论文部分内容阅读
现实中的机械操作手、移动机器人、航空航天装置、电机装置、过程控制工业等非线性被控对象,不可避免地存在诸多不确定。因此,提高不确定非线性系统控制的鲁棒性一直是控制领域的热点话题。除了存在不确定性,非线性被控对象还往往受到系统状态和系统控制输入的约束。忽略这些状态约束或控制输入约束会导致系统性能的下降,闭环控制系统的不稳定,甚至带来灾难。因此,研究非线性受限系统的自适应控制具重要意义。本文针对一类带有系统约束的不确定非线性系统,以障碍李雅普诺夫函数法、反步法、动态面控制、神经网络等为主要工具,研究怎样满足系统约束条件和保证跟踪性能。主要的研究内容和创新点概括如下:1)针对带有输入约束和状态约束的关节机械臂系统,提出了基于障碍李雅普诺夫函数的局部加权学习自适应控制。将控制输入看成是一个扩展的状态变量,然后将障碍李雅普诺夫函数引入到反步法以解决系统的约束问题。利用局部加权神经网络估计系统中不确定项。理论分析和仿真结果说明该自适应控制使得机械臂在满足输入和状态约束的前提下,可有效跟踪期望轨迹。2)针对一类带有输入约束和状态约束的不确定非线性高阶模型,提出了基于障碍李雅普诺夫函数的局部加权学习复合自适应控制。为了消除在反步法设计中虚拟控制出现的微分膨胀,采用动态面的控制方法,利用一阶低通滤波器来计算虚拟控制的导数,使控制器和参数设计更加简单,省去了在稳定性分析中逼近误差有界的假设,避免了循环论证。为了提高对系统中不确定估计的精度,采用跟踪误差和预测误差共同调节神经网络权值估计值。理论分析和仿真结果说明,复合式局部加权学习自适应控制可进一步提高对系统不确定性的估计精度和轨迹跟踪精度。3)为一类带有状态约束的不确定非线性系统,设计了具有规定瞬态和稳态的鲁棒自适应控制。通过将规定的性能特征可视化为在输出跟踪误差上的约束条件,将对规定性能控制的设计转化为对受约束的非线性系统的鲁棒控制的设计。为了处理系统状态约束和状态误差约束,在反步法中,引入了积分障碍李雅普诺夫函数,降低了基于障碍李雅普诺夫函数的受限控制的保守性。设计鲁棒自适应控制,抑制辅助系统的不确定且保证闭环控制系统的稳定性。理论分析和仿真结果证明这种鲁棒自适应控制能够使得带有约束的系统能完成规定的瞬态和稳态行为。