基于复合学习的时域规定时间控制方法,用于时变非线性系统

《Applied Mathematical Modelling》:Composite learning-based prescribed-time control for time-varying nonlinear systems

【字体: 大 中 小 】 时间:2026年05月05日 来源:Applied Mathematical Modelling 5.1

编辑推荐:

  莫斯塔法·埃扎巴迪(Mostafa Ezabadi) 赛义德·阿里·埃马米(Seyyed Ali Emami) 赛义德·H·普尔塔克杜斯特(Seid H. Pourtakdoust) 尼玛·阿萨迪安(Nima Assadian) 伊朗德黑兰沙里夫理工大学航空航天工程系 摘要 本

  莫斯塔法·埃扎巴迪(Mostafa Ezabadi)
赛义德·阿里·埃马米(Seyyed Ali Emami)
赛义德·H·普尔塔克杜斯特(Seid H. Pourtakdoust)
尼玛·阿萨迪安(Nima Assadian)
伊朗德黑兰沙里夫理工大学航空航天工程系

摘要
本研究为一类受时变参数、外部干扰和执行器故障影响的严格反馈非线性系统开发了一个预定时间自适应控制框架。该方法结合了神经网络和干扰观测器来估计未知的系统动态和外部扰动,同时运用自适应故障估计器实时识别并补偿乘法和加法执行器故障。为了降低传统反步设计的复杂性,采用了具有时变增益的命令滤波策略,并加入辅助动态机制以抑制滤波器引起的误差。通过利用跟踪误差和估计误差,实现了参数适应的收敛性和可靠性提升,而无需依赖持续激励。基于李雅普诺夫的分析正式保证了所有闭环信号的有界性以及跟踪误差在用户定义的有限时间内的收敛。仿真结果证明了所提出方法在实现精确跟踪、故障补偿和干扰抑制方面的有效性。

引言
尽管在理论方面取得了显著进展,但对于面临严重不确定性的安全关键基础设施而言,建立鲁棒性能保证仍是一个重要的研究缺口[1],[2]。严重的建模不确定性、执行器退化以及快速变化的运行条件给传统自适应方案带来了巨大挑战,其中渐进收敛往往不足以满足任务关键要求。为了解决这些严格的时间约束问题,预定时间控制(Prescribed-Time Control, PTC)作为一种强大的解决方案应运而生,它能够在用户定义的时间范围内确保收敛,而不受初始条件的影响[3]。

PTC已在各个领域得到广泛研究。现有文献涵盖了输出反馈设计[4]、多智能体系统中的共识和抑制[5],[6],[7]、具有障碍物避让功能的欧拉-拉格朗日系统应用[8],[9]。早期的工作集中在调节或使用命令滤波反步来避免术语爆炸[10],[11],而最近的研究则试图统一固定时间和预定时间框架[12],通过时间尺度变换实现统一[13],并解决非参数不确定性[14]。尽管取得了这些进展,但在保持预定时间性能的同时确保对复杂执行器故障的鲁棒性仍然是一个发展中的领域。

故障诊断和鲁棒控制策略的并行发展显著提高了系统可靠性。鲁棒故障检测与隔离(Robust Fault Detection and Isolation, FDI)方案,包括神经模糊二次最小二乘(qLPS)观测器[15]和基于MANFIS的方法[16],在风力涡轮机等复杂系统中被证明是有效的。在这些诊断能力的基础上,最近的控制方法结合了具有全状态约束系统的自适应模糊控制[17]和饱和阈值事件触发机制[18]以提高运行效率。此外,扩展状态观测器与分数阶滑模控制的结合在电线操纵系统中显示出抑制干扰的潜力[19]。

为了应对这些系统固有的复杂非线性,神经网络(Neural Networks, NNs)已成为建模和近似复杂非线性动态的强大工具。在PTC领域,NNs被用于处理系统不确定性并提高基于学习的控制方案的精度。具体的方法包括基于障壁函数的预定时间NN控制[20]、在饱和约束下的事件触发输出反馈控制[21]以及与自适应反步的结合[22]。针对具有死区非线性的机器人操作器的预定时间控制框架也进行了研究[23]。此外,还为异构多智能体系统开发了基于NN的容错控制[24],并为具有时变参数的系统提出了实用的PTC框架[25]。

PTC的相关性在航天器姿态控制中尤为突出,其中鲁棒的时间约束调节对于管理执行器限制和参数不确定性至关重要。已经开发了基于滑模的扰动抑制PTC方法[26],并且PTC已成功扩展到六自由度航天器动态[27]。研究还集中在状态约束下的预定时间跟踪[28]和捕获后的稳定技术[29]。roducing了一种考虑时变惯性和输入饱和的容错PTC设计[30]。此外,还探讨了利用分布式预定时间观测器和控制器的多智能体航天器协调[31],以及解决饱和和通信拓扑约束的分布式共识策略[32]。最后,研究了存在有界干扰情况下的共识和抑制策略[33],[34]。

尽管在预定时间控制方面取得了进展,但在处理受时变参数、未建模动态和执行器故障影响的系统时仍存在关键差距,这些复杂性降低了性能,突显了对鲁棒控制方案的需求。本文介绍了一种基于复合学习的预定时间控制框架,用于严格反馈非线性系统,其贡献如下:
1. 统一的预定时间控制框架:开发了一种自适应反步架构,以处理时变动态、干扰和部分执行器故障。与[35]和[25]等现有方法不同,这些方法忽略了某些不确定性,所提出的框架在时变不确定动态下保证了预定时间的跟踪性能。
2. 故障和干扰补偿的双重估计:引入了一种双重估计策略,利用跟踪误差和估计误差来调整神经网络权重和干扰/故障参数。这种方法确保了准确的收敛,而不依赖于持续激励(PE)条件,不同于[14],[30]等方法。

本文的其余部分组织如下。第2节介绍了初步概念,包括定义和支持后续分析的重要引理。第3节定义了所研究的严格反馈非线性系统类别,并正式阐述了控制问题。第4节介绍了主要贡献,详细介绍了具有时变增益的命令滤波器、预定时间状态观测器、故障补偿机制和神经自适应控制策略的设计。第5节通过涉及各种动态的数值仿真示明了所提出框架的有效性,包括复合学习增益的敏感性分析,并与基准方法进行了比较研究。最后,第6节总结了本文的关键发现并指出了未来的研究方向。

**定义和引理**
**定义1([3]中的引理1)**:为了在预设的时间范围T内强制执行调节,使用了时变缩放增益μ(t)。该增益被定义为在t∈[0, T)内连续可微且严格递增,从单位值开始,并在t接近T时趋于无穷大。[3]中提出的一种常用结构形式为:
μ(t) = (T^T - t)^m
其中,m > 0 是一个设计参数,决定了缩放的 aggression;较大的m 表示随着t→T-的收敛速度更快。

**严格反馈系统**
考虑以下具有部分已知动态的n阶严格反馈非线性系统[2],系统状态向量定义为 x=[x1?, x2?, ?, xn?]?∈Rn×m,每个子系统状态 xi∈Rm:
x˙i(t) = fˉi(x[1:i]) + gi(x[1:i]) + xi+Δi′(x[1:i]) + di(t), i=1,2,…,n
x˙n(t) = fˉn(x[1:n]) + gˉn(x[1:n]) + u(t) + Δn′(x[1:n]) + dn(t)
y = x1
其中 x[1: i] ? [x1 x2 ??? xi]?,i+=i+1,i?=i?1。在这个模型中,各项的维度定义如下:
• xi∈Rm 表示第i个系统状态向量,y=x1∈Rm 是...

**具有时变增益的命令滤波器**
为了减轻与传统反步相关的计算负担,特别是虚拟控制信号的递归微分,本研究采用了命令滤波反步方法。在这种框架中,引入了一个具有时变增益的一阶动态滤波器来近似虚拟控制输入的导数,从而简化了控制器设计的同时保持了稳定性保证。设 xic 表示第i个虚拟控制信号,xid 是其...

**示例1:具有可展开面板的刚性航天器的姿态控制**
为了评估所提出控制框架的性能,我们考虑了一个配备可展开面板的刚性航天器。展开会导致惯性矩的变化,从而大大增加了控制任务的复杂性。航天器的姿态使用欧拉角进行参数化,其运动学和动力学建模如下:
{θ˙(t) = fˉ1 + g1, ω˙(t) = fˉ2 + gˉ2u + Δ}
其中 θ=[θ1θ2θ3]? 表示欧拉角向量,ω=[ω1ω2ω3]? 是角速度向量。系统项的定义如下:

**结论**
本文提出了一个为严格反馈非线性系统设计的预定时间神经自适应控制框架。通过结合神经网络和干扰观测器,该方法允许实时估计和补偿系统不确定性。为了避免传统反步中常见的“术语爆炸”现象,我们采用了具有时变增益的命令滤波策略。我们还引入了预定时间的辅助变量来处理滤波误差。

**作者贡献声明**
莫斯塔法·埃扎巴迪(Mostafa Ezabadi):写作——审阅与编辑、原始草稿撰写、可视化、验证、软件、方法论。
赛义德·阿里·埃马米(Seyyed Ali Emami):写作——审阅与编辑、验证、监督、方法论。
赛义德·H·普尔塔克杜斯特(Seid H. Pourtakdoust):写作——审阅与编辑、监督、项目管理、调查。
尼玛·阿萨迪安(Nima Assadian):写作——审阅与编辑、监督、项目管理。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

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