基于神经网络的滑模鲁棒控制

目录

前言

1.双关节机械手臂模型

2.神经网络自适应律设计

3. 滑模控制律设计

4. 仿真分析

4.1 仿真模型

4.2 仿真结果

4.3 小结

5 学习问题

---

前言

上一篇文章我介绍了神经网络补偿的机理，只不过控制律不同，本章我们结合滑模理论设计控制律，所以本质还是：神经网络逼近扰动+控制律。

基于神经网络(RBF)补偿的双关节机械手臂自适应控制_Mr. 邹的博客-CSDN博客

其实在我之前的文章中早就已经用到过这种补偿+控制的思想，只不过用的不是神经网络补偿，而是基于模糊推理机的方法进行补偿，详情请见：

VSC/SMC(十五)——基于模糊逼近的积分滑模控制_Mr. 邹的博客-CSDN博客

基于模糊逼近系统不确项的滑模自适应控制_模糊基向量_Mr. 邹的博客-CSDN博客

一类综合的模糊化自适应滑模控制_模糊自适应滑模控制_Mr. 邹的博客-CSDN博客

1.双关节机械手臂模型

2.神经网络自适应律设计

 这里不再赘述了，上一篇文章介绍了：

基于神经网络(RBF)补偿的双关节机械手臂自适应控制_Mr. 邹的博客-CSDN博客

所设计的自适应律为：

3. 滑模控制律设计

滑模面选取：

r=e'+k*e

控制律设计为：

τ = f^+Kv*r-v

其中v为滑模鲁棒项。

注:

①由于系统是2自由度的，即有两个位置指令，所以e和de也是2维的，所以滑模面系数k也是2维的；即相当于分别为2位置设计了2滑模面。

4. 仿真分析

4.1 仿真模型

4.2 仿真结果

调节参数选取：Kv=[50 0;0 50],k = [5 0;0 5]

4.3 小结

可以看到模型即使存在不确定，外界扰动情况下，也能跟踪目标指令，虽然估计的扰动没有做到很精准，但是结合滑模的鲁棒性，能够保证系统在扰动下跟踪目标。

5 学习问题

①自适应律是参考文献来的，为何用等效滑模思想推导有些对不上；

②对于误差是指令-实际，需要统一好，并且关于推导控制输入以及稳定性证明分析。