基于复合学习带自适应动态事件触发与输入饱和约束的二自由度直升机增量神经网络控制

《Mathematics》：Composite Learning-Based Incremental Neural Control for 2-DOF Helicopter with Adaptive Dynamic Event-Triggering and Input Saturation

　　

本研究针对具有动态事件触发(Event-Triggering, ET)与输入饱和(Input Saturation)特征的二自由度(Two-Degree-of-Freedom, 2-DOF)直升机系统，提出一种基于复合学习(Composite Learning, CL)的增量神经网络(Incremental Neural Network, INN)自适应控制算法。首先，通过在增量径向基函数神经网络(Incremental Radial Basis Function Neural Network, IRBFNN)控制框架中融入复合学习策略，旨在克服系统动态不确定性的挑战。所提出的新型权值更新算法将估计误差项有效纳入权值自适应过程，从而在提升对系统动力学逼近能力的同时，减轻了对经典持续激励(Persistent Excitation, PE)条件的依赖。此外，为降低控制器与执行器间的通信负载，研究人员引入了一种自适应动态事件触发(Adaptive Dynamic Event-Triggering, ADET)机制。同时，构建了抗饱和辅助系统(Anti-windup Auxiliary System)以处理系统中存在的输入饱和现象。随后，借助李雅普诺夫(Lyapunov)函数证明该系统是半全局一致最终有界(Semi-Globally Uniformly Ultimately Bounded, SGUUB)稳定的。最后，通过仿真验证了所提控制策略的有效性。

本文解读对象为发表于《Mathematics》的论文《Composite Learning-Based Incremental Neural Control for 2-DOF Helicopter with Adaptive Dynamic Event-Triggering and Input Saturation》。

研究背景方面，二自由度(2-DOF)直升机平台是典型的非线性、强耦合及多变量系统，存在模型不确定性、未知非线性动态及外部扰动，且实际执行机构受输入饱和约束，网络化控制下存在通信带宽限制。传统固定结构的径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)需预设节点数与中心，难以兼顾逼近精度与计算效率，且其权值更新仅依赖跟踪误差，在小误差时学习信息不足；常规动态事件触发(Dynamic Event-Triggering, DET)机制参数固定，难以兼顾暂态性能与稳态资源节约；现有研究鲜有在复合学习增量神经控制框架下同时考虑自适应动态事件触发与输入饱和。因此，开展本研究以解决上述不足。

研究人员开展的研究为：提出一种融合复合学习(Composite Learning, CL)的增量神经网络(Incremental Neural Network, INN)控制架构——复合学习增量神经网络(Composite Learning Incremental Neural Network, CLINN)控制，结合自适应动态事件触发(Adaptive Dynamic Event-Triggering, ADET)机制与抗饱和辅助系统，对2-DOF直升机系统进行控制器设计，并通过Lyapunov稳定性理论证明闭环系统半全局一致最终有界(Semi-Globally Uniformly Ultimately Bounded, SGUUB)，排除Zeno现象，最后通过数值仿真与对照实验验证有效性。研究结论表明所提方法在保证轨迹跟踪精度的同时显著减少通信触发次数，且优于无复合学习、无增量结构及常规DET的对照方法，具有重要意义。

主要关键技术方法：①采用增量RBFNN(IRBFNN)，依据输入状态与已有节点的欧氏距离动态在线增删隐层节点以覆盖系统状态空间；②引入复合学习机制，结合跟踪误差与基于历史回归信息矩阵重构的预测误差共同驱动权值更新；③设计ADET机制，引入时变自适应增益σ(t)由跟踪误差幅值调节触发阈值；④构建一阶抗饱和辅助系统补偿输入饱和引起的残差；⑤基于Backstepping思想设计虚拟控制量与实际控制律，构造Lyapunov函数进行稳定性证明；⑥通过2-DOF直升机数值模型进行四组对比仿真（含ADET-CLINC、无复合学习ADET-INN、无增量ADET-CL-RBFNN、常规DET-CLINN）。

研究结果如下：

Problem Statement（问题描述）：给出2-DOF直升机基于拉格朗日方程的二阶非线性动力学模型，转化为MIMO标准形式，定义输入饱和函数sat(u_i)及饱和残差Δu=u?sat(u)，推导含饱和项的二阶状态方程；介绍IRBFNN增量学习节点生长规则（基于距离阈值判断与质心参考点生成新节点）；列出假设（未知光滑非线性函数有界、饱和残差有界）及引理（Lyapunov函数微分不等式保证有界性）。

Controller Design and Stability Analysis（控制器设计与稳定性分析）：定义跟踪误差e₁=x₁?x_d，设计ADET的自适应增益σ(t)=σ_min+(σ_max?σ_min)exp(?γ∥e₁(t)∥²)，触发条件为∥u(t_k)?u(t)∥²≤σ(t)∥e₁∥²+η˙/β 其中η为内部动态变量其导数为η˙=?αη??(σ(t)∥e₁∥²?∥u(t_k)?u(t)∥²)，η(0)>0。设计滤波信号s=e₂+Λe₁（e₂为第二步误差），选取Lyapunov函数V₁=1/2(e₁^Te₁+s^Ts)，构造虚拟控制量α₁=?K₁e₁+?_d。IRBFNN在线估计未知非线性项f(x)，权值估计误差为?=W??W，复合学习误差定义为δ_cl,i(t)=φ_i^T(x)?_i?ε_r,i(t)，其中ε_r,i为经二阶滤波器重构的历史预测残差有界项。权值更新律为??=?Γ[φ(x)s^T+κφ(x)(φ^T(x)W??y_r(t))?ρW?]，含复合学习增益κ与σ修正项ρ。设计一阶抗饱和辅助系统?=?A z+b(u?sat(u))，最终控制律为u=?K₂s?K_az+?^TW?+K₁?₁?Λα₁。通过增广Lyapunov函数V_L=V₁+1/2(z^Tz+tr(?^TΓ^?1?))+1/(2β)η²求导，在满足设计参数条件下得到V?_L≤?aV_L+b，证明SGUUB。进一步由控制信号局部Lipschitz连续性及触发误差分析导出最小事件间隔τ_min>0，排除Zeno现象。

Numerical Simulation Validation（数值仿真验证）：采用文献给出的2-DOF直升机物理参数，设定参考轨迹与初值，配置控制器、IRBFNN（初始节点20，最大30）、复合学习、ADET及饱和限幅参数。ADET-CLINC结果显示输出精确跟踪参考轨迹，控制输入严格受限在饱和界限内，两通道分别仅触发90次和113次，节点数未达上限保持稳定。去除复合学习的ADET-INN触发次数升至180/186次且逼近精度下降。去除增量学习的ADET-CL-RBFNN触发178/180次且权重更新稳定性略逊。替换为常规DET的CLINN-DET触发173/185次，冗余更新多于ADET。定量RMSE与触发次数对比表表明ADET-CLINC在保持较小跟踪误差下最少触发。

讨论与结论翻译：本文针对存在系统不确定性、输入饱和及通信约束的2-DOF直升机系统，提出了一种融合动态事件触发的复合学习增量神经网络(CLINC)控制器。首先设计了复合学习增量神经网络(CLINN)方法，通过引入估计误差信息提升了自适应控制性能，并减轻了对参数学习所需经典持续激励(PE)条件的依赖；同时构建抗积分饱和(Anti-windup)辅助系统以消除输入饱和的影响；此外引入自适应动态事件触发(ADET)机制以降低控制器与执行器间通信负担。随后采用Lyapunov函数进行稳定性分析，证明闭环系统所有信号半全局一致最终有界(SGUUB)。最后通过2-DOF直升机平台仿真验证了所提算法的有效性与优越性。未来工作将聚焦于实验验证及在更宽激励条件和参数变化下研究潜在的跳共振与混沌等非线性现象。