1 郑州西亚斯学院电子信息工程学院, 郑州 451000
2 郑州大学信息工程学院, 郑州 450000
为了克服未知的执行器故障对四旋翼无人机编队飞行的影响, 提出了一种基于动态规划的最优协同容错控制律。首先, 建立了四旋翼无人机模型, 然后, 基于动态规划设计了最优协同控制律, 利用RBF神经网络逼近最优性能指标函数, 设计了自适应律来估计未知的执行器故障, 最终得到的最优协同容错控制律可实现对无人机编队飞行的高精度控制。通过对比仿真验证了设计的控制律具有更优的编队控制效果, 编队飞行的最大轨迹跟踪误差仅为0.04 m, 控制精度较高, 设计的自适应律具有更优的故障估计效果, 最大估计误差仅为0.05 N·m, 实现了对四旋翼无人机编队的安全稳定控制。
无人机编队 未知执行器故障 动态规划 RBF神经网络 自适应律 最优协同容错控制律 UAV formation unknown actuator failure dynamic programming RBF neural network adaptive law optimal cooperative fault-tolerant control law
1 河南科技大学软件学院, 河南 洛阳 471000
2 开封文化艺术职业学院计算机学院, 河南 开封 475000
为了实现在复合干扰下六旋翼无人机编队的稳定飞行, 提出了一种快速终端滑模鲁棒控制方法。首先,描述了领导-跟随编队拓扑结构并建立了六旋翼无人机的6自由度运动模型, 然后, 设计了编队外环控制律将编队指令转换为姿态指令, 并通过设计编队内环控制律解算得到旋翼转速指令, 最后, 引入自适应律来估计复合干扰, 实现了六旋翼无人机编队的稳定飞行。仿真实验结果表明: 所提方法与滑模控制方法相比能够更加快速地实现六旋翼无人机的编队稳定飞行, 最大轨迹误差仅为0.2 m, 复合干扰最大估计误差仅为0.1 m/s2, 表现出了更优的控制效果。
无人机编队 快速终端滑模控制 复合干扰 鲁棒控制 自适应律 UAV formation fast terminal sliding mode control compound interference robust control adaptive law
1 南京信息工程大学自动化学院, 南京 210044
2 化工过程先进控制和优化技术教育部重点实验室, 上海 200237
3 江苏省大气环境与装备技术协同创新中心, 南京 210044
4 中国电子科技集团公司第二十八研究所, 南京 210044
针对刚性机械臂有限时间鲁棒控制问题, 提出了一种新的自适应非奇异快速终端滑模控制方法。该方法将非奇异快速终端滑模控制与自适应律相结合, 使用非奇异快速终端滑模面加快机械臂轨迹跟踪误差的收敛速度, 解决了终端滑模中的奇异问题; 通过双曲正切函数代替符号函数减小控制输入的抖振; 利用自适应律对未知的外部扰动和系统的不确定性进行估计, 实现了在集总扰动未知情况下的轨迹跟踪。构造Lyapunov函数, 证明机械臂系统能够在有限时间内稳定收敛。最后二自由度机械臂仿真实验结果验证了所设计控制器的有效性和鲁棒性。
终端滑模控制 机械臂 轨迹跟踪 自适应律 有限时间收敛 terminal sliding mode control robot manipulator trajectory tracking adaptive law finite-time convergence
郑州西亚斯学院电子信息工程学院, 郑州 451150
针对推力矢量飞机超机动飞行过程中的参数摄动和舵面故障问题, 提出了一种基于终端滑模的容错控制律设计方法。首先给出了推力矢量飞机的舵面故障模型, 然后分别针对姿态角回路和角速度回路设计了终端滑模容错控制律, 并引入投影自适应律对参数摄动和舵面故障进行估计和补偿, 最终得到舵面偏转指令信号, 并对系统进行Lyapunov稳定性分析。通过Matlab/Simulink对比仿真, 验证了提出的容错控制律能够实现包容参数摄动和舵面故障的超机动飞行, 且自适应律能够准确估计舵面故障。
超机动飞行 参数摄动 舵面故障 终端滑模 投影自适应律 supermaneuver flight parameter perturbation rudder surface fault terminal sliding-mode projection adaptive law
空军工程大学航空机务士官学校, 河南 信阳 464000
针对固定翼无人机编队飞行过程中的参数摄动和不确定性问题, 设计了一种领导—跟随编队自适应鲁棒控制方法。首先建立了领导—跟随编队模型和无人机运动模型, 并对不连续投影自适应律的性质进行证明; 然后设计内环鲁棒控制律对编队外环控制产生的指令信号进行跟踪, 在鲁棒控制律的设计过程中, 引入参数自适应律对参数摄动进行在线估计, 设计自适应干扰观测器对不确定性进行观测和补偿, 并选取李雅普诺夫函数进行了稳定性分析;最后仿真表明所设计方法能够有效实现无人机编队鲁棒控制。
固定翼无人机 领导—跟随编队 不连续投影自适应律 自适应干扰观测器 编队鲁棒控制 fixed-wing UAV leader-follower formation adaptive law of discontinuous projection adaptive disturbance observer robust control of UAV formation
辽宁师范大学 物理与电子技术学院，辽宁 大连 116029
研究了具有外部电刺激的神经元构成的时滞网络之间的耦合同步问题。首先，采用一类具有外部电刺激的神经元构成了耦合时滞网络。进一步通过构造合适的Lyapunov-Krasovskii泛函数，利用稳定性定理以及Lipschitz条件设计了耦合系数的自适应律，得到了耦合时滞网络的同步条件。最后，通过仿真模拟验证了同步方案的有效性。
耦合同步 时滞网络 自适应律 Lyapunov-Krasovskii泛函数 coupling synchronization delay network adaptive law Lyapunov-Krasovskii functional
针对炮控系统随动模拟加载系统存在的摩擦、间隙、耦合等复杂非线性和参数时变等不确定性特征, 提出了一种自适应神经滑模控制策略。对于系统中存在参数时变等不确定性, 利用RBF神经网络自适应逼近不确定部分; 另外, 利用RBF神经网络动态调节切换函数的切换增益, 改善系统的动态品质。采用Lyapunov理论推导出自适应律, 在线估计神经网络权值和未知函数, 并证明了系统稳定性。仿真表明, 该控制策略能够较好地抑制干扰力矩, 响应快, 保证了系统静、动态的加载控制精度和鲁棒性。
随动模拟加载系统 滑模控制 RBF神经网络 自适应律 干扰力矩 servo simulated loading system sliding mode control RBF neural network adaptive law disturbance torque
上海应用技术大学电气与电子工程学院,上海 201418
针对带有不确定性的四旋翼飞行器系统,提出一种滑模控制和神经网络自适应相结合的混合控制方法。该方法在滑模控制的基础上,考虑到实际系统中通常存在建模不精确、参数未知等不确定性,构造RBF神经网络在线逼近系统模型的未知函数,采用Lyapunov方法设计自适应律在线估计神经网络权值和模型未知参数,并通过Lyapunov定理验证了系统的稳定性。仿真结果表明,该方法相对于RBF神经网络的自适应PID控制,具有更短的调节时间、更小的超调量和更好的抗干扰能力,同时在模型参数发生变化的情况下,该控制器的鲁棒性能更强。
四旋翼飞行器 滑模控制 神经网络 自适应律 quad-rotor aerial vehicle sliding mode control neural network adaptive law
