一、带有未知负荷机械手模型参考自适应控制问题（论文文献综述）
程晓燕[1]（2020）在《几类非严格重复系统迭代学习控制策略研究》文中进行了进一步梳理迭代学习控制（Iterative Learning Control,ILC）是一种模拟人类“自我学习”和“自我改进”能力的智能控制算法,对于具有可重复动态特性的被控对象,通过“学习”实际运行情况与设定的期望值之间的差值,调整下次运行的控制决策,使逐渐逼近期望值。ILC基于数据驱动,原理容易理解,不需要过多的先验知识,对于含有高度不确定复杂动态系统的控制问题,具有独特优势。传统ILC适用的系统在每次运行时各项动态性能必须严格一致,这是保证系统实现特定控制性能的前提条件。但在实际控制过程中,被控系统易受各种未知因素的影响,动态性能发生变化,直接影响控制效果。本文针对几类不同情况的非严格重复被控系统,结合相关算法对迭代学习控制进行改进,提出新的控制策略,有效提升系统控制性能。本文主要研究内容如下:首先,针对含有不确定参数且具有初始迭代误差的一类非严格重复非线性连续系统,提出了一种基于二次误差的最优迭代学习控制算法。该算法是通过计算期望误差与实际误差的差值（即二次误差）的方式对控制项进行修正（E2 ILC）,使跟踪控制可以不受初始值固定等条件的限制;采用迭代学习算法识别系统不确定部分的未知参数,实现了迭代域上的优化;同时采用基于改进Sontag公式的逆最优控制,在时间域上提高控制器的收敛速度和稳定裕度。仿真结果表明,提出的最优ILC算法使系统在时间域和迭代域上都具有较好的稳定性和收敛性,同时具有较快的跟踪速度。其次,针对含有控制时滞且具有初始迭代误差的一类非严格重复非线性连续系统,提出了一种基于平行误差的快速迭代学习控制算法。该算法采用可变参数α滤波器,逐步降低初始误差带来的负面影响,不要求初始值固定;与常量滤波器相比,提升了对时变系统的跟踪能力,能够同时满足收敛速度快和稳态误差小的要求;利用本次迭代运行误差与上次迭代运行误差的差值（即平行误差）修正控制项,有效避免系统使用高阶微分运算引起的震荡不稳定。仿真结果表明,提出的算法对于具有时滞和初始迭代误差的机器臂控制系统具有较好的跟踪性能,在参数发生变化的情况下,系统仍能保持较好的鲁棒性和实时性。最后,针对具有双向网络传输误差的一类远程非严格重复非线性离散系统,提出了分布式双闭环网络迭代学习控制算法。设计本地和远程双控制器,当数据通过网络传输产生传输误差时,采用迭代域意义上的闭环控制,利用存储的历史数据进行前馈补偿,降低系统误差;同时在时间域上增加了反馈,闭环控制提高了系统的稳定性和学习速度,系统的鲁棒性也大大增强。仿真结果表明,即使多变量输出或输入向量中的每个组件都存在不同的数据传输误差时,算法仍然具有较好的控制效果。
邱周静子[2]（2019）在《基于预测控制的机械臂约束视觉伺服研究》文中认为视觉伺服控制技术已经广泛应用于机器人领域,能够使得机器人系统更加灵活和快速。视觉伺服控制方法使用图像特征作为反馈信号并设计控制律,将计算得到的控制信号用来驱动机械臂的运动,通过使用视觉信息来引导机械臂到达期望的位姿。反馈控制的优势在于,它对系统中存在的各种误差具有一定的鲁棒性。很多传统的视觉伺服控制方法没有考虑系统中存在的约束问题,视觉伺服控制系统常常面临目标可见性约束和执行器饱和约束等问题,预测控制的显着优势之一就是能够显式处理约束问题,因此,研究基于预测控制的约束视觉伺服控制方法具有重要意义,本文使用预测控制方法对基于图像的约束视觉伺服控制进行了更深入的研究。本文研究的对象是单目eye-in-hand和eye-to-hand视觉系统,首先建立了基于深度独立雅可比矩阵的视觉伺服运动学预测模型,设计了带有终端集约束的视觉伺服预测控制方法,能够处理控制系统的输入输出约束,并通过在视觉伺服预测控制的约束优化问题中加入终端集约束和终端代价函数,分析了视觉伺服控制系统的稳定性。现有的大部分基于预测控制的视觉伺服方法没有考虑视觉伺服系统中存在的无标定问题,摄像机的标定是一个繁琐且易于出错的过程,并且对于单目视觉系统,深度参数信息也难以获得。因此,本文提出了基于自适应预测控制的视觉伺服控制方法,能够同时处理系统约束问题,和未知摄像机内外部参数和未知深度信息问题。在深度独立雅可比矩阵框架下,提出了一种新的参数估计算法,将参数估计算法和预测控制器结合,在每一采样时刻,参数估计算法使用最新的系统输入输出量来更新未知模型参数,同时预测控制器采用最近更新的模型参数来计算得到最优控制量。仿真结果表明,当使用预测控制方法控制带有未知参数的系统时,参数辨识算法是处理未知模型参数的一种有效手段。对比仿真实验验证了在约束和无标定环境下所提控制方法的有效性。视觉伺服系统的控制精度不仅受模型不确定性的影响,外部干扰也会影响控制系统的性能。因此,为了提升约束视觉伺服控制系统的抗干扰能力,本文提出了基于自适应干扰观测器和自适应预测控制的视觉伺服控制方法,该方法能够同时处理约束问题、模型不确定性问题和干扰问题。所提控制方法包括两部分,分别为基于自适应干扰观测器的前馈补偿部分和基于自适应预测控制的反馈调节部分。并且本文提出了一种自适应干扰观测器,传统干扰观测器是基于被控对象的固定标称模型设计的,和传统干扰观测器不同的是,所提的自适应干扰观测器是基于被控对象的估计模型设计的,使用深度独立图像雅可比矩阵构建被控对象的估计模型,有利于促进被控对象估计模型的更新。迭代辨识算法参与到自适应预测控制器中提供模型参数给自适应干扰观测器和自适应预测控制器,用来减小模型不确定量和干扰观测器对被控对象动态性能的影响。仿真结果表明所提方法能够取得令人满意的控制性能。大部分视觉伺服控制方法没有考虑系统约束问题,或者只在运动学层面考虑系统约束问题,并且大部分基于预测控制的视觉伺服方法虽然考虑了系统约束问题,但是没有同时考虑机械臂非线性动力学问题和模型不确定性问题。因此,本文提出了基于滑模观测器和自适应预测控制的视觉伺服动力学控制方法,能够在无关节角速度量测的情形下,同时处理系统约束问题,模型不确定性问题和机械臂非线性动力学问题。所提控制方法能够同时应用于eye-in-hand视觉系统和eyeto-hand视觉系统。
王新磊[3]（2019）在《具有输入输出约束特性的机械臂运动控制研究》文中研究说明中国制造业向着智能化、信息化方向发展,带动机械臂研发水平快速成长,使得机械臂运动控制问题逐渐成为研究热点。机械臂的核心部分是驱动机构和控制机构,由于物理元器件的局限性,死区、饱和、迟滞等输入约束问题不可避免地存在于这些机构之中,输入约束的存在不仅会影响机械臂系统工作性能,甚至造成系统不稳定;同时,出于安全、环保等方面考虑,以及提高机械臂系统暂态和稳态性能,实际应用对机械臂系统输出同样提出了约束要求。本文针对带有输入输出约束特性的机械臂系统,以反步递推控制和自适应神经网络控制理论为基础,设计了新的控制算法实现了机械臂系统在输入输出约束下的稳定运行,并通过MATLAB仿真进行了验证。本论文主要研究工作如下:首先,利用拉格朗日方程建立机械臂动力学模型,并介绍了其动力学特性。同时,详细给出了自适应控制、神经网络控制和反步递推控制等控制方法的设计思路,为后面章节控制算法的提出奠定理论基础。其次,针对带有未知Prandtl-Ishiskiili磁滞的不确定机械臂系统,基于递归控制方法提出了新的自适应神经网络预定性能控制算法。利用参数自适应方法在线逼近系统的未知磁滞非线性参数,并进一步利用神经网络控制在线逼近机械臂系统中的模型不确定项,保证机械臂系统渐近收敛的同时满足实际应用对系统超调量、收敛速度、收敛精度等暂稳态性能的要求。并利用李雅普诺夫函数证明系统的稳定性,通过仿真对控制器的有效性进行了验证。最后,针对带有执行器死区和饱和约束的不确定机械臂系统,提出了新的自适应神经网络全状态受限控制策略。通过引入Nussbaum增益函数,降低了机械臂系统中未知控制增益对系统性能的影响,进一步利用神经网络在线估计不确定输入约束项及系统不确定项。并基于定义的速度函数实现了系统误差的有限时间收敛。从而利用障碍李雅普诺夫函数实现了机械臂系统在输入和全状态约束下的渐近收敛;MATLAB仿真和Phantom Premium 1.5HF实验平台验证了所设计控制方法的有效性。
杨振[4]（2018）在《机器人若干控制问题分析与设计》文中研究说明当前,机器人技术已经成为智能制造及工业自动化的关键技术。其整体发展水平的高低标志着一个国家产业现代化水平和综合国力的强弱。本文以工业机器人基于关节空间的位置跟踪控制与基于图像的视觉伺服控制为研究内容,以自适应控制、迭代学习控制等方法为手段,主要研究了机器人在模型不确定、存在干扰等情况下的跟踪控制问题及基于图像雅克比矩阵伪逆的动力学视觉伺服控制问题。本文的主要工作如下:1.针对机器人在作业任务中具有重复性的特点,对机器人存在不确定参数及外部干扰情况下的轨迹跟踪问题,提出了几种具有变增益的自适应迭代学习控制策略,控制器包含PD反馈控制部分及用于处理系统参数不确定、干扰的学习控制部分。使用类Lyapunov函数证明,机器人系统是稳定的和渐进收敛的。仿真结果验证了算法的可行性。2.针对机器人迭代学习控制中迭代参数较多及初始运行点受限的问题,文中提出的学习控制器将正定的学习系数矩阵作用于轨迹跟踪误差和误差导数,得到了逐次更新的二维学习控制量,迭代参数可以减少到两个。这对于节约存储空间和提高运算速度具有重要意义。在假设某些系统参数有界的情况下,迭代学习参数可以进一步的减少到1个。新提出的控制策略可以将系统每次运行时都应在期望位置的初始状态这一条件放宽（将机器人控制系统的初始校正条件放宽）,即系统的运行从上一次运行结束时开始,而不是每次机器人系统都从同一个起始点开始运行。3.针对一类具有不确定动力学模型,受到不重复干扰情况下的机器人系统,提出了一种自适应鲁棒迭代学习控制方法。新提出的方法结合了变增益的PD控制与迭代学习的反馈控制,在简单的控制结构情况下具有自适应性和学习能力。通过周期性迭代,当前的控制信息由以前的控制信息来更新。新方法以类似于切换控制的形式来更新控制增益,增加了控制的灵活性,使得机器人系统的轨迹跟踪收敛速度更快速,使用Lyapunov函数证明了方法的渐进收敛性。仿真研究表明:随着迭代次数的增加,机器人系统的位置误差及速度误差将单调减少。4.针对机器人系统易受外部干扰及内部参数变化影响的问题,本文以设计具有良好跟踪性能及优良控制品质、保证系统稳定性和鲁棒性的控制器为目标,提出了两种自适应切换控制方法。第一种策略是在机器人有界干扰的上确界已知的情况,第二种策略是在干扰上确界未知的情况下设计的。以上两种控制器都包含自适应切换律和一个PD控制器。应用李雅谱诺夫稳定性理论证明了所提控制方法既能够保证机器人的跟踪性能,也可以适应变化的未知负载。以二连杆机器人为被控对象的仿真研究表明,所提出的控制方法有效可行,对系统负载的变化具有一定的鲁棒性。5.针对基于图像的机器人动力学无标定视觉伺服中,需要求取图像雅克比矩阵或其逆矩阵较为困难的问题,提出了一种可以获取图像雅克比伪逆阵的动力学无标定视觉伺服新方法。该方法无需摄像机的内外参数、无需机器人的关节速度参数。由李雅普诺夫理论证明,图像误差具有渐进收敛性。仿真研究验证了算法的有效性。
杨超[5]（2018）在《基于在线逼近的作业型AUV及机械手系统自适应控制方法研究》文中研究表明随着陆地不可再生资源的日渐枯竭,海洋资源开发已成为各国关注的焦点。开发海洋资源需要先进的技术装备,水下机器人作为目前唯一能够在深海环境中作业的装备,在海洋资源开发中发挥着重要作用。其中,自主式水下机器人（Autonomous Underwater Vehicle,AUV）因其运动范围大、机动灵活等特点受到重点关注;AUV自身一般不具备水下作业能力,但随着海洋开发进程加快,配备机械手的作业型AUV成为水下机器人领域重要研·究方向之一,对作业型AUV相关技术研究亦具有重要实用价值。本文针对作业型AUV系统运动控制、机械手控制以及水下作业状态下AUV姿态稳定性控制等相关问题,进行具体研究工作如下:研究作业型AUV系统实验样机。针对微小型AUV用机械手的大展臂、折叠收纳问题,研究“直线缸+三连杆+四连杆”机械手关节驱动机构;针对机械手作业引起AUV姿态较大变化的问题,研究基于重心变化的纵横倾姿态控制装置,实现微小型AUV的姿态稳定性控制。通过“UVIC-Ⅰ”实验样机的水池展开收纳、姿态调节和水下剪缆等水池实验,验证“UVⅠC-Ⅰ”实验样机的作业性能。研究大展臂机械手水介质液压系统及其末端精度测量问题。由于大展臂机械手展臂较长、自由度较多,关节角度微小误差将对末端精度造成较大影响;针对此问题,本文研究一种“闭式循环”液压系统,通过介质“闭式循环”和动密封结构减小介质内泄漏,并采用水介质作为驱动介质,减小液压系统压力损失。同时,针对水介质可压缩性大导致关节延时性问题,研究“真空+预加压”水介质处理方法。针对机械手末端精度测量问题,提出一种接触式水下机械手末端精度测量方法。最后,进行“UVIC-Ⅰ”实验样机水池实验验证。研究作业型AUV中大展臂机械手关节自适应控制问题。针对系统不确定性、外部干扰和关节时延性等影响机械手控制精度的问题,典型基于自适应函数逼近的鲁棒控制方法进行大展臂机械手关节控制时,存在稳态误差较大及运动滞后。针对此问题,本文提出一种基于勒让德多项式函数逼近的大展臂机械手自适应滑模PID控制方法。该方法采用函数逼近方式补偿不确定性因素,基于包含跟踪误差积分和微分函数的PID滑模控制面推导关节控制器,以减小运动滞后和轨迹跟踪误差;基于自适应补偿方式处理函数逼近误差补偿问题,通过逼近误差上界控制律在线调整逼近误差上界,保证关节误差一致渐进收敛为零。最后,通过大展臂机械手水池对比实验,验证本文方法有效性。研究作业型AUV系统艇体轨迹跟踪控制问题。针对动力学模型不确定、水流干扰和推力模型误差等影响AUV轨迹跟踪的问题,传统前向型神经网络滑模控制方法跟踪突变轨迹时,存在误差收敛时间长、突变超调较大,且传统方法未考虑推进器推力模型误差对轨迹跟踪的影响。针对此问题,本文提出一种基于回归神经网络的AUV自适应反演终端滑模控制方法。该方法通过回归神经网络对水流干扰、模型不确定、和推力模型误差在线分类逼近,设计非奇异性反演终端滑模控制器,通过自适应控制律对权值、误差比例因子在线调节。针对滑模控制中出现的控制量抖阵问题,提出基于sigmoid函数实现滑模切换连续性,通过滑模面指数形式动态调节滑模切换增益的控制量抖振降低方法。最后,通过仿真实验和“UVIC-Ⅰ”实验样机水池对比实验,验证本文方法有效性。研究水下作业状态下AUV系统姿态自适应区域控制问题。针对水流干扰、系统模型不确定和机械手作业等因素影响下的AUV艇体姿态控制问题,在典型的姿态自适应区域方法控制下,其姿态角度长期处于边界处波动,影响姿态控制精度、延长调节时间、增加能耗。针对此问题,本文提出一种AUV艇体姿态自适应滑模动态区域控制方法。该方法设计不包含区域边界的动态目标区域,并将动态目标区域和滑模控制面相结合。然后,基于RBF神经网络对不确定未知项在线逼近估计;同时,提出一种神经网络权值参数、径向基函数中心与方差自适应在线调整方法;最后,基于滑模控制项对逼近误差补偿,保证误差一致渐进收敛为零。通过“UVIC-Ⅰ”实验样机水池对比实验,验证本文方法有效性。
郭秦阳[6]（2018）在《六自由度足踝动态步态模拟系统及其控制策略研究》文中研究指明足踝复合体所处的特殊位置需要它在人体和地面之间形成重要的动态联结,人类完成的所有直立运动都要求足踝复合体不断地适应与配合身体周围的环境。足踝复合体无论是在解剖结构上还是功能上都具有高度的复杂性,动态步态模拟器作为足踝复合体生物力学研究的重要装备,能够利用尸体足踝模拟人体步态的站立相,并实现基于有创方法的足踝内部动态行为（如骨骼运动规律、骨内部应力分布、韧带和肌腱力学行为与关节接触力等）的精确测量,对于足踝运动系统疾病机理的探讨、手术方案的科学论证、运动损伤与防护的研究、仿生足踝系统的研制等具有重要意义。论文针对人体足踝生物力学的研究需求,分析了活体足踝步态的相关数据,形成了步态模拟系统的技术与控制指标,提出了一种基于尸体足踝的具有主动胫骨控制方式的六自由度足踝动态步态模拟方法;所研制的步态模拟系统包括:基于基座可移动式六自由度并联机械手的胫骨运动控制子系统、基于电液比例位置系统的基座驱动子系统、基于电液比例力控系统的胫骨随动加载子系统与伺服电动缸驱动的四轴肌腱驱动子系统;完成了各子系统的集成与原理样机的试制,分析了足踝动态步态模拟过程中十二轴联动系统的多执行器耦合控制问题。对基座可移动式六自由度并联机械手的运动学与动力学特性开展了深入的研究。利用电液比例位置系统驱动并联机械手的基座,拓展了其末端执行器在矢状面内沿步态前-后向的工作空间。在分析机械手逆运动学与逆动力学特性时,考虑了机械手组件由于基座在空间中存在加减速运动所产生的惯性力的影响,推导出了适用于具有可移动基座的并联机械手研究领域的通用动力学方程;结合活体步态数据,计算了六自由度足踝动态步态模拟过程中机械手支腿的驱动规律与驱动力。通过选取与末端执行器固连的任意3个坐标未知的参考点,构建了并联机械手正运动学分析所需的非线性方程组,无需借助旋转矩阵即可精确计算末端执行器的位姿。在ADAMS中开展了基于足踝多体模型的步态模拟系统动力学仿真研究,初步验证了所提出的步态模拟方法的可行性。针对电液比例位置系统的高精度轨迹跟踪问题,提出了基于径向基神经网络（RBFNN）的复合自适应动态面控制算法。利用RBFNN实时估计与补偿系统中的未知非线性摩擦力,利用动态面（DSC）技术构建了系统的非线性控制器,引入指令滤波器对虚拟控制信号进行处理,克服了传统反步控制（Backstepping Control）所固有的“微分项爆炸”问题。引入补偿跟踪信号消除了指令滤波器所带来的滤波误差的影响,设计了串行-并行预测模型来提高RBFNN的估计性能,而相应的补偿跟踪误差与模型预测误差则被用来构建RBFNN的复合自适应律。利用Lyapunov理论对闭环系统的稳定性进行了分析,针对步态模拟系统的多执行器耦合控制问题,研究了基座驱动子系统的协调控制方法。对比仿真与对比实验结果验证了所提出的控制算法的有效性与先进性。针对电液比例力控系统的高精度胫骨随动加载问题,提出了一种基于迭代学习机制的输出反馈动态面控制算法。利用高增益状态观测器对液压系统中不可测量的状态变量进行估计,利用DSC技术构建了系统的非线性控制器并实现了液压缸的高精度位置轨迹跟踪,利用Lyapunov理论分析了闭环系统的稳定性。设计了比例-积分-微分（PID）型迭代学习机制对液压缸的理想位置轨迹进行优化,确保在复杂的动态步态模拟过程中,液压缸在跟踪优化的理想位置轨迹的同时,其输出力逼近胫骨目标加载曲线。基于Matlab/Simulink的仿真结果验证了所提出的控制算法的有效性。结合活体足踝肌腱在站立相中的作用趋势,提出了肌腱驱动子系统的模糊PID自整定控制算法,并针对步态模拟系统中的多执行器耦合控制问题,探讨了力控系统的协调控制方法。最后搭建了原理样机的控制系统硬件与软件平台,完成了基座驱动子系统、胫骨随动加载子系统与肌腱驱动子系统及其控制算法的实验验证,并最终完成了基于尸体足踝的综合动态步态模拟实验,验证了所提出的六自由度足踝动态步态模拟系统及其控制策略的有效性与先进性。本文的研究内容能够为人体足踝生物力学的研究提供极大帮助。
杨忠君[7]（2018）在《几类不确定非线性系统的智能自适应跟踪控制及稳定性分析》文中进行了进一步梳理众所周知,大多数系统实际上都是非线性系统,而且通常会受到系统的不确定性,随机扰动以及时滞等因素的影响,因此对于这类非线性系统的控制以及稳定性研究受到持续关注。近年来,因自适应控制能根据性能指标在线修改控制器参数而使得系统运行在最优或次最优状态,被成功应用于工业领域的非线性系统控制研究;另一方面模糊逻辑系统和神经网络能以任意精度逼近系统的未知非线性函数,所以是处理非线性系统的不确定性的行之有效的方法。随之而来的,将自适应backstepping设计方法与模糊逻辑系统或神经网络相结合的智能自适应控制得到了大量研究和充分发展,并且取得了很多有价值的研究成果,然而也仍然存在着不少问题需要进一步探讨。首先,本文研究了几类不确定非线性系统的自适应模糊控制问题,如具有输入死区的严格反馈形式的不确定SISO非线性系统,带有扰动的切换非线性系统,具有预设性能的不确定MIMO非线性系统。不言而喻,稳定性问题是人们研究各类动态系统尤其是工业系统所面临的最基本、最重要的问题之一。因此,本文接下来针对时滞Markov跳变神经网络系统和时滞切换正T-S模糊系统两类非线性系统,基于Lyapunov理论分析了系统的稳定性。最后,本文研究了智能自适应控制技术在电气传动控制系统中的应用。本文的主要内容和贡献可概述如下:（1）针对一类具有执行器死区问题的不确定严格反馈非线性系统,提出了一种模糊自适应跟踪控制策略。其中使用模糊双曲正切模型（generalized fuzzy hyperbolic model,GFHM）去逼近系统中存在的未知非线性函数,并采用动态面控制技术（dynamic surface control,DSC）避免了重复求导过程中的“计算膨胀”问题。单个自适应率的设计使得控制系统结构更简单和计算成本更低。Lyapunov稳定性分析证明了闭环系统的所有信号都是半全局一致最终有界（semi-globally uniformly ultimately bounded,SGUUB）的。（2）针对一类带有扰动信号的严格反馈形式的不确定切换非线性系统,提出了一种基于改进的backstepping技术的自适应模糊跟踪控制方法。结合使用了广义模糊双曲正切模型逼近器和平均驻留时间法。利用Lyapunov理论证明了该切换非线性系统的所有闭环信号有界且系统稳定。（3）研究了不确定严格反馈MIMO非线性系统的约束控制问题。通过引入新的约束变量对系统进行了变换,并基于backstepping技术设计了控制器。设计的带预设性能约束的自适应模糊控制器能够满足跟踪过程暂态和稳态的性能要求。Lyapunov稳定性分析证明了该闭环系统的所有信号是半全局一致最终有界的。（4）研究了具有区间时变分布时滞和不确定转移率的Markov跳变区间时变时滞神经网络系统的稳定性问题。通过充分考虑转移概率的性质和不确定区域的特性,用一个有效的技术来代替传统的Young’s不等式来约束转移率中的不确定项。同时,利用增广的Lyapunov泛函和具有较小保守性的辅助函数积分不等式,给出了新的时滞依赖的稳定性条件。（5）研究了具有时变时滞和平均驻留时间切换信号的连续切换正T-S模糊系统的稳定性分析问题。首先,采用多线性余正Lyapunov-Krasovskii泛函和平均驻留时间方法,获得了能保证时变时滞切换正T-S模糊系统稳定的充要条件。然后,又对系统的加权L1-增益性能进行了研究。最后,仿真算例证明了该方法的有效性.（6）针对直流电机驱动的单连杆机械手臂传动系统和交流永磁同步电机,考虑其动力学方程的非线性特点,综合运用backstepping技术和广义模糊双曲正切模型,提出了具有未知扰动信号观测器的模糊自适应控制方法。通过Lyapunov函数稳定性理论证明了系统在具有未知扰动的情况下,闭环系统的稳定性和收敛性。并对所提出的控制方法进行仿真验证。
崔阳[8]（2018）在《不确定严格反馈非线性系统的智能自适应控制及稳定性分析》文中指出近二十年来,由于自适应控制成功用于工业系统领域,而受到学者的广泛关注。一般来说,绝大多数工业系统都可以描述为非线性系统,正是由于非线性不确定因素,使得非线性系统的控制问题存在很大困难。随着模糊逻辑系统和神经网络的发展,这一问题可以得以解决。大量文献表明,通过适当调节参数,模糊逻辑系统和神经网络可以以任意精度逼近一个未知的非线性函数。相较于传统的控制方法,自适应控制不但可以控制一个已知系统,还可以控制未知系统,且能够根据性能指标的要求适当调节控制器的参数,使得整个系统可以自动运行在最优或次最优工作状态。首先,本文针对一类带有扰动的不确定严格反馈非线性系统,研究了它的自适应控制器的设计,在解决了扰动问题的同时,能够满足系统所要求的性能指标和稳定性。其次,本文基于广义模糊双曲正切模型,研究了切换不确定非线性系统的自适应控制问题。最后,给出了仿真例子验证了所提方法和结果的有效性和可应用性。本文的主要内容和贡献可概述如下:（1）针对一类带有未知有界扰动的不确定严格反馈非线性系统,研究了自适应动态面控制方法。基于径向基函数方法,控制方法可以避免“微分爆炸”问题。复合自适应律是由预测误差和系统状态与串并联模型之间的补偿误差所构成。通过李雅普诺夫技巧可得,闭环系统上的所有信号是半全局一致最终有界的。（2）针对一类带有不可测状态的不确定非线性系统,研究了复合的自适应输出反馈容错控制问题。用广义模糊双曲模型作为未知非线性函数的逼近器,同时设计模糊状态估计值去估计不可测状态。基于backstepping和动态面技巧,通过引入模糊状态估计值和串并联模型之间的预测误差去设计一个新的自适应控制方法。根据Lyapunov稳定性原理可知,闭环系统中的所有信号是半全局一致最终有界的。（3）针对一类带有时变扰动的多输入多输出不确定非线性系统,研究了综合自适应模糊跟踪控制问题。通过使用广义模糊双曲函数辨识系统中的未知非线性函数。综合自适应模糊控制器的设计方法是由动态面控制、串并联模型和扰动观测器组成。基于Lyapunov稳定性原理,闭环系统中的所有变量都是半全局一致最终有界的。通过适当调节参数,可以得到一个令人满意的具有更快跟踪速度和更高跟踪精度的跟踪性能。（4）针对一类带有未知有界扰动的不确定严格反馈非线性系统,研究了一个有效的自适应控制方法。在控制器的设计过程中,所有的未知非线性函数都积累到最后一步,最终通过一个逼近器去辨识总的未知非线性函数。对于控制器的设计,只有实际控制器是需要在线实现的,并且只需要设计一个自适应律。因此,此种控制器的设计更简单,同时也大大的减少了计算量。通过Lyapunov稳定性原理可知,闭环系统中的所有信号是半全局一致最终有界的。（5）针对一类多输入多输出切换不确定严格反馈非线性系统,研究了一个新颖的自适应模糊跟踪控制。系统中存在未知非线性函数和平均停留时间切换信号。用广义模糊双曲正切模型和backstepping控制技巧,设计一个自适应模糊控制方法。通过在传统的backstepping控制方法中引入低阶滤波,从而避免微分爆炸现象。在每个子系统的控制过程中,只需设计一个自适应律。相比较现存的文献而言,此种控制器的设计更简单,且计算负担更小。由Lyapunov稳定性原理可知,闭环系统是稳定的。仿真部分验证了此种控制方法的有效性。
周伟[9]（2016）在《基于高阶内模的离散时间系统的迭代学习控制》文中进行了进一步梳理本论文以离散时间系统为研究对象,针对由一类高阶内模产生的参考轨迹、未知参数及迭代域任意变化的有界迭代初态等非严格重复性问题,进行了迭代学习控制方法的设计。论文的主要工作及创新点可总结为如下四个部分。1.针对一类离散时间线性系统,考虑参考轨迹由高阶内模生成时,利用压缩映射和不动点原理,提出了一种基于高阶内模的迭代学习控制算法。同时,考虑了被控系统为非线性时,基于高阶内模的迭代学习算法的拓展问题。另外,特别针对含有状态扰动及量测噪声的非线性系统,设计了一种鲁棒迭代学习控制器,并给出了相应的收敛条件。2.针对一类离散时间非线性系统,考虑由高阶内模产生的未知参数、任意迭代变化的参考轨迹以及任意迭代变化的有界初始状态等多种非严格重复条件,设计了一种基于高阶内模的自适应迭代学习控制律。针对系统中带有未知控制增益及外部扰动的情况,利用最小二乘方法设计未知参数的学习更新律,实现跟踪误差沿迭代轴的渐近收敛。3.针对一类含有高阶内模生成的非严格重复未知参数的离散时间非线性系统,提出了基于投影算法的自适应迭代学习控制律。通过严格的理论推导证明,在初始状态及参考轨迹迭代变化的情况下,所提出的方法能够保证跟踪误差沿迭代轴渐近收敛。4.针对一类多输入多输出的离散时间非线性系统,考虑存在由高阶内模生成的参数以及任意有界的参考轨迹和初始状态的非严格重复条件,分别设计了基于最小二乘法和基于投影算法的自适应迭代学习控制律。通过证明和仿真说明了所提出算法的有效性。总之,针对工作于重复条件下的离散时间非线性系统中的各类非严格重复问题,提出基于压缩映射/Lyapunov函数的迭代学习控制方法。考虑已知变化模式的非严格重复问题（由高阶内模产生的非严格重复问题）和未知变化模式的非严格重复问题,提出的基于高阶内模的迭代学习控制律能保证系统跟踪误差的迭代域收敛性。仿真结果表明了所提出的迭代学习控制方法的有效性。
王良勇[10]（2010）在《一类非线性系统的神经网络控制及其在机械手系统的应用》文中认为机械手系统在工业中广泛应用,是一类典型的非线性系统,其数学模型由运动学和动力学模型组成。机械手的任务一般在笛卡儿空间内给定,大部分机械手控制方法需要离线求解逆运动学方程,将机械手的任务分解到机械手各关节电机,然后进行底层的闭环控制。然而对于机械手的任务来说,这实际上是开环控制,使得机械手各关节的协调能力变差。虽然机械手的理论方法很多,但是很多算法都只是处于仿真研究阶段,尚未进行实验研究。另一方面当前的机械手实验平台可以分为封闭式结构和开放式结构两种,尽管开放式机械手实验平台解决了传统封闭式机械手平台不通用的问题,但是由于其算法开发环境采用的是Visual C++或其他面向对象编程语言,使得开发人员不仅要将主要精力放在算法开发上,还要在算法实现上花费大量的时间,因此需要开发一个适合高级控制算法实现的平台。针对上面提到的问题,本文依托东北大学“985工程”流程工业综合自动化科技创新平台,针对机械手系统中存在的一类非线性系统控制问题,设计了控制方法,并搭建了机械手快速原型控制实验平台,并将本文所提方法进行了实验研究。本文的主要研究工作归纳如下：（1）针对机械手系统中存在的非线性问题,提出三类神经网络控制方法：（a）考虑摩擦力的线性模型,机械手系统的动力学模型可看作为一类二阶严反馈非线性系统。针对此类系统提出了神经网络线性滑模控制器和神经网络终端滑模控制器,两种方法都具有PD控制加补偿器的结构,易于工业应用,而且采用神经网络终端滑模控制器还可以实现跟踪误差的有限时间收敛。（b）考虑摩擦力的线性模型,机械手系统的运动学模型和动力学模型可转化为严反馈多输入多输出非线性系统。针对此类系统,采用Backstepping的设计步骤,设计了神经网络串级控制器。该方法的优势在于：（i）与现有的严反馈非线性系统理论方法相比,该方法具有串级结构,这样在控制器投入使用时可以分级进行调试；另外控制器设计完成后,假如一个子系统发生变化,则只需重新设计相应的部分,无需重复整个控制器设计过程,改善了传统严反馈控制方法工业应用难的问题；（ii）与工业中广泛应用的串级控制器相比,该方法采用非线性的设计工具,提高了控制性能,同时可以严格证明系统的稳定性。（c）考虑摩擦力的非线性模型,机械手系统动力学模型可以转化为一类非线性输入输出离散系统。针对该类系统,本文提出了一种带有前馈和神经网络补偿的PD控制方法。该方法只需要系统的输入输出信号,不需要设计复杂的状态观测器,易于工业应用。（2）设计和开发了基于快速原型技术的机械手实验平台。该系统可以和Matlab/ Simulink实现无缝连接,控制算法开发、实时控制代码生成以及数据采集均可以借助于Matlab/Simulink实现。本实验平台的设计与开发为复杂算法的快速实现提供了一个有力的支撑。（3）将上面提出的三类神经网络控制方法在机械手实验平台上进行了实验研究,并且与机械手现有的控制方法进行了比较,实验结果表明本文方法取得了良好的控制性能。另外利用前面提出的严反馈多输入多输出非线性系统串级控制结构,解决笛卡尔空间机械手的轮廓跟随控制任务,提出了一种基于神经网络的轮廓跟随控制方法。该方法不仅提高了机械手各关节协调能力,而且还改善了现有机械手控制算法存在的“轨径缩减”问题,大大提高了产品的加工速度和精度。
二、带有未知负荷机械手模型参考自适应控制问题（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、带有未知负荷机械手模型参考自适应控制问题（论文提纲范文）
（1）几类非严格重复系统迭代学习控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 迭代学习控制的研究现状 |
| 1.3 非严格重复系统的ILC问题 |
| 1.4 本文的主要工作 |
| 1.4.1 本文的研究思路 |
| 1.4.2 本文的研究内容 |
| 第2章 迭代学习控制分析与设计方法 |
| 2.1 引言 |
| 2.2 迭代学习控制算法 |
| 2.2.1 可重复性动力学系统 |
| 2.2.2 二维迭代学习算法构造 |
| 2.2.3 直接型和间接型ILC |
| 2.3 迭代学习律设计方法 |
| 2.4 稳定性和收敛性分析方法 |
| 2.5 收敛快速性分析方法 |
| 2.6 本章小结 |
| 第3章 基于二次误差的最优迭代学习控制 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 系统描述 |
| 3.2.2 基于最优控制的自适应ILC |
| 3.2.3 基于CLF的逆最优控制 |
| 3.2.4 基于Sontag公式的最优控制 |
| 3.3 未知定常参数系统最优迭代学习控制 |
| 3.3.1 控制器设计 |
| 3.3.2 收敛性分析与证明 |
| 3.3.3 仿真研究 |
| 3.4 未知时变参数系统最优迭代学习控制 |
| 3.4.1 控制器设计 |
| 3.4.2 收敛性分析与证明 |
| 3.4.3 仿真研究 |
| 3.5 本章小结 |
| 第4章 基于平行误差的快速迭代学习控制 |
| 4.1 引言 |
| 4.2 基于平行误差的快速ILC |
| 4.2.1 系统描述与控制器设计 |
| 4.2.2 收敛性分析与证明 |
| 4.2.3 滤波器设计 |
| 4.3 算法应用及仿真研究 |
| 4.3.1 系统模型转化 |
| 4.3.2 存在关节转角限位时机械手系统模型 |
| 4.3.3 仿真研究 |
| 4.4 本章小结 |
| 第5章 基于传输误差约束的远程迭代学习控制 |
| 5.1 引言 |
| 5.2 网络环境下的ILC |
| 5.3 问题描述 |
| 5.3.1 系统描述 |
| 5.3.2 含有数据传输误差的网络控制系统 |
| 5.4 开环远程迭代学习算法 |
| 5.4.1 控制器设计 |
| 5.4.2 收敛性分析与证明 |
| 5.4.3 仿真研究 |
| 5.5 双闭环远程迭代学习算法 |
| 5.5.1 控制器设计 |
| 5.5.2 收敛性分析与证明 |
| 5.5.3 仿真研究 |
| 5.5.4 MIMO系统远程双闭环ILC |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（2）基于预测控制的机械臂约束视觉伺服研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 无标定视觉伺服方法研究 |
| 1.3 带有约束的视觉伺服方法研究 |
| 1.4 本文的主要研究工作 |
| 第二章 带有终端集约束的视觉伺服预测控制方法 |
| 2.1 引言 |
| 2.2 摄像机系统 |
| 2.2.1 摄像机透视投影成像模型 |
| 2.2.2 坐标变换关系 |
| 2.3 基于深度独立雅可比的视觉伺服运动学模型 |
| 2.4 带有终端集约束的视觉伺服预测控制器设计 |
| 2.5 仿真结果与分析 |
| 2.6 本章小结 |
| 第三章 基于自适应预测控制的视觉伺服控制方法 |
| 3.1 引言 |
| 3.2 基于自适应预测控制的视觉伺服控制器设计 |
| 3.2.1 自适应等价确定性视觉伺服预测控制器设计 |
| 3.2.2 无标定视觉任务中的参数估计策略 |
| 3.3 仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 基于自适应干扰观测器和自适应预测控制的视觉伺服控制方法 |
| 4.1 引言 |
| 4.2 传统干扰观测器 |
| 4.3 自适应干扰观测器 |
| 4.4 基于自适应干扰观测器和自适应预测控制的视觉伺服控制器设计 |
| 4.5 仿真结果与分析 |
| 4.6 本章小结 |
| 第五章 基于滑模观测器和自适应预测控制的视觉伺服控制方法 |
| 5.1 引言 |
| 5.2 视觉伺服系统预测模型 |
| 5.3 基于滑模观测器和自适应预测控制的视觉伺服动力学控制器设计 |
| 5.3.1 基于自适应预测控制的视觉伺服动力学控制方法 |
| 5.3.2 滑模观测器的设计 |
| 5.4 仿真结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
（3）具有输入输出约束特性的机械臂运动控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 机械臂系统控制的研究现状 |
| 1.2.1 线性控制方法 |
| 1.2.2 非线性控制方法 |
| 1.3 机械臂输入约束控制研究现状 |
| 1.3.1 输入死区约束 |
| 1.3.2 输入磁滞约束 |
| 1.3.3 输入饱和约束 |
| 1.4 机械臂输出约束控制研究现状 |
| 1.4.1 障碍型李雅普诺夫函数研究现状 |
| 1.4.2 预定性能控制研究现状 |
| 1.5 主要内容及结构安排 |
| 第2章 机械臂动力学建模及基本控制方法 |
| 2.1 引言 |
| 2.2 机械臂动力学模型 |
| 2.2.1 机械臂动力学建模 |
| 2.2.2 机械臂动力学模型的性质 |
| 2.3 机械臂系统控制方法 |
| 2.3.1 自适应控制 |
| 2.3.2 神经网络控制 |
| 2.3.3 反步递推控制 |
| 2.4 本章小结 |
| 第3章 带有P-I磁滞的机械臂预定性能控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 预定性能控制 |
| 3.4 自适应神经网络预定性能控制 |
| 3.5 仿真验证 |
| 3.6 本章小结 |
| 第4章 带有死区和饱和的机械臂全状态受限控制 |
| 4.1 引言 |
| 4.2 障碍型李雅普诺夫函数 |
| 4.3 问题描述 |
| 4.4 自适应神经网络全状态受限控制 |
| 4.5 仿真验证 |
| 4.6 实验验证 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）机器人若干控制问题分析与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景 |
| 1.2 国内外工业机器人行业发展现状 |
| 1.3 机器人的主要控制方法 |
| 1.4 本文拟采用控制方法 |
| 1.4.1 迭代学习控制 |
| 1.4.1.1 迭代学习控制的提出及特点 |
| 1.4.1.2 迭代学习控制在机器人系统的研究现状 |
| 1.4.1.3 迭代学习在机器人控制中的研究趋势 |
| 1.4.2 自适应控制 |
| 1.4.2.1 自适应控制的分类及基本概念 |
| 1.4.2.2 自适应控制在机器人系统的研究现状 |
| 1.4.3 机器人视觉伺服控制 |
| 1.4.3.1 视觉伺服 |
| 1.4.3.2 无标定视觉伺服的研究现状 |
| 1.5 本文的主要工作 |
| 第二章 预备知识 |
| 2.1 机器人的动力学特性 |
| 2.2 几个重要引理 |
| 第三章 机器人自适应变增益迭代学习控制 |
| 3.1 引言 |
| 3.2 系统描述 |
| 3.3 自适应迭代学习控制器的设计与分析 |
| 3.4 仿真实例 |
| 3.4.1 定理3.1 的仿真结果 |
| 3.4.2 定理3.3 的仿真结果 |
| 3.5 本章小结 |
| 第四章 模型不确定的机器人自适应鲁棒迭代学习控制 |
| 4.1 引言 |
| 4.2 系统描述 |
| 4.3 控制器设计与分析 |
| 4.3.1 机器人模型线性化 |
| 4.3.2 控制器收敛性分析 |
| 4.4 仿真实例 |
| 4.5 本章小结 |
| 第五章 带有扰动的机器人自适应切换控制 |
| 5.1 引言 |
| 5.2 系统描述 |
| 5.3 控制器的设计与分析 |
| 5.3.1 情形1:机器人系统有界干扰的上确界为已知时 |
| 5.3.2 情形2:机器人系统有界干扰的上确界为未知时 |
| 5.4 仿真研究 |
| 5.4.1 有界干扰的上确界为已知时的切换自适应控制仿真 |
| 5.4.2 有界干扰的上确界为未知时的切换自适应控制仿真 |
| 5.5 本章小结 |
| 第六章 无标定图像雅克比伪逆的机器人视觉伺服 |
| 6.1 引言 |
| 6.2 系统描述 |
| 6.2.1 机器人动力学模型 |
| 6.2.2 问题描述 |
| 6.3 图像雅克比矩阵伪逆估计 |
| 6.3.1 一般非线性函数的线性逆 |
| 6.3.2 图像雅可比矩阵伪逆估计 |
| 6.3.2.1 离线估计法 |
| 6.3.2.2 在线估计法 |
| 6.3.3 图像雅可比矩阵奇异性分析 |
| 6.4 控制器的设计与分析 |
| 6.4.1 基于图像雅可比矩阵转置的视觉伺服 |
| 6.4.2 基于图像雅可比矩阵伪逆的视觉伺服 |
| 6.5 仿真研究 |
| 6.5.1 平面机器人动力学方程 |
| 6.5.2 平面机器人仿真参数 |
| 6.5.3 控制策略 |
| 6.5.4 固定目标仿真结果及分析 |
| 6.5.5 运动目标仿真结果及分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间完成的论文及参加的科研项目 |
| 1.发表的论文 |
| 2.主持或参与的科研项目 |
（5）基于在线逼近的作业型AUV及机械手系统自适应控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 课题来源 |
| 1.3 作业型水下机器人系统研究现状 |
| 1.3.1 系统载体研究现状 |
| 1.3.2 水下机械手及其关节控制技术研究现状 |
| 1.3.3 水下机器人艇体轨迹跟踪控制研究现状 |
| 1.3.4 水下机器人系统姿态控制研究现状 |
| 1.4 论文主要研究内容及组织架构 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文组织架构 |
| 第2章 作业型水下机器人实验样机研制 |
| 2.1 引言 |
| 2.2 水下机器人艇体系统研究 |
| 2.2.1 艇体系统总体设计 |
| 2.2.2 推进器系统方案及布置规划 |
| 2.2.3 传感器系统方案分析 |
| 2.2.4 能源系统功率分析及方案设计 |
| 2.3 大展臂机械手方案论证及结构设计 |
| 2.3.1 关节自由度方案分析 |
| 2.3.2 关节驱动机构方案分析及研制 |
| 2.3.3 手爪机构方案及结构设计 |
| 2.3.4 机械手结构优化及刚度分析 |
| 2.3.5 大展臂水下机械手总体结构 |
| 2.4 纵横倾姿态控制装置系统设计 |
| 2.4.1 姿态控制方案论证 |
| 2.4.2 硬件系统设计 |
| 2.5 实验样机集成及其水池实验 |
| 2.5.1 系统结构集成 |
| 2.5.2 软硬件控制系统 |
| 2.5.3 实验样机性能水池实验 |
| 2.6 本章小结 |
| 第3章 大展臂机械手水介质液压系统研究及其精度测量 |
| 3.1 引言 |
| 3.2 水介质液压系统及其系统性能分析研究 |
| 3.2.1 系统流量范围分析 |
| 3.2.2 “闭式循环”液压系统设计 |
| 3.2.3 管路压力损失分析及其液压介质研究 |
| 3.3 水介质液压系统驱动性能研究 |
| 3.3.1 机械手关节轨迹跟踪实验及分析 |
| 3.3.2 水介质“真空处理”及其跟踪效果 |
| 3.3.3 水介质“真空处理”的改进方法及其效果 |
| 3.3.4 水介质液压系统性能实验验证 |
| 3.3.5 大展臂机械手整体性能水池实验验证 |
| 3.4 大展臂机械手末端精度测量方法及实验验证 |
| 3.4.1 接触式水下机械手末端精度测量方法 |
| 3.4.2 末端精度测量水池实验验证 |
| 3.5 本章小结 |
| 第4章 基于不确定性在线逼近的大展臂机械手关节控制 |
| 4.1 引言 |
| 4.2 基于勒让德多项式函数逼近的自适应滑模PID控制方法研究 |
| 4.2.1 自适应滑模PID控制方法的分析过程及基本思路 |
| 4.2.2 水下机械手的动力学模型 |
| 4.2.3 自适应滑模PID控制器设计 |
| 4.2.4 论证方法稳定性和渐进收敛性 |
| 4.3 水池实验验证 |
| 4.3.1 水池实验环境与控制参数 |
| 4.3.2 关节控制精度水池对比实验 |
| 4.3.3 关节控制量水池对比实验 |
| 4.4 本章小结 |
| 第5章 基于回归神经网络在线逼近的AUV轨迹跟踪控制 |
| 5.1 引言 |
| 5.2 基于回归神经网络的自适应反演终端滑模控制方法研究 |
| 5.2.1 自适应反演终端滑模控制方法的分析过程及基本思路 |
| 5.2.2 考虑推力模型误差的系统动力学建模 |
| 5.2.3 自适应反演终端滑模控制器设计 |
| 5.3 方法稳定性和误差有限时间收敛性论证 |
| 5.4 滑模控制量抖振降低方法 |
| 5.5 仿真实验验证 |
| 5.5.1 仿真实验环境与控制参数 |
| 5.5.2 轨迹跟踪对比仿真实验 |
| 5.5.3 降低控制量抖振对比仿真实验 |
| 5.6 水池实验验证 |
| 5.6.1 水池实验环境与控制参数 |
| 5.6.2 轨迹跟踪对比水池实验 |
| 5.6.3 降低控制量抖振对比水池实验 |
| 5.7 本章小结 |
| 第6章 水下作业状态下AUV纵横倾姿态自适应动态区域控制 |
| 6.1 引言 |
| 6.2 作业型AUV艇体纵横倾姿态动力学模型 |
| 6.2.1 纵横倾姿态动力学模型 |
| 6.2.2 纵横倾姿态调节力矩与控制电压的关系 |
| 6.3 纵横倾姿态自适应滑模动态区域控制方法研究 |
| 6.3.1 自适应滑模动态区域控制方法的分析过程及基本思路 |
| 6.3.2 自适应滑模动态区域控制方法具体研究 |
| 6.3.3 论证方法稳定性和姿态目标区域收敛性 |
| 6.4 水下作业状态下的姿态控制水池实验验证 |
| 6.4.1 水池实验环境与控制参数 |
| 6.4.2 作业状态下的纵横倾姿态区域控制对比实验 |
| 6.4.3 作业状态下的目标区域动态变化实验 |
| 6.4.4 作业状态下的网络参数自适应调节对比实验 |
| 6.5 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 |
| 致谢 |
| 附录 A |
（6）六自由度足踝动态步态模拟系统及其控制策略研究（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 |
| 1.1.1 课题来源 |
| 1.1.2 课题背景及意义 |
| 1.2 基于尸体足踝的动态步态模拟系统国内外研究现状 |
| 1.2.1 基于主动胫骨控制方式的步态模拟系统 |
| 1.2.2 基于主动地面控制方式的步态模拟系统 |
| 1.2.3 基于胫骨、地面混合控制方式的步态模拟系统 |
| 1.2.4 尸体足踝动态步态模拟现状分析 |
| 1.3 六自由度并联机械手国内外研究现状 |
| 1.3.1 六自由度并联机械手的起源与应用 |
| 1.3.2 并联机械手运动学与动力学研究现状 |
| 1.4 电液比例控制系统研究现状 |
| 1.4.1 电液比例控制系统发展概况 |
| 1.4.2 电液比例系统控制方法研究现状 |
| 1.5 论文研究问题、内容及结构 |
| 1.5.1 问题的提出 |
| 1.5.2 论文研究内容及结构 |
| 第二章 六自由度足踝动态步态模拟系统研制 |
| 2.1 引言 |
| 2.2 活体足踝步态数据的采集与分析 |
| 2.2.1 人体典型步态周期的划分 |
| 2.2.2 足踝站立相数据采集与分析 |
| 2.2.3 步态模拟系统技术与控制指标 |
| 2.3 动态步态模拟系统设计 |
| 2.3.1 胫骨运动控制子系统 |
| 2.3.2 基座驱动子系统 |
| 2.3.3 胫骨随动加载子系统 |
| 2.3.4 肌腱驱动子系统 |
| 2.4 步态模拟系统的集成与耦合控制问题 |
| 2.4.1 步态模拟系统的集成 |
| 2.4.2 多执行器耦合控制问题 |
| 2.5 本章小结 |
| 第三章 步态模拟系统运动学与动力学研究 |
| 3.1 引言 |
| 3.2 基座可移动式并联机械手逆运动学与动力学研究 |
| 3.2.1 基座可移动式并联机械手逆运动学分析 |
| 3.2.2 基座可移动式并联机械手逆动力学分析 |
| 3.2.3 并联机械手逆运动学与动力学仿真与分析 |
| 3.3 六自由度并联机械手正运动学研究 |
| 3.3.1 并联机械手闭合方程的构建 |
| 3.3.2 并联机械手正运动学仿真与分析 |
| 3.4 足踝动态步态模拟系统动力学仿真研究 |
| 3.4.1 基于ADAMS的站立相动态仿真方法 |
| 3.4.2 步态站立相动力学仿真与分析 |
| 3.5 本章小结 |
| 第四章 基座驱动子系统控制策略研究 |
| 4.1 引言 |
| 4.2 基座驱动子系控制问题分析与建模 |
| 4.2.1 基座驱动子系统控制问题分析 |
| 4.2.2 基座驱动子系统数学建模 |
| 4.3 基座驱动子系统控制算法研究 |
| 4.3.1 径向基神经网络设计 |
| 4.3.2 非线性控制器设计 |
| 4.3.3 复合自适应律设计 |
| 4.3.4 控制算法稳定性分析 |
| 4.4 基座驱动子系统协调控制方法研究 |
| 4.4.1 补偿控制信号设计 |
| 4.4.2 理想驱动轨迹修正 |
| 4.5 基座驱动子系统控制性能对比仿真研究 |
| 4.5.1 基座驱动子系统仿真方法 |
| 4.5.2 位置跟踪性能仿真与分析 |
| 4.6 本章小结 |
| 第五章 胫骨随动加载与肌腱驱动子系统控制策略研究 |
| 5.1 引言 |
| 5.2 胫骨随动加载子系统控制问题分析与建模 |
| 5.2.1 胫骨随动加载子系统控制问题分析 |
| 5.2.2 胫骨随动加载子系统数学建模 |
| 5.3 胫骨随动加载子系统控制算法研究 |
| 5.3.1 高增益状态观测器设计 |
| 5.3.2 非线性控制器设计 |
| 5.3.3 控制算法稳定性分析 |
| 5.3.4 迭代学习机制与控制算法的构建 |
| 5.4 肌腱驱动子系统控制策略研究 |
| 5.4.1 肌腱驱动子系统控制问题分析 |
| 5.4.2 肌腱驱动子系统控制算法设计 |
| 5.4.3 力控系统的协调控制方法研究 |
| 5.5 胫骨随动加载子系统控制性能仿真研究 |
| 5.5.1 胫骨随动加载子系统仿真方法 |
| 5.5.2 位置控制性能仿真与分析 |
| 5.5.3 随动加载性能仿真与分析 |
| 5.6 本章小结 |
| 第六章 六自由度足踝动态步态模拟系统实验研究 |
| 6.1 引言 |
| 6.2 控制系统硬件与软件 |
| 6.2.1 控制系统硬件 |
| 6.2.2 控制系统软件 |
| 6.3 步态模拟系统中子系统实验研究 |
| 6.3.1 基座驱动子系统实验研究 |
| 6.3.2 胫骨加载与肌腱驱动子系统实验研究 |
| 6.4 基于尸体足踝的动态步态模拟实验研究 |
| 6.4.1 足踝样本的捐献者信息 |
| 6.4.2 足踝样本的预处理方法 |
| 6.4.3 一倍体重足踝动态步态站立相模拟实验结果与分析 |
| 6.4.4 样本力学性能退化与驱动规律修正实验结果与分析 |
| 6.4.5 量化步态站立相速度与捐献者体重实验结果与分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间所取得的主要科研成果 |
（7）几类不确定非线性系统的智能自适应跟踪控制及稳定性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 不确定非线性系统的智能自适应跟踪控制研究现状 |
| 1.2.1 自适应控制 |
| 1.2.2 广义模糊双曲函数 |
| 1.2.3 自适应模糊跟踪控制研究 |
| 1.3 非线性系统的稳定性研究现状 |
| 1.3.1 一类时滞神经网络系统的稳定性 |
| 1.3.2 一类时滞模糊系统的稳定性 |
| 1.4 智能自适应控制在电气传动控制系统中的应用 |
| 1.5 预备知识 |
| 1.6 本文的主要工作 |
| 第二章 带有死区的不确定严格反馈非线性系统自适应模糊跟踪控制 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 模糊控制器设计 |
| 2.4 稳定性分析 |
| 2.5 仿真算例 |
| 2.6 本章小结 |
| 第三章 带有扰动的切换非线性系统的自适应模糊跟踪控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 自适应控制器设计和稳定性分析 |
| 3.4 仿真算例 |
| 3.5 本章小结 |
| 第四章 具有预设性能的MIMO非线性系统自适应模糊跟踪控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 系统描述 |
| 4.2.2 漏斗控制 |
| 4.2.3 广义模糊双曲正切模型 |
| 4.3 主要结果 |
| 4.4 模糊控制器设计 |
| 4.5 稳定性分析 |
| 4.6 仿真算例 |
| 4.7 本章小结 |
| 第五章 具有时变时滞和不确定转移率的Markov跳变神经网络的稳定性分析 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 不确定转移率的Markov跳变神经网络的稳定准则 |
| 5.4 仿真分析 |
| 5.5 本章小结 |
| 第六章 具有时变时滞的切换正T-S模糊系统的稳定性分析 |
| 6.1 引言 |
| 6.2 问题描述和前言 |
| 6.3 主要成果 |
| 6.3.1 指数稳定性分析 |
| 6.3.2 L_1-增益性能分析 |
| 6.4 算例分析 |
| 6.5 本章小结 |
| 第七章 智能自适应控制技术在电气传动控制系统中的应用 |
| 7.1 智能自适应控制技术在直流电机驱动的单连杆机械手臂系统中的应用 |
| 7.1.1 引言 |
| 7.1.2 直流电机驱动单连杆机械手系统描述 |
| 7.1.3 直流电机驱动单连杆机械手的模糊自适应控制器设计 |
| 7.1.4 稳定性分析 |
| 7.1.5 仿真分析 |
| 7.2 智能自适应控制技术在交流永磁同步电机位置控制中的应用 |
| 7.2.1 交流永磁同步电机系统描述 |
| 7.2.2 交流永磁同步电机模糊自适应控制器设计 |
| 7.2.3 稳定性分析 |
| 7.2.4 仿真分析 |
| 7.3 本章小结 |
| 第八章 结论与展望 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
| 个人简历 |
（8）不确定严格反馈非线性系统的智能自适应控制及稳定性分析（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 自适应控制问题的提出和研究意义 |
| 1.2 两种主要的自适应控制的技术 |
| 1.3 自适应控制的研究对象和特征 |
| 1.4 自适应控制研究的主要问题 |
| 1.4.1 稳定性 |
| 1.4.2 收敛性 |
| 1.4.3 鲁棒性 |
| 1.5 自适应控制的应用概况 |
| 1.6 预备知识 |
| 1.6.1 符号说明 |
| 1.6.2 广义模糊双曲函数 |
| 1.6.3 Lyapunov稳定性定义 |
| 1.7 本文的主要工作 |
| 第二章 一类带有扰动的不确定非线性系统的自适应跟踪控制问题 |
| 2.1 引言 |
| 2.2 问题描述和预备知识 |
| 2.2.1 问题描述 |
| 2.2.2 模型转换 |
| 2.2.3 径向基函数神经网络 |
| 2.3 基于预测误差的复合动态面控制器的设计 |
| 2.4 稳定性分析 |
| 2.5 仿真算例 |
| 2.6 本章小结 |
| 第三章 带有不可测状态的非线性系统的复合模糊自适应容错控制 |
| 3.1 引言 |
| 3.2 系统描述和假设 |
| 3.2.1 系统描述 |
| 3.2.2 执行器故障模型 |
| 3.3 模糊状态观测器设计 |
| 3.4 基于预测误差的控制器的设计 |
| 3.5 稳定性分析 |
| 3.6 仿真示例分析 |
| 3.7 本章小结 |
| 第四章 基于扰动观测器的不确定非线性系统的自适应模糊跟踪控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 综合控制器的设计 |
| 4.4 稳定性分析 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 基于广义模糊双曲函数的非线性系统的自适应跟踪控制方法 |
| 5.1 引言 |
| 5.2 系统描述和符号说明 |
| 5.2.1 系统描述 |
| 5.2.2 符号说明 |
| 5.3 基于广义模糊双曲正切模型的自适应控制器的设计 |
| 5.4 稳定性分析 |
| 5.5 三个示例分析 |
| 5.6 本章小结 |
| 第六章 一个新颖的切换严格反馈非线性系统的模糊自适应跟踪控制 |
| 6.1 引言 |
| 6.2 系统描述和控制问题 |
| 6.3 自适应模糊控制器的设计及稳定性分析 |
| 6.4 仿真例子研究 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
| 个人简历 |
（9）基于高阶内模的离散时间系统的迭代学习控制（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 迭代学习控制理论及应用研究 |
| 1.2 迭代学习控制中的非严格重复问题 |
| 1.3 高阶内模 |
| 1.4 离散时间系统的迭代学习控制 |
| 1.5 多输入多输出系统的迭代学习控制问题 |
| 1.6 论文的选题出发点、主要工作和组织结构 |
| 2 离散时间系统的高阶内模迭代学习控制：基于压缩映射 |
| 2.1 引言 |
| 2.2 线性时变系统的高阶内模迭代学习控制 |
| 2.3 非线性系统的高阶内模迭代学习控制：一般设计 |
| 2.4 非线性系统的高阶内模迭代学习控制：鲁棒设计 |
| 2.5 小结 |
| 3 离散时间系统的高阶内模参数自适应迭代学习控制：基于最小二乘法 |
| 3.1 引言 |
| 3.2 带重复扰动的高阶内模自适应迭代学习控制律 |
| 3.3 带有未知控制增益及重复扰动的高阶内模自适应迭代学习控制 |
| 3.4 带有多个未知参数的高阶内模自适应迭代学习控制 |
| 3.5 小结 |
| 4 高阶内模参数自适应迭代学习控制律：基于投影算法 |
| 4.1 引言 |
| 4.2 单时变参数系统的高阶内模自适应迭代学习控制律 |
| 4.3 带有多个未知参数的高阶内模自适应迭代学习律 |
| 4.4 小结 |
| 5 多输入多输出系统的高阶内模参数自适应迭代学习控制 |
| 5.1 引言 |
| 5.2 基于最小二乘法的高阶内模参数自适应迭代学习控制律：一般设计 |
| 5.3 基于最小二乘法的高阶内模参数自适应迭代学习控制律：鲁棒设计 |
| 5.4 基于投影算法的高阶内模参数自适应迭代学习控制律 |
| 5.5 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 发表文章目录 |
（10）一类非线性系统的神经网络控制及其在机械手系统的应用（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 严反馈非线性系统控制方法研究现状 |
| 1.2.1 严反馈非线性系统控制理论研究现状 |
| 1.2.2 严反馈非线性系统控制方法工业应用及实验研究现状 |
| 1.3 神经网络控制的研究与发展过程 |
| 1.4 机械手控制方法研究现状 |
| 1.4.1 机械手关节空间控制方法研究现状 |
| 1.4.2 机械手笛卡儿空间控制方法研究现状 |
| 1.5 机械手控制系统研究现状 |
| 1.6 存在问题及本文研究工作 |
| 第2章 一类非线性系统的描述 |
| 2.1 引言 |
| 2.2 机械手系统动态模型 |
| 2.2.1 预备知识 |
| 2.2.2 机械手系统运动学模型 |
| 2.2.3 机械手系统动力学模型 |
| 2.2.4 机械手系统模型分析 |
| 2.3 一类二阶严反馈非线性系统 |
| 2.4 严反馈多输入多输出非线性系统 |
| 2.5 一类非线性输入输出离散系统 |
| 2.6 本章小结 |
| 第3章 二阶严反馈非线性系统的神经网络滑模控制 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.3 问题描述 |
| 3.4 二阶严反馈非线性系统的神经网络滑模控制 |
| 3.4.1 二阶严反馈非线性系统神经网络线性滑模控制 |
| 3.4.2 二阶严反馈非线性系统神经网络终端滑模控制 |
| 3.5 仿真研究 |
| 3.6 本章小结 |
| 第4章 严反馈多输入多输出非线性系统的神经网络串级控制 |
| 4.1 引言 |
| 4.2 严反馈多输入多输出非线性系统描述 |
| 4.3 严反馈多输入多输出非线性系统神经网络串级控制器设计 |
| 4.3.1 控制目标 |
| 4.3.2 控制器设计 |
| 4.3.3 稳定性和收敛性分析 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第5章 非线性输入输出离散系统的神经网络补偿控制 |
| 5.1 引言 |
| 5.2 非线性输入输出离散系统的神经网络补偿控制 |
| 5.2.1 非线性输入输出离散系统模型描述 |
| 5.2.2 非线性输入输出离散系统带有神经网络补偿的PD控制 |
| 5.2.3 非线性输入输出离散系统带有前馈和神经网络补偿的PD控制 |
| 5.3 实验研究 |
| 5.3.1 球杆实验系统描述 |
| 5.3.2 球杆实验系统数学模型 |
| 5.3.3 控制器参数设计 |
| 5.3.4 实验结果 |
| 5.4 本章小结 |
| 第6章 神经网络控制在机械手系统的应用 |
| 6.1 引言 |
| 6.2 机械手系统实验平台设计与开发 |
| 6.2.1 ZEBRA ZERO机械手机械系统描述 |
| 6.2.2 机械手快速原型硬件控制系统设计 |
| 6.2.3 机械手快速原型软件系统设计与开发 |
| 6.2.4 小结 |
| 6.3 机械手系统的神经网络滑模控制实验 |
| 6.3.1 问题描述 |
| 6.3.2 机械手经典控制方法 |
| 6.3.3 机械手系统的神经网络线性滑模控制 |
| 6.3.4 机械手系统的神经网络终端滑模控制 |
| 6.4 机械手系统的带有神经网络补偿的PD控制实验 |
| 6.4.1 控制器参数设计 |
| 6.4.2 机械手带有神经网络补偿的PD控制实验 |
| 6.4.3 机械手带有前馈和神经网络补偿的PD控制实验 |
| 6.5 机械手系统神经网络串级控制实验 |
| 6.5.1 问题描述 |
| 6.5.2 控制器设计 |
| 6.5.3 实验结果 |
| 6.6 神经网络串级控制在机械手轮廓跟随控制中的应用 |
| 6.6.1 预备知识 |
| 6.6.2 问题描述 |
| 6.6.3 任务坐标系 |
| 6.6.4 控制器设计 |
| 6.6.5 实验结果 |
| 6.7 本章小结 |
| 结束语 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文及科研活动和项目 |
| 作者简介 |
四、带有未知负荷机械手模型参考自适应控制问题（论文参考文献）
- [1]几类非严格重复系统迭代学习控制策略研究[D]. 程晓燕. 燕山大学, 2020(06)
- [2]基于预测控制的机械臂约束视觉伺服研究[D]. 邱周静子. 上海交通大学, 2019(06)
- [3]具有输入输出约束特性的机械臂运动控制研究[D]. 王新磊. 燕山大学, 2019(03)
- [4]机器人若干控制问题分析与设计[D]. 杨振. 东南大学, 2018(03)
- [5]基于在线逼近的作业型AUV及机械手系统自适应控制方法研究[D]. 杨超. 哈尔滨工程大学, 2018(04)
- [6]六自由度足踝动态步态模拟系统及其控制策略研究[D]. 郭秦阳. 上海交通大学, 2018(01)
- [7]几类不确定非线性系统的智能自适应跟踪控制及稳定性分析[D]. 杨忠君. 东北大学, 2018(01)
- [8]不确定严格反馈非线性系统的智能自适应控制及稳定性分析[D]. 崔阳. 东北大学, 2018(01)
- [9]基于高阶内模的离散时间系统的迭代学习控制[D]. 周伟. 浙江大学, 2016(12)
- [10]一类非线性系统的神经网络控制及其在机械手系统的应用[D]. 王良勇. 东北大学, 2010(06)