Adaptive Dynamische Oberflächensteuerung einer Klasse nonlinearer Systeme mit unbekannten Richtungsregelgewinnen und Eingangssättigung

In dieser Arbeit wird eine adaptive auf neuronalen Netzwerken basierende dynamische Oberflächensteuerung (DSC) für eine Klasse von nichtlinearen strengen Rückmeldesystemen mit unbekannten Richtungsregelgewinnen und Eingangssättigung entwickelt. Ein auf einer gaußschen Fehlerfunktion basierendes Sättigungsmodell wird verwendet, sodass die Backstepping-Technik im Entwurf der Regelung eingesetzt werden kann. Die Explosion der Komplexität im traditionellen Backstepping-Design wird durch die Nutzung von DSC vermieden. Basierend auf Backstepping kombiniert mit DSC wird eine adaptive Radialbasisfunktion Neuronalen Netzwerksteuerung entwickelt, um zu gewährleisten, dass alle Signale im geschlossenen Regelkreis global beschränkt sind und der Nachverfolgungsfehler in eine kleine Nachbarschaft des Ursprungs konvergiert, indem die Entwurfsparameter angemessen gewählt werden. Simulationsergebnisse zeigen die Effektivität des vorgeschlagenen Ansatzes, und die gute Leistung wird gewährleistet, auch wenn sowohl die Sättigungsbeschränkungen als auch die falsche Steuerungsrichtung auftreten.