基于超级扭曲(Super-Twisting)的在线学习方法在高等级神经网络中的应用:用于在不确定性环境下实现对直流电动机的鲁棒逆向控制(Robust Backstepping Control) 作者:Ivan R. Urbina Leos, Jesus A. Medrano Hermosillo, Abraham E. Rodriguez Mata, Francisco R. Lopez-Estrada, Oscar J. Suarez, Alma Alejandra Luna-Gómez

《Processes》:Super-Twisting-Based Online Learning in High-Order Neural Networks for Robust Backstepping Control of DC Motors Under Uncertainty Ivan R. Urbina Leos, Jesus A. Medrano Hermosillo, Abraham E. Rodriguez Mata, Francisco R. Lopez-Estrada, Oscar J. Suarez and Alma Alejandra Luna-Gómez

【字体: 大 中 小 】 时间:2026年03月23日 来源:Processes 2.8

编辑推荐:

   摘要 本文针对存在非线性、扰动和未建模动态的直流电机速度控制问题,提出了一种基于递归高阶神经网络(RHONN)的神经反向步进控制算法。所提出的RHONN作为在线逼近器,

  

摘要

本文针对存在非线性、扰动和未建模动态的直流电机速度控制问题,提出了一种基于递归高阶神经网络(RHONN)的神经反向步进控制算法。所提出的RHONN作为在线逼近器,用于补偿基于PID的反向步进控制器中的不确定非线性动态,从而使系统能够处理扰动、建模误差和未建模动态。与传统的外推卡尔曼滤波器(EKF)不同,RHONN的参数通过超扭转算法(STA)在线更新。结果表明,这种基于STA的学习律提供了一种简单且鲁棒的、无需协方差适应机制,并具有实际的有限时间收敛特性,适用于实时嵌入式系统。通过数值仿真对提出的方法进行了评估,并在嵌入式微控制器上进行了实现以验证其实时性能。仿真结果显示,与经过调优的PID控制器相比,稳态误差和积分误差指标降低了0.04%至2.04%;在IMSE指标上,相对于LQR和MPC,性能提高了25.66%至23.82%。实验结果证明了该方法的良好跟踪性能、在不同负载条件下的鲁棒性以及较低的计算需求,从而证实了其实际可行性。
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