基于自适应学习观测器的不确定非线性系统预定义时间滑模控制

《Engineering Applications of Artificial Intelligence》:Adaptive learning observer-based predefined time sliding mode control for uncertain nonlinear systems

【字体: 大 中 小 】 时间:2026年10月24日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   # 摘要 为了提高具有时变参数扰动和执行器故障的不确定非线性系统的鲁棒性和轨迹跟踪精度,本文提出了一种基于自适应学习观测器的新型预定义时间滑模容错控制算法。利用速度函数构造了新的预定义时间收敛稳定性判据,避免了Lyapunov函数中的分数阶项。该判据简化了控制器结构,并消除

  

# 摘要

为了提高具有时变参数扰动和执行器故障的不确定非线性系统的鲁棒性和轨迹跟踪精度,本文提出了一种基于自适应学习观测器的新型预定义时间滑模容错控制算法。利用速度函数构造了新的预定义时间收敛稳定性判据,避免了Lyapunov函数中的分数阶项。该判据简化了控制器结构,并消除了传统滑模控制中的奇异性问题。同时,开发了一种具有自适应增益调节功能的学习观测器,以实时估计具有时变特征的复合扰动,并在理论上证明了观测器估计误差的收敛性。在此基础上,结合预定义时间收敛滑模面和自适应学习观测器,针对受执行器故障和控制输入饱和约束的不确定非线性系统,设计了预定义时间滑模容错控制器。严格证明了闭环系统的预定义时间稳定性。通过对存在执行器故障的机器人操作臂进行轨迹跟踪控制的数值仿真,验证了所提方法的有效性。与现有典型滑模控制方案的对比仿真表明,所提出的算法不仅能够预先规定轨迹跟踪误差收敛时间的上界,还能实现0.0002 rad的角跟踪精度。

# 引言

高精度、快速的机器人操作臂运动控制仍然是亟需进一步研究的重大问题。这类系统不可避免地受到内部扰动(包括耦合动力学和参数变化)以及外部扰动、输入饱和和环境或任务相关不确定性的影响。此外,长时间的重复操作可能导致执行器故障,这使得传统控制器无法在抓取和放置任务中保证令人满意的表现。因此,针对不确定机器人操作臂系统的非线性鲁棒控制方案的研究已成为学者们迫在眉睫的研究课题。

为解决上述鲁棒控制问题,文献中已开发了各种有效的控制方法,包括PID控制(Chen等,2017)及其改进版本、增强型模型预测控制(Bavili和Khosrowjerdi,2015)、H∞及其他自适应控制方案(Zhao等,2018),以及滑模控制(SMC)(Liu等,2016)。值得注意的是,滑模控制因其快速响应、强鲁棒性和对匹配扰动的不变性等优势,被广泛应用于机器人操作臂系统的控制中。例如,终端滑模控制(TSMC)已被用于保证机器人操作臂轨迹跟踪误差的快速收敛(Van等,2020;Ali等,2022a;Rezoug等,2022)。通过解决传统TSMC方法中的奇异性问题,文献(Zhang等,2019)开发了一种结合神经网络和优化控制(Rezoug等,2022)的非奇异快速终端滑模控制(NFTSMC)方法,成功消除了奇异点并有效补偿了机器人操作臂系统中的传感器故障。关于该主题的进一步结果可参见文献(Jia等,2023;Mokhtari等,2022;Chen等,2022a;Van等,2016;Zhang,2016;Cortes-Romero等,2013;Fan等,2022;Ali等,2022b)及其相关参考文献。在滑模控制下,跟踪误差的收敛过程包括两个阶段:趋近阶段,即跟踪误差趋近于滑模面;以及滑动阶段,即误差沿滑模面收敛到原点。在实际工程场景中,如建筑机器人的抹灰作业或电路板印刷,要求在预定义时间(PDT)内使非线性系统的跟踪误差收敛到零,这意味着滑模面和闭环滑模控制系统都应具有预定义时间收敛特性。然而,传统的终端滑模面仅能保证有限时间收敛,无法确保跟踪误差在指定时间内收敛到原点。

为实现跟踪误差的预定义时间(PDT)收敛(Jiménez-Rodríguez等,2016),研究人员建立了一系列预定义时间稳定性判据。文献(Chen等,2022b)提出了一种基于分段函数的预定义时间控制器设计方法。理论和仿真结果表明,跟踪误差可以在预设时间内收敛。然而,分段函数在分段点处的不连续性可能引起控制力矩的严重抖振。文献(Munoz-Vazquez等,2019)利用Lyapunov稳定性理论提出了预定义时间稳定性判据,并为不确定的机器人操作臂设计了实用的预定义时间收敛控制器。文献(Yin,2025)改进了预定义时间稳定性判据,使相应控制器具有可调节增益;然而,控制器中仍存在奇异性,这主要是由于判据中Lyapunov函数的分数阶项所导致的。大多数现有的预定义时间判据都涉及Lyapunov函数的分数阶项。当基于这些判据设计滑模控制方案时,可能出现跟踪误差的负指数项,这容易导致控制律的奇异性,阻碍了预定义时间收敛滑模控制在非线性系统中的实际应用。

在为非线性系统设计控制器时,设计通常基于系统的标称模型。为应对实际非线性系统中存在的执行器故障、输入饱和、参数扰动和外部扰动等问题,通常采用自适应估计、神经网络/模糊逼近或基于观测器的估计等方法。近年来,各种基于扰动观测器的控制(DOBC)方法(Xu等,2022;Yin,2022;Razmjooei等,2022;Yin等,2026;Dong等,2017)被开发出来以实现主动扰动补偿。这些技术通过精确逼近扰动并将其估计值纳入控制律来实现主动扰动抑制。针对非线性系统中的非匹配扰动,文献(Guha等,2023)提出了一种基于扰动观测器的滑模控制方案。通过将扰动估计信号引入滑模面,该方案有效抑制了抖振并抑制了扰动。此外,文献(Wang等,2016)针对受各种扰动影响的DC-DC降压变换器系统开发了一种基于扰动观测器的非奇异终端滑模控制(NTSMC)方案。针对空间机械臂系统,文献(Shi,2022)提出了一种自适应滑模扰动观测器控制方法,放宽了对扰动上界的要求。这些扰动观测器对于有界或缓慢时变扰动具有令人满意的估计精度,使闭环系统能够高精度跟踪期望轨迹。然而,当非线性系统中的复合扰动表现出快速时变行为时,传统扰动观测器无法提供准确的估计,这严重降低了受控系统 的轨迹跟踪性能。

2001年,陈文教授和Mehrdad Saif教授提出的学习观测器(Chen和Saif,2001,2007)不仅能够估计恒定故障和缓慢时变故障,还能有效估计周期性故障和快速时变故障,引起了全球学者的广泛关注。此后,Jia Q和Chen W进一步将学习观测器扩展到线性时变(LPV)系统和T-S模糊框架(Jia等,2015,2016)。Hu Q L等人在文献(Xiao等,2013)中将扰动的上界信息引入学习观测器以补偿外部扰动,并将其应用于航天器姿态控制。在后续工作(Li等,2019)中,同一团队通过在观测器设计中引入符号函数和扰动上界降低了计算复杂度,然而控制信号容易产生抖振。2020年,Zhang C等人(Zhang等,2020)开发了一种新型学习观测器,用于同时估计多智能体系统的内部非线性项和外部扰动。后来,Zhang C等人(Zhang等,2021,2022)在学习观测器中引入了时变学习强度机制,通过在线学习先前控制信息来提高控制性能,在简化的控制器设计和节省计算资源的同时实现了强大的控制鲁棒性。总之,学习观测器对于时变扰动表现出优异的估计能力。然而,现有方法中引入符号函数导致控制信号抖振的问题仍需进一步解决。

对当前滑模控制算法的分析表明,这些算法存在以下不足:

1)滑模控制算法具有很高的鲁棒性,被广泛应用于非线性系统。然而,现有的滑模面不具备预定义时间收敛特性,滑模控制器无法保证非线性系统的轨迹跟踪误差在指定时间内收敛。

2)基于预定义时间收敛稳定性判据设计的控制器可以确保闭环系统的轨迹跟踪误差在指定时间内收敛。然而,现有的预定义时间收敛稳定性判据包含Lyapunov函数的指数项,这可能导致预定义时间收敛滑模控制器的奇异性。

3)这些现有的扰动观测器对于有界或缓慢变化的扰动具有很高的估计精度。然而,包含参数扰动、外部扰动和执行器故障的复合扰动具有很强的时变特性,现有的扰动观测器无法对其进行准确估计,严重影响了非线性系统的轨迹跟踪精度。

本文针对上述滑模控制算法的局限性,提出以下改进:

1)提出了一种新的预定义时间收敛滑模面,并为非线性系统设计了预定义时间收敛滑模控制器。基于预定义时间收敛滑模控制器,轨迹跟踪误差可以在指定时间内收敛到滑模面。此时,位于滑模面内的轨迹跟踪误差可以在指定时间内滑动到原点,实现轨迹跟踪误差在预设时间内的收敛。与现有的滑模控制算法相比,本文设计的滑模面具有预定义时间收敛特性,可以真正实现预设收敛时间的提前确定,收敛时间的上界可以根据工程要求任意指定,而不受系统状态变量初始值和控制参数的影响。

2)基于速度函数提出了一种新的预定义时间收敛Lyapunov稳定性判据。与现有的预定义时间收敛稳定性判据相比,新的稳定性判据不包含Lyapunov函数的指数阶项,是关于Lyapunov函数的线性函数。它可以有效避免预定义时间收敛滑模控制器中的奇异性,基于该新判据设计的控制器结构相对简单。

3)将执行器故障和控制输入饱和视为正常输出的扰动,将其与参数扰动和外部扰动组合形成具有强时变特征的复合扰动,有效简化了控制器的设计并减少了对执行器故障边界等信息的获取需求。然后,提出了一种自适应学习观测器来估计时变复合扰动。与现有的观测器相比,新的观测器可以准确估计具有时变特征的复合扰动,而现有的观测器只能估计恒定或缓慢时变的复合扰动,对强时变复合扰动的估计精度较低。

# 章节摘要

## 非线性系统模型

以二阶非线性系统为例讨论执行器故障问题。此类执行器故障的数学表示如下:

$$\begin{cases} \dot{x}_1(t) = x_2(t) \\ \dot{x}_2(t) = f(\theta, x(t), t) + B(t)u_F(t) + d(t) \\ y(t) = x_1(t) \end{cases}$$

其中 $x_1(t), x_2(t) \in \mathbb{R}^m$ 为状态变量,记 $x(t) = [x_1(t), x_2(t)]^T$,$\theta(t)$ 为内部参数变量,$y(t) \in \mathbb{R}^m$ 为输出变量,$u_F(t)$ 为带有执行器故障的控制输入变量,$d(t)$ 为外部扰动,$B(t)$ 已...

## 预定义时间收敛稳定性判据

以下提出预定义时间收敛Lyapunov稳定性判据定理。

**定理1** 对于任意预定义收敛时间 $T_{s2} > 0$,若正连续可微函数 $V(t)$ 满足:

$$\dot{V}(t) \leq -\left(\ell_1 + \ell_2 \frac{\dot{h}(t)}{h(t)}\right)V(t)$$

其中参数 $\ell_1 > 0, \ell_2 > 1$,速度函数 $h(t)$ 定义为:

$$h(t) = \begin{cases} \frac{T_{s2}^h \kappa(t)}{(1-b_f)(T_{s2}-t)^h + b_f T_{s2}^h \kappa(t)}, & 0 \leq t < T_{s2} \\ 1, & t \geq T_{s2} \end{cases}$$

其中,常数 $0 < b_f \ll 1$,$T_{s2} > 0$ 表示预定义收敛时间,$\kappa(t)$ 表示一个独立的递增函数,初始值为 $\kappa(0) = 1$,且通常...

## 仿真环境

仿真部分考虑了带有执行器故障的2自由度机械臂动力学模型,包括外部扰动和参数扰动。该2自由度机械臂的数学描述如下:

$$D(q(t))\ddot{q}(t) + C(q(t), \dot{q}(t))\dot{q}(t) + g(q(t)) = u_F(t) + d(t)$$

其中 $q(t), \dot{q}(t), \ddot{q}(t)$ 分别为机械臂的角度、角速度和角加速度,$u_F(t)$ 为带有执行器故障约束的输入变量...

## 结论

本文从预定义收敛时间和高跟踪精度的角度出发,提出了一种针对一类具有执行器故障、参数扰动、外部扰动和输入饱和约束的非线性系统的新型容错控制方案。

(1) 将带有执行器故障和输入饱和约束的控制输入分解为无约束控制输入、故障项和饱和超额项。

参数扰动、外部干扰等

CRediT作者贡献声明
尹春武:撰写——初稿,研究方法,形式化分析,数据整理。
孙厚君:撰写——审阅与编辑,数据整理。

数据使用的伦理与知情同意
上述数据不存在伦理问题。

利益冲突声明
作者声明,在本手稿的提交过程中不存在利益冲突,且该手稿已获得全体作者的出版批准。

尹春武 | 孙厚君
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号