CN112506057B - 不确定奇异摄动***在线多时间尺度快速自适应控制方法 - Google Patents
不确定奇异摄动***在线多时间尺度快速自适应控制方法 Download PDFInfo
- Publication number
- CN112506057B CN112506057B CN202011403984.XA CN202011403984A CN112506057B CN 112506057 B CN112506057 B CN 112506057B CN 202011403984 A CN202011403984 A CN 202011403984A CN 112506057 B CN112506057 B CN 112506057B
- Authority
- CN
- China
- Prior art keywords
- formula
- uncertain
- online
- adaptive
- singular perturbation
- 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
Images
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
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
本发明公开了一种不确定奇异摄动***在线多时间尺度快速自适应控制方法,按以下步骤进行:第一是建立多时间尺度***神经网络辨识模型;第二是电控装置根据多时间尺度***神经网络辨识模型对不确定奇异摄动***进行在线学习并自我更新,不断逼近公式一所表达的不确定奇异摄动***;第三是电控装置确定公式一所表达的不确定奇异摄动***的快速自适应最优控制输入模型;第四是电控装置执行在线快速自适应学习率,对快速自适应最优控制输入模型进行在线优化更新。本发明实现对模型不确定奇异摄动***的在线快速自适应辨识与控制,提高学习速度,通过在线学习和不断优化提高控制精度,整个控制过程无须建立确定的奇异摄动***模型。
Description
技术领域
本发明属于自动控制、信息技术和先进制造领域,具体涉及针对模型不确定奇异摄动***的一种多时间尺度快速自适应最优控制方法。
背景技术
某些实际物理***或工业过程中总存在着一些小的惯量、电导或电容等带有小参数的动态***,称为奇异摄动***,其特点是具有快慢不同时间维度差异性的多时间尺度动态特性,这使得其数学模型的微分方程具有相当高的阶数以及病态的数值特征,给***建模带来极大挑战;同时,由于无法获得此类***的精确的数学模型,给这类***需求某项性能指标取得最大或最小值的最优控制器设计也带来难题。
奇异摄动***中,模型不确定的,称为不确定奇异摄动***。
奇异摄动***都包括有快(F)慢(S)两类状态变量;比如对于悬挂***,快的状态变量有两个,轮胎垂直位移形变量,非簧载质量的垂直绝对速度;慢的状态变量有悬架质量垂直位移形变量,簧载质量的垂直绝对速度;它们的初始值均为零。
快的状态变量和慢的状态变量,快的状态变量和慢的状态变量均具有初始状态,我们的控制目标是使快的状态变量和慢的状态变量均尽可能快地收敛回归到各自的初始状态。
针对一般模型不确定奇异摄动***的最优控制主要包括两个部分内容:
一是建立辨识模型(辨识模型即神经网络模型);
二是确定在线自适应最优控制率。
现有的基于神经网络的辨识模型及辨识方法主要采用了反向传播神经网络、径向基函数神经网络、小波神经网络、支持向量机、递归神经网络和回声状态网络。
这些神经网络存在的主要问题是没有考虑奇异摄动***的多时间尺度动态特性,不能够充分利用包含不同时刻状态的上下文信息,实现对摄动***的动态特性逼近。
对于在线自适应最优控制率部分,常用的基于近似动态规划的自适应最优控制方法通过融合自适应控制和最优控制两者的优点,可以克服对精确模型的需要同时达到最优。然而目前的基于近似动态规划的自适应最优控制方法都没有考虑***状态的多时间尺度特性。
同时,价值函数神经网络的自适应率学习方法往往采用常用的梯度下降法容易陷入局部最优而影响收敛速度,很难被实际应用。
发明内容
本发明的目的在于提供一种不确定奇异摄动***在线多时间尺度快速自适应控制方法,无须建立确定的奇异摄动***模型,通过自适应辨识、在线学习和不断优化提高控制精度。
为实现上述目的,本发明公开了一种不确定奇异摄动***在线多时间尺度快速自适应控制方法,针对不确定奇异摄动***的数学表达为公式一:
公式一中,xs(t)∈Rn、xf(t)∈Rm表示***的快慢不同时间尺度的状态变量,R是实数域;t是时间域;Fs,Ff为未知的非线性函数,U∈Rp为***输入,Θs,Θf为未知输入,τ=(τ1…τm)表示不同的时间尺度系数;
本发明按以下步骤进行:
第一步骤是:建立多时间尺度***神经网络辨识模型并储存在电控装置内;
第二步骤是:电控装置执行多时间尺度***神经网络辨识模型的在线权值更新律,电控装置根据多时间尺度***神经网络辨识模型对公式一所表达的不确定奇异摄动***进行在线学习并更新多时间尺度***神经网络辨识模型,进而使多时间尺度***神经网络辨识模型不断逼近公式一所表达的不确定奇异摄动***;
第三步骤是:电控装置确定快速自适应最优控制输入模型,并根据快速自适应最优控制输入模型控制公式一所表达的不确定奇异摄动***;
第四步骤是:电控装置执行快速自适应最优控制输入模型的在线快速自适应学习率,对快速自适应最优控制输入模型进行在线更新,按优化后的快速自适应最优控制输入模型持续控制公式一所表达的不确定奇异摄动***并在每次控制动作后执行第四步骤。
第一步骤中的多时间尺度***神经网络辨识模型为公式二:
第二步骤中的多时间尺度***神经网络辨识模型的在线权值更新律为存储于电控装置中的公式三:
公式三所表达的在线权值更新律具有如下收敛特性:
第三步骤中的快速自适应最优控制输入模型为公式七:
公式七中,C*(xs,xf)表示最优价值函数;
第四步骤中的在线快速自适应学习率是公式十二:
其中,Xf(r)为X(r)的滤波变量,Yf(r)为Y(r)的滤波变量。
本发明针对一般不确定奇异摄动***的数学表达即公式一,采用如公式二所示的多时间尺度***神经网络辨识模型和如公式三所示的在线权值更新律来实现对公式一表达的不确定奇异摄动***进行辨识,在此基础上利用公式七表达的快速自适应最优控制输入模型以及公式十二表达的在线快速自适应学习率实现不确定奇异摄动***在线多时间尺度快速自适应最优控制方法。
本发明的有益效果主要表现在:实现对模型不确定奇异摄动***的在线快速自适应辨识与控制,提高学习速度,通过在线学习和不断优化提高控制精度,整个控制过程无须建立确定的奇异摄动***模型。
附图说明
图1是本发明的原理图;
图2是被动悬架***与本发明控制下的悬架***的簧载质量垂直位移变形量的时间曲线的对比图;
图3是被动悬架***与本发明控制下的悬架***的簧载质量绝对速度的时间曲线的对比图;
图4是被动悬架***与本发明控制下的悬架***的轮胎垂直位移变形量的时间曲线的对比图;
至图5是被动悬架***与本发明控制下的悬架***的非簧载质量绝对速度的时间曲线的对比图。
具体实施方式
如图1至图5所示,本发明提供了一种不确定奇异摄动***在线多时间尺度快速自适应控制方法,针对不确定奇异摄动***的数学表达为公式一:
公式一中,xs(t)∈Rn、xf(t)∈Rm表示***的快慢不同时间尺度的状态变量,R是实数域;n和m是维度,维度指状态变量的个数,状态变量的个数为2,则维度为2;t是时间域;Fs,Ff为未知的非线性函数,U∈Rp为***输入,Θs,Θf为未知输入,τ=(τ1…τm)表示不同的时间尺度系数;公式一是现有公式,共两行,上面一行是慢状态(s),下面一行是快状态(f)。公式一表达的是客观对象(一般的不确定奇异摄动***)的状态。
本发明的不确定奇异摄动***在线多时间尺度快速自适应控制方法按以下步骤进行:
第一步骤是:建立多时间尺度***神经网络辨识模型并储存在电控装置内;
第二步骤是:电控装置执行多时间尺度***神经网络辨识模型的在线权值更新律,电控装置根据多时间尺度***神经网络辨识模型对公式一所表达的作为客观对象的不确定奇异摄动***进行在线学习并更新多时间尺度***神经网络辨识模型,进而使多时间尺度***神经网络辨识模型不断逼近公式一所表达的不确定奇异摄动***;
第三步骤是:电控装置确定快速自适应最优控制输入模型,并根据快速自适应最优控制输入模型控制公式一所表达的不确定奇异摄动***;
第四步骤是:电控装置执行快速自适应最优控制输入模型的在线快速自适应学习率,对快速自适应最优控制输入模型进行在线更新,按优化后的快速自适应最优控制输入模型持续控制公式一所表达的不确定奇异摄动***并在每次控制动作后执行第四步骤。
第一步骤中的多时间尺度***神经网络辨识模型为公式二:
第二步骤中的多时间尺度***神经网络辨识模型的在线权值更新律为存储于电控装置中的公式三:
公式三所表达的在线权值更新律具有如下收敛特性:
第三步骤中的快速自适应最优控制输入模型为公式七:
公式七中,C*(xs,xf)表示最优价值函数;
公式七的获得过程为:
根据最优控制理论,发明人设计Hamiltonian函数并存储于电控装置中,即公式四:
电控装置将公式二代入公式四中可得公式五:
第四步骤中的在线快速自适应学习率是公式十二:
其中,Xf(r)为X(r)的滤波变量,Yf(r)为Y(r)的滤波变量。
公式十二的获得过程是:
设计人员使用公式八所表达的神经网络来近似最优价值函数,公式八是:
电控装置将公式八代入公式六可得公式九表达的HJB方程的辨识模型如下:
设计人员定义公式十表达的X,Y的自适应滤波形式,公式十是:
设计人员定义公式十一表达的自适应滤波辅助变量M(t)和N(t),公式十一是:
机动车的悬架***是常见的一种模型不确定奇异摄动***。本发明选用悬架***作为应用实例来验证所提出的不确定奇异摄动***在线多时间尺度快速自适应控制方法。
考虑簧上质量和簧下质量不同时间尺度的悬架奇异摄动模型如公式十三所示:
所用的悬架参数如下:
ms=250kg;mu=30kg;ks=15000N/m;cs=1000N*s/m;ku=150000N/m;ε=0.1。
由图2-图5可以看出,与一般被动悬架相比,本发明所提出的在线多时间尺度快速自适应最优控制方法,具有更快的收敛特性和控制效果。
研发说明:
如公式二所示,本发明提出了一种多时间尺度神经网络来逼近一般的模型不确定奇异摄动***;
同时,本发明针对公式二中的线性矩阵Ls,Ly和权值ω1,ω2,ω3,ω4参数提出了在线自适应学习率公式三,与一般基于神经网络的辨识算法相比,这里不仅考虑了权值ω1,ω2,ω3,ω4的在线自适应学习率,而且给出了线性矩阵Ls,Ly的在线自适应学习率(而对于一般基于神经网络的辨识算法,线性矩阵往往假设为已经知道的常数),从而提高了辨识精度;另外,本发明提出的在线自适应学习率公式三还给出了防止参数溢出的动态因子Ss,Sy,确保了所提出的基于多时间尺度神经网络辨识方法的收敛特性。
对于在线自适应最优控制率部分,常用的基于近似动态规划的自适应最优控制方法通过融合自适应控制和最优控制两者的优点,可以克服对精确模型的需要同时达到最优。然而目前的基于近似动态规划的自适应最优控制方法都没有考虑***状态的多时间尺度特性。
同时,价值函数神经网络的自适应率学习方法往往采用常用的梯度下降法容易陷入局部最优而影响收敛速度,很难被实际应用。
为此,本发明通过定义Hamilton Jacobi Bellman(HJB)方程的辨识形式公式九所对应的自适应滤波形式公式十,并通过引入适应滤波辅助变量M(t)和N(t)如公式十一,从而得到了如公式十二所示的在线快速自适应最优控制率。最终实现了一种新的针对不确定奇异摄动***的在线多时间尺度快速自适应最优控制方法。
以上实施例仅用以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.不确定奇异摄动***在线多时间尺度快速自适应控制方法,针对不确定奇异摄动***的数学表达为公式一:
公式一中,xs(t)∈Rn、xf(t)∈Rm表示***的快慢不同时间尺度的状态变量,R是实数域;t是时间域;Fs,Ff为未知的非线性函数,U∈Rp为***输入,Θs,Θf为未知输入,τ=τ1…τm表示不同的时间尺度系数;
其特征在于按以下步骤进行:
第一步骤是:建立多时间尺度***神经网络辨识模型并储存在电控装置内;
第二步骤是:电控装置执行多时间尺度***神经网络辨识模型的在线权值更新律,电控装置根据多时间尺度***神经网络辨识模型对公式一所表达的不确定奇异摄动***进行在线学习并更新多时间尺度***神经网络辨识模型,进而使多时间尺度***神经网络辨识模型不断逼近公式一所表达的不确定奇异摄动***;
第三步骤是:电控装置确定快速自适应最优控制输入模型,并根据快速自适应最优控制输入模型控制公式一所表达的不确定奇异摄动***;
第四步骤是:电控装置执行快速自适应最优控制输入模型的在线快速自适应学习率,对快速自适应最优控制输入模型进行在线更新,按优化后的快速自适应最优控制输入模型持续控制公式一所表达的不确定奇异摄动***并在每次控制动作后执行第四步骤;
第一步骤中的多时间尺度***神经网络辨识模型为公式二:
公式二中,分别表示动态神经网络的快慢不同时间尺度状态变量;Ls∈Rn×n,Ly∈Rm×m为线性矩阵,为理想权值且满足有界条件φ1(·)、φ2(·)为一般常用的Sigmoid型非线性激励函数;U∈Rp为***输入;
第二步骤中的多时间尺度***神经网络辨识模型的在线权值更新律为存储于电控装置中的公式三:
公式三所表达的在线权值更新律具有如下收敛特性:
第三步骤中的快速自适应最优控制输入模型为公式七:
公式七中,C*(xs,xf)表示最优价值函数;
第四步骤中的在线快速自适应学习率是公式十二:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403984.XA CN112506057B (zh) | 2020-12-02 | 2020-12-02 | 不确定奇异摄动***在线多时间尺度快速自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403984.XA CN112506057B (zh) | 2020-12-02 | 2020-12-02 | 不确定奇异摄动***在线多时间尺度快速自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112506057A CN112506057A (zh) | 2021-03-16 |
CN112506057B true CN112506057B (zh) | 2021-09-17 |
Family
ID=74969900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011403984.XA Active CN112506057B (zh) | 2020-12-02 | 2020-12-02 | 不确定奇异摄动***在线多时间尺度快速自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506057B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765929A (zh) * | 2015-04-17 | 2015-07-08 | 浙江工业大学 | 一种基于多时间尺度递归神经网络的非线性状态解耦观测方法 |
CN106773684A (zh) * | 2016-12-09 | 2017-05-31 | 西北工业大学 | 基于智能学习评价的柔性机械臂复合控制方法 |
CN108062022A (zh) * | 2016-11-05 | 2018-05-22 | 南京理工大学 | 一种热电协同***的优化控制方法 |
CN108333939A (zh) * | 2018-02-07 | 2018-07-27 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于神经网络的时标分离飞行器弹性体智能控制方法 |
CN109514558A (zh) * | 2018-12-24 | 2019-03-26 | 中国航空工业集团公司西安飞机设计研究所 | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 |
CN109946975A (zh) * | 2019-04-12 | 2019-06-28 | 北京理工大学 | 一种未知伺服***的强化学习最优跟踪控制方法 |
CN110320807A (zh) * | 2019-07-24 | 2019-10-11 | 西北工业大学 | 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法 |
CN110619931A (zh) * | 2019-09-19 | 2019-12-27 | 中国地质大学(武汉) | 一种基于多时间尺度优化的烧结过程碳效优化方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7249169B2 (en) * | 2001-12-28 | 2007-07-24 | Nortel Networks Limited | System and method for network control and provisioning |
KR20150016089A (ko) * | 2013-08-02 | 2015-02-11 | 안병익 | 신경망 컴퓨팅 장치 및 시스템과 그 방법 |
CN104794160A (zh) * | 2015-03-24 | 2015-07-22 | 南京太亚科技有限责任公司 | 石化企业数字化工厂平台*** |
CN104993522B (zh) * | 2015-06-30 | 2018-01-19 | 中国电力科学研究院 | 一种基于mpc的主动配电网多时间尺度协调优化调度方法 |
CN105932666A (zh) * | 2016-05-18 | 2016-09-07 | 中国电力科学研究院 | 复杂配电网多时间尺度数模混合仿真***及其仿真方法 |
CN106849793B (zh) * | 2017-03-01 | 2019-03-01 | 西安交通大学 | 一种电动汽车用永磁同步电机模糊神经网络控制*** |
CN109711080B (zh) * | 2019-01-03 | 2021-10-29 | 山东大学 | 一种冷热电联供***多时间尺度优化运行方法 |
US20200315520A1 (en) * | 2019-04-03 | 2020-10-08 | Mounira Mohamad Kaafarani | Physiological method to regulate Immune and Endocrinal systems to cure Cancers, blood and neurological diseases. |
CN110137942B (zh) * | 2019-04-23 | 2022-09-16 | 河海大学 | 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和*** |
CN111552179B (zh) * | 2020-04-26 | 2021-09-14 | 中南大学 | 一种基于神经动态规划的温度分布过程优化控制方法 |
-
2020
- 2020-12-02 CN CN202011403984.XA patent/CN112506057B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765929A (zh) * | 2015-04-17 | 2015-07-08 | 浙江工业大学 | 一种基于多时间尺度递归神经网络的非线性状态解耦观测方法 |
CN108062022A (zh) * | 2016-11-05 | 2018-05-22 | 南京理工大学 | 一种热电协同***的优化控制方法 |
CN106773684A (zh) * | 2016-12-09 | 2017-05-31 | 西北工业大学 | 基于智能学习评价的柔性机械臂复合控制方法 |
CN108333939A (zh) * | 2018-02-07 | 2018-07-27 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于神经网络的时标分离飞行器弹性体智能控制方法 |
CN109514558A (zh) * | 2018-12-24 | 2019-03-26 | 中国航空工业集团公司西安飞机设计研究所 | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 |
CN109946975A (zh) * | 2019-04-12 | 2019-06-28 | 北京理工大学 | 一种未知伺服***的强化学习最优跟踪控制方法 |
CN110320807A (zh) * | 2019-07-24 | 2019-10-11 | 西北工业大学 | 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法 |
CN110619931A (zh) * | 2019-09-19 | 2019-12-27 | 中国地质大学(武汉) | 一种基于多时间尺度优化的烧结过程碳效优化方法 |
Non-Patent Citations (7)
Title |
---|
Adaptive Fault Tolerant Controller Design for Linear Singularly Perturbed Systems;Lei Liu,等;《2019 Chinese Automation Congress (CAC)》;20191124;全文 * |
Neural network based observer and adaptive control design for a class of singularly perturbed nonlinear systems;Kuo-Jung Lin;《2011 8th Asian Control Conference (ASCC)》;20110518;全文 * |
Neural Network-Based Adaptive Tracking Control for a Class of Nonlinear Singularly Perturbed Systems;Hao Wang,等;《IEEE Access》;20190329;第7卷;全文 * |
一类非线性奇异摄动***的近似最优控制;曹宁等;《控制理论与应用》;20110515;第28卷(第05期);688-692 * |
基于确定学习的机器人任务空间自适应神经网络控制;吴玉香等;《自动化学报》;20130615(第06期);全文 * |
基于神经网络在线学习的输电线路多时间尺度负载能力动态预测;江淼等;《电气自动化》;20160330(第02期);全文 * |
非线性奇异摄动***的反馈控制;方建印等;《数学的实践与认识》;20020420(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112506057A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Intelligent control of active suspension systems | |
Ming et al. | Semi-active suspension control based on deep reinforcement learning | |
JP2005538886A (ja) | 少なくされた数のセンサーを用いるファジー制御装置 | |
CN109033585B (zh) | 不确定网络控制***的pid控制器设计方法 | |
CN112776551B (zh) | 一种基于运动图式的磁流变悬架半主动控制方法及*** | |
CN115270593A (zh) | 一种基于深度学习的多物理场模型分离式求解方法 | |
Nguyen | Study on the sliding mode control method for the active suspension system | |
CN113722992A (zh) | 一种带嵌件注塑件注塑工艺参数多目标优化方法 | |
CN110032069B (zh) | 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法 | |
CN112506057B (zh) | 不确定奇异摄动***在线多时间尺度快速自适应控制方法 | |
Zhang et al. | Toward a finite-time energy-saving robust control method for active suspension systems: exploiting beneficial state-coupling, disturbance, and nonlinearities | |
Moon et al. | Genetic-based fuzzy control for half-car active suspension systems | |
CN112800680A (zh) | 基于元学习的深度强化学习求解多目标旅行商问题的方法 | |
Cao et al. | An interval type-2 fuzzy logic controller for quarter-vehicle active suspensions | |
Fu et al. | Adaptive optimal control of unknown nonlinear systems with different time scales | |
Qamar et al. | Adaptive B-spline based neuro-fuzzy control for full car active suspension system | |
CN112346342B (zh) | 一种非仿射动力学***的单网络自适应评价设计方法 | |
CN104765929B (zh) | 一种基于多时间尺度递归神经网络的非线性状态解耦观测方法 | |
Abdulshahed et al. | A novel approach for ANFIS modelling based on Grey system theory for thermal error compensation | |
Huang et al. | Application of a fuzzy enhance adaptive control on active suspension system | |
CN111221250A (zh) | 一种具有参数不确定性和多个外部扰动的非线性***及其设计方法 | |
Moon et al. | Genetic-based fuzzy control for automotive active suspensions | |
Wijaya et al. | Adaptive Estimation and Control of Nonlinear Suspension Systems With Natural Logarithm Sliding Mode Control | |
Sakai | Neuro-PID control of speed and torque of electric vehicle | |
Hunaini et al. | The cascade optimal control of steer by wire system using hardware in the loop simulations |
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 |