《Measurement and Control》：Neural adaptive sliding mode control for insulator cleaning robots with actuator faults and prescribed performance
编辑推荐：
本文研究绝缘子清洗机器人在模型不精确、外部扰动、执行器故障（actuator faults）和预设性能约束（prescribed performance constraints）下的轨迹跟踪控制。利用神经网络（neural networks, NNs）的通用逼
本文研究绝缘子清洗机器人在模型不精确、外部扰动、执行器故障（actuator faults）和预设性能约束（prescribed performance constraints）下的轨迹跟踪控制。利用神经网络（neural networks, NNs）的通用逼近能力及其固有鲁棒性，设计基于神经网络的自适应滑模控制器（adaptive sliding mode controller），以处理模型不精确和扰动。为确保接触网（catenary）与悬臂（cantilever）系统的运行安全，将容错机制（fault-tolerant mechanism）与预设性能函数（prescribed performance function）相结合，从而同时应对执行器故障和控制性能要求。所提控制方案保证轨迹跟踪误差一致最终有界（Uniformly Ultimately Bounded, UUB），且在执行器故障和扰动存在时性能可预先指定。通过李雅普诺夫（Lyapunov）方法严格证明所提控制系统的稳定性，并仅通过数值仿真（numerical simulations）验证所提方法的有效性。
研究背景与问题：铁路网络发展对货运增长具有重要支撑作用。重载货物尤其是煤炭和金属矿石运输过程中产生的粉尘会污染绝缘子，可能引发绝缘子闪络（flashover），造成电力设备损坏和大面积停电，从而严重威胁铁路运输线路安全。目前绝缘子清洗主要依靠人工，劳动强度高、效率低；绝缘子清洗机器人是克服人工清洗挑战并解决污染问题的重要途径。然而，绝缘子清洗机器人是高度复杂的非线性系统，需要先进控制策略以保证架空接触网及其悬臂组件的运行安全。控制误差放大会可能导致清洗机器人与架空接触网发生碰撞。预设性能控制（prescribed performance control, PPC）通过时变性能约束确保控制系统的瞬态性能和稳态性能始终满足预定规格，已广泛用于多种非线性系统以保证控制误差限制在预定义区域内；但绝缘子清洗机器人的PPC仍属于未探索领域，是该文重点。除预设性能约束保障安全外，应对部件故障的能力同样关键。容错控制（fault-tolerant control, FTC）是一种在故障发生时自主调整控制律以维持系统稳定的策略，已有航空发动机、多智能体系统、时滞非线性系统、燃料电池、水下机器人等应用；但FTC用于绝缘子清洗机器人，尤其与PPC集成构建综合安全控制框架，关注相对较少。绝缘子清洗机器人的控制性能易受未建模动态和外部扰动等不确定性影响；神经网络（neural networks, NNs）具有通用逼近能力，可用于估计和补偿这些未知动态；滑模控制（sliding mode control, SMC）可提供强鲁棒性保证，即使存在估计残差和扰动也能改善稳定性。该研究聚焦绝缘子清洗机器人轨迹跟踪控制，目标是确保高安全性和强鲁棒性，综合考虑模型不精确、外部扰动、执行器故障和预设性能约束，提出基于神经网络的滑模控制方案并集成容错机制。与相关机器人机械臂和外骨骼研究相比，针对绝缘子清洗机器人的特定集成仍不充分；与Zhang et al.和Furukawa et al.相比，所提工作同时考虑乘性故障（multiplicative fault）和加性故障（additive fault），并在遵守预设性能约束下处理模型不精确、外部扰动和执行器故障，以保证运行安全并增强系统鲁棒性。
研究工作与结论意义：研究人员针对绝缘子清洗机器人建立动态模型，定义跟踪误差约束并引入误差转换函数（error transformation function），在反步设计框架（backstepping design framework）下构造滑模面，采用径向基函数神经网络（radial basis function neural network, RBF NN）逼近模型不精确、外部扰动和加性故障等未知项，设计神经自适应滑模容错控制器及自适应更新律，并通过Lyapunov方法证明闭环系统一致最终有界（Uniformly Ultimately Bounded, UUB），给出跟踪误差和权值误差界，且跟踪误差满足预设性能边界。其意义在于为绝缘子清洗机器人在执行器故障和预设性能约束下的轨迹跟踪提供综合控制框架，提升运行安全与鲁棒性；原文验证仅基于数值仿真。
关键技术方法：采用两关节绝缘子清洗机器人动力学模型开展数值仿真；构造预设性能函数和误差转换，将约束误差转化为无约束误差；在反步框架下设计滑模面；采用RBF神经网络补偿未建模动态、扰动和加性故障；执行器故障动态包含乘性故障健康指标矩阵（health metric matrix）和加性故障；设计神经自适应滑模容错控制律及自适应更新律；利用Lyapunov稳定性分析证明UUB并推导误差界；进行三种对比仿真，即所提控制、文献容错PPC方案和比例微分（proportional-derivative, PD）控制，并计算均方根误差（Root Mean Square Error, RMSE）、最大跟踪误差和瞬态持续时间。未涉及样本队列来源，研究基于数值仿真。
研究结果：Case 1（The Proposed Control）用于验证定理1。轨迹跟踪结果表明，即使在执行器故障存在时，跟踪误差在所有时刻均被限制在有界区域内；控制输入显示乘性故障和加性故障引起的变化，说明控制器通过固有容错设计能够及时适应执行器失效。Case 2（The controller in reference32）用于评估所提控制与现有容错PPC方案的效果。结果表明清洁任务最终完成，但瞬态响应比所提方法慢；原文归因于所提控制器有效处理未建模动态并容纳执行器故障，确认预设性能约束对清洗机器人运行安全和精度是必要的。Case 3（The PD control）用于所提策略与PD控制器的比较。结果表明PD控制器存在稳态误差，且在没有约束时不能满足预设性能要求；确认所提控制策略能够同时处理执行器故障、预设性能约束和非线性不确定性以确保鲁棒性能。性能定量比较报告了RMSE、最大跟踪误差和瞬态持续时间，瞬态持续时间定义为跟踪误差进入并保持在两倍RMSE边界内所需时间，结果与图形趋势相似。所提控制关节1和关节2的RMSE分别为0.0240和0.0258，最大跟踪误差分别为0.1318和0.0995，瞬态持续时间分别为0.26 s和0.33 s；文献方案分别为0.0239和0.0501、0.1294和0.2268、0.26 s和0.42 s；PD控制分别为0.0390和0.0719、0.1940和0.3484、0.36 s和0.31 s。
讨论与结论翻译：讨论部分指出，尽管所提控制器保证准确的关节跟踪，但在接触网和悬臂硬件附近确保运行安全需要更严格约束；实际实施中可利用前向运动学（forward kinematics）实时将关节误差映射到笛卡尔空间（Cartesian space），通过计算末端执行器（end-effector）的位置和姿态，相对绝缘子和障碍物保留足够安全裕度；该运动学映射提供额外保护层，确保即使存在动态波动，工作空间内也不发生碰撞。结论翻译：本文研究了绝缘子清洗机器人具有保证性能的神经滑模容错控制方案。为确保运行安全并增强系统鲁棒性，将预设性能约束纳入滑模容错控制设计。利用Lyapunov理论严格证明了系统稳定性。对比仿真表明，所提策略在执行器故障和非线性不确定性存在下实现了所需控制性能。未来工作将处理执行器饱和（actuator saturation）以进一步增强实用性。
