链式积分器系统的自适应神经控制渐近镇定

《Processes》：Asymptotic Stabilization of Chain Integrator Systems via Adaptive Neural Control

　　

这项工作提出了一种自适应神经控制（Adaptive Neural Control, ANC），用于实现链式积分器系统在原点处的渐近镇定。所提出的方法通过控制律实现积分器链的镇定，该控制律的应用信号通过双曲正切（hyperbolic tangent, tanh）架构在结构上被限制在(?1,1)内，即??(??)=tanh(??)，其中z表示系统状态加权线性组合与偏置项之和。此外，研究人员基于经典神经网络反向传播（backpropagation, BP）算法，提出了一种权重自适应律。稳定性分析采用奇异摄动理论（Singular Perturbation Theory, SPT），证明在足够高的学习率下，闭环系统呈现标准奇异摄动形式（Standard Singular Perturbation Form）。该形式允许在两种不同时间尺度上分析系统：自适应动态（快子系统）和状态动态（慢子系统）。基于此形式，研究人员推导出关于学习率和初始条件的显式条件，利用Tikhonov定理（Tikhonov’s theorem, TT）保证局部渐近稳定性。这些条件刻画了吸引域（Region of Attraction），并确保自适应神经控制器能稳定系统。为评估控制器性能，研究人员在三种不同场景下进行了数值仿真：理想条件、初始条件位于吸引域外以及低学习率。这些场景展示了闭环系统行为，并验证了渐近稳定性所需的理论条件。此外，研究人员还在倒立摆小车系统（Inverted Pendulum on a Cart system）上进行了对比数值仿真，将所提出的自适应神经控制与线性二次型调节器（Linear Quadratic Regulator, LQR）、滑模控制（Sliding Mode Control, SMC）和嵌套饱和函数控制器（Nested Saturation Function, NSF）进行基准比较。基于时间加权平方误差积分（Integral of Time-weighted Squared Error, ITSE）性能指标，自适应神经控制显著降低了控制努力，与上述策略相比性能提升高达95.02%。

**论文解读文章**

**研究背景与问题**
链式积分器系统是控制理论中一类具有标准非线性的基础模型，其渐近镇定问题对理论分析与工程应用均具有重要意义。传统线性控制方法（如线性二次型调节器，Linear Quadratic Regulator, LQR）在系统模型精确已知时有效，但面对参数不确定性、外界扰动及控制输入饱和约束时，性能往往退化。尽管滑模控制（Sliding Mode Control, SMC）和嵌套饱和函数控制器（Nested Saturation Function, NSF）等非线性策略能处理部分约束，但存在抖振、控制信号幅度受限等问题，且缺乏对自适应机制与稳定性条件的系统化分析。现有自适应方法通常依赖梯度下降或在线学习，但未从奇异摄动角度严格证明其渐近稳定性与吸引域特征。因此，研究人员针对链式积分器系统提出一种自适应神经控制（Adaptive Neural Control, ANC）方法，旨在通过结构有界控制律与基于反向传播（backpropagation, BP）的自适应机制，结合奇异摄动理论（Singular Perturbation Theory, SPT）精确刻画学习率与初始条件对稳定性的影响，从而在输入饱和约束下实现局部渐近镇定，并降低控制努力。该研究发表在《Processes》。

**主要关键技术与方法**
研究人员采用的核心方法包括：1）基于双曲正切（hyperbolic tangent, tanh）函数构造结构有界控制律，将控制信号限制在(?1,1)区间，以自然满足输入饱和约束；2）借鉴神经网络反向传播算法设计权重自适应律，实现控制器参数的在线调整；3）运用奇异摄动理论将闭环系统分解为快（自适应动态）和慢（状态动态）两个时间尺度，建立标准奇异摄动形式（Standard Singular Perturbation Form）；4）借助Tikhonov定理（Tikhonov’s theorem）推导学习率与初始状态的显式条件，严格证明局部渐近稳定性并刻画吸引域。此外，通过数值仿真在理想条件、吸引域外初始化及低学习率三种场景下验证理论条件，并在倒立摆小车系统（Inverted Pendulum on a Cart system）上进行对比实验，将ANC与LQR、SMC和NSF控制器基于时间加权平方误差积分（Integral of Time-weighted Squared Error, ITSE）指标进行评估。

**研究结果**
- **稳定性条件与吸引域刻画**：通过奇异摄动分析，研究人员得出当学习率足够高时，系统呈现快慢分离的动态特性。基于Tikhonov定理，推导出保证局部渐近稳定的初始条件与学习率条件，明确界定了吸引域范围。该结果从理论上确认了自适应神经控制器在满足条件时能够稳定链式积分器系统。
- **数值仿真验证**：在理想条件下，控制器成功实现状态收敛至原点；当初始状态位于吸引域外时，系统暂态响应出现振荡但最终稳定，验证了理论条件的保守性；在低学习率场景下，系统无法达到渐近稳定，呈现稳态误差，证实了学习率阈值的存在。三种场景均与理论分析吻合。
- **倒立摆小车对比实验**：基于ITSE性能指标，ANC在控制努力（控制信号积分）上较LQR、SMC和NSF显著降低，分别减少约95.02%、93.73%和91.95%（具体数值依原文）。这表明ANC在相同性能（ITSE相近）下，以更小的控制信号幅度和能量消耗完成镇定任务，体现了结构有界自适应方法的优势。

**讨论与结论**
在讨论部分，研究人员分析了所提方法的局限性：理论条件为保证局部稳定性，吸引域大小可能受控制律中权重初值影响；未来可扩展至非匹配扰动或高阶非线性系统。结论部分明确：通过建立标准奇异摄动形式与Tikhonov定理，成功导出了自适应神经控制器的学习率与初始条件条件，确保了链式积分器系统的局部渐近稳定性；仿真与对比实验验证了理论条件，并证明ANC在控制努力上相比传统方法具有显著提升（可达95%以上）。