Key points are not available for this paper at this time.
Dieses Papier präsentiert einen indirekten, adaptiven neuronalen Netzwerksteuerungsalgorithmus (NN), der für flexible Gelenkroboter (FJRs) maßgeschneidert ist und darauf abzielt, die gewünschten Übergangs- und stationären Leistungen zu erreichen. Um den Entwurfsprozess des Reglers zu vereinfachen, wird das ursprüngliche höhergradige System mithilfe der Technik der singulären Störung (SPT) in zwei niedrigergradige Teilsysteme zerlegt. NNs werden dann eingesetzt, um die aggregierten Unsicherheiten zu rekonstruieren. Eine adaptive vorgeschriebene Leistungssteuerungsstrategie (PPC) und eine kontinuierliche terminale Gleitregele ist für das reduzierte langsame Teilsystem bzw. das schnelle Teilsystem eingeführt worden, um eine vorgegebene Konvergenzgeschwindigkeit und stationäre Genauigkeit für das geschlossene Regelungssystem zu gewährleisten. Darüber hinaus wird ein auf einem Composite-Learning-basierten optimalen eingeschränkten Ellipsoid-Algorithmus (OBE) basierendes Identifikationsschema vorgeschlagen, um die NN-Gewichte zu aktualisieren, wobei die Verfolgungsfehler der reduzierten langsamen und schnellen Teilsysteme in den Lernalgorithmus integriert werden, um die Identifikations- und Verfolgungsleistung zu verbessern. Die Stabilität des geschlossenen Regelungssystems wird rigoros unter Verwendung des Lyapunov-Ansatzes etabliert. Simulationen zeigen die Wirksamkeit der vorgeschlagenen Identifikations- und Steuerungsschemata.
Li et al. (Thu,) untersuchten diese Frage.