一、关于神经网络及其在自适应控制中的应用的研究(论文文献综述)
陆宇[1](2020)在《面向多船协同的自适应编队控制方法研究》文中研究说明随着水上无人技术的快速发展,无人船凭借其成本低、机动性好和无人员伤亡的优点,已成为执行海洋环境监测、水上搜救等各类任务的重要工具。为了扩大无人船的作业范围、提高无人船作业时的容错能力和资源利用率,多船协同这种作业方式得到了越来越多的青睐。无人船编队控制方法是实现多船协同作业的关键,其设计不仅要依据多船编队的任务场景,还必须得考虑无人船的自身特性和编队过程中的多种约束。现有关于无人船编队控制的理论研究尚存在以下几个方面的问题:首先,复杂的多船编队任务场景要求无人船集群既能完成队形保持和编队平移等常规任务,又能拥有根据临时任务实现期望编队机动的能力,目前很多文献仍集中于研究固定编队布局下的无人船编队问题,针对可变编队布局下多船编队机动控制的工作相对较少;其次,无人船本身具有高度非线性、变量强耦合和不确定性等特性,在实际作业时也会受到风、浪、流等外界环境扰动的影响,现有的诸如基于神经网络的或自适应编队控制方法虽然使无人船编队系统具备了一定的鲁棒性,但它们的保守性和计算量还有待进一步研究;再者,一些多船编队任务场景对无人船编队跟踪误差的暂态和稳定性能提出了要求,无人船执行器能力受限或发生故障也会对多船编队跟踪性能产生影响,当前的无人船编队控制方法在使用过程中如果遇到这些编队跟踪性能约束或执行器约束,其编队控制性能会大打折扣。概括地说,多船协同运动时可变的编队布局设置、各船的不确定动力学和所受的外界扰动以及各种编队约束给无人船编队控制理论发展带来了很大的挑战。为了深入理解多船编队的运动特性、提高无人船编队控制方法的鲁棒性、容错性和实时性以及在不同编队约束条件下的适用性,本文从协同模型、信息交互和编队布局三个方面去解释多船编队运动机理,利用图论、方位刚性理论、反步法和自适应控制等理论工具,对面向多船协同的自适应编队控制方法开展了进一步的研究。文中充分考虑了无人船模型不确定性、外界扰动影响和各种编队约束,在无人船间无信息交互或存在局部信息交互情况下,分别讨论了固定和可变编队布局时的多船编队控制问题,实现了无人船编队队形保持、平移运动、曲线机动和缩放机动的控制任务,为多船协同应用提供了理论支撑。本文的主要研究贡献如下:1)针对基于领随双自主体协同模型的欠驱动无人船编队系统,提出了一种基于跟随船视距和视线角的自适应输出反馈编队控制方法,能够在船间无信息交互时解决固定编队布局下的多船编队队形保持和平移运动控制问题。每艘船的编队控制器在抑制不确定动力学和外界扰动时只需在线调节两个学习参数,计算量小,在保证多船编队系统鲁棒性的同时提高了编队的容错性和实时性。在此基础上,提出了一种基于虚拟船自适应规划的无人船鲁棒自适应编队控制方法,能够在船间仅有艏摇角信息交互时解决可变编队布局下的多船编队曲线机动控制问题。每艘船只需利用模型中的惯性系数便可有效估计外界扰动,所采用的扰动观测器和编队控制器可共享一组神经网络,均只需在线调节两个参数,减少了计算量,提高了无人船集群曲线机动时的编队轨迹跟踪精度。2)针对基于多自主体协同模型的无人船编队系统,提出了一种仅交互位置向量的无人船分布式鲁棒自适应编队控制方法,能够在船间具有局部信息交互时解决固定编队布局下的多船协同编队队形保持和平移运动控制问题。所提方法无需邻居船间交互三通道速度信息,局部信息交互量小,每艘船基于神经网络的编队控制器三通道共只有一个在线学习参数,既能抑制模型不确定性和外界扰动,又确保了算法的实时性。在此基础上,提出了一种基于位移的无人船分布式自适应容错编队控制方法,能够在无人船具有编队跟踪误差性能约束和部分执行器发生故障时解决多船协同编队控制问题。如果无人船间的交互拓扑图是连通的,采用该方法可获得期望的固定编队布局,编队中各船邻间编队跟踪误差的超调量、收敛速率和稳态精度也能满足预设的性能要求。3)针对基于多自主体协同模型的无人船编队系统,提出了一种基于方位的多船分布式鲁棒自适应编队缩放控制方法,能够在输入饱和约束和不确定条件下解决无人船集群编队缩放机动控制问题。该方法将‘‘领导船引导目标编队轨迹、跟随船编队跟踪’’作为多船编队缩放控制的核心思路,每艘船的控制器中都引入了参数压缩机制和辅助系统设计,在处理不确定性时简化了权值更新过程,并减少了执行器能力受限的负面影响。如果增广编队是无穷小方位刚性的,采用该方法既可保持预设的无人船编队队形,又能实现期望的编队缩放机动效果。所提方法只要规划领导船便可主动缩放调节整个无人船集群的编队尺寸,在此过程中无需重新设计跟随船的控制输入,各船的艏摇角也能保持一致。
盛典[2](2020)在《分数阶自适应反步控制研究》文中进行了进一步梳理系统控制的发展就是在不断挑战更复杂的问题、完成更艰巨的任务,在此过程中自适应方法应运而生,解决了不确定系统控制的燃眉之急。其中一种自适应控制方法一一自适应反步控制,不仅控制原理简单、设计思路清晰,还具有广泛的应用前景,在众多不确定系统控制中迅速崭露头角。伴随着分数阶微积分理论的发展,越来越多的控制方法在分数阶的助力下,展现出更高的自由度和更强的鲁棒性等优势,于是将分数阶引入自适应反步控制,既可实现自适应反步控制的全面升级,又能满足不确定分数阶系统的控制需求。当前分数阶自适应反步控制的研究尚属初级阶段,虽渐渐形成了基本的理论框架,但仍然存在很多理论问题,并且难以实现复杂系统或任务的控制。因此,本文一方面发掘复杂系统或任务中分数阶自适应反步控制的潜能,解决系统中死区与饱和、控制器震颤和状态不可测等问题;另一方面弥补分数阶自适应反步控制在理论上的不足之处,实现自适应RBF神经网络反步控制的渐近收敛以及非严格反馈系统的反步控制等。首先,对于输入饱和的分数阶系统,设计一种辅助系统,实现饱和补偿的功能,推导基于辅助系统的分数阶自适应反步控制器,并充分考虑到系统状态不可测的情况,设计观测器以及分析其收敛性,完成饱和分数阶系统的输出反馈控制。此外,非线性反馈的使用,既减弱了控制器参数的限制,又明显提升了控制效果。其次,除了输入饱和,死区也是实际控制中不可忽视的问题,特别是死区与饱和共同约束的问题。对于参数完全未知的死区与饱和,本文创新性地给出了投影分解方法,完成死区与饱和问题的转化,采用辅助系统补偿方案设计自适应反步控制器,并提出一种无震颤反馈的设计思路,给出一系列反馈实例,从理论和实际证明了震颤抑制作用。然后,在自适应反步控制与RBF神经网络融合的过程中,不止满足于闭环系统信号有界,为了最终实现系统渐近稳定,控制器设计需要抵消近似误差以及简化参数更新律,保证李雅普诺夫函数收敛,并在此基础上,运用模型变换,构造严格反馈形式的系统,即可将反步控制推广至非严格反馈系统,解决自适应反步控制在应用中的障碍。最后,为了验证理论研究的实用性,分数阶自适应反步控制方法分别被用于分数阶系统和整数阶系统,其中分数阶系统是热传导系统,整数阶系统是直线倒立摆和四旋翼无人机系统。参照理论研究结果,逐步解决系统中死区与饱和、未知函数和非严格反馈形式等实际问题,完成了控制目标的同时,也展现了分数阶自适应反步控制的优越性。
林伯先[3](2020)在《复杂约束条件下多智能体系统鲁棒一致性跟踪控制研究》文中进行了进一步梳理多智能体系统分布式协同,通过成员相互作用实现能力增幅,可完成更复杂的任务,是未来军事和民用领域中自主系统提升工作效率的重要手段。本文以作动器饱和、机动性能限制等控制器约束和未知模型分量、外部扰动等不确定性因素对多智能体系统行为的影响为切入点,研究鲁棒分布式协同一致性跟踪控制方法,实现系统稳定性与鲁棒性,并推广解决复杂条件下多智能体系统鲁棒编队问题。主要研究工作及创新性成果如下:1.研究基于有界可测自适应变量输入的分布式控制方法,分析其鲁棒性条件,揭示输入饱和约束对多智能体系统一致性跟踪运动的影响规律。建立基于先验有界局部邻域同步误差(PB-LNSE)的饱和输入模型,通过坐标变换并构造包含跟踪误差积分的李雅普诺夫函数,将一致性问题转换为新坐标系下的系统状态稳定性问题,进而利用拉格朗日中值定理,对误差转换矩阵进行线性变换,证明PB-LNSE与跟踪误差收敛性的等价关系,获得自适应变量渐进收敛条件。结果表明,该条件下系统可实现一致性跟踪。通过推广面向一致性跟踪控制的方法,引入队形变量,利用坐标变换将编队问题转化为一致性问题,证明编队误差的收敛性,实现编队跟踪控制。与基于变量阈值约束的控制策略相比,本文设计的控制输入信号具有连续性,避免了信号跳跃现象。2.研究复杂不确定性因素对控制输入约束条件下多智能体系统一致性的影响机理,在无速度信息测量的条件下,构建不确定性扰动估计器(UDE)模型,设计抑制未知外部扰动和测量噪声的鲁棒协同控制方案。通过在UDE模型中引入参数映射,以单参数镇定的方式来减少稳态跟踪控制误差。利用UDE模型补偿系统中复杂未知分量,减轻不确定性因素对系统性能的影响,同时产生连续估计信号避免输入抖振现象。在编队控制中应用UDE模型,通过调整单参数的方式减小编队控制误差,实现复杂环境下多智能体系统的编队控制;进一步,将针对质点双积分模型的一致性跟踪控制方法推广到四旋翼集群控制中,通过建立无速度信息测量的六自由度控制器模型,实现四旋翼无人机在升力饱和约束下的高度一致性跟踪,并设计仿真实验,验证方法的适用性。3.针对具有模型不确定性、时变扰动等复杂约束的多智能体系统,研究基于神经网络估计的鲁棒协同控制方法,解决模型中复杂不确定性因素对系统性能的负面影响,实现输入饱和约束下二阶多智能体系统的一致性跟踪控制。在确保控制输入全局饱和的前提下,构造神经网络估计系统模型中关于系统状态变量的未知时变分量,引入估计误差项并证明其有界性,实现更精确的函数逼近;为平滑智能体的轨迹,基于李雅普诺夫稳定性条件推导出自适应参数的更新律,设计自适应一致性控制方案;进一步,将自适应控制器的输入限制在一个由饱和函数上界的线性表达式描述的可测范围内,实现对控制输入的饱和约束,使其适用于动态方程中具有任意连续非线性未知分量的不确定系统。数值仿真结果表明,该方案下模型不确定性估计误差有界且系统呈现鲁棒性。与基于状态反馈的控制方法相比,本文设计的自适应控制方案可加快一致性状态的收敛速度,减小系统震荡。4.针对具有非凸输入约束且拓扑结构Markov切换的高阶多智能体系统,通过引入非凸约束算子,设计基于相邻节点信息的一致性控制协议,解决非凸约束问题。在考虑闭环系统随机性的前提下,构造辅助矩阵将原闭环系统转化为系统矩阵为Metzler矩阵的等价系统,而后利用非负矩阵的性质证明高阶多智能体系统在拓扑结构Markov切换下能够实现均方一致性,得到所有状态趋于一致的充要条件,具有低保守性;相比采用给定数值、函数或凸闭集约束的作动器限幅,非凸约束条件更具一般性,相关理论结果可用于解决风阻条件下无人机集群或水流条件下无人舰艇集群等实际自主系统的协同跟踪问题。最后,针对三阶、四阶到六阶多智能体系统进行数值仿真,检验方法的有效性。
张小青[4](2020)在《计算智能GWO算法优化及其在运动控制中的应用》文中进行了进一步梳理工业生产和科学技术的发展与运动控制技术日益密不可分。永磁同步电动机性能优越,以其为被控对象的运动系统在各行各业中已占有举足轻重的地位。机器人功能强大,是人工劳动的优秀替代,已服务于众多行业中。无论是以单一的永磁同步电动机还是以复杂的机器人为被控对象的运动控制系统,都是一类非线性、强耦合多变量控制系统,传统优化方法已很难满足现代运动控制的高要求,而计算智能技术具备自适应能力及鲁棒性强的特点,为求解复杂的非线性运动控制系统的优化问题提供了新的途径。本文主要研究计算智能算法优化及其在运动控制系统中的应用,从算法改进与算法应用两方面展开研究。对苍狼优化算法及其改进进行研究。介绍与分析苍狼优化算法,证明算法具备全局收敛性。为增加搜索样本多样性及减小算法陷入局部最优的概率,提出了基于淘汰重组机制与变异算子的改进苍狼优化算法。引入衍生算法,得出淘汰重组机制与优秀搜索狼变异算子在功能上互相补充的结论。标准苍狼优化算法被称为静态苍狼优化算法,以减少搜索狼更新等待为目的,提出了两种动态苍狼优化算法。在动态苍狼优化算法中搜索狼的位置更新不需等待,及时更新,加快了算法的迭代收敛速度,使得算法具备了更强的竞争力。以动态苍狼优化算法的结构为基础,探讨其它改进苍狼优化算法的性能,通过实验进一步验证了动态苍狼优化算法改进的有效性。将苍狼优化算法等应用于永磁同步电动机的混沌控制与混沌同步控制中。针对不利的永磁同步电动机混沌,提出了一种以哈密顿理论与苍狼优化算法为基础的非线性扰动补偿与跟踪控制相结合的混沌控制器。通过分析永磁同步电动机严格耗散的广义约化模型中的扰动非线性项,提出了一种带可调增益的非线性扰动补偿器,证明了此补偿器能使系统在平衡点附近渐近稳定。以修正互联与阻尼控制为参考,依期望平衡点的不同而改变相应的哈密顿能量函数,提出了一种参数待定的跟踪控制器。然后以苍狼优化算法为手段对所设计的控制器中可调增益及待定参数进行有目的的优化,最后通过实验测试,系统的混沌得到了较好的抑制,系统具备了良好的跟随性能及抗负载扰动的能力。针对永磁同步电动机混沌的存在对系统有利的场合,鉴于混沌同步控制具有普遍意义,以径向基神经网络为基础,结合苍狼优化算法及其多种变体算法,提出了RBF-GWO混沌同步控制器。用苍狼优化算法以同步误差平方平均值最小为优化目标来优化径向基神经网络的中心矩阵、输出权重及宽度矢量,使得所设计的RBF-GWO网络在应用时性能最佳。从永磁同步电动机混沌同构同步与混沌异构同步两方面验证了所提出的混沌同步控制器的有效性,使系统能更合理的利用永磁同步电动机的混沌现象。对Par4并联机器人高速拾取路径进行了轨迹规划与跟踪控制。针对Par4并联机器人的高速拾取路径,提出了一种基于苍狼优化算法以Lamé曲线为圆滑过渡曲线、以五次及六次不对称多项式为运动规律的机械能耗最小的轨迹规划方法。在该方法中,采取苍狼优化算法,以机器人机械能耗最小为目的,对轨迹进行了优化研究,最终找出了基于Lamé曲线机械能耗最低的轨迹,验证了方法的有效性。通过实验还得知最优轨迹中的Lamé曲线的参数e最佳值可选为拾取跨度一半,而参数f的最佳值需依拾取坐标及拾取高度等具体情况进行寻优选择。以Par4并联机器人优化规划的电机角度为期望控制输入,设计了基于Type-2模糊预估补偿的PID控制器,把系统输入变量的变化率与跟踪误差的变化率之和作为Type-2模糊预估补偿的一个输入,提高了系统对输入的动态跟随性能,减少了驱动电机的角度跟踪误差。利用动态苍狼优化算法对Type-2模糊控制器进行了离线优化,使得系统性能更佳。最后通过实验验证了所提出的控制器的有效性,Par4并联机器人的四个驱动电机都能较好地跟踪期望的输入角度。
乔磊[5](2020)在《复杂海洋环境下水下无人航行器定深与三维轨迹跟踪控制》文中研究表明随着过去几十年水下无人技术的巨大发展,水下无人航行器(AUVs)已被越来越多地用于执行海洋风险任务,如海上石油和天然气勘探和开采、海底管道检测、海洋测绘、深海考古以及扫雷等。在执行上述任务的过程中,通常需要AUVs具有良好的定深能力和精确的轨迹跟踪能力。然而,AUVs动力学模型具有多变量,高度非线性,强耦合及不确定特性,加上海洋环境中难以测量的时变扰动影响,使得AUVs定深与轨迹跟踪控制面临挑战。此外,AUVs轨迹跟踪控制要求驱动AUVs跟踪一条时变的参数化轨迹,对收敛时间具有强约束,增加了控制器设计的难度。为了克服上述挑战,推动AUVs定深与轨迹跟踪控制技术的发展,本文研究了在模型不确定及外界时变环境干扰下的AUVs定深与三维轨迹跟踪控制问题,给出了AUVs定深与轨迹跟踪控制方法设计的一些新结果。本文的主要研究内容包括:1.针对以往的AUVs PID定深控制器不能精确补偿输出扰动、模型不确定与输入时滞的问题,以及以往的AUVs H∞和H2定深控制器设计中没有特别考虑输入时滞的问题,提出了一种鲁棒H2最优定深控制方法,可有效处理输入时滞、输出扰动及航行器的模型不确定性,并且可以定量整定系统名义性能与鲁棒性。通过与以往的纵倾-深度环PD定深控制器进行仿真比较,表明了该控制器可以提供更高的跟踪精度、更好的输出扰动抑制能力、更强的抵抗模型不确定的鲁棒性以及更小的鳍角输入。然而,该控制器需要已知AUVs系统的传递函数。2.针对以往的AUVs轨迹跟踪自适应控制、反步控制、神经网络控制、模糊控制以及模型预测控制方法只能保证航行器轨迹跟踪的鲁棒稳定性,不能保证其暂态响应的问题,提出了三种指数收敛的鲁棒控制器,即min-max、saturation和smooth transition控制器。导出了跟踪误差的指数收敛解析表达式,揭示了怎样通过调节控制器参数来获得期望的跟踪误差暂态响应。通过与以往的AUVs RISE-based轨迹跟踪控制器进行仿真比较,表明了这三种控制器不仅提高了收敛速度,还能补偿水下环境中典型存在的不光滑扰动(如随机扰动)。然而,这三种控制器需要已知不确定和扰动的上界,且没有考虑航行器中的惯性不确定性。3.针对研究内容2中所提出的三种控制器需要已知不确定和扰动的上界且没有考虑航行器中惯性不确定性的问题,以及以往的AUVs全局有限时间稳定跟踪控制器和自适应非奇异终端滑模控制器只能保证跟踪误差有界因而跟踪精度有待提高的问题,提出了两种有限时间稳定的跟踪控制器,即双闭环自适应积分终端滑模控制器与双闭环自适应快速积分终端滑模控制器,可使航行器的位置和速度跟踪误差局部有限时间收敛到零,并且不需要已知模型不确定(包括惯性不确定)及时变外界扰动的界信息。通过与传统的双闭环自适应积分滑模控制器进行仿真比较,表明了所提出的两种控制器可以提供更快的收敛速度和更强的鲁棒性。然而,与研究内容2中所提出的三种控制器相比,这两种控制器仅能保证跟踪误差在滑模面上的暂态响应,不能保证跟踪误差在到达滑模面之前的暂态响应。4.针对研究内容3中所提出的两种控制器存在奇异值的问题,提出了一种自适应非奇异积分终端滑模控制器。首先针对一般性的一阶不确定非线性动力学系统研究了自适应非奇异积分终端滑模控制器的设计。该控制器不存在奇异值问题,且不需要集中系统不确定的界信息,同时可保证系统跟踪误差全局有限时间收敛到零。然后将所设计的控制器应用到AUVs三维轨迹跟踪控制中,克服了研究内容3中所提出的两种控制器的奇异值问题,同时保证了鲁棒且快速的轨迹跟踪。最后,通过与传统的自适应比例-积分滑模控制器进行仿真比较,表明了该控制器可以提供更快的收敛速度和更强的鲁棒性。然而,相比于研究内容3中所提出的两种控制器,该控制器损失了收敛速度,即其仅能保证速度跟踪误差局部有限时间收敛到零,但位置跟踪误差却不再被保证是有限时间收敛到零,而是局部指数收敛到零。5.针对研究内容4中所提出的控制器在远离平衡点时收敛速度慢的问题,提出了一种自适应快速非奇异积分终端滑模控制器。首先仍然针对一般性的一阶不确定非线性动力学系统研究了自适应快速非奇异积分终端滑模控制器的设计。该控制器同时保证了在平衡点远距离和近距离处的快速、有限时间收敛。然后将该控制器应用到AUVs三维轨迹跟踪控制中。通过与研究内容4中所提出的控制器进行比较仿真,表明了该控制器提高了收敛速度。然而,该控制器的结构比研究内容4中所提出的控制器的复杂。6.针对以往的AUVs轨迹跟踪终端滑模控制器所采用的消抖方法会损失跟踪精度的问题,以及现有的自适应二阶非奇异终端滑模控制器在远离平衡点时收敛速度慢的问题,提出了一种自适应二阶快速非奇异终端滑模控制器,可在消除控制输入抖振的同时不损失跟踪精度,并可同时保证在远离和靠近平衡点区域的快速收敛性。此外,该控制器不需要已知系统不确定的界信息。通过比较仿真表明了该控制器比现有的自适应二阶非奇异终端滑模控制器提高了收敛速度,同时验证了该控制器相比于以往的AUVs终端滑模控制消抖方法的优势。然而,与研究内容5中所提出的控制器相比,该控制器却需要加速度测量信息。
严涛[6](2020)在《改进的强化学习算法研究及其在机械臂控制中的应用》文中认为控制机械臂在不确定环境下完成特定复杂任务一直以来是一个非常具有挑战性的问题。传统控制方法往往十分依赖系统模型,然而该模型常常具有高阶次、非线性、多变量和强耦合等特点,很难使机械臂系统具备良好的适应性及一定自主性。强化学习作为一种人工智能技术,因其具备在未知环境下,通过系统与环境的自主交互,进行策略学习的能力受到了国内外学者的广泛关注,成为机器人和控制领域的研究热点。本文将研究改进的强化学习算法及其在机械臂控制中的应用。将现有强化学习算法直接应用于机械臂运动控制仍存在着诸多问题和挑战:首先,大多数强化学习算法考虑离散的状态空间,对于机械臂系统这种高维连续状态空间问题容易出现维数灾难。其次,现有方法依大都赖于高样本复杂度,而在实际中机械臂与环境交互的代价是不能忽视的。另外,针对不同控制任务需要人为设计奖励函数,而设计一个好的合适的奖励函数往往十分困难。最后,现有强化学习算法稳定性较差、较难收敛,容易受超参数影响。本文基于强化学习框架,分别对基于模型(Model-based)和无模型(Model-free)的方法进行了阐述和讨论,针对不同操纵任务提出相关强化学习改进算法并进行仿真验证,以提供一种可行的解决思路与途径。本文的主要工作和成果如下:1)首先,回顾了强化学习近年来的发展情况及其在机器人领域中的应用。其次,介绍了强化学习问题的数学描述:马尔科夫决策过程(Marcov decision process,MDPs),并给出基本MDPs问题的两种迭代求解方法。最后,介绍了机械臂的模型,给出了拉格朗日动力学方程,为后续的算法验证提供基础。2)针对未知动态环境下的最优控制问题,提出了一种基于局部模型的强化学习算法。考虑学习过程中的样本复杂度,采用微分动态规划以提高策略学习效率。为了对环境不确定性进行更好的建模引入了概率模型表示。同时,针对迭代线性二次高斯算法稳定性差、难收敛问题对其进行了改进,通过采取对新旧轨迹进行约束的方式来稳定训练过程,加速算法收敛。3)针对未知环境下的复杂操纵任务,提出了一种基于最大熵的无模型离策略(Off-Policy)深度强化学习算法。首先,考虑传统无模型深度强化学习算法样本复杂度极高,依赖长时间训练,通过引入一种新的经验回放技术,使得样本利用率显着提高,大幅缩短训练时间。特别地,由于该技术的引入,还使得算法适用于奖励函数为稀疏、二元化的情况。另外,针对算法稳定性差的问题,采用了最大熵框架,使得策略更新的目标不仅要最大化期望奖励,同时还要使策略的熵最大化,该模型能够更好地解决“探索与利用”问题,使得训练过程变得更加鲁棒和稳定。论文通过计算机仿真的方式,验证了所提出方法的有效性。最后,对全文进行总结,并对进一步的研究提出一些展望。
杨明星[7](2019)在《新型液压伺服回转驱动关节及其控制技术研究》文中提出随着人们对机器人技术智能化认识的加深和自动化技术的不断发展,机器人技术逐渐渗透到人类活动的诸多领域。液压驱动的机器人具有承载能力大、适应性强和响应速度快等诸多优势,可以很大程度上代替人类完成各种复杂任务,具有广泛的应用前景。驱动关节作为机器人运动和执行任务的基础部件,其工作性能好坏往往会直接影响液压机器人的整机性能。因此,结构紧凑、输出扭矩大、响应速度快的高性能液压关节的研制及其精确控制技术一直是机器人领域的研究热点。本文总结目前足式液压机器人关节设计中存在的问题和不足,研制了一款可用于回转驱动的新型液压关节,并对其进行了必要的结构优化设计、阀控弧形回转缸伺服系统模型建立、带宽和力矩输出测试、精确位置控制技术研究等。论文主要研究内容如下:从人体解剖学、运动学及测量学的角度,分析了人体下肢髋关节的运动特性与步行周期的相关性,为伺服回转液压关节的结构设计和转角设计提供了理论依据;介绍了伺服回转液压关节的整体结构组成,对其中的剖分缸体、弯曲活塞杆和特殊密封件进行了详细分析和介绍,并根据液压动力的工作特点对所设计的液压关节的工作原理进行分析;然后着重对缸筒和活塞杆工作时的受力情况进行分析,并采用有限元分析软件进行了必要的强度和刚度校核。在研究阀控回转液压关节位置伺服系统物理组成及其工作原理的基础上,分析了回转液压缸输出与负载力矩的平衡方程、液压动力组件的流量连续性方程及电液伺服阀的流量方程;通过对电液伺服阀的负载流量方程进行线性化和对液压缸两个腔室的压力近似处理,建立了阀控液压伺服回转关节系统的数学模型,给出了液压位置伺服系统的传递函数表达式以及状态空间描述;运用AMESim软件对液压位置伺服控制系统进行了仿真,并搭建实验平台对所设计关节进行了带宽和力矩输出测试。针对具有不确定性未知参数的液压位置伺服系统,将滑模变结构控制方法同自适应算法以及模糊控制理论相结合进行控制器设计,通过各自控制特性的优势互补来达到满意的控制效果。首先,采用基于趋近率的滑模变结构控制方法和PID控制方法进行液压回转关节在空载和负载状况下的位置跟踪,比较结果表明指数趋近律的滑模变结构控制方法具有良好的动态特性和较强的鲁棒性。然后,利用Lyapunov理论构建参数自适应估计律对广义不确定性参数进行估计,并采用非连续投影算法保证参数估计的有界性。最后,通过引入模糊控制理论,对滑模变结构控制中的趋近控制项系数进行模糊处理,并利用饱和函数对控制信号进行平滑处理。实验结果表明,所提出的自适应模糊滑模变结构控制策略在减小目标关节轨迹跟踪误差方面具有较好的控制性能。将滑模变结构控制结合神经网络算法用于具有模型不确定性和高度非线性的液压位置伺服系统的精确位置控制中。首先将液压位置伺服控制系统的动力学方程重新描述为一般三阶系统的新形式,并引入稳定滤波器对系统动力学方程中的参数进行修正;在此基础上提出了一种新的高阶神经网络估计器,并基于Lyapunov稳定性理论证实了神经网络权值的在线学习律能够保证整个闭环系统的稳定性和收敛性;然后在神经网络辨识的基础上进行了滑模控制器设计,提高了对目标系统控制的鲁棒性;最后,为证实所提出的基于自适应神经网络的滑模变结构控制器的有效性,进行了液压伺服回转关节位置的控制仿真和实际运动控制;实验结果表明该控制策略不仅可以快速识别液压位置伺服系统的结构,增强对所控系统的适应性和鲁棒性,而且还能减少系统误差,提高液压伺服回转驱动关节的位置跟踪精度。
唐昊[8](2019)在《基于代数估计的无模型自适应控制及其在膝关节外骨骼中应用》文中研究表明随着科学技术的发展,控制系统中的对象与应用场景越来越复杂,基于机理建模的数学模型并不能完全有效地描述系统动态特性。无模型控制方法作为一种无需过度依赖数学模型信息的新兴方法逐渐成为研究热点,目前已有多种无模型控制方法。随着系统的非线性、不确定性和扰动越来越复杂,无模型控制方法也需进一步优化控制结构并相对提高控制精度和自适应程度。本文在法国Fliess的基于代数估计的α恒定智能PID控制基础上,提出一种基于代数估计的α可变无模型反演控制法。本文研究内容主要为如下四部分:首先,针对系统动态特性的快速估计问题,提出一种非渐进收敛代数估计法。从介绍代数法的研究背景和理论基础入手,针对膝关节外骨骼系统,推导基于代数法的角度、角速度和角加速度估计表达式;然后结合Matlab仿真验证估计算法的准确性;最后阐述非渐进收敛代数估计法的特点和应用场合。其次,为进一步提高智能PID控制(iPID)的精度,提出一种基于代数估计的无模型反演控制法(MFBC)。首先介绍智能PID控制方法的设计步骤;然后推导反演控制表达式用以替代PID控制器并证明其稳定性;最后结合Matlab仿真,比较iPID和MFBC两者控制效果。然后,针对MFBC中参数整定方面,引入粒子交叉更新的遗传粒子群算法(GAPSO),提出一种遗传粒子群算法优化的基于代数估计的无模型反演控制法(GAPSO-MFBC)。首先介绍粒子群算法(PSO)的基本流程;接着将遗传算法(GA)中的交叉、变异操用于粒子群算法的更新部分;然后利用GAPSO算法搜寻反演控制器的较优参数;最后通过Matlab仿真验证GAPSO算法的合理性和GAPSO-MFBC的有效性。最后,为了优化MFBC内部结构并进一步提高其自适应程度,提出一种基于代数估计的α可变无模型反演控制法(α-AMFBC)。首先解释极局部模型中参数可变的必要性;然后分别用梯度投影算法和递推遗忘因子最小二乘算法估计控制通道增益α,最后通过Matlab仿真将四种方法的控制效果进行对比,验证算法的有效性与优越性,将无模型控制上升为无模型自适应控制。
金仲佳[9](2020)在《船舶远洋安全航行运动姿态控制技术研究》文中研究说明大型船舶作为十分重要的远洋运载、作业平台,确保其在远洋复杂海况下的航行安全性极为重要。因此,对安全航行姿态(横摇/艏向)实施主动控制具有显着的现实意义,而重心较高的大型集装箱船对远洋安全航行姿态控制系统的自适应性、鲁棒性要求更为苛刻。本文瞄准国际先进控制技术发展前沿,针对船舶大幅横摇、艏向和横摇-艏向的非线性姿态控制问题研究建立运动姿态控制方案和策略,进一步提升大型船舶远洋航行能力和安全性。首先,论文阐述了相关船舶运动姿态控制发展概况、控制理论研究进展以及论文总体研究思路;根据控制力、水动力和环境干扰力等作用力叠加的方法,建立船舶横向四自由度非线性耦合运动模型;同时,考虑船体边界层影响估算鳍面积并开展带鳍阻力试验不确定度评估验证;并根据一阶波浪干扰力/力矩的切片计算和功率谱加权平均等手段,给出了不规则波浪干扰力/力矩仿真结果;此外,通过合理化假设,建立恒定航速下的仿射非线性船舶横向运动控制模型并进行自由运动稳定性分析。其次,针对远洋安全航行大幅非线性横摇运动中的减摇控制问题,提出基于非线性干扰观测的指令滤波反演横摇控制和预设性能积分滑模改进控制方法等策略。引入非线性干扰观测器以观测波浪干扰,在带非线性干扰观测器(Nonlinear Disturbance Observer,NDO)的非线性横摇模型上设计反演控制器,并串联限幅指令滤波,避免了传统反演控制固有的“微分计算膨胀”问题,设计出基于非线性干扰观测器的指令滤波反演控制器(Nonlinear Disturbance Observer based Command-Filtered Backstepping Control,NDOCBC);另外,在NDOCBC方法的基础上,引入预设性能控制(Prescribed Performance Control,PPC),将虚拟控制量限制在预设性能函数的“预设”范围内,结合滑模控制和自适应技术,提出预设性能积分滑模改进控制方案,进一步消除估计误差和提高鲁棒性。仿真表明,该控制方案避免了突变大风浪下因鳍角饱和限幅导致的减摇效果变差的问题,使船舶横摇控制性能平滑,兼顾了控制精度和控制可靠性。接着,针对船舶远洋安全航行中航向(艏向)控制问题,提出一种基于径向基函数(Radial Basis Function,RBF)神经网络的离散指令滤波反演控制方法。在多自由度耦合运动方程中关于艏向控制部分的复杂非线性项用非线性函数统一表示,使用RBF神经网络对该非线性函数进行整体逼近;同时通过状态重构途径设计状态观测器,对RBF权重实现自适应估计;最后基于RBF模型参数的估计信息进行离散指令滤波反演控制器的设计,同时设计补偿器对滤波误差进行准确及时的补偿,避免了因离散指令滤波误差导致的控制精度受损的问题。论文提出的基于RBF神经网络和状态观测估计的离散指令滤波反演控制方法,满足实时性要求,可显着提高艏向控制系统的精度、鲁棒性和自适应性,具有较强的实用价值。然后,针对远洋安全航行船舶舵鳍联合横摇/艏向控制问题,提出一种基于扩张状态观测器(Extended State Observer,ESO)的多输入多输出(Multiple Input Multiple Output,MIMO)非线性自适应比例-积分-微分(Adaptive Proportional-Integral-Derivative,APID)控制策略。对舵鳍联合横摇/艏向控制系统动力学进行分析,将控制模型由横荡/横摇/艏摇(艏向)三自由度转变为横摇/艏摇(艏向)二自由度方程;针对简化的模型进行反馈线性化可解证明,并利用反馈线性化方法得到伪线性化系统并进行解耦;在存在的外部波浪干扰和模型参数不确定的情况下,设计基于ESO的自适应PID伪控制器。该控制器中,非线性ESO实现解耦线性化系统状态和复合干扰的估计,用以降低自适应PID伪控制器中切换函数的增益设定,从而有效抑制控制输入抖振。所提出的方法可实现船舶横摇-艏向舵鳍联合系统非线性解耦控制,并保证系统的鲁棒性和抗干扰能力。最后,针对大型船舶远洋安全航行综合控制性能优化和控制输入可靠性需求,提出一种受输入约束的H∞型鲁棒模型预测控制技术(H∞-type Input Constrainted Model Predictive Control,H∞-ICMPC)。考虑了实际减摇鳍系统的延迟约束,提出基于自回归(Auto Regression,AR)模型的渐消记忆递推最小二乘法(Fading Memory Recursive Least Squares,FMRLS)预测横摇角,用于控制器的设计;结合模型预测控制(Model Predictive Control,MPC)多变量和约束处理能力,引入H∞型成本函数,实现带干扰的实际系统的性能优化,提高闭环稳定性和抗干扰能力;设计舵鳍联合横摇-艏向状态反馈控制器,并化作不等式处理,同时显式地处理执行器舵、鳍约束,使得控制器的动作趋于平滑,进而减少了执行器能耗并增强其动作可靠性。仿真表明了所提出方法的先进性和有效性,另外,对舵减摇(Rudder-Roll Damping,RRD)控制系统和参数摄动不确定系统,也能取得较好的控制效果,具有较强的鲁棒性。
徐瑞昆[10](2019)在《CMGs驱动型水下航行器饱和跟踪控制方法研究》文中研究说明随着海洋开发的深入,海洋装备逐渐细化,向着专业化、多样化的趋势发展。作为一类特殊的混合驱动型自主式水下航行器(Autonomous Underwater Vehicle,AUV),装配内置式控制力矩陀螺群(Control Moment Gyros,CMGs)的AUV具有三轴姿态控制能力,可在低速甚至零速状态下进行姿态机动。同时,该类水下航行器姿态机动不依赖于流体之间的相互作用,可保持船体的水动力完整性,非常适合狭窄空间内任务作业。然而,自CMGs被引进至AUV以来,对此类水下航行器的研究大多聚焦在动力学建模和简单的姿态稳定控制,不涉及航行器运动的难点问题,即跟踪控制问题的研究。特别地,从实际角度出发,有必要开展对这类AUV在集总非线性影响,如输入饱和、参数不确定、动力学耦合以及时变海流干扰下的位置和姿态跟踪控制研究。本文首先深入调研了国内外对混和驱动型AUV运动控制方面的研究成果,特别地,分析了基于CMGs的AUV运动控制中存在的问题。在此基础上,回顾了国内外对传统AUV位置和姿态跟踪控制研究成果,以及输入饱和约束下的跟踪控制方面的研究成果,选择基于CMGs的AUV的位置和姿态跟踪控制作为本文核心研究内容。主要研究工作如下:首先,简要介绍了CMGs系统的数学模型,详细地阐述了该系统的奇异性机理,并适时地给出了几种典型的CMGs操纵律。分别给出基于欧拉角和四元数的AUV运动学方程,说明了相较于传统AUV,耦合CMGs的动力学行为的AUV动力学方程的特殊性。在此基础上,分析了该水下航行器的执行器输入饱和特性。其次,基于一体化耦合CMGs的AUV姿态运动学和动力学方程,结合自适应容错控制方法,完成了基于分布式CMGs的AUV在零速状态下的大角度容错姿态控制,避免了再设计CMGs操纵律的问题。在此基础上,提出一种自适应非奇异终端滑模的控制方法,完成基于CMGs的AUV在执行器故障与输入饱和双重约束下的有限时间姿态控制,并通过不同场景下的仿真对比进行了验证。此外,考虑带有水动力参数不确定、外界海流干扰、执行器故障与输入饱和约束下的一般情况,结合自适应方法与滑模控制策略,实现了该水下航行器的有限时间姿态稳定控制。接着,考虑恒定推力下的由CMGs系统驱动的AUV在输入饱和约束、模型参数不确定以及外界环境干扰下的姿态跟踪控制问题,分别设计了两种有限时间跟踪控制器。基于有限时间收敛状态观测器和反步滑模控制的方案一,利用了一种切换函数实现了鲁棒控制律和常数趋近律的有效切换,设计的抗饱和补偿器缓解了观测器的负担。进一步地,利用非奇异终端滑模与径向基神经网络控制方法对此作出改进,设计的方案二解除了观测器对干扰可微的束缚;同时分别对不同场景下的姿态跟踪进行了仿真验证,证明了方案二在收敛时间和稳态误差精度上均优于方案一。随后,研究了基于CMGs的AUV水平面轨迹跟踪控制问题。首先,基于一种全局微分同胚变换,实现了陀螺输出力矩的解耦。利用分流神经动力学模型与反步法,解决了无海流干扰的理想情景下该类AUV的跟踪控制问题。在此基础上,考虑模型参数不确定,以及环境干扰的影响,基于自适应动态滑模控制方法设计了控制器,保证了跟踪误差的最终一致有界性;并分别由直线和正弦曲线的参数化轨迹进行了仿真验证。进一步地,利用反步法和改进的自适应动态滑模设计的跟踪控制器,实现了跟踪误差的渐近收敛性。从而,通过减少虚拟控制变量的引入优化了控制方案的设计,且提高了系统的控制品质。最后,研究了基于CMGs的AUV三维轨迹跟踪控制问题。基于位置误差运动学的速度控制律,结合反步法与抗饱和补偿器设计的控制器,实现了该类水下航行器在有输入饱和约束但无海流影响下跟踪误差的最终一致有界性。基于设计的速度控制律,利用反步法与径向基神经网络控制方法设计的动力学控制器,解决了传统AUV在有输入饱和、模型参数不确定以及外界环境干扰下的三维轨迹跟踪控制问题。此外,利用一种运动平移变换,实现了含有执行器动力学的AUV控制输入的解耦。在上述方法的基础上增添了横滚动力学控制器,使得基于CMGs的AUV在带有输入饱和、部分参数不确定以及外界环境干扰下的位置和姿态的跟踪误差最终一致有界,并予以不同场景下的仿真实验验证了控制器的有效性。
二、关于神经网络及其在自适应控制中的应用的研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、关于神经网络及其在自适应控制中的应用的研究(论文提纲范文)
(1)面向多船协同的自适应编队控制方法研究(论文提纲范文)
摘要 |
abstract |
主要符号对照表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 多船协同问题的研究现状 |
1.2.2 无人船编队控制的研究现状 |
1.2.3 其它领域编队控制的研究现状 |
1.3 本文研究内容 |
1.4 本文结构安排 |
第二章 基础知识 |
2.1 图论 |
2.1.1 基本概念 |
2.1.2 无向图 |
2.1.3 有向图 |
2.2 方位刚性理论 |
2.2.1 布局、编队和方位 |
2.2.2 方位刚性 |
2.2.3 无穷小方位刚性 |
2.3 稳定性理论 |
2.3.1 比较函数 |
2.3.2 稳定性定义 |
2.3.3 李雅普诺夫直接法 |
2.4 反步设计方法 |
2.4.1 原理和特征 |
2.4.2 自适应反步设计 |
2.5 其它理论 |
2.5.1 神经网络函数近似理论 |
2.5.2 高增益观测器 |
2.5.3 无源有界性 |
2.5.4 常用不等式引理 |
第三章 基于跟随船视距和视线角的自适应输出反馈编队控制 |
3.1 引言 |
3.2 问题描述 |
3.3 编队控制方案 |
3.4 主要结果 |
3.5 仿真验证 |
3.5.1 闭环性能 |
3.5.2 对比结果 |
3.6 本章小结 |
第四章 基于虚拟船自适应规划的无人船鲁棒自适应编队控制 |
4.1 引言 |
4.2 问题描述 |
4.3 虚拟船的自适应规划 |
4.4 扰动观测器的构建 |
4.5 编队控制器的设计 |
4.6 仿真验证 |
4.6.1 闭环性能 |
4.6.2 对比结果 |
4.7 本章小结 |
第五章 仅交互位置向量的无人船分布式鲁棒自适应编队控制 |
5.1 引言 |
5.2 问题描述 |
5.3 编队控制设计 |
5.4 主要结果 |
5.5 仿真验证 |
5.5.1 闭环性能 |
5.5.2 对比结果 |
5.6 本章小结 |
第六章 预设性能约束下的无人船分布式自适应容错编队控制 |
6.1 引言 |
6.2 问题描述 |
6.3 编队控制设计 |
6.3.1 考虑预设性能约束的虚拟控制律设计 |
6.3.2 自适应容错编队控制律设计 |
6.4 主要结果 |
6.5 仿真验证 |
6.6 本章小结 |
第七章 考虑输入饱和的多船分布式鲁棒自适应编队缩放控制 |
7.1 引言 |
7.2 问题描述 |
7.3 领导船选取及其轨迹规划 |
7.4 跟随船编队缩放控制器设计 |
7.5 仿真验证 |
7.6 本章小结 |
第八章 总结与展望 |
8.1 本文总结 |
8.2 未来展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
攻读学位期间申请的专利 |
(2)分数阶自适应反步控制研究(论文提纲范文)
摘要 |
Abstract |
符号说明 |
第1章 绪论 |
1.1 研究背景和动机 |
1.2 国内外研究现状 |
1.2.1 饱和分数阶系统的自适应反步控制 |
1.2.2 死区与饱和分数阶系统的自适应反步控制 |
1.2.3 分数阶自适应RBF神经网络反步控制 |
1.2.4 分数阶自适应反步控制的应用 |
1.3 本文的内容安排 |
第2章 基础知识 |
2.1 分数阶系统理论 |
2.1.1 分数阶微积分定义 |
2.1.2 分数阶系统 |
2.1.3 间接李雅普诺夫方法 |
2.2 自适应反步控制理论 |
2.2.1 反步控制的基本框架 |
2.2.2 自适应RBF神经网络反步控制 |
2.3 本章小结 |
第3章 饱和分数阶系统的自适应反步控制 |
3.1 引言 |
3.2 状态反馈控制 |
3.2.1 问题描述 |
3.2.2 模型变换 |
3.2.3 分数阶自适应反步控制器设计 |
3.2.4 仿真研究 |
3.3 输出反馈控制 |
3.3.1 问题描述 |
3.3.2 观测器设计 |
3.3.3 分数阶自适应反步控制器设计 |
3.3.4 仿真研究 |
3.4 本章小结 |
第4章 死区与饱和分数阶系统的自适应反步控制 |
4.1 引言 |
4.2 自适应反步控制 |
4.2.1 问题描述 |
4.2.2 模型变换 |
4.2.3 投影分解 |
4.2.4 分数阶自适应反步控制器设计 |
4.2.5 仿真研究 |
4.3 非线性反馈研究 |
4.3.1 非线性反馈分析与设计 |
4.3.2 非线性反馈分数阶自适应反步控制器设计 |
4.3.3 仿真研究 |
4.4 本章小结 |
第5章 分数阶系统自适应RBF神经网络反步控制 |
5.1 引言 |
5.2 自适应RBF神经网络反步控制 |
5.2.1 问题描述 |
5.2.2 自适应RBF神经网络反步控制器设计 |
5.2.3 仿真研究 |
5.3 非严格反馈系统的自适应反步控制 |
5.3.1 问题描述 |
5.3.2 模型变换 |
5.3.3 自适应反步控制器设计 |
5.3.4 仿真研究 |
5.4 本章小结 |
第6章 分数阶自适应反步控制的应用 |
6.1 引言 |
6.2 热传导控制实验 |
6.2.1 热传导系统建模 |
6.2.2 控制器设计 |
6.2.3 仿真实验 |
6.3 倒立摆控制实验 |
6.3.1 倒立摆系统建模 |
6.3.2 控制器设计 |
6.3.3 仿真实验 |
6.4 四旋翼无人机控制实验 |
6.4.1 四旋翼无人机系统建模 |
6.4.2 控制器设计 |
6.4.3 仿真实验 |
6.5 本章小结 |
第7章 结束语 |
7.1 主要工作与贡献 |
7.2 主要创新点 |
7.3 研究前景展望 |
7.4 研究心得体会 |
参考文献 |
致谢 |
攻读博士学位期间的学术活动及研究成果 |
(3)复杂约束条件下多智能体系统鲁棒一致性跟踪控制研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究历史与现状 |
1.2.1 分布式一致性控制 |
1.2.2 控制输入约束下的协同控制 |
1.2.3 鲁棒协同控制 |
1.3 本文主要贡献与创新 |
1.4 本文内容安排 |
第二章 输入饱和约束下自适应一致性跟踪及编队跟踪控制 |
2.1 理论基础 |
2.1.1 多智能体系统的图论描述 |
2.1.2 饱和函数定义及特性 |
2.2 基于局部邻域同步误差的二阶系统自适应一致性跟踪控制 |
2.2.1 局部邻域同步误差建模 |
2.2.2 自适应一致性跟踪控制方法 |
2.2.3 数值仿真 |
2.3 输入饱和约束下基于先验有界局部邻域同步误差的一致性跟踪控制 |
2.3.1 先验有界局部邻域同步误差建模 |
2.3.2 基于有界可测自适应变量输入的一致性跟踪控制方法 |
2.3.3 数值仿真 |
2.4 输入饱和约束下二阶多智能体系统编队跟踪控制 |
2.4.1 基于先验有界局部邻域同步误差的自适应编队跟踪控制方法 |
2.4.2 数值仿真 |
2.5 本章小结 |
第三章 输入饱和约束和扰动条件下基于UDE的鲁棒跟踪控制 |
3.1 输入饱和约束和扰动条件下基于UDE的一致性跟踪控制 |
3.1.1 扰动条件下的多智能体系统建模 |
3.1.2 UDE方案设计 |
3.1.3 基于UDE的自适应一致性跟踪控制方法 |
3.1.4 数值仿真 |
3.2 输入饱和约束和扰动条件下基于UDE的鲁棒编队跟踪控制 |
3.2.1 基于UDE的自适应编队跟踪控制方法 |
3.2.2 数值仿真 |
3.3 本章小结 |
第四章 输入饱和约束和模型不确定性条件下基于神经网络的鲁棒跟踪控制 |
4.1 未知连续函数的神经网络估计理论 |
4.2 基于神经网络估计的多智能体系统鲁棒跟踪控制 |
4.2.1 领导者模型神经网络估计 |
4.2.2 基于神经网络的自适应一致性跟踪控制方法 |
4.2.3 数值仿真 |
4.3 具有模型不确定性的多智能体系统鲁棒跟踪控制 |
4.3.1 具有模型不确定性的多智能体系统建模 |
4.3.2 基于不确定分量估计补偿的自适应鲁棒一致性跟踪控制方法 |
4.3.3 数值仿真 |
4.3.4 与非自适应控制方法的对比仿真分析 |
4.4 输入饱和约束下基于神经网络的鲁棒跟踪控制 |
4.4.1 基于有界神经网络估计的控制输入饱和约束模型 |
4.4.2 基于径向基函数均值约束的鲁棒一致性跟踪控制方法 |
4.4.3 数值仿真 |
4.5 本章小结 |
第五章 非凸输入约束下高阶多智能体系统的均方一致性跟踪问题 |
5.1 预备知识 |
5.1.1 矩阵理论 |
5.1.2 非凸约束理论 |
5.2 具有非凸约束的高阶多智能体系统建模及控制 |
5.3 基于非负矩阵理论的均方一致性跟踪控制方法 |
5.4 数值仿真 |
5.5 本章小结 |
第六章 复杂约束下四旋翼系统鲁棒一致性跟踪控制 |
6.1 四旋翼动力学建模及飞行控制 |
6.1.1 四旋翼六自由度模型 |
6.1.2 基于反馈线性化的模型简化 |
6.1.3 基于PD的四旋翼飞行控制器模型 |
6.1.4 无速度测量条件下的四旋翼飞行控制 |
6.2 升力饱和下基于UDE的四旋翼高度一致性控制 |
6.3 仿真实验 |
6.4 本章小结 |
第七章 全文总结与展望 |
7.1 全文总结 |
7.2 后续工作展望 |
致谢 |
参考文献 |
攻读博士学位期间取得的成果 |
(4)计算智能GWO算法优化及其在运动控制中的应用(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 课题研究的内容 |
1.2 计算智能概述 |
1.2.1 计算智能的发展 |
1.2.2 苍狼优化算法发展现状 |
1.3 永磁同步电机混沌控制与混沌同步控制的研究现状 |
1.4 机器人轨迹规划与优化控制的研究现状 |
1.5 论文章节内容安排 |
第二章 标准苍狼优化算法 |
2.1 引言 |
2.2 标准的苍狼优化算法 |
2.2.1 算法的思路来源 |
2.2.2 标准苍狼优化算法各环节模拟与分析 |
2.2.3 标准苍狼优化算法 |
2.3 苍狼优化算法收敛性能分析 |
2.4 实验验证苍狼优化算法 |
2.5 小结 |
第三章 基于淘汰重组机制与变异算子的改进GWO算法 |
3.1 引言 |
3.2 MR-GWO算法 |
3.2.1 淘汰与重组机制 |
3.2.2 优秀搜索狼的变异算子 |
3.2.3 改进的苍狼优化算法(MR-GWO) |
3.2.4 MR-GWO算法讨论与分析 |
3.3 苍狼优化算法的其它变体 |
3.4 无约束连续函数寻优实验 |
3.4.1 实验结果分析 |
3.4.2 算法误差分析 |
3.4.3 参数影响分析 |
3.5 有约束函数寻优实验 |
3.6 小结 |
第四章 动态GWO算法 |
4.1 引言 |
4.2 动态GWO算法 |
4.2.1 第一种动态GWO算法 |
4.2.2 第二种动态GWO算法 |
4.3 实验测试 |
4.3.1 测试函数介绍 |
4.3.2 实验结果 |
4.3.3 分析与讨论 |
4.4 动态GWO算法与其它改进策略的结合 |
4.5 小结 |
第五章 GWO在PMSM混沌控制与混沌同步控制中的应用 |
5.1 引言 |
5.2 PMSM的数学模型 |
5.2.1 PMSM的混沌分析 |
5.2.2 PMSM的哈密顿模型 |
5.3 基于GWO的PMSM哈密顿模型的混沌控制 |
5.3.1 扰动补偿器的设计 |
5.3.2 跟踪控制器的设计 |
5.3.3 基于GWO的PMSM混沌优化控制器的设计 |
5.4 基于GWO的PMSM混沌优化控制仿真验证 |
5.5 基于RBF-GWO网络PMSM混沌同步控制 |
5.5.1 RBF神经网络 |
5.5.2 基于苍狼优化算法的RBF-GWO神经网络 |
5.6 实验验证 |
5.6.1 PMSM混沌同构同步实验 |
5.6.2 PMSM混沌异构同步实验 |
5.6.3 讨论与分析 |
5.7 小结 |
第六章 GWO能量优化的Par4并联机器人轨迹规划与跟踪控制 |
6.1 引言 |
6.2 Par4并联机器人运动学反解与动力学方程 |
6.3 Par4并联机器人轨迹规划 |
6.3.1 基于Lamé曲线的轨迹形状规划 |
6.3.2 空间路径坐标变换 |
6.3.3 运动规律规划 |
6.4 基于GWO算法的能量最小轨迹优化 |
6.4.1 Par4并联机器人机械能耗 |
6.4.2 基于GWO算法的轨迹优化 |
6.5 基于GWO优化的轨迹规划实验验证 |
6.5.1 基础实验 |
6.5.2 相同的拾取点,不同的拾取高度的实验 |
6.5.3 不同拾取点,相同的拾取高度与跨度的实验 |
6.5.4 不同的跨度与拾取点,相同的拾取高度实验 |
6.6 轨迹规划的比较与分析 |
6.6.1 与其它计算智能算法的比较 |
6.6.2 与其它曲线的比较 |
6.6.3 轨迹规划的总结 |
6.7 基于DMR-GWO2并联机器人Type-2 模糊轨迹跟踪控制 |
6.7.1 Type-2 模糊逻辑系统 |
6.7.2 Par4并联机器人轨迹跟踪控制系统结构 |
6.7.3 Type-2 模糊预估补偿PID控制器的设计 |
6.7.4 基于DMR-GWO2的Type-2 模糊逻辑控制器与优化 |
6.8 Par4并联机器人轨迹跟踪实验 |
6.9 小结 |
第七章 结论 |
附录 |
参考文献 |
致谢 |
作者简介 |
(5)复杂海洋环境下水下无人航行器定深与三维轨迹跟踪控制(论文提纲范文)
摘要 |
abstract |
主要符号对照表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 AUVs的发展现状 |
1.2.1 国外发展现状 |
1.2.2 国内发展现状 |
1.3 AUVs定深与轨迹跟踪控制研究现状与存在的问题 |
1.3.1 AUVs定深控制研究现状与存在的问题 |
1.3.2 AUVs轨迹跟踪控制研究现状与存在的问题 |
1.4 本文的主要研究内容与结构安排 |
第二章 水下无人航行器鲁棒H_2最优定深控制 |
2.1 引言 |
2.2 AUV运动模型 |
2.2.1 REMUS AUV的非线性运动模型 |
2.2.2 REMUS AUV的深度平面线性化模型 |
2.3 AUV鲁棒H_2最优定深控制器设计 |
2.3.1 鲁棒H_2 最优纵倾环控制器设计 |
2.3.2 鲁棒H_2 最优深度环控制器设计 |
2.3.3 鲁棒稳定性和鲁棒性能讨论 |
2.4 仿真结果 |
2.4.1 无模型不确定情况下的仿真结果 |
2.4.2 有模型不确定情况下的仿真结果 |
2.5 本章小结 |
第三章 水下无人航行器三维轨迹跟踪指数收敛鲁棒控制 |
3.1 引言 |
3.2 预备知识 |
3.3 问题陈述 |
3.3.1 AUV的运动学与动力学模型 |
3.3.2 AUV跟踪误差系统 |
3.3.3 控制目标 |
3.4 三种指数收敛的鲁棒控制器设计 |
3.4.1 Min-max控制器设计 |
3.4.2 Saturation控制器设计 |
3.4.3 Smooth transition控制器设计 |
3.5 仿真结果 |
3.5.1 外界扰动充分光滑且有界时的仿真结果 |
3.5.2 外界扰动随机且有界时的仿真结果 |
3.6 本章小结 |
第四章 水下无人航行器三维轨迹跟踪自适应积分/快速积分终端滑模控制 |
4.1 引言 |
4.2 预备知识 |
4.3 问题陈述 |
4.3.1 AUV运动模型 |
4.3.1.1 AUV运动学子系统 |
4.3.1.2 AUV动力学子系统 |
4.3.2 AUV跟踪误差动力学 |
4.3.3 控制目标 |
4.4 控制策略设计 |
4.4.1 积分终端滑模和快速积分终端滑模介绍 |
4.4.2 控制策略设计与稳定性分析 |
4.4.2.1 运动学控制器设计与稳定性分析 |
4.4.2.2 动力学控制器设计与稳定性分析 |
4.4.2.3 全闭环级联系统的稳定性分析 |
4.5 仿真结果 |
4.5.1 螺旋期望轨迹跟踪 |
4.5.2 Dubins期望轨迹跟踪 |
4.5.3 讨论 |
4.6 本章小结 |
第五章 水下无人航行器三维轨迹跟踪自适应非奇异积分终端滑模控制 |
5.1 引言 |
5.2 自适应非奇异积分终端滑模控制 |
5.2.1 自适应非奇异积分终端滑模控制设计 |
5.2.2 稳定性分析 |
5.3 AUVs轨迹跟踪自适应非奇异积分终端滑模控制 |
5.3.1 AUV运动学与动力学模型 |
5.3.2 AUVs轨迹跟踪自适应非奇异积分终端滑模控制器设计 |
5.3.3 稳定性分析 |
5.4 仿真结果 |
5.4.1 三维直线轨迹跟踪 |
5.4.2 空间螺旋轨迹跟踪 |
5.4.3 讨论 |
5.5 本章小结 |
第六章 水下无人航行器三维轨迹跟踪自适应快速非奇异积分终端滑模控制 |
6.1 引言 |
6.2 自适应快速非奇异积分终端滑模控制 |
6.3 AUVs轨迹跟踪自适应快速非奇异积分终端滑模控制 |
6.3.1 AUV运动模型 |
6.3.2 AUVs轨迹跟踪自适应快速非奇异积分终端滑模控制器设计 |
6.4 仿真结果 |
6.5 本章小结 |
第七章 水下无人航行器三维轨迹跟踪自适应二阶快速非奇异终端滑模控制 |
7.1 引言 |
7.2 二阶快速非奇异终端滑模 |
7.2.1 二阶非奇异终端滑模 |
7.2.2 二阶快速非奇异终端滑模 |
7.3 AUVs轨迹跟踪自适应二阶快速非奇异终端滑模控制 |
7.3.1 AUV的运动学和动力学模型 |
7.3.2 自适应二阶快速非奇异终端滑模控制器设计 |
7.3.3 稳定性分析 |
7.4 仿真研究 |
7.5 本章小结 |
第八章 总结与展望 |
8.1 本文总结 |
8.2 未来展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
攻读学位期间申请的专利 |
攻读学位期间参与的项目 |
(6)改进的强化学习算法研究及其在机械臂控制中的应用(论文提纲范文)
摘要 |
ABSTRACT |
符号说明 |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.2 研究现状 |
1.2.1 深度学习 |
1.2.2 强化学习 |
1.2.3 机械臂控制策略 |
1.3 本文的研究工作 |
第二章 强化学习理论与机械臂动力学模型 |
2.1 引言 |
2.2 强化学习理论 |
2.2.1 马尔科夫决策过程 |
2.2.2 最优序贯决策问题 |
2.2.3 值函数的反向递归形式 |
2.2.4 动态规划与Bellman方程 |
2.2.5 策略评估与策略改进 |
2.2.6 策略迭代与值迭代 |
2.3 机械臂动力学模型 |
2.3.1 欧拉-拉格朗日公式 |
2.3.2 二连杆机械臂动力学方程 |
2.4 本章小结 |
第三章 一种基于局部模型的强化学习算法 |
3.1 引言 |
3.2 问题描述 |
3.3 微分动态规划 |
3.4 随机最优控制 |
3.4.1 软最优控制问题 |
3.4.2 迭代LQG算法 |
3.4.3 TR-iLQG算法 |
3.5 仿真实验 |
3.6 本章小结 |
第四章 一种基于最大熵的无模型深度强化学习算法 |
4.1 引言 |
4.2 问题描述 |
4.2.1 最大熵强化学习 |
4.2.2 最大熵策略迭代 |
4.3 HER-Soft Actor-Critic算法 |
4.3.1 Soft Actor-Critic算法 |
4.3.2 事后经验回放 |
4.3.3 算法总结 |
4.4 仿真验证 |
4.4.1 仿真环境 |
4.4.2 对比评价 |
4.5 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
1 攻读硕士学位期间发表的学术论文 |
2 参加的科研项目 |
学位论文数据集 |
(7)新型液压伺服回转驱动关节及其控制技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外液压驱动关节研究现状 |
1.2.1 液压双足步行机器人及其关节驱动研究现状 |
1.2.2 液压外骨骼机器人及其关节驱动研究现状 |
1.2.3 液压四足机器人及其关节驱动研究现状 |
1.2.4 其它液压驱动关节研究现状 |
1.3 液压伺服系统控制的研究现状 |
1.4 本文主要研究内容 |
第二章 液压伺服回转关节设计及其可靠性分析研究 |
2.1 人体下肢髋关节运动机理分析 |
2.1.1 下肢髋关节及其运动介绍 |
2.1.2 下肢髋关节运动测量分析 |
2.2 液压伺服回转关节的结构设计及工作原理 |
2.2.1 液压伺服关节的结构设计 |
2.2.2 液压伺服关节的工作原理 |
2.3 液压伺服回转关节的参数设计及可靠性分析 |
2.3.1 液压伺服关节主要参数设计 |
2.3.2 缸体的静力学分析 |
2.3.3 活塞杆的强度和刚度分析 |
2.4 本章小结 |
第三章 液压位置伺服回转关节系统建模及性能研究 |
3.1 液压位置伺服控制系统介绍 |
3.1.1 液压位置伺服系统的结构组成 |
3.1.2 液压位置伺服回转关节的工作原理 |
3.2 阀控液压位置伺服系统的数学模型 |
3.2.1 阀控弧形液压缸动态特性方程 |
3.2.2 阀控弧形液压缸系统的传递函数建立 |
3.2.3 阀控弧形液压缸系统的状态空间模型建立 |
3.3 液压位置伺服系统的稳定性分析及动态仿真 |
3.3.1 实际系统的参数确定 |
3.3.2 系统稳定性分析 |
3.3.3 电液位置伺服系统的Amesim仿真 |
3.4 液压伺服关节的性能测试 |
3.4.1 液压伺服关节测试平台介绍 |
3.4.2 回转液压关节的空载带宽测试 |
3.4.3 回转液压关节的力矩输出测试 |
3.5 本章小结 |
第四章 液压位置伺服系统自适应模糊滑模变结构控制研究 |
4.1 滑模变结构控制器设计 |
4.1.1 滑模变结构控制的基本原理 |
4.1.2 控制器设计 |
4.1.3 稳定性分析 |
4.1.4 实验研究 |
4.2 自适应滑模变结构控制 |
4.2.1 控制器设计 |
4.2.2 稳定性分析 |
4.2.3 实验研究 |
4.3 基于模糊增益的自适应滑模变结构控制 |
4.3.1 控制器设计 |
4.3.2 稳定性分析 |
4.3.3 实验研究 |
4.4 本章小结 |
第五章 基于自适应神经网络的液压位置伺服滑模变结构控制研究 |
5.1 High-Order神经网络概述 |
5.2 HONN神经网络辨识分析 |
5.2.1 系统描述 |
5.2.2 HONN神经网络辨识 |
5.2.3 HONN辨识的稳定性分析 |
5.3 基于HONN的自适应滑模控制器设计 |
5.3.1 滑模控制器设计 |
5.3.2 稳定性分析 |
5.3.3 实验研究 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 研究工作总结 |
6.2 主要创新点 |
6.3 未来工作展望 |
致谢 |
参考文献 |
攻读学位期间发表的学术论文 |
(8)基于代数估计的无模型自适应控制及其在膝关节外骨骼中应用(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究的背景及意义 |
1.2 国内外研究现状及发展动态 |
1.2.1 迭代学习控制 |
1.2.2 自抗扰控制 |
1.2.3 无模型自适应控制 |
1.2.4 基于神经网络的无模型控制方法 |
1.2.5 基于时延估计的无模型控制方法 |
1.2.6 智能PID控制 |
1.3 智能PID结构无模型控制方法发展方向 |
1.4 论文的主要内容和结构安排 |
2 非渐进收敛代数估计法的研究 |
2.1 代数估计法研究背景 |
2.2 基于代数法的估计器构建 |
2.2.1 算子运算理论 |
2.2.2 基于代数法的数值算例表达式推导 |
2.3 代数估计法在膝关节外骨骼中的应用 |
2.3.1 膝关节外骨骼数学建模 |
2.3.2 膝关节外骨骼基于代数法的状态估计 |
2.3.3 代数估计法仿真分析 |
2.3.4 代数估计法的特点 |
2.4 本章小结 |
3 基于代数估计的无模型反演控制方法 |
3.1 智能PID控制简介 |
3.1.1 智能PID控制基本框架 |
3.1.2 智能PID控制稳定性分析 |
3.1.3 膝关节外骨骼的智能PID控制仿真分析 |
3.2 无模型反演控制方法研究 |
3.2.1 无模型反演控制的表达式推导 |
3.2.2 无模型反演控制的稳定性分析 |
3.2.3 膝关节外骨骼的无模型反演控制仿真对比分析 |
3.3 本章小结 |
4 遗传粒子群算法优化的无模型反演控制方法 |
4.1 粒子群算法介绍 |
4.2 遗传粒子群算法研究 |
4.3 遗传粒子群算法及其在无模型反演控制的应用 |
4.3.1 遗传粒子群算法优化无模型控制的运行流程 |
4.3.2 遗传粒子群算法优化的无模型反演控制仿真分析 |
4.4 本章小结 |
5 基于代数估计的α可变无模型反演控制方法 |
5.1 极局部模型中的参数估计研究 |
5.2 基于投影梯度算法的无模型反演控制方法研究 |
5.2.1 基于梯度投影算法的α在线估计 |
5.2.2 基于梯度投影算法的无模型反演控制整合 |
5.3 基于最小二乘算法的无模型反演控制方法 |
5.3.1 基于递推遗忘因子最小二乘算法的α在线估计 |
5.3.2 基于递推遗忘因子最小二乘算法的无模型反演控制整合 |
5.3.3 基于最小二乘算法的无模型反演控制稳定性分析 |
5.4 基于代数估计的α可变无模型反演控制仿真对比研究 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
(9)船舶远洋安全航行运动姿态控制技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 船舶横向运动姿态控制国内外研究概况 |
1.2.1 船舶减摇鳍横摇控制研究概况 |
1.2.2 船舶自动舵航向控制研究概况 |
1.2.3 船舶舵鳍联合横摇-航向控制研究概况 |
1.3 船舶运动控制相关理论发展现状 |
1.3.1 非线性反演控制方法及发展现状 |
1.3.2 自适应控制方法及发展现状 |
1.3.3 鲁棒优化控制方法及发展现状 |
1.4 主要研究工作 |
1.5 论文研究思路和组织结构 |
第2章 船舶横向运动非线性耦合数学模型研究 |
2.1 引言 |
2.2 船舶运动数学模型 |
2.2.1 船舶运动坐标系 |
2.2.2 船舶空间运动方程 |
2.2.3 非线性横向耦合运动方程 |
2.3 减摇鳍面积与阻力评估 |
2.4 波浪干扰力和力矩 |
2.4.1 海浪(谱)描述 |
2.4.2 波浪干扰力和力矩响应表示方法 |
2.4.3 海浪干扰力和力矩计算 |
2.5 仿射非线性船舶横向运动模型 |
2.6 船舶横向自由运动稳定性分析 |
2.7 本章小结 |
第3章 船舶横摇指令滤波反演鲁棒自适应控制研究 |
3.1 引言 |
3.2 指令滤波反演控制设计方法 |
3.2.1 反演控制原理 |
3.2.2 船舶横摇反演控制器设计 |
3.2.3 指令滤波原理 |
3.3 基于NDO的船舶横摇指令滤波反演控制器设计与仿真 |
3.3.1 非线性干扰观测器设计 |
3.3.2 基于NDO的船舶横摇指令滤波反演控制器设计 |
3.3.3 系统仿真和分析 |
3.4 船舶横摇预设性能积分滑模改进控制器设计与仿真 |
3.4.1 预设性能指令滤波反演积分滑模控制器设计 |
3.4.2 基于NDO的预设性能指令滤波反演积分滑模控制器设计 |
3.4.3 系统仿真与分析 |
3.5 本章小结 |
第4章 船舶艏向RBF神经网络自适应控制研究 |
4.1 引言 |
4.2 艏向控制器设计模型 |
4.3 RBF神经网络设计原理 |
4.4 基于RBF神经网络的离散指令滤波艏向控制器设计 |
4.4.1 基于状态观测器的非线性函数辨识 |
4.4.2 控制器设计及闭环稳定性证明 |
4.5 系统仿真与分析 |
4.6 本章小结 |
第5章 船舶横摇-艏向非线性ESO自适应解耦控制研究 |
5.1 引言 |
5.2 非线性系统反馈线性化原理 |
5.3 舵鳍联合非线性控制系统问题描述 |
5.4 舵鳍联合非线性系统的反馈线性化 |
5.4.1 舵鳍联合非线性系统反馈线性化可解证明 |
5.4.2 舵鳍联合非线性系统坐标变换 |
5.5 自适应PID控制器 |
5.6 基于ESO的自适应PID控制 |
5.7 系统仿真与分析 |
5.8 本章小结 |
第6章 受输入约束的横摇-艏向鲁棒模型预测控制研究 |
6.1 引言 |
6.2 预测控制原理 |
6.2.1 模型预测控制基本原理 |
6.2.2 基于状态空间方程的预测控制原理 |
6.3 补偿减摇鳍动态延迟约束的预测方法 |
6.3.1 基于AR模型的渐消RLS预测算法原理 |
6.3.2 补偿减摇鳍动态延迟的应用实例 |
6.4 基于H_∞-ICMPC的横摇-艏向控制器设计 |
6.4.1 输入-状态-稳定性(ISS) |
6.4.2 H_∞型成本函数 |
6.4.3 舵鳍联合横摇-艏向鲁棒MPC控制器设计 |
6.5 系统仿真与分析 |
6.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
个人简历 |
致谢 |
附录 |
附录 A 固定坐标系和运动坐标系下的坐标变换 |
附录 B 船舶运动相关符号表 |
(10)CMGs驱动型水下航行器饱和跟踪控制方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 面临的问题与不足 |
1.4 本文主要工作及创新点 |
2 基于CMGs的水下航行器数学模型 |
2.1 引言 |
2.2 CMGs系统构型与奇异机理 |
2.3 基于CMGs驱动的AUV建模 |
2.4 基本引理及定义 |
2.5 本章小结 |
3 基于CMGs的水下航行器容错姿态控制 |
3.1 引言 |
3.2 研究基础 |
3.3 基于分布式CMGs的 AUV容错姿态控制 |
3.4 饱和输入下基于CMGs的 AUV容错姿态控制 |
3.5 饱和输入下基于CMGs的 AUV容错姿态稳定控制 |
3.6 本章小结 |
4 基于CMGs的水下航行器有限时间姿态跟踪控制 |
4.1 引言 |
4.2 研究基础 |
4.3 问题描述 |
4.4 基于CMGs的 AUV有限时间姿态跟踪控制 |
4.5 仿真对比分析 |
4.6 本章小结 |
5 基于CMGs的水下航行器水平面轨迹跟踪控制 |
5.1 引言 |
5.2 非完全欠驱动位形解耦 |
5.3 随体系下误差动力学与控制目标 |
5.4 无海流影响下基于CMGs的 AUV水平面轨迹跟踪控制 |
5.5 有海流影响下基于CMGs的 AUV水平面轨迹跟踪控制一 |
5.6 有海流影响下基于CMGs的 AUV水平面轨迹跟踪控制二 |
5.7 本章小结 |
6 基于CMGs的水下航行器三维轨迹跟踪控制 |
6.1 引言 |
6.2 研究基础 |
6.3 问题描述与控制目标 |
6.4 基于位置误差的运动学控制器设计 |
6.5 无海流有饱和输入约束时基于CMGs的 AUV三维轨迹跟踪控制 |
6.6 有海流影响及输入饱和约束时一般型AUV三维轨迹跟踪控制 |
6.7 有海流及饱和输入约束时基于CMGs的 AUV三维轨迹跟踪控制 |
6.8 本章小结 |
7 全文总结与展望 |
7.1 全文总结 |
7.2 研究展望 |
致谢 |
参考文献 |
附录1 攻读博士学位期间主要学术论文 |
附录2 博士期间参与的课题研究情况 |
四、关于神经网络及其在自适应控制中的应用的研究(论文参考文献)
- [1]面向多船协同的自适应编队控制方法研究[D]. 陆宇. 上海交通大学, 2020(01)
- [2]分数阶自适应反步控制研究[D]. 盛典. 中国科学技术大学, 2020(01)
- [3]复杂约束条件下多智能体系统鲁棒一致性跟踪控制研究[D]. 林伯先. 电子科技大学, 2020(01)
- [4]计算智能GWO算法优化及其在运动控制中的应用[D]. 张小青. 西安电子科技大学, 2020(05)
- [5]复杂海洋环境下水下无人航行器定深与三维轨迹跟踪控制[D]. 乔磊. 上海交通大学, 2020(01)
- [6]改进的强化学习算法研究及其在机械臂控制中的应用[D]. 严涛. 浙江工业大学, 2020(08)
- [7]新型液压伺服回转驱动关节及其控制技术研究[D]. 杨明星. 东南大学, 2019
- [8]基于代数估计的无模型自适应控制及其在膝关节外骨骼中应用[D]. 唐昊. 南京理工大学, 2019(01)
- [9]船舶远洋安全航行运动姿态控制技术研究[D]. 金仲佳. 哈尔滨工程大学, 2020(04)
- [10]CMGs驱动型水下航行器饱和跟踪控制方法研究[D]. 徐瑞昆. 华中科技大学, 2019(01)