基于DOB的炮管RBF神經網絡滑?？刂蒲芯?/h1>
2017-02-02 07:59:06陳宇政侯遠龍瞿生鵬胡繼輝
火炮發射與控制學報 2017年4期
陳宇政，高 強，侯遠龍，瞿生鵬，胡繼輝
(南京理工大學 機械工程學院，江蘇 南京 210094)
作戰坦克炮管是一種長形的負載機構。在坦克炮執行調炮任務時，炮管需準確快速響應控制指令，在一定時間內到達發射角度并保持穩定。而由于炮管自身結構的特點，會使整個調炮過程中產生不平衡力矩，嚴重影響調炮精度及作戰能力[1]。因此，平衡與消除火炮身管定位與身管運動過程中產生的非平衡力則顯得尤為重要。由于炮管在平衡過程中存在著諸多非線性因素，若采用傳統的控制策略則難以取得理想的控制效果。而滑?？刂颇艹浞掷帽豢啬繕四Ｐ吞卣?，根據實際情況迫使系統處于“滑?！边\動狀態，并且可以不受外界干擾和系統參數改變的影響。但由于滑?？刂票旧砉逃械亩墩駟栴}，阻礙了滑模控制的發展與應用，學者們對此問題進行了深度的研究與交流，并提出了一系列基于滑?？刂频膹秃峡刂品椒╗2-3]。
文獻[4]在傳統的滑?？刂苹A上融入了RBF神經網絡調參策略，并把它用于解決高超聲速飛行器存在的高度非線性及強耦合的問題，通過仿真可知，該方案不僅能使飛行器擁有響應快速性，抗干擾穩定性和魯棒性，而且還克服了飛行機構的抖振問題。文獻[5]把RBF神經網絡滑?？刂评碚搼糜诮鉀Q多自由度并聯機床系統存在的非線性控制問題，仿真試驗證明，該控制器能有效克服外界干擾，保證系統魯棒性的同時也為RBF神經網絡理論的應用提供了充分的實驗基礎。
綜上可知，在滑模控制中融入RBF神經網絡智能控制算法，對消除抖振有很大的效用[6-9]。因此筆者針對坦克炮身管精準定位與平衡的問題提出了一種基于RBF神經網絡的滑模控制策略(RBF-SMC)。為了使該控制策略的抗干擾性能得到提升，在控制器中融合干擾觀測器(DOB)，并對系統進行觀測。
通過仿真表明，該控制策略對克服未知干擾有很大作用，不僅保證了炮控系統的靜、動態特性，還有效地解決了滑?？刂浦刑赜械亩墩瘳F象，同時使系統的魯棒性得到加強。
1 系統組成及數學模型的建立
1.1 系統組成及工作原理
炮控系統實質上是一種基于電液控制的伺服系統，負責控制坦克炮高低向調炮工作任務。它主要包括液壓缸，旋轉變壓器，電液伺服閥，伺服放大器，負載身管和油泵，如圖1所示。
在執行高低向調炮任務時，對炮控系統進行簡化，如圖2所示。
該系統的工作原理：根據作戰需要，給定坦克炮身管的調炮角度，控制器收到調炮的指令后，經過計算機模塊解算得出相應的控制量，將其傳遞給伺服放大板，信號經D/A模塊和伺服放大板的調理后直接作用于電液伺服閥，通過控制電液伺服閥的開口大小和換向，控制液壓缸的壓力，該壓力通過活塞缸筒作用于炮管負載，最終使坦克炮管到達預期的發射角度。旋轉變壓器對坦克炮管的實際位置進行測量，將測量到的信號傳遞給RDC模塊轉換得到數字信號后，傳回控制計算機，從而形成一個完整的閉環回路。
1.2 系統模型建立
在建模之前先做如下假設：
1)忽略伺服閥的動態特性。
2)油源壓力保持穩定。
3)管道和缸體內不會出現壓力飽和現象。
4)液壓油無泄漏。
5)忽略管道內壓力損失和管道動態。
首先建立該電液伺服系統的流量方程，并通過余弦定理把炮管轉角θ融入到方程中，最終經過拉氏變換后，可得：
FQ=K1U1Kbnb-Ct(p1-p2)=
(1)
式中：K1為電壓放大系統；U1為輸入控制電壓；Kb為泵的排量梯度；nb為泵的轉速；Ct為總泄漏系數；p1為負載壓力；p2為補油壓力；A為液壓缸活塞面積；K1θ(θ)為液壓缸活塞伸縮速度和身管角速度轉換系數；θ為身管旋轉角度；V0是壓力為p1的液體容積；βe為有效體積彈性模數。
運用牛頓第二定律，對系統進行受力分析，可得該電液伺服系統的力矩平衡方程，并用拉氏變換對其進行轉換，可得
T=(p1-p2)AL(θ)=Js2θ+Bmsθ+Gθ+TL
(2)
式中：J為轉動慣量；L(θ)為液壓缸活塞缸筒輸出力對A點的力臂,L(θ)≈K1θ(θ)；Bm為粘性阻尼系數；G為負載彈性剛度；TL為不平衡力矩,TL(s)=TG(s)-Tp(s)。
(3)
由于系統最終輸出的是炮管的角度，故系統輸出方程為
y=x1
(4)
2 基于DOB的RBF-SMC設計
2.1 滑模變結構控制器(SMC)設計
假設位置指令xd，則系統的跟蹤誤差為
e=xd-x1
(5)
取跟蹤誤差向量e為
(6)
將式(5)代入式(3)，可得
(7)
根據滑模變結構控制理論，切換函數設計為
(8)
式中，c=[c1c21]T。
(9)
將式(7)代入到式(9)，可得
(10)
故等效控制器設計為
(11)
為了保證滑模到達條件成立，即
設計切換控制為
(12)
式中，K=D+η。
滑模控制律由等效控制項和切換控制項組成，即：
u=ueq+usw
(13)
然而在炮控系統中，由于帶彈量的改變會導致系統的轉動慣量J大范圍的變動，并且隨著工作條件的變化也會引起不平衡力矩TL、總泄漏系數Ct、粘性阻尼系數Bm的變動。因此，f(x)，g，d(t)的各參數均是時變的，均是不確定參數，將導致等式ueq無法直接確定。故本文將用RBF神經網絡的萬能逼近特性來逼近參數f(x)，g，d(t)，用來替換等效控制項ueq，因此滑?？刂坡蔀?/p>
u=uRBF+usw
(14)
基于RBF神經網絡滑?？刂葡到y框圖如圖3所示。
2.2 RBF神經網絡控制設計
RBF神經網絡是一種3層的前饋網絡結構。筆者設計了一種2-7-1的神經網絡架構，即輸入層有2個參數，隱含層有7個神經元節點，輸出層輸出uRBF，如圖4所示。
2)第2層：作為隱含層，采用高斯函數作為其基函數，設計了7個神經元節點，即H=[h0h1
h2…h6]T。
高斯函數結構為
(15)
3)第3層：作為輸出層，即輸出uRBF。向量W=[w0w1w2…w6]是隱含層和輸出層之間的權值，由圖4可知：
(16)
2.3 干擾觀測器設計
為了增強炮控系統的抗干擾性能和魯棒性，設計了干擾觀測器，以達到更好地控制炮控身管的平衡與定位的目的，并提高系統的跟蹤性能[10-11]。
干擾觀測器結構如圖5所示，圖中u是系統的輸入信號；d是待測量的干擾信號；Gp(s)是實際系統模型；Gn(s)是標稱模型；ξ(s)是系統的檢測噪音；Q(s)是Q濾波器。
干擾觀測器輸出方程為y(s)=Guy(s)u(s)+Gdy(s)d(s)+Gξy(s)ξ(s)
(17)
(18)
從式(18)可以看出，Q(s)的設計決定了干擾觀測器的性能，在本文中，Q(s)設計為
(19)
式中：τ是時間常數。
2.4 控制器小結
綜上所述，可知基于DOB的RBF-SMC控制策略的系統框圖，如圖6所示。
3 試驗仿真
為了驗證本文設計的控制算法，針對炮控身管系統進行仿真研究，系統的參數為：
Kb=4.224×10-7(m3·rad-1)/(°)，K1=20，G=9.85×107(N·m)/rad，nb=104.72 rad/s，Bm=135(kN·m)/(rad·s-1)，V0=11.18 dm3，Ct=1.5×10-13m3/(Pa·s)，D=8.359 92 dm3/rad,Be=700 MPa。
首先對系統的階躍響應進行仿真，仿真過程分別與傳統滑?？刂?SMC)，RBF神經網絡滑?？刂?RBF-SMC)進行對比，設定角度目標值為10°，進行仿真，仿真時間為10 s。對于外部的擾動采用一個角度在±0.3°范圍內波動的隨機信號進行模擬。其仿真曲線如圖7、8所示。采用本文的控制策略，系統達到穩態的時間為1.3 s，無超調，基本無抖動，有較強的抗干擾能力，在RBF-SMC控制下，系統達到穩態的時間為1.5 s，存在較小幅度的抖動，而在SMC控制下，系統穩態時間為2.2 s，有超調現象，抖振很強烈。由此可見，在RBF-SMC控制基礎上加上DOB觀測器有助于提升系統的抗外界干擾能力，并提高系統的魯棒性。 為了進一步驗證所設計的控制策略對系統抗干擾性能及消除傳統滑模變的抖振問題的作用，又對系統進行了正弦跟蹤仿真試驗。系統在做正弦跟蹤時，加入以±0.5°范圍內波動的隨機干擾信號，其仿真結果曲線如圖9、10所示。
通過分析可知，采用SMC控制時，系統產生抖動，最大跟蹤誤差為0.27°；采用RBF-SMC控制時，系統抖動減小，最大跟蹤誤差為0.1°；而在RBF- SMC上加入DOB時，系統基本消除抖振，最大跟蹤誤差為0.03°。由此可見，本文的控制策略能更好地跟蹤目標曲線，使系統的抗外界擾動能力得到提升，也較好地消除滑?？刂拼嬖诘亩墩?，增強了炮控系統的魯棒性。
4 結束語
筆者針對一種非平衡炮管的平衡定位問題，設計了一種基于DOB的RBF-SMC控制策略。通過仿真結果可知，該方法有效地抑制了傳統滑模變結構(SMC)特有的抖振問題，較好地保持了滑?？刂铺赜械目箶z動性能，并且對結構參數不確定性具有很強的魯棒性，為電液伺服系統的非線性控制提供了試驗依據。
References)
[1]田建輝. 火炮身管指向控制中的非線性問題研究[D]. 南京：南京理工大學, 2011:21-25. TIAN Jianhui. Research on the nonlinear problem in the pointing control of the gun[D]. Nanjing：Nanjing University of Science and Technology,2011:21-25. (in Chinese)
[2]LI Shuang, JIANG Xiuqiang. RBF neural network based second-order sliding mode guidance for mars entry under uncertainties[J]. Aerospace Science and Technology, 2015(43):226-235.
[3]王貞艷, 張井崗, 陳志梅. 神經網絡滑模變結構控制研究綜述[J]. 信息與控制, 2005,34(4):451-456. WANG Zhenyan, ZHANG Jinggang, CHEN Zhimei. A survey of research on neural network sliding mode variable structure control[J]. Information and Control, 2005,34(4):451-456. (in Chinese)
[4]王建敏, 董小萌, 吳云潔. 高超聲速飛行器RBF神經網絡滑模變結構控制[J].電機與控制學報, 2016,20(5):103-110. WANG Jianmin, DONG Xiaomeng, WU Yunjie. Hypersonic flight vehicle of sliding mode variable structure control based on RBF neural network[J]. Electric Machines and Control,2016,20(5):103-110.(in Chinese)
[5]YANG Jiye, CUI Yongfeng, CHEN Miaochao. Sliding mode control based on RBF neural network for parallel machine tool[J]. The Open Automation and Control Systems Journal,2014,6(1):575-582.
[6]MINHDUC T, HEEJUN K. A novel adaptive finite-time tracking control for robotic manipulators using nonsingular terminal sliding mode and RBF neural networks[J]. International Journal of Precision Engineering and Manufacturing,2016,17(7):863-870.
[7]NIU Jianjun, FU Yongling, QI Xiaoye. Design and application of discrete sliding mode control with RBF network-based switching law[J]. Chinese Journal of Aeronautics,2009,22(3):279-284.
[8]陳海忠, 高國琴. 兩自由度并聯機器人的RBF神經網絡辨識滑模控制策略研究[J]. 機床與液壓,2011,39(7):21-24. CHEN Haizhong, GAO Guoqin. RBF neural network identifying & sliding mode control of a 2-DOF parallel robot[J]. Machine Tool & Hydraulics,2011,39(7):21- 24. (in Chinese)
[9]王偉, 易建強, 趙冬斌. 一種新型神經網絡滑膜控制器的設計[J]. 電機與控制學報, 2005,9(6):603- 606. WANG Wei, YI Jianqiang, ZHAO Dongbin. Design of a new type of neural network sliding mode controller[J].Electric Machines and Control, 2005,9(6):603-606. (in Chinese)
[10]李利娜, 竇麗華, 蔡濤，等. 基于干擾觀測器的滑模變結構控制器設計[C]∥第29屆中國控制會議論文集．北京：中國自動化學會，2010:5. LI Lina,DOU Lihua,CAI Tao,et al.Sliding mode varia-ble structure controller design based on disturbance observer[C]∥ Proceedings of the 29th Chinese Control Conference. Beijing: Chinese Association of Automation, 2010:5. (in Chinese)
[11]尹正男. 具有魯棒性的最優干擾觀測器的系統性設計及其應用[D]. 上海：上海交通大學,2012:15-23. YIN Zhengnan. Systematic design of optimal disturbance observer with robust performances and its application[D]. Shanghai：Shanghai Jiao Tong University,2012:15- 23. (in Chinese)
猜你喜歡
Smartflower POP 一體式光伏系統工業設計(2022年8期)2022-09-09 07:43:20 WJ-700無人機系統軍民兩用技術與產品(2021年10期)2021-03-16 06:05:30 考慮虛擬慣性的VSC-MTDC改進下垂控制策略能源工程(2020年6期)2021-01-26 00:55:22 ZC系列無人機遙感系統北京測繪(2020年12期)2020-12-29 01:33:58 工程造價控制策略山東冶金(2019年3期)2019-07-10 00:54:04 瞞天過海——仿生設計萌到家藝術啟蒙(2018年7期)2018-08-23 09:14:18 現代企業會計的內部控制策略探討消費導刊(2018年10期)2018-08-20 02:57:02 連通與提升系統的最后一塊拼圖 Audiolab 傲立 M-DAC mini家庭影院技術(2017年9期)2017-09-26 03:41:45 設計秀海峽姐妹(2017年7期)2017-07-31 19:08:17 有種設計叫而專Coco薇(2017年5期)2017-06-05 08:53:16
陳宇政，高 強，侯遠龍，瞿生鵬，胡繼輝
(南京理工大學 機械工程學院，江蘇 南京 210094)
作戰坦克炮管是一種長形的負載機構。在坦克炮執行調炮任務時，炮管需準確快速響應控制指令，在一定時間內到達發射角度并保持穩定。而由于炮管自身結構的特點，會使整個調炮過程中產生不平衡力矩，嚴重影響調炮精度及作戰能力[1]。因此，平衡與消除火炮身管定位與身管運動過程中產生的非平衡力則顯得尤為重要。由于炮管在平衡過程中存在著諸多非線性因素，若采用傳統的控制策略則難以取得理想的控制效果。而滑?？刂颇艹浞掷帽豢啬繕四Ｐ吞卣?，根據實際情況迫使系統處于“滑?！边\動狀態，并且可以不受外界干擾和系統參數改變的影響。但由于滑?？刂票旧砉逃械亩墩駟栴}，阻礙了滑模控制的發展與應用，學者們對此問題進行了深度的研究與交流，并提出了一系列基于滑?？刂频膹秃峡刂品椒╗2-3]。
文獻[4]在傳統的滑?？刂苹A上融入了RBF神經網絡調參策略，并把它用于解決高超聲速飛行器存在的高度非線性及強耦合的問題，通過仿真可知，該方案不僅能使飛行器擁有響應快速性，抗干擾穩定性和魯棒性，而且還克服了飛行機構的抖振問題。文獻[5]把RBF神經網絡滑?？刂评碚搼糜诮鉀Q多自由度并聯機床系統存在的非線性控制問題，仿真試驗證明，該控制器能有效克服外界干擾，保證系統魯棒性的同時也為RBF神經網絡理論的應用提供了充分的實驗基礎。
綜上可知，在滑模控制中融入RBF神經網絡智能控制算法，對消除抖振有很大的效用[6-9]。因此筆者針對坦克炮身管精準定位與平衡的問題提出了一種基于RBF神經網絡的滑模控制策略(RBF-SMC)。為了使該控制策略的抗干擾性能得到提升，在控制器中融合干擾觀測器(DOB)，并對系統進行觀測。
通過仿真表明，該控制策略對克服未知干擾有很大作用，不僅保證了炮控系統的靜、動態特性，還有效地解決了滑?？刂浦刑赜械亩墩瘳F象，同時使系統的魯棒性得到加強。
1 系統組成及數學模型的建立
1.1 系統組成及工作原理
炮控系統實質上是一種基于電液控制的伺服系統，負責控制坦克炮高低向調炮工作任務。它主要包括液壓缸，旋轉變壓器，電液伺服閥，伺服放大器，負載身管和油泵，如圖1所示。
在執行高低向調炮任務時，對炮控系統進行簡化，如圖2所示。
該系統的工作原理：根據作戰需要，給定坦克炮身管的調炮角度，控制器收到調炮的指令后，經過計算機模塊解算得出相應的控制量，將其傳遞給伺服放大板，信號經D/A模塊和伺服放大板的調理后直接作用于電液伺服閥，通過控制電液伺服閥的開口大小和換向，控制液壓缸的壓力，該壓力通過活塞缸筒作用于炮管負載，最終使坦克炮管到達預期的發射角度。旋轉變壓器對坦克炮管的實際位置進行測量，將測量到的信號傳遞給RDC模塊轉換得到數字信號后，傳回控制計算機，從而形成一個完整的閉環回路。
1.2 系統模型建立
在建模之前先做如下假設：
1)忽略伺服閥的動態特性。
2)油源壓力保持穩定。
3)管道和缸體內不會出現壓力飽和現象。
4)液壓油無泄漏。
5)忽略管道內壓力損失和管道動態。
首先建立該電液伺服系統的流量方程，并通過余弦定理把炮管轉角θ融入到方程中，最終經過拉氏變換后，可得：
FQ=K1U1Kbnb-Ct(p1-p2)=
(1)
式中：K1為電壓放大系統；U1為輸入控制電壓；Kb為泵的排量梯度；nb為泵的轉速；Ct為總泄漏系數；p1為負載壓力；p2為補油壓力；A為液壓缸活塞面積；K1θ(θ)為液壓缸活塞伸縮速度和身管角速度轉換系數；θ為身管旋轉角度；V0是壓力為p1的液體容積；βe為有效體積彈性模數。
運用牛頓第二定律，對系統進行受力分析，可得該電液伺服系統的力矩平衡方程，并用拉氏變換對其進行轉換，可得
T=(p1-p2)AL(θ)=Js2θ+Bmsθ+Gθ+TL
(2)
式中：J為轉動慣量；L(θ)為液壓缸活塞缸筒輸出力對A點的力臂,L(θ)≈K1θ(θ)；Bm為粘性阻尼系數；G為負載彈性剛度；TL為不平衡力矩,TL(s)=TG(s)-Tp(s)。
(3)
由于系統最終輸出的是炮管的角度，故系統輸出方程為
y=x1
(4)
2 基于DOB的RBF-SMC設計
2.1 滑模變結構控制器(SMC)設計
假設位置指令xd，則系統的跟蹤誤差為
e=xd-x1
(5)
取跟蹤誤差向量e為
(6)
將式(5)代入式(3)，可得
(7)
根據滑模變結構控制理論，切換函數設計為
(8)
式中，c=[c1c21]T。
(9)
將式(7)代入到式(9)，可得
(10)
故等效控制器設計為
(11)
為了保證滑模到達條件成立，即
設計切換控制為
(12)
式中，K=D+η。
滑模控制律由等效控制項和切換控制項組成，即：
u=ueq+usw
(13)
然而在炮控系統中，由于帶彈量的改變會導致系統的轉動慣量J大范圍的變動，并且隨著工作條件的變化也會引起不平衡力矩TL、總泄漏系數Ct、粘性阻尼系數Bm的變動。因此，f(x)，g，d(t)的各參數均是時變的，均是不確定參數，將導致等式ueq無法直接確定。故本文將用RBF神經網絡的萬能逼近特性來逼近參數f(x)，g，d(t)，用來替換等效控制項ueq，因此滑?？刂坡蔀?/p>
u=uRBF+usw
(14)
基于RBF神經網絡滑?？刂葡到y框圖如圖3所示。
2.2 RBF神經網絡控制設計
RBF神經網絡是一種3層的前饋網絡結構。筆者設計了一種2-7-1的神經網絡架構，即輸入層有2個參數，隱含層有7個神經元節點，輸出層輸出uRBF，如圖4所示。
2)第2層：作為隱含層，采用高斯函數作為其基函數，設計了7個神經元節點，即H=[h0h1
h2…h6]T。
高斯函數結構為
(15)
3)第3層：作為輸出層，即輸出uRBF。向量W=[w0w1w2…w6]是隱含層和輸出層之間的權值，由圖4可知：
(16)
2.3 干擾觀測器設計
為了增強炮控系統的抗干擾性能和魯棒性，設計了干擾觀測器，以達到更好地控制炮控身管的平衡與定位的目的，并提高系統的跟蹤性能[10-11]。
干擾觀測器結構如圖5所示，圖中u是系統的輸入信號；d是待測量的干擾信號；Gp(s)是實際系統模型；Gn(s)是標稱模型；ξ(s)是系統的檢測噪音；Q(s)是Q濾波器。
干擾觀測器輸出方程為y(s)=Guy(s)u(s)+Gdy(s)d(s)+Gξy(s)ξ(s)
(17)
(18)
從式(18)可以看出，Q(s)的設計決定了干擾觀測器的性能，在本文中，Q(s)設計為
(19)
式中：τ是時間常數。
2.4 控制器小結
綜上所述，可知基于DOB的RBF-SMC控制策略的系統框圖，如圖6所示。
3 試驗仿真
為了驗證本文設計的控制算法，針對炮控身管系統進行仿真研究，系統的參數為：
Kb=4.224×10-7(m3·rad-1)/(°)，K1=20，G=9.85×107(N·m)/rad，nb=104.72 rad/s，Bm=135(kN·m)/(rad·s-1)，V0=11.18 dm3，Ct=1.5×10-13m3/(Pa·s)，D=8.359 92 dm3/rad,Be=700 MPa。
首先對系統的階躍響應進行仿真，仿真過程分別與傳統滑?？刂?SMC)，RBF神經網絡滑?？刂?RBF-SMC)進行對比，設定角度目標值為10°，進行仿真，仿真時間為10 s。對于外部的擾動采用一個角度在±0.3°范圍內波動的隨機信號進行模擬。其仿真曲線如圖7、8所示。采用本文的控制策略，系統達到穩態的時間為1.3 s，無超調，基本無抖動，有較強的抗干擾能力，在RBF-SMC控制下，系統達到穩態的時間為1.5 s，存在較小幅度的抖動，而在SMC控制下，系統穩態時間為2.2 s，有超調現象，抖振很強烈。由此可見，在RBF-SMC控制基礎上加上DOB觀測器有助于提升系統的抗外界干擾能力，并提高系統的魯棒性。 為了進一步驗證所設計的控制策略對系統抗干擾性能及消除傳統滑模變的抖振問題的作用，又對系統進行了正弦跟蹤仿真試驗。系統在做正弦跟蹤時，加入以±0.5°范圍內波動的隨機干擾信號，其仿真結果曲線如圖9、10所示。
通過分析可知，采用SMC控制時，系統產生抖動，最大跟蹤誤差為0.27°；采用RBF-SMC控制時，系統抖動減小，最大跟蹤誤差為0.1°；而在RBF- SMC上加入DOB時，系統基本消除抖振，最大跟蹤誤差為0.03°。由此可見，本文的控制策略能更好地跟蹤目標曲線，使系統的抗外界擾動能力得到提升，也較好地消除滑?？刂拼嬖诘亩墩?，增強了炮控系統的魯棒性。
4 結束語
筆者針對一種非平衡炮管的平衡定位問題，設計了一種基于DOB的RBF-SMC控制策略。通過仿真結果可知，該方法有效地抑制了傳統滑模變結構(SMC)特有的抖振問題，較好地保持了滑?？刂铺赜械目箶z動性能，并且對結構參數不確定性具有很強的魯棒性，為電液伺服系統的非線性控制提供了試驗依據。
References)
[1]田建輝. 火炮身管指向控制中的非線性問題研究[D]. 南京：南京理工大學, 2011:21-25. TIAN Jianhui. Research on the nonlinear problem in the pointing control of the gun[D]. Nanjing：Nanjing University of Science and Technology,2011:21-25. (in Chinese)
[2]LI Shuang, JIANG Xiuqiang. RBF neural network based second-order sliding mode guidance for mars entry under uncertainties[J]. Aerospace Science and Technology, 2015(43):226-235.
[3]王貞艷, 張井崗, 陳志梅. 神經網絡滑模變結構控制研究綜述[J]. 信息與控制, 2005,34(4):451-456. WANG Zhenyan, ZHANG Jinggang, CHEN Zhimei. A survey of research on neural network sliding mode variable structure control[J]. Information and Control, 2005,34(4):451-456. (in Chinese)
[4]王建敏, 董小萌, 吳云潔. 高超聲速飛行器RBF神經網絡滑模變結構控制[J].電機與控制學報, 2016,20(5):103-110. WANG Jianmin, DONG Xiaomeng, WU Yunjie. Hypersonic flight vehicle of sliding mode variable structure control based on RBF neural network[J]. Electric Machines and Control,2016,20(5):103-110.(in Chinese)
[5]YANG Jiye, CUI Yongfeng, CHEN Miaochao. Sliding mode control based on RBF neural network for parallel machine tool[J]. The Open Automation and Control Systems Journal,2014,6(1):575-582.
[6]MINHDUC T, HEEJUN K. A novel adaptive finite-time tracking control for robotic manipulators using nonsingular terminal sliding mode and RBF neural networks[J]. International Journal of Precision Engineering and Manufacturing,2016,17(7):863-870.
[7]NIU Jianjun, FU Yongling, QI Xiaoye. Design and application of discrete sliding mode control with RBF network-based switching law[J]. Chinese Journal of Aeronautics,2009,22(3):279-284.
[8]陳海忠, 高國琴. 兩自由度并聯機器人的RBF神經網絡辨識滑模控制策略研究[J]. 機床與液壓,2011,39(7):21-24. CHEN Haizhong, GAO Guoqin. RBF neural network identifying & sliding mode control of a 2-DOF parallel robot[J]. Machine Tool & Hydraulics,2011,39(7):21- 24. (in Chinese)
[9]王偉, 易建強, 趙冬斌. 一種新型神經網絡滑膜控制器的設計[J]. 電機與控制學報, 2005,9(6):603- 606. WANG Wei, YI Jianqiang, ZHAO Dongbin. Design of a new type of neural network sliding mode controller[J].Electric Machines and Control, 2005,9(6):603-606. (in Chinese)
[10]李利娜, 竇麗華, 蔡濤，等. 基于干擾觀測器的滑模變結構控制器設計[C]∥第29屆中國控制會議論文集．北京：中國自動化學會，2010:5. LI Lina,DOU Lihua,CAI Tao,et al.Sliding mode varia-ble structure controller design based on disturbance observer[C]∥ Proceedings of the 29th Chinese Control Conference. Beijing: Chinese Association of Automation, 2010:5. (in Chinese)
[11]尹正男. 具有魯棒性的最優干擾觀測器的系統性設計及其應用[D]. 上海：上海交通大學,2012:15-23. YIN Zhengnan. Systematic design of optimal disturbance observer with robust performances and its application[D]. Shanghai：Shanghai Jiao Tong University,2012:15- 23. (in Chinese)
猜你喜歡
工業設計(2022年8期)2022-09-09 07:43:20
軍民兩用技術與產品(2021年10期)2021-03-16 06:05:30
能源工程(2020年6期)2021-01-26 00:55:22
北京測繪(2020年12期)2020-12-29 01:33:58
山東冶金(2019年3期)2019-07-10 00:54:04
藝術啟蒙(2018年7期)2018-08-23 09:14:18
消費導刊(2018年10期)2018-08-20 02:57:02
家庭影院技術(2017年9期)2017-09-26 03:41:45
海峽姐妹(2017年7期)2017-07-31 19:08:17
Coco薇(2017年5期)2017-06-05 08:53:16
