模变结构控制", 《西安石油大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111776250A (zh) * 2020-06-02 2020-10-16 南京航空航天大学 基于干涉神经网络的航天器组合体误差补偿控制方法
CN111776250B (zh) * 2020-06-02 2022-07-26 南京航空航天大学 基于干涉神经网络的航天器组合体误差补偿控制方法

Similar Documents

Publication Publication Date Title
Wang et al. Parameter estimation and adaptive control for servo mechanisms with friction compensation
Wang et al. RISE-based asymptotic prescribed performance tracking control of nonlinear servo mechanisms
CN108646572A (zh) 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法
CN109639194A (zh) 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法
CN111211724B (zh) 适用于重复性伺服***的rbf自适应神经网络重复控制器
Sui et al. Active disturbance rejection control for optoelectronic stabilized platform based on adaptive fuzzy sliding mode control
CN105446140B (zh) 一种稳定平台伺服***基于有限时间收敛的复合控制方法
CN112769364B (zh) 一种直流电机伺服***的快速自适应抗扰控制方法
CN111367182A (zh) 考虑输入受限的高超声速飞行器抗干扰反步控制方法
CN111251288A (zh) 一种基于时变干扰补偿的柔性机器人串级控制***及方法
Xinli et al. A finite-time robust adaptive sliding mode control for electro-optical targeting system with friction compensation
CN110347042A (zh) 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法
Wu et al. An adaptive filter-based equivalent-input-disturbance approach for networked control systems with measurement noise
CN115047760B (zh) 一种直流电机伺服***的ftairtsm控制方法
Cao et al. Sliding mode control with neural network for active magnetic bearing system
CN114625005B (zh) 一种控制力矩陀螺框架伺服***反步抗干扰转速控制方法
Wang et al. Robust smooth-trajectory control of nonlinear servo systems based on neural networks
Piao et al. Friction compensation and limit cycle suppression at low velocities based on extended state observer
Dabbagh et al. Nonlinear two-wheeled self-balancing robot control using LQR and LQG controllers
CN110011583B (zh) 基于奇异摄动理论的永磁同步电机滑模控制***及建模方法
Wenyuan et al. High precision position control based on active disturbance rejection control for galvanometer scanner system
Zou et al. Research on tracking system of optoelectronic pod based on a rapid tangent sigmoid function tracking differentiator
CN114637293B (zh) 一种基于eso的移动机器人双闭环滑模轨迹跟踪控制***
CN114625012B (zh) 一种针对连续回转马达***的改进滑模变结构复合控制方法
White et al. Lateral Acceleration Control Design of a Non-linear Homing Missile

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191018

RJ01 Rejection of invention patent application after publication