-
摘要: 为解决机器人动力学模型未知问题并提升系统鲁棒性，本文基于扰动观测器，考虑动力学模型未知的情况，设计了一种自适应神经网络（Neural network，NN）跟踪控制器.首先分析了机器人运动学和动力学模型，针对模型已知的情况，提出了刚体机械臂通用模型跟踪控制策略；在考虑动力学模型未知的情况下，利用径向基函数（Radial basis function，RBF）神经网络设计基于全状态反馈的自适应神经网络跟踪控制器，并通过设计扰动观测器补偿系统中的未知扰动.利用李雅普诺夫理论证明所提出的控制策略可以使闭环系统误差信号半全局一致有界（Semi-globally uniformly bounded，SGUB），并通过选择合适的增益参数可以将跟踪误差收敛到零域.仿真结果证明所提出算法的有效性并且所提出的控制器在Baxter机器人平台上得到了实验验证.Abstract: For solving uncertainties of robotic dynamics and improving system robustness, an adaptive neural network (NN) tracking control is proposed considering uncertainties of robotic dynamics. Firstly, the kinematic model and dynamic model of robots are addressed. When the dynamics of the robots are known, a model-based tracking control strategy is proposed. Then, considering that the robotic dynamics are unknown, an adaptive radial basis function (RBF) neural network tracking control is proposed based on full state feedback to solve uncertainties. Disturbance observer is designed to counteract to unknown disturbance. By utilizing the Lyapunov direct method and the back-stepping method, all error signals are shown to be semi-globally uniformly bounded (SGUB). By choosing proper parameters, the tracking error can converge to a small neighborhood of zero. Simulation results and experiment results on Baxter robot are carried out to show the effectiveness of proposed method.
-
随着信息技术的广泛应用, 信息物理系统(Cyber physical systems, CPS) (交通系统、智能电网系统以及高速铁路系统), 以其物理动态过程与信息传输处理过程的紧密耦合[1], 成为近期研究热点.不过, 正是由于信息处理与动态过程的紧密关联, 使其特别容易受到数据传输中的错误或攻击影响, 进而造成损失或重大破坏, 比如巴西电网大停电事故[2]以及针对伊朗的震荡波病毒攻击[3].
当前已有一些文章涉及信息物理系统安全问题, 其中大体包含两类.第一类着重研究攻击检测问题.比如, 文献[4]研究信息物理系统的攻击检测与识别问题, 从系统理论和图论的角度刻画监测系统的固有缺陷, 并设计一种基于Luenberger观测器的监测器, 用于攻击检测和识别, 但是其只能实现渐近收敛, 故检测时间可能非常长.文献[5]提出一种基于滑模观测器的方法, 可分别对信息物理系统中存在的状态攻击和输出攻击进行检测和重构, 但该方法需要满足所谓的观测器匹配条件.文献[6]通过研究系统的强观测性, 并利用系统动态特征向量, 提出一种攻击可检测的充分必要条件.不过, 他们都没有涉及状态安全估计与控制问题.第二类主要关注状态安全估计和安全控制器设计.比如, 文献[7]针对部分传感器受到攻击的信息物理系统, 提出一种便于计算的解码算法, 用以估计系统状态, 并刻画该算法能够容许的最大受攻击传感器数量的上界; 进而, 这些结果在文献[8]中得到了扩充, 该文即不仅展示了通过设计局部安全控制器可以提升系统面对攻击的性能, 同时还提出一种基于${L_1}/{L_r}$的编码器实现状态的安全估计.此外, 通过研究系统的稀疏观测性, 文献[9]指出, $2s$-稀疏可观测, 那当且仅当其受到不超过$s$-稀疏攻击时, 状态可以被安全估计出来; 文献[10]拓展这一结论, 并利用高效满足性模态理论, 设计一种新型的多模态Luenberger观测器, 对安全估计问题的复杂性进行了优化.不过, 文献[7-10]中的安全估计算法都是集中式的, 且其估计误差为指数衰减, 这使得估计结果可能要较长时间才能满足实际需求.此外, 我们在文献[11]中, 针对受到攻击的线性信息物理系统, 提出一种基于有限时间观测器的安全估计算法, 可以确保在预设有限时间完成状态安全估计, 不过, 该方法仍然是集中式的, 同时也没有涉及安全控制问题.进而, 文献[12]进一步拓展这些结果, 提出一种分布式的状态安全估计与安全控制策略; 不过, 其研究的信息物理系统之间仅含有线性耦合, 且其安全控制方法依赖分数阶动态面技术, 只能保证动态面在有限时间内达到, 并不能确保期望状态误差在有限时间内收敛到零.而实际的信息物理系统, 比如智能电网系统, 其分布式特点比较明显, 且其子系统之间的耦合也可能是非线性的; 同时为应对恶意攻击, 需要在有限时间内将跟踪误差控制到零.因此, 这就需要探索新的有限时间分布式安全估计以及安全控制设计方法.
正是基于上述考虑, 本文针对一类受到攻击的由多个子系统组成的非线性耦合信息物理系统, 研究其分布式安全估计以及分布式安全控制问题.相关的系统结构及提出的方法和策略如图 1所示.本文的主要贡献包括:
图 1 受到传感器攻击的信息物理系统与有限时间状态安全估计与控制框图Fig. 1 The diagram of the CPS under sensor attacks and the finite time secure state estimation and control1) 针对一类含有非线性耦合的信息物理系统, 提出一种由安全测量预选器和有限时间观测器组成的分布式有限时间状态安全估计策略.当满足一定条件时, 该策略可确保系统状态在预设有限时间之内被准确估计出来;
2) 利用获得的安全状态估计, 采用反步设计方法建立分布式有限时间安全控制律;
3) 基于李亚普洛夫稳定性理论, 严格论证该控制律可以保证系统在有限时间内跟踪期望信号, 且各系统状态, 观测器信号以及控制信号有界.该方法的有效性也通过仿真实验得到验证.
本文后续内容由以下几部分组成:第1节介绍研究对象模型并提出研究目的; 第2节提出一种由安全预选器和有限时间观测器组成的状态估计策略, 解决分布式安全状态估计问题; 第3节提出一种分布式控制算法, 解决分布式安全控制问题; 第4节将提出的方法在微电网中仿真实验, 验证该方法的有效性; 第5节对本文做总结.
1. 系统模型
本文考虑由$N$个相互耦合子系统组成的信息物理系统, 其结构见图 1 (a).由于物理特性, 子系统相互之间具有一定的非线性动态耦合; 相应地, 为完成控制、监测功能, 子系统之间还包含信息处理系统即通过计算机处理和信息网络设施, 将测量、控制信号传输到监测或控制系统; 而这些信息处理与传输过程, 有可能遭受恶意攻击.基于这些考虑, 该信息物理系统中的第$i$个受到攻击的子系统, 可用下述模型描述.
$ \begin{equation}\label{eqSubCPSModel} %{\Sigma _{a, i}}: \begin{cases} {{\dot x}_{i, 1}}(t) = {a_{i, 1}}{x_{i, 1}}(t) + {x_{i, 2}}(t)\\ \qquad\qquad\qquad \vdots \\ {{\dot x}_{i, n - 1}}(t) = {a_{i, n - 1}}{x_{i, 1}}(t) + {x_{i, n}}(t)\\ {{\dot x}_{i, n}}(t) = {a_{i, n}}{x_{i, 1}}(t) + {b_i}{u_i}(t) + {f_{i}}( \bar{\mathit{\boldsymbol{x}}}, t) \\ {{\mathit{\boldsymbol{y}}}_i}(t) = {C_i}{{\mathit{\boldsymbol{x}}}_i}(t) + {{\mathit{\boldsymbol{\eta}}} _i}(t) \end{cases} \end{equation} $
(1) 其中, ${\mathit{\boldsymbol{x}}}_i(t)=[x_{i, 1}(t), \cdots, x_{i, n}(t)]^{\rm T} \in {{\bf R}^{n}}$为系统的未知状态, $u_i(t) \in {\bf{R}}$为受控输入信号; ${\mathit{\boldsymbol{y}}}_i(t) \in {{\bf R}^{p_i}}$是经传输得到的测量信号, 需注意, 由于存在恶意攻击者, ${\mathit{\boldsymbol{y}}}_i(t)$可能被任意篡改, ${{\mathit{\boldsymbol{\eta}}}_i (t)}\in {{\bf R}^{p_i}}$即为攻击者注入的恶意攻击信号; 为系统测量矩阵, 其中${C_{i, 0}^{\rm T}}=[1, 0, \cdots, 0]^{\rm T}\in {\bf R}^n$; 而${f_{i}}(\bar{\mathit{\boldsymbol{x}}}, t)$代表第$i$个子系统受到其他所有子系统的非线性耦合效应, ${\bar{\mathit{\boldsymbol{x}}}}=[x_{1, 1}, \cdots, x_{N, 1}]^{\rm T}$表示所有子系统状态第一个分量组成的向量.
注1. 文献[12]仅考虑存在纯线性耦合的情况, 这局限了其应用范围; 而本文研究的系统模型包含非线性耦合分量, 这样可能更符合实际情况使其适用范围更广.另外, 文献[12]设计的控制律是基于分数阶动态面的, 并不能保证受控状态在有限时间内跟踪上期望信号.因此, 需要探索新的方法实现对状态的有限时间跟踪控制.
正如文献[4]所述, 许多实际信息物理系统, 譬如智能电网、高铁系统[13]等, 都可用形如式(1)的模型描述.此外, 随着信息技术的发展, 在实际的系统[14-15]中, 经常利用多路传感器采集同一信号, 以便提高系统中信号测量的可靠性、冗余性与安全性.鉴于此, 本文也采用该方法.因此, 输出分布矩阵即${C_i}$, 便如模型1中所示.
本文假定, 对于第$i$个子系统, $p_i$路传感器中仅有$s_i$路是可被攻击者任意操纵的.除此之外, 本文不对攻击者具有的关于系统的信息和操纵信号的能力作任何限制.此外, 受安全检测与估计方面[4, 8]等文献的启发, 为了刻画安全估计可实现的充分条件, 本文引入如下定义.
定义1. $s$-稀疏攻击[8]:给定攻击向量${\mathit{\boldsymbol{\eta}}}_i(t)$, 如果存在集合$\Lambda_i \subset \left\{ {1, \cdots, p_i} \right\}$且$Card(\Lambda_i)=p_i-s$, 对任意$s \in \bf{N}$和$t$, 有${\eta _{i, j}}(t) = 0$, 而$\eta_i(t)$的其他$s$个分量不一定为零, 则称它是一个$s$-稀疏攻击, 或它是一个稀疏指数为$s$的攻击向量. $s$即为攻击向量的稀疏指数.
注2. 定义1主要用于刻画如(1)所示受攻击信息物理系统, 其状态安全估计可解的充分条件, 见第3.1节.
2. 问题描述
本文的主要目标是解决如下两个问题.
1) 分布式有限时间安全状态估计问题:即针对如式(1)所示受攻击信息物理系统, 提出其分布式状态安全估计可解的充分条件, 并设计安全估计器, 在有限时间内获得系统的真实状态.
2) 分布式有限时间安全问题:即针对如式(1)所示受攻击信息物理系统, 在安全状态估计实现的基础上, 设计分布式安全控制器, 使系统能够在有限时间内跟踪任意给定信号.
3. 分布式有限时间状态安全估计
本节将提出一种由安全预选器与有限时间观测器构成的分布式有限时间状态安全估计策略.
3.1 安全测量预选器设计
首先, 受文献[12]启发, 利用定义1, 对于分布式信息物理系统(1), 可给出其状态可安全估计的充分条件.
条件1. 对于受到稀疏攻击的分布式信息物理系统(1), 其中第$i$个子系统中的稀疏指数为${s_i}$, ${s_i}$满足如下条件:
$ {\begin{equation}\label{eqCont} {s_i} \le \left\{ {\begin{array}{*{20}{c}} {\dfrac{1}{2}({p_i} - 1)}, &{{p_i}~\text{为奇数}}\\[3mm] {\dfrac{1}{2}{p_i} - 1}, &{{p_i}~\text{为偶数}} \end{array}} \right. \end{equation}} $
(2) 命题1. 对于受到稀疏攻击的分布式信息物理系统(1), 其中第$i$个子系统中的稀疏指数为${s_i}$, 若条件1成立, 那其状态安全估计是可实现的.
证明. 命题1的证明与文献[12]中相似, 故在此省略.
注3. 对于集中式信息物理系统模型, 受攻击时状态安全估计的可实现条件在文献[7-11]中给出; 而命题1则进一步将对象扩展到受攻击的分布式信息物理系统, 并提出了状态可被安全估计得到的充分条件.此外, 需要注意, 命题1虽然刻画了受攻击地信息物理中的状态可安全估计的充分条件, 但由于系统1含有非线性耦合特性, 文献[12]中设计的安全观测器并不能直接应用, 所以具体的状态估计方法特别是有限时间估计方法还需要精巧地设计.
基于条件1, 同时受文献[12]启发, 可以设计一种分布式策略, 检索出每个系统中未受攻击的传感数据.在此, 先介绍一种中间值求取算子:给定向量${{y}_i}(t)$, 将其元素按大小排序得到一个新的向量${{\mathit{\boldsymbol{v}}}_i}= {[{v_{i, 1}}, \cdots, {v_{i, {p_i}}}]^{\rm T}}$, 其中${v_{i, 1}} \le \cdots \le {v_{i, {p_i}}}$.那么, 对于向量${{y}_i}(t)$的中间值算子如下:
$ \begin{equation}\label{eqMedOper} Med\left[ {{{\mathit{\boldsymbol{y}}}_i}(t)} \right] = \begin{cases} {{v_{i, in}}, }&{{p_i \text{为奇数}}}\\ { \dfrac{1}{2}({v_{i, in}} + {v_{i, in + 1}}), }&{{p_i \text{为偶数}}} \end{cases} \end{equation} $
(3) 其中, $p_i$为偶数时, $in = \frac{1}{2}{p_i}$; 而$p_i$为奇数时, $in = \frac{1}{2}({p_i}+1)$.当条件1成立时, 针对第$i$个子系统的分布式安全测量预选器设计如下:
$ \begin{equation}\label{eqPreSel} {z_{p, i}}(t) = Med\left[ {{{y}_i}(t)} \right] \end{equation} $
(4) 关于上述预选器, 下述结论成立.
引理1. 对于含有攻击的信息物理系统(1), 当条件1成立时, 利用安全测量预选器(4), 对所有时刻, 下式成立.
$ \begin{equation}\label{eqSecPreVal} {x_{i, 1}}(t) = {z_{p, i}}(t) \end{equation} $
(5) 证明. 引理1的证明与文献[12]中相似, 故省略.
注4. 值得注意的是, ${s_i}$为攻击向量中非零信号的数目, 即受到攻击的传感器的数量; ${r_i}$为不受攻击的传感器的数量; 而${q_i}$表示不受攻击的传感器超过受攻击的传感器的数量.实际上, 这部分分析表明, 只要不受攻击的传感器超过受攻击的传感器的数量, 即, 那么利用排序方法和中间值算子, 都能将"中间"不受攻击的信号提取出来.需要指出的是, 由于预选器(4)主要通过分析多路传输信号的差异, 从而提取出"安全" (未受攻击)的测量信号; 此外, 多路传感器采集的是同样的信号, 而实际信息系统内部的非线性特性在输出通道的表现都是相同的, 所以, 该预选器可以应对系统中含有非线性耦合的情况.
3.2 分布式状态安全估计器设计
受文献[16]中集中式有限时间观测器以及文献[12]中分布式有限时间安全状态估计器启发, 利用式(4)所设计的预选器, 对于受到攻击的信息物理系统(1)中第$i$个子系统, 可设计如下分布式安全状态估计器.
$ \begin{equation}\label{eqDisSecObsv} \left\{ {\begin{array}{*{20}{l}} {{\dot {\hat {\bar {\mathit{\boldsymbol{\zeta}}}}} }_i}(t) = {{\bar {F}}_i}{{\hat {\bar {\mathit{\boldsymbol{\zeta}}}} }_i}(t) + {{\bar {H}}_i} {\bar {\mathit{\boldsymbol{f}}}_i(t)} + {{\bar {L}}_i}{z_{p, i}}(t) + \\ \qquad ~\quad{{\bar {H}}_i}{{B}_i}{u_i}(t)\\ {{{\hat {\mathit{\boldsymbol{x}}}}_i}(t) = {{\bar {M}}_i}[{{\hat {\bar {\mathit{\boldsymbol{\zeta}}}}}_i}(t) - {e^{{{\bar {F}}_i}{T_{e, i}}}}{{\hat {\bar {\mathit{\boldsymbol{\zeta}}}}}_i}(t - {T_{e, i}})]} \end{array}} \right. \end{equation} $
(6) 其中, ${\hat {\bar {\mathit{\boldsymbol{\zeta}}}} _i}(t) \in {{\bf R}^{2n}}$为观测器状态, 而${\hat {\mathit{\boldsymbol{x}}}_i}(t)$作为观测器输出是对真实状态的安全估计, , , , , ${{F}_{i, j}} = {{A}_{i, 0}} - {{L}_{i, j}}{{C_i}}$为严格稳定矩阵, , $j = 1, 2$. ${T_{e, i}}$为一常数, 其选择满足如下不等式.
$ \begin{equation}\label{eqTeCond} \det \left[ {\begin{array}{*{20}{c}} {{{\bar {H}}_i}}&{\bar {F}_i^{{T_{e, i}}}{{\bar {H}}_i}} \end{array}} \right] \ne 0 \end{equation} $
(7) 为方便起见, 将所有子系统的${T_{e, i}}$取为相同值, 即, $i = 1, \cdots, N$.
此外, 矩阵${\bar {M}_i}$的计算方式如下:
$ \begin{equation}\label{eqMatrMCond} {\bar {M}_i} = \left[ {\begin{array}{*{20}{c}} {{{I}_{n \times n}}}&{{{\mathit{\boldsymbol{0}}}_{n \times n}}} \end{array}} \right]{\left[ {\begin{array}{*{20}{c}} {{{\bar {H}}_i}}&{\bar {F}_i^{{T_{e}}}{{\bar {H}}_i}} \end{array}} \right]^{ - 1}} \end{equation} $
(8) 注5. 虽然分布式有限时间观测器(6)是受文献[12]中方法启发而来, 且形式上有一定的相似之处, 但由于非线性耦合效应$f_i(\bar {\mathit{\boldsymbol{x}}}_i, t)$的存在, 使该文结果并不能直接应用到系统(1)中.因此, 本文利用项对信息物理系统中的非线性耦合部分进行补偿, 才能确保有限时间安全状态估计的实现.
利用上述提出的预选器与有限时间观测器, 能够确保在条件1满足时, 在有限时间内解决状态安全估计问题, 即可表述为如下定理.
定理1. 针对含有攻击的信息物理系统(1), 分布式输出预选器(4)和分布式有限时间观测器(6).当条件1成立且$T_e$和${\bar {M}_i}$分别满足(7)和(8)时, 信息物理系统(1)中的状态, 可以在预设的有限时间内准确地得到, 即当$t\ge {T_e}$时,
$ \begin{equation}\label{eqSecStatRes} {{\mathit{\boldsymbol{x}}}_i}(t) = {\hat {\mathit{\boldsymbol{x}}}_i}(t) \end{equation} $
(9) 证明. 记估计误差为: , 由于预选器(4)可以得到未受攻击测量信号, 那么估计误差的动态特性如下:
$ \begin{equation}\label{eqEstStaDyn} {\dot {\bar {{\pmb e}}}_{\zeta , i}}(t) = {\bar {H}_i}{{\mathit{\boldsymbol{x}}}_i}(t) - {\dot {\hat {\bar {\mathit{\boldsymbol{\zeta}}}}} _i} = {\bar {F}}_i{\bar {\mathit{\boldsymbol{e}}}_{\zeta , i}}(t) \end{equation} $
(10) 显然, 若将初始误差记为${\bar {{\pmb e}}_{\zeta, i}}(0)$, 那么误差${{\bar {{\pmb e}}}_{\zeta, i}}(t)$的特性可以刻画如下.
$ \begin{equation}\label{eqEstStaDyn2} {\bar {{\pmb e}}_{\zeta , i}}(t) = {e^{{{\bar {F}}_i}t}}{\bar {\mathit{\boldsymbol{e}}}_{\zeta , i}}(0) = {{\rm e}^{{{\bar {F}}_i}{T_e}}}{\bar {\mathit{\boldsymbol{e}}}_{\zeta , i}}(t - {T_e}) \end{equation} $
(11) 注意到以及${\bar {{\pmb e}}_{\zeta, i}}(t - {T_e}) = {\bar {H}_i}{\mathit{\boldsymbol{x}}}_i(t - {T_e}) - {\hat {\bar {\mathit{\boldsymbol{\zeta}}}} _i}(t - {T_e})$, 那么根据式(11)可得:
$ \begin{equation}\label{eqArgStatEr} {\bar {H}_i}{{\mathit{\boldsymbol{x}}}_i}(t) - {{\rm e}^{{{\bar {F}}_i}{T_e}}}{\bar {H}_i}{{\mathit{\boldsymbol{x}}}_i}(t - {T_e}) = {\hat {\bar {\mathit{\boldsymbol{\zeta}}}} _i}(t) - {{\rm e}^{{{\bar {F}}_i}{T_e}}}{\hat {\bar {\mathit{\boldsymbol{\zeta}}}} _i}(t - {T_e}) \end{equation} $
(12) 由于${T_{e}}$为满足式(7)的常数, 那么根据式(8), 可得:
$ \begin{equation}\label{eqEstStaDyn3} {\bar {M}_i}\left[ {\begin{array}{*{20}{c}} {{{\bar {H}}_i}}&{{{\rm e}^{{{\bar {F}}_i}{T_e}}}{{\bar {H}}_i}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{{I}_{n \times n}}}&{{0_{n \times n}}} \end{array}} \right] \end{equation} $
(13) 利用式(13), 在式(12)两侧同时左乘以${\bar{\mathit{\boldsymbol{M}}}_i}$, 可得:
$ \begin{equation}\label{eqEstStat} {{\mathit{\boldsymbol{x}}}_i}(t) = {\bar {M}_i}[{\hat {\bar {\mathit{\boldsymbol{\zeta}}}} _i}(t) - {{\rm e}^{{{\bar {F}}_i}{T_e}}}{\hat {\bar {\mathit{\boldsymbol{\zeta}}}} _i}(t - {T_e})] \end{equation} $
(14) 显然, 比较式(14)与式(6), 即可得到, 当$t \ge {T_e}$时, 式(9)成立.
4. 分布式有限时间安全控制器设计
受文献[17]启发, 本节提出一种基于反步法的分布式有限时间安全控制器, 使得受到攻击的信息物理系统(1)依然能够在有限时间内跟踪上任意的期望轨迹, 即${x_{i, 1}}(t)\to {x_{i, d}}(t)$, $i = 1, \cdots, N$.
4.1 反步法分布式状态安全估计器设计
首先, 定义跟踪误差为以及${e_{i, j + 1}}(t) = {\dot e_{i, j}}(t)$, 则其动态方程如下:
$ \begin{equation}\label{eqTraErDyn} \left\{ \begin{array}{l} {{\dot e}_{i, j}} = {e_{i, j + 1}}\\ {{\dot e}_{i, n}} = \sum\limits_{j = 1}^n {{\vartheta _{i, n, j}}{x_{i, j}}} + {b_i}u + {f_{i}} - x_{i, d}^{(n)} \end{array} \right. \end{equation} $
(15) 其中, $f_{i}=f_{i}(\bar{\mathit{\boldsymbol{x}}}, t)$, $x_{i, d}^{(j)}(t)$为${x_{i, d}}(t)$的第j阶导数; 通过迭代计算可得${e_{i, k + 1}}(t) = \sum\limits_{j = 1}^{k + 1} {{\vartheta _{i, k, j}}{x_{i, j}}(t)} - x_{i, d}^{(k)}(t)$, $k = 1, \cdots, i - 1$, $j = 1, \cdots, n - 1$和$i = 1, \cdots, n$; 而${\vartheta _{i, k, j}}$为迭代计算得到的参数, 其形式如下:
$ \begin{equation}\label{eqVartheta} {\vartheta _{i, k, j}} = \left\{ {\begin{array}{*{20}{l}} {\sum\limits_{l = 1}^k {{a_{i, l}}{\vartheta _{i, k - 1, l}}} }, &{j = 1}\\ {{\vartheta _{i, k - 1, j - 1}}}, &{j \ge 2} \end{array}} \right. \end{equation} $
(16) 其中, ${\vartheta _{i, 1, 1}} = {a_{i, 1}}$和${\vartheta _{i, 1, 2}} = 1$.
下面将采用反步法, 对第$i$个子系统, 设计分布式安全控制器, 使得${e_{i, 1}}(t)$收敛到0.
步骤1. 构造Lyapunov函数, 选择虚拟控制律:
$ \begin{equation}\label{eqAlphi1} {\alpha _{i, 1}}(t) = - {\beta _{i, 1}}\xi _{i, 1}^{{r_2}}(t) + {\dot x_{i, d}}(t) \end{equation} $
(17) 其中, ${\xi _{i, 1}}(t) = e_{i, 1}^{\frac{1}{{{r_1}}}}(t)$, ${r_1} = 1$, ${r_2} = {r_1} - \tau $, $\tau = \frac{{{\hbar _1}}}{{{\hbar _2}}}$而${\hbar _1}$为一偶数, ${\hbar _2}$为一奇数, 且$0 < \tau < \frac{1}{{n + 1}}$, ${\beta _{i, 1}} \ge n$.那么, 计算${V_{i, 1}}(t)$的导数, 可得:
$\begin{equation}\label{eqDerVi1} \begin{aligned} {{\dot V}_{i, 1}}(t) &= - \xi _{i, 1}^{2 - {r_2}}({\beta _{i, 1}}\xi _{i, 1}^{{r_2}}) + \xi _{i, 1}^{2 - {r_2}}({e_{i, 2}} - {\alpha _{i, 1}}) \le\\ & \xi _{i, 1}^{2 - {r_2}}({e_{i, 2}} - {\alpha _{i, 1}})- n\xi _{i, 1}^2 \end{aligned} \end{equation} $
(18) 步骤2. 构造Lyapunov函数, 选择虚拟控制律:
$ \begin{equation}\label{eqAlphi2} {\alpha _{i, 2}}(t) = - {\beta _{i, 2}}\xi _{i, 2}^{{r_3}}(t) + {\ddot x_{i, d}}(t) \end{equation} $
(19) 其中, , ${\beta _{i, 2}}$为适当的常数.那么, 求取${V_{i, 2}}(t)$的导数为
$ \begin{equation}\label{eqDerVi2} {\dot V_{i, 2}}(t) \le - n\xi _{i, 1}^2 + \xi _{i, 1}^{2 - {r_2}}({e_{i, 2}} - {\alpha _{i, 1}}) + \xi _{i, 2}^{2 - {r_2} + \tau }({e_{i, 3}}) \end{equation} $
(20) 注意, 根据杨氏不等式, 可得:
$ \begin{align}\label{eqEr2Cond} \left| {{e_{i, 2}} - {\alpha _{i, 1}}} \right| \le &{2^{2 - {r_2}}}{\left| {{{({e_{i, 2}})}^{\frac{1}{{{r_2}}}}} - {{({\alpha _{i, 1}})}^{\frac{1}{{{r_2}}}}}} \right|^{{r_2}}} =\nonumber\\& {2^{2 - {r_2}}}\xi _{i, 2}^{{r_2}} \end{align} $
(21) 进而, 根据式(21)可得:
$ \begin{equation}\label{eqEr2Cond2} \xi _{i, 1}^{2 - {r_2}}({e_{i, 2}} - {\alpha _{i, 1}}) \le \frac{1}{2}\xi _{i, 1}^2 + {c_{i, 2}}\xi _{i, 2}^2 \end{equation} $
(22) 其中, ${c_{i, 2}}$为一正常数.
选择${\beta _{i, 2}} \ge {c_{i, 2}}+n - 1$, 并将式(19)代入式(20), 可得:
$ \begin{equation}\label{eqDerVi2b} \begin{aligned} {{\dot V}_{i, 2}}(t) &\le - n\xi _{i, 1}^2 + \frac{1}{2}\xi _{i, 1}^2 + {c_{i, 2}}\xi _{i, 2}^2 - {\beta _{i, 2}}\xi _{i, 2}^2 +\\ & \xi _{i, 2}^{2 -{r_3}}({e_{i, 3}} - {\alpha _{i, 2}}) \le \xi _{i, 2}^{2 -{r_3}}({e_{i, 3}} - {\alpha _{i, 2}})-\\ & (n - 1)(\xi _{i, 1}^2 + \xi _{i, 2}^2) \end{aligned} \end{equation} $
(23) 步骤3. 假设${\dot V_{i, j - 1}}(t) \le - (n - j + 2)(\xi _{i, 1}^2 + \cdots + \xi _{i, j - 1}^2) + \xi _{i, j - 1}^{2 - {r_j}}({e_{i, j}} - {\alpha _{i, j - 1}})$, 那构造Lyapunov函数, 选择虚拟控制律:
$ \begin{equation}\label{eqAlphij} {\alpha _{i, j}}(t) = - {\beta _{i, j}}\xi _{i, j}^{{r_{j + 1}}}(t) \end{equation} $
(24) 其中, , .${V_{i, j}}(t)$的导数可计算如下:
$ \begin{equation}\label{eqDerVij} \begin{aligned} {\dot V_{i, j}}(t) &\le - (n - j + 2)(\xi _{i, 1}^2 + \cdots + \xi _{i, j - 1}^2) +\\ & \xi _{i, j - 1}^{2 - {r_j}}({e_{i, j}} - {\alpha _{i, j - 1}})+ \xi _{i, j}^{2 -{r_{j + 1}}}{e_{i, j + 1}} \end{aligned} \end{equation} $
(25) 相似地, 根据杨氏不等式, 可得:
$ \begin{equation}\label{eqErjCond} \begin{aligned} \xi _{i, j - 1}^{2 - {r_j}}({x_{i, j}} - {\alpha _{i, j - 1}}) &\le {2^{1 - {r_{j - 1}} - \tau }}{\left| {{\xi _{i, j - 1}}} \right|^{2 - {r_{j - 1}} - \tau }} \cdot \\ & {\left| {{\xi _{i, j}}} \right|^{{r_j}}} \le \frac{1}{2}\xi _{i, j - 1}^2 + {c_{i, j}}\xi _{i, j}^2 \end{aligned} \end{equation} $
(26) 其中, ${c_{i, j}}$为一正常数.
选择${\beta _{i, j}} \ge {c_{i, j}}+n - j + 1$, 并将式(24)和式(26)代入式(25), 可得:
$ \begin{equation}\label{eqDerVij2} \begin{aligned} {\dot V_{i, j}}(t) &\le - (n - j + 1)(\xi _{i, 1}^2 + \cdots + \xi _{i, j}^2) +\\ &\xi _{i, j}^{2 - {r_{j + 1}}}({e_{i, j + 1}} - {\alpha _{i, j}}) \end{aligned} \end{equation} $
(27) 步骤4. 第$n$步.设计虚拟控制律:
$ \begin{equation}\label{eqAlphin} \begin{aligned} {\alpha _{i, n}}(t) &= - {\beta _{i, n}}\xi _{i, n}^{{r_{n + 1}}}(t) - {f_{i}}(\bar x, t) -\\ & \sum\limits_{j = 1}^n {{\vartheta _{i, n, j}}{x_{i, j}}(t)} +x_{i, d}^{(n)}(t) \end{aligned} \end{equation} $
(28) 其中, , , ${\beta _{i, n}} \ge {c_{i, n}} + 1$而$c_{i, n}$为一正常数.那么, 设计第$i$个子系统的控制律如下:
$ \begin{equation}\label{eqDisSecCtrl} {u_i}(t) = \left\{ {\begin{array}{*{20}{l}} 0, &{t \le {T_e}}\\ {\dfrac{1}{{{b_i}}}{\alpha _{i, n}}(t) }, %= - \frac{1}{{{b_i}}}{\beta _{i, n}}\xi_{i, n}^{{r_{n + 1}}}(t) - \dfrac{1}{{{b_i}}}[{f_i}({{\bar x}_i}, t) +\sum\limits_{j = 1}^n {{\vartheta _{i, n, j}}{x_{i, j}}(t)} + x_{i, d}^{(n)}(t)] &t> T_e \end{array}} \right. \end{equation} $
(29) 其中, ${\alpha _{i, n}}(t)$在式(28)中给出, ${T_e}$为满足式(7)的常数.
4.2 稳定性分析
至此, 关于受攻击信息物理系统(1), 其有限时间安全控制问题可解, 可总结为如下定理.
定理2. 针对含有攻击的信息物理系统(1)、分布式输出预选器(4)、分布式有限时间观测器(6)以及分布式有限时间控制器(29).当条件1成立且$T_e$和$ \bar{\mathit{\boldsymbol{M}}}_i$分别满足式(7)和式(8)时, 信息物理系统(1)中状态${x_{i, 1}}(t)$, 可以在有限时间内准确跟踪上任意信号${x_{i, d}}(t)$, 即存在${T_c}> 0$, 当$t \ge {T_c} + {T_e}$时,
$ \begin{equation}\label{eqSecCtrlRes} {x_{i, 1}}(t) = {x_{i, d}}(t) \end{equation} $
(30) 其中, ${T_e}$为满足(7)的常数, , 而${V_n}(0)$为选择的Lyapunov函数初值; $\tau = {{{\hbar _1}}}/{{{\hbar _2}}}$而${\hbar _1}$为一偶数, ${\hbar _2}$为一奇数, 且$0 < \tau < \frac{1}{{n + 1}}$; , $\gamma > 0$为一常数.
证明. 首先证明, 含有攻击的信息物理系统(1)、分布式输出预选器(4)、分布式有限时间观测器(6)以及分布式有限时间控制器(29)是有限时间稳定的.现在根据定理2, 利用信息物理系统(1), 分布式输出预选器(4), 分布式有限时间观测器(6), 当$t\ge {T_e}$时, ${\mathit{\boldsymbol{x}}_i}(t) = {\hat {\mathit{\boldsymbol{x}}}_i}(t)$.这就意味着, 当$t \ge {T_e}$时, 可直接利用${{\hat {\mathit{\boldsymbol{x}}}}_i}(t)$代替$ {\mathit{\boldsymbol{x}}}_i(t)$, 进行控制器设计.所以, 仅需分析$t \ge {T_e}$时控制律的效果.
当$t \ge {T_e}$时, 构造Lyapunov函数, 对其求导, 并考虑系统模型(1)和控制律(29), 可得:
$ \begin{equation}\label{eqDerVin} \begin{aligned} {{\dot V}_{i, n}}(t) &= {{\dot V}_{i, n - 1}}(t) + {[{({e_{i, n}})^{\frac{1}{{{r_n}}}}} - {({\alpha _{i, n - 1}})^{\frac{1}{{{r_n}}}}}]^{2 - {r_n} + \tau }} \cdot \\ &({b_i}{u_i} + \sum\limits_{j = 1}^n {{\vartheta _{i, n, j}}{x_{i, j}}} + {f_{i}} -x_{i, d}^{(n)}) \le\\ & - {\beta _{i, n}}\xi _{i, n}^2 + \xi _{i, n -1}^{2 - {r_n}}({e_{i, n}} - {\alpha _{i, n - 1}}) - \\ & 2(\xi _{i, 1}^2 + \cdots + \xi _{i, n - 1}^2) \end{aligned} \end{equation} $
(31) 根据杨氏不等式, 可得:
$ \begin{equation}\label{eqErinCond} \begin{aligned} \xi _{i, n - 1}^{2 - {r_n}}({e_{i, n}} - {\alpha _{i, n - 1}}) &\le {2^{1 - {r_{n - 1}} - \tau }}{\left| {{\xi _{i, n - 1}}} \right|^{2 - {r_{n - 1}} - \tau }} \cdot \\ & {\left| {{\xi _{i, n}}} \right|^{{r_n}}} \le \frac{1}{2}\xi _{i, n - 1}^2 + {c_{i, n}}\xi _{i, n}^2 \end{aligned} \end{equation} $
(32) 选择${\beta _{i, n}} \ge {c_{i, n}} + 1$, 并将式(32)代入式(31), 可得:
$ \begin{equation}\label{eqDerVinb} \begin{aligned} {\dot V_{i, n}}(t) &\le - 2(\xi _{i, 1}^2 + \cdots + \xi _{i, n - 1}^2) + \frac{1}{2}\xi _{i, n - 1}^2 + \\ &{c_{i, n}}\xi _{i, n}^2- {\beta _{i, n}}\xi _{i, n}^2 \le - (\xi _{i, 1}^2 + \cdots + \xi _{i, n}^2) \end{aligned} \end{equation} $
(33) 另外, 与式(21)相似, 可得:
$ \begin{equation}\label{eqErijCond} \begin{aligned} \left| {{e_{i, j}} - {\alpha _{i, j - 1}}} \right| %&\le {2^{2 - {r_j}}}{\left|{{{({e_{i, j}})}^{\frac{1}{{{r_j}}}}} - {{({\alpha _{i, j -1}})}^{\frac{1}{{{r_j}}}}}} \right|^{{r_j}}} \\ & \le {2^{2 - {r_j}}}{\left| {{\xi _{i, j}}} \right|^{{r_j}}} \end{aligned} \end{equation} $
(34) 进而, 可得:
$ \begin{align}\label{eqIntErijCond} &\int_{{\alpha _{i, j - 1}}}^{{e_{i, j}}} {{{[{s^{\frac{1}{{{r_j}}}}} - {{({\alpha _{i, j - 1}})}^{\frac{1}{{{r_j}}}}}]}^{2 - {r_j} + \tau }}{{\rm d}s}} \le\nonumber\\ &\qquad \left| {{e_{i, j}} - {\alpha _{i, j - 1}}} \right|{\left| {{{({e_{i, j}})}^{\frac{1}{{{r_j}}}}} - {{({\alpha _{i, j - 1}})}^{\frac{1}{{{r_j}}}}}} \right|^{2 - {r_j} + \tau }}\le\nonumber\\ &\qquad {2^{2 - {r_j}}}{\left| {{\xi _{i, j}}} \right|^{{r_j}}}{\left| {{\xi _{i, j}}} \right|^{2 - {r_j} + \tau }} = {2^{2 - {r_j}}}{\left| {{\xi _{i, j}}} \right|^{2 + \tau }} \end{align} $
(35) 那么, 根据${V_{i, n}}(t)$定义, 可得:
$ \begin{equation}\label{eqVinCond} {V_{i, n}}(t) \le \frac{1}{{{\gamma _i}}}(\xi _{i, 1}^{2 + \tau } + \cdots + \xi _{i, n}^{2 + \tau }) \end{equation} $
(36) 其中, ${\gamma _i} \ge 0$为一常数.
进而, 构造Lyapunov函数${V_n}(t) = \sum\limits_{i = 1}^N {{V_{i, n}}(t)} $, 对其求导, 可得:
$ \begin{equation}\label{eqDerVn} {\dot V_n}(t) \le - \sum\limits_{i = 1}^N {(\xi _{i, 1}^2 + \cdots + \xi _{i, n}^2)} \end{equation} $
(37) 注意, 当时, .那定义, 并选取$\lambda = \frac{1}{2}{(\gamma)^{\frac{2}{{2 + \tau }}}}$, 可得:
$ \begin{equation}\label{eqDerVnb} \begin{aligned} {\dot V_n}(t) + \lambda {[{V_n}(t)]^{\frac{2}{{2 + \tau }}}} &\le - \sum\limits_{i = 1}^N {(\xi _{i, 1}^2 + \cdots + \xi _{i, n}^2)} +\\ & \lambda\frac{1}{{{\gamma ^{\frac{2}{{2 + \tau }}}}}}\sum\limits_{i = 1}^N {(\xi _{i, 1}^2 + \cdots + \xi _{i, n}^2)} \le\\ & - \frac{1}{2}\sum\limits_{i = 1}^N {(\xi _{i, 1}^2 + \cdots + \xi _{i, n}^2)} \end{aligned} \end{equation} $
(38) 由于$\xi _{i, j}^2 \ge 0$, 则有${\dot V_n}(t) + \lambda {[{V_n}(t)]^{\frac{2}{{2 + \tau }}}} \le 0$; 求解该方程可得.注意, 根据定义${V_n}(t) \ge 0$, 那当$t \ge {T_c}$时, .因此可得, 包含攻击的信息物理系统(1)、分布式输出预选器(4)、分布式有限时间观测器(6)以及分布式有限时间控制器(29)的整个闭环系统是有限时间稳定的, 即存在${T_c}> 0$, 当$t \ge {T_c}$时, ${x_{i, 1}}(t) = {x_{i, d}}(t)$.
接下来, 将证明当$t \in \left[{0, {T_c}} \right]$时, 系统中的各个变量不会发散.构造函数, 计算其导数可得:
$ \begin{align}\label{eqDerThet} {\dot \Theta _i}({{{\pmb e}}_i}, t) =&{e_{i, 1}}{e_{i, 2}} + \cdots +{e_{i, n}} \cdot[{b_i}{u_i} +\nonumber\\ &\sum\limits_{j = 1}^n {{\vartheta _{i, n, j}}{x_{i, j}}} + {f_{i}}- x_{i, d}^{(n)}] \end{align} $
(39) 令, 根据控制律定义式(29)以及式(28), 可得:
$ \begin{equation}\label{eqAlphinCond} \begin{aligned} %{b_i}{u_i}(t) + \sum\limits_{j = 1}^n {{\vartheta _{i, n, j}}{x_{i, j}}(t)} +{f_i}({{\bar x}_i}, t){\mathit{\boldsymbol{ - }}}x_{i, d}^{(n)}(t) \varepsilon_i (t)%&\le {\beta _{i, n}}{\left| {{\xi_{i, n}}(t)} \right|^{{r_{n + 1}}}} \\ &\le {\beta _{i, n}}{\left| {{e_{i, n}}} \right|^{\frac{{{r_{n + 1}}}}{{{r_n}}}}} + {\beta _{i, n}}{\left| {{\alpha _{i, n - 1}}} \right|^{\frac{{{r_{n + 1}}}}{{{r_n}}}}} \le {\beta _{i, n}} \cdot \\ & {\left| {{e_{i, n}}} \right|^{\frac{{{r_{n + 1}}}}{{{r_n}}}}} +{\beta _{i, n}}\beta _{i, n{{ - 1}}}^{\frac{{{r_{n + 1}}}}{{{r_n}}}}{\left| {{e_{i, n{{ - 1}}}}} \right|^{\frac{{{r_{n + 1}}}}{{{r_{n{{ - 1}}}}}}}}+\cdots {{ + }}\\ &{\beta _{i, n}}\beta _{i, n{{ - 1}}}^{\frac{{{r_{n + 1}}}}{{{r_n}}}} \cdots \beta _{i, {{1}}}^{\frac{{{r_{n + 1}}}}{{{r_{{2}}}}}}{\left| {{e_{i, {{1}}}}} \right|^{\frac{{{r_{n + 1}}}}{{{r_{{1}}}}}}} \end{aligned} \end{equation} $
(40) 下面的讨论分为$e_{i, 1}^2 + \cdots + e_{i, n}^2 \ge 1$和$e_{i, 1}^2 + \cdots + e_{i, n}^2 < 1$两种情况.首先, 当$e_{i, 1}^2 + \cdots + e_{i, n}^2 \ge 1$时, 由于$\frac{{{r_{n + 1}}}}{{{r_j}}}{\mathit{\boldsymbol{ = }}}\frac{{1 - n\tau }}{{1 - (j - 1)\tau }} < 1$, 根据式(40), 即有
$ \begin{equation}\label{eqAlphinCond2} \varepsilon_i (t) \le {\upsilon _i}(\left| {{e_{i, n}}} \right| + \cdots + \left| {{e_{i, {{1}}}}} \right|) \end{equation} $
(41) 其中, ${\upsilon _i} = {\beta _{i, n}}{{ + }} \cdots {{ + }}{\beta _{i, n}}\beta _{i, n{{ - 1}}}^{\frac{{{r_{n + 1}}}}{{{r_n}}}} \cdots \beta _{i, {{1}}}^{\frac{{{r_{n + 1}}}}{{{r_{{2}}}}}}$.
将式(41)代入式(39), 可得:
$ \begin{equation}\label{eqDerThet2} \begin{aligned} {{\dot \Theta }_i}({{\pmb e}}_i, t) %&\le \left| {{e_{i, 1}}} \right|\left| {{e_{i, 2}}}\right| + \cdots + \left| {{e_{i, n - 1}}} \right|\left| {{e_{i, n}}} \right| \\ &+{\upsilon _i}\left| {{e_{i, n}}} \right|(\left| {{e_{i, n}}} \right| + \cdots + \left| {{e_{i, {{1}}}}} \right|)\le\\ & \frac{1}{2}(e_{i, 1}^2 + e_{i, 2}^2) + \cdots + \frac{1}{2}(e_{i, n - 1}^2 + e_{i, n}^2) +\\ & \frac{{{\upsilon _i}}}{2}(e_{i, 1}^2 + e_{i, n}^2) + \cdots + {\upsilon _i}e_{i, n}^2\le\\ & (1 + n{\upsilon _i})(e_{i, 1}^2 + \cdots + e_{i, n}^2) =\\ &{K_i}{\Theta _i}({e_i}, t) \end{aligned} \end{equation} $
(42) 其中, ${K_i} = 2(1 + n{\upsilon _i})$.
另外, 当$e_{i, 1}^2 + \cdots + e_{i, n}^2 \le 1$时, 则, 根据式(40), 即有:
$ \begin{equation}\label{eqAlphinCond3} %{b_i}{u_i}(t) + \sum\limits_{j = 1}^n {{\vartheta _{i, n, j}}{x_{i, j}}(t)} +{f_i}({\bar x_i}, t) - x_{i, d}^{(n)}(t) {\alpha _{i, n}}(t)\le {\upsilon _i}(\left| {{e_{i, n}}} \right| + \cdots + \left| {{e_{i, {{1}}}}} \right|) \le {\upsilon _i} \end{equation} $
(43) 此时, 将式(43)代入式(39), 可得:
$ \begin{equation}\label{eqDerThet3} \begin{aligned} {\dot \Theta _i}({{\pmb e}}_i, t) &\le \left| {{e_{i, 1}}} \right|\left| {{e_{i, 2}}} \right| + \cdots + \left| {{e_{i, n - 1}}} \right|\left| {{e_{i, n}}} \right| + \\ &{\upsilon _i}\left| {{e_{i, n}}} \right| \le {L_i} \end{aligned} \end{equation} $
(44) 其中, ${L_i} = n - 1 + {\upsilon _i}$.
综合式(42)和式(44), 可得:
$ \begin{equation}\label{eqDerThet4} {\dot \Theta _i}({{{\pmb e}}_i}, t) \le {K_i}{\Theta _i}({{\mathit{\boldsymbol{e}}}_i}, t) + {L_i} \end{equation} $
(45) 那么, 构造函数$\Theta ({\pmb e}) = \sum_{i = 1}^N {{\Theta _i}({{\mathit{\boldsymbol{e}}}_i})} $, 并根据式(45), 可求得$\Theta ({\pmb e})$的导数为
$ \begin{equation}\label{eqDerSumThet} \dot \Theta ({\pmb e}) \le K\Theta ({\pmb e}, t) + L \end{equation} $
(46) 其中, $K = \max \{ {K_i}\} $和.求解不等式(46), 可得:
$ \begin{equation}\label{eqSumThetCond} \Theta ({\pmb e}, t) \le \left[\Theta ({\pmb e}(0) + \frac{L}{K}\right]{{\rm e}^{Kt}} - \frac{L}{K} \end{equation} $
(47) 根据$\Theta ({\pmb e})$的定义, 可得, 在时, 系统(1)中各子系统的状态${x_i}(t)$都是有界的.
5. 仿真示例
为了验证本文提出算法的有效性, 将其应用到如图 2所示的微电网系统中的二次频率恢复控制中[18].该微电网包含4个发电机, 4个局部负载以及3组传输母线.遵照该文方法, 仅考虑发电过程, 而将原电机的机械力矩直接作为发电机受控输入, 且当传输母线为无损时, 则第$i$个发电机的相位下降过程为
$ \begin{equation}\label{eqMicGridDyn} \left\{ {\begin{array}{*{20}{l}} {{{\dot \delta }_i}(t) = {\omega _i}(t)}\\ {{\tau _{Pi}}{{\dot \omega }_i}(t) + {\omega _i}(t) + {k_{Pi}}({P_i}(t) - P_i^d(t)) + {u_i}(t) = 0} \end{array}} \right. \end{equation} $
(48) 其中, ${\delta _i}(t)$是第$i$个发电机的电气角, ${\omega _i}(t)$是相对角速度, ${u_i}(t)$是设计的受控输入, ${\tau _{Pi}}$为测量有功功率的滤波器系数, ${k_{Pi}}$为频率下降增益; $P_i^d(t)$为期望的有功功率, ${P_i}(t)$而为实际的有功功率, 它满足如下条件:
$ \begin{align}\label{eqRealPow} {P_i}(t) = &{P_{1i}}V_i^2(t) + {P_{2i}}{V_i}(t) + {P_{3i}} + \nonumber\\ &\sum\limits_{j=1}^N {{V_i}(t){V_j}(t)\left| {{B_{ij}}} \right|\sin ({\delta _i} - {\delta _j})} \end{align} $
(49) 其中, ${B_{ij}}$是通过剔除所有物理母线后得到的内部网络节点后得到的阻抗矩阵的第$i$行第$j$列的参数; ${V_i}(t)$为第$i$个发电机的电压, ${P_{1i}}$、${P_{2i}}$和${P_{3i}}$分别为名义恒定阻抗、恒定电流和恒定功率负载.该微电网的参数见表 1.
表 1 微电网系统模型参数Table 1 Parameters of isolated grids systems发电机1 发电机2 发电机3 发电机4 模型 $\tau_{Pi}$ 0.016 0.016 0.016 0.016 $k_{Pi}$ 6E-5 3E-5 2E-5 1.5E-5 负载 $P_{1i}$ 0.01 0.01 0.01 0.01 $P_{2i}$ 1 2 3 4 $P_{3i}$ 1E-4 1E-4 1E-4 1E-4 母线 $B_{12}=10 \Omega^{-1}$, $B_{23}=10.67 \Omega^{-1}$, $B_{34}=9.82 \Omega^{-1}$ 参考电气角 $\delta_i ^{d}$=1 (rad) 选取作为系统状态, 将式(49)代入式(48), 可得形如式(1)的模型.
$ \begin{equation}\label{eqMicGridDyn2} \left\{ \begin{array}{l} {{\dot {\mathit{\boldsymbol{x}}}}_i}(t) = {{A}_i}{{\mathit{\boldsymbol{x}}}_i}(t) + {{B}_i}{u_i}(t) + {{B}_i} {f_{i}}(\bar{\pmb x}, t)\\ {{\mathit{\boldsymbol{y}}}_i}(t) = {{C}_i}{{\mathit{\boldsymbol{x}}}_i}(t) + {{\mathit{\boldsymbol{\eta}} }_i}(t) \end{array} \right. \end{equation} $
(50) 其中, ${A_i}$和${B_i}$的值可以通过表 1计算可得, 选择; $ {f_{i}}(\bar {\mathit{\boldsymbol{x}}}_i, t)={f_{i0}}/{{\tau _{Pi}}}$而, ${{\mathit{\boldsymbol{\eta}}} _i}(t)$为注入的传感器攻击.设计的攻击信号为: , , 和, 其余分量为0.
根据第3节和第4节的分析, 设计的有限时间观测器参数为${T_e} = 0.45$, ${\bar F_i} = [-17.5\; 1.0\; 0\; 0; -2 106.3\; - 62.5\; 0\; 0;\; 0\; 0\; 42.5\; 1.0;\; 0\; 0\; -2 856.3\; -62.5]$, , ; 而安全控制器的参数为${h_{i, 1}} = 2$和${h_{i, 2}} = 7$, ${\beta _{i, 1}} = 5$和${\beta _{i, 2}} = 2.5$.
仿真结果见图 3 ~图 7.发电机组的状态及其估计如图 3 ~图 6所示, 可以看出, 经过 s后, 所有发电机的状态估计值与真实值完全一致, 这就验证了文中理论分析的有效性; 此外, 利用设计的安全控制器, 每个发电机的电气角都在有限时间, 大约为2.7 s后, 达到期望的角度, 见图 3 ~图 6; 同样, 从图 3 ~图 6可以看出, 每个发电机的状态都是有界的, 同时根据图 7可得, 设计的安全控制信号也是有界的, 这同样也验证了本文的理论分析.
6. 结束语
本文针对含有非线性耦合特性的受攻击信息物理系统, 研究其有限时间状态安全估计以及分布式有限时间安全控制器设计问题.首先, 设计一种由安全测量预选器和有限时间观测器组成的分布式安全状态估计策略, 能够保证在预设时间内实现有限时间安全状态估计; 其次, 利用获得的安全状态估计, 并采用反步设计方法, 提出一种分布式有限时间安全控制器, 可以保证系统的在有限时间内跟踪期望信号; 并将文中提出的方法在一个微电网系统中进行仿真实验, 其结果验证了所提方法的有效性.需要说明的是, 本文涉及发电过程没有涉及对机械传动过程, 即对原动机的工作特性研究有所不足, 因此, 在将本文提出的方法应用到实际系统时, 还有不少工作需要完成.此外, 实际系统中还需要关注系统不确定性、噪声、状态及控制信号约束等特性, 这也是我们未来研究的目标.
-
图 1 3旋转关节自由度机器人Robotic toolbox中的模型
Fig. 1 Model of 3 revolute joint robot in robotic toolbox
图 6 关节1含扰动观测器和不加扰动观测器角度跟踪控制
Fig. 6 Joint 1 angle tracking control with and without disturbance observer
图 7 关节1含扰动观测器和不加扰动观测器速度跟踪控制
Fig. 7 Joint 1 velocity tracking control with and without disturbance observer
图 8 关节2含扰动观测器和不加扰动观测器角度跟踪控制
Fig. 8 Joint 2 angle tracking control with and without disturbance observer
图 9 关节2含扰动观测器和不加扰动观测器速度跟踪控制
Fig. 9 Joint 2 velocity tracking control with and without disturbance observer
图 10 关节3含扰动观测器和不加扰动观测器角度跟踪控制
Fig. 10 Joint 3 angle tracking control with and without disturbance observer
图 11 关节3含扰动观测器和不加扰动观测器速度跟踪控制
Fig. 11 Joint 3 velocity tracking control with and without disturbance observer
图 16 机器人系统结构: 1.肩$S_0$关节; 2.肩$S_1$关节; 3.肘$E_0$关节; 4.肘$E_1$关节; 5.腕$W_0$关节; 6.腕$W_1$关节; 7.腕$W_2$关节; 8.声纳传感器; 9.面部摄像头; 10.显示屏; 11.末端摄像头; 12.末端抓手; 13.操作旋钮; 14.柔性关节; 15.肩关节支撑弹簧; 16.吸盘
Fig. 16 The system structure of Baxter robot: 1. shoulder joint $S_0$; 2. shoulder joint $S_1$; 3. elbow joint $E_0$; 4. elbow joint $E_1$; 5. wrist joint $W_0$; 6. wrist joint $W_1$; 7. wrist joint $W_2$; 8. sonar sensor; 9. facial camera; 10. screen; 11. end-effector camera; 12. gripper; 13. operating knob; 14. flexible joint; 15. $S_1$ shoulder support spring; 16. sucker
表 1 Baxter机器人D-H参数和连杆质量
Table 1 D-H parameter and link mass of Baxter robot
Link $\theta$ $d$ (m) $a$ (m) $\alpha$ (rad) $m$ (kg) 1 $\theta_1$ 0.2703 0.069 $-\frac{\pi}{2}$ 5.70044 2 $\theta_2$ 0 0 $\frac{\pi}{2}$ 3.22698 3 $\theta_3$ 0.3644 0.069 $-\frac{\pi}{2}$ 4.31272 4 $\theta_4$ 0 0 $\frac{\pi}{2}$ 2.07206 5 $\theta_5$ 0.3743 0.01 $-\frac{\pi}{2}$ 2.24665 6 $\theta_6$ 0 0 $\frac{\pi}{2}$ 1.60979 7 $\theta_7$ 0.2295 0 0 0.54218 
下载: 导出CSV
表 2 Baxter机器人PD控制参数
Table 2 PD control parameter of Baxter robot
Joint P D $S_0$ 50.01 2.5 $S_1$ 60 1.3 $E_0$ 15.1 2.5 $E_1$ 14 3 $W_0$ 25.2 3 $W_1$ 12 10 $W_2$ 12.3 10
下载: 导出CSV
-
[1] He W, Li Z J, Chen C L P. A survey of human-centered intelligent robots:issues and challenges. IEEE/CAA Journal of Automatica Sinica, 2017, 4(4):602-609 doi: 10.1109/JAS.2017.7510604 [2] Li Y N, Ge S S. Human-robot collaboration based on motion intention estimation. IEEE/ASME Transactions on Mechatronics, 2014, 19(3):1007-1014 doi: 10.1109/TMECH.2013.2264533 [3] Li H Y, Chen Z R, Wu L G, Lam H-K. Event-triggered control for nonlinear systems under unreliable communication links. IEEE Transactions on Fuzzy Systems, 2017, 25(4):813-824 doi: 10.1109/TFUZZ.2016.2578346 [4] 侯增广, 赵新刚, 程龙, 王启宁, 王卫群.康复机器人与智能辅助系统的研究进展.自动化学报, 2016, 42(12):1765-1779 http://www.aas.net.cn/CN/abstract/abstract18966.shtmlHou Zeng-Guang, Zhao Xin-Gang, Cheng Long, Wang Qi-Ning, Wang Wei-Qun. Recent advances in rehabilitation robots and intelligent assistance systems. Acta Automatica Sinica, 2016, 42(12):1765-1779 http://www.aas.net.cn/CN/abstract/abstract18966.shtml [5] 贺威, 丁施强, 孙长银.扑翼飞行器的建模与控制研究进展.自动化学报, 2017, 43(5):685-696 http://www.aas.net.cn/CN/abstract/abstract19047.shtmlHe Wei, Ding Shi-Qiang, Sun Chang-Yin. Research progress on modeling and control of flapping-wing air vehicles. Acta Automatica Sinica, 2017, 43(5):685-696 http://www.aas.net.cn/CN/abstract/abstract19047.shtml [6] 魏庆来, 张化光, 刘德荣, 赵琰.基于自适应动态规划的一类带有时滞的离散时间非线性系统的最优控制策略.自动化学报, 2010, 36(1):121-129 http://www.aas.net.cn/CN/abstract/abstract13638.shtmlWei Qing-Lai, Zhang Hua-Guang, Liu De-Rong, Zhao Yan. An optimal control scheme for a class of discrete-time nonlinear systems with time delays using adaptive dynamic programming. Acta Automatica Sinica, 2010, 36(1):121-129 http://www.aas.net.cn/CN/abstract/abstract13638.shtml [7] Xu B, Shi Z K, Yang C G, Sun F C. Composite neural dynamic surface control of a class of uncertain nonlinear systems in strict-feedback form. IEEE Transactions on Cybernetics, 2014, 44(12):2626-2634 doi: 10.1109/TCYB.2014.2311824 [8] 铁林, 蔡开元, 林岩.双线性系统可控性综述.自动化学报, 2011, 37(9):1040-1049 http://www.aas.net.cn/CN/abstract/abstract17527.shtmlTie Lin, Cai Kai-Yuan, Lin-Yan. A survey on the controllability of bilinear systems. Acta Automatica Sinica, 2011, 37(9):1040-1049 http://www.aas.net.cn/CN/abstract/abstract17527.shtml [9] 沈飞, 曹志强, 徐德, 周超.基于Kane方法的机器海豚动力学建模及速度优化方法.自动化学报, 2012, 38(8):1247-1256 http://www.aas.net.cn/CN/abstract/abstract13554.shtmlShen Fei, Cao Zhi-Qiang, Xu De, Zhou Chao. A dynamic model of robotic dolphin based on Kane method and its speed optimization method. Acta Automatica Sinica, 2012, 38(8):1247-1256 http://www.aas.net.cn/CN/abstract/abstract13554.shtml [10] Modares H, Ranatunga I, Lewis F L, Popa D O. Optimized assistive human-robot interaction using reinforcement learning. IEEE Transactions on Cybernetics, 2016, 46(3):655-667 doi: 10.1109/TCYB.2015.2412554 [11] 孙富春, 孙增圻, 张钹.基于观测器的机械手神经网络自适应控制.自动化学报, 1999, 25(3):295-302 http://www.aas.net.cn/CN/abstract/abstract16725.shtmlSun Fu-Chun, Sun Zeng-Qi, Zhang Bo. Observer-based adaptive control for robot trajectory tracking using neural networks. Acta Automatica Sinica, 1999, 25(3):295-302 http://www.aas.net.cn/CN/abstract/abstract16725.shtml [12] Li Y N, Ge S S. Impedance learning for robots interacting with unknown environments. IEEE Transactions on Control Systems Technology, 2014, 22(4):1422-1432 doi: 10.1109/TCST.2013.2286194 [13] He W, Dong Y T. Adaptive fuzzy neural network control for a constrained robot using impedance learning. IEEE Transactions on Neural Networks and Learning Systems, 2017, 29(4):1174-1186 [14] De Santis A, Siciliano B, De Luca A, Bicchi A. An atlas of physical human-robot interaction. Mechanism and Machine Theory, 2008, 43(3):253-270 doi: 10.1016/j.mechmachtheory.2007.03.003 [15] Liu Y J, Tong S C, Li D J, Gao Y. Fuzzy adaptive control with state observer for a class of nonlinear discrete-time systems with input constraint. IEEE Transactions on Fuzzy Systems, 2016, 24(5):1147-1158 doi: 10.1109/TFUZZ.2015.2505088 [16] Wang F Y, Zhang J, Wei Q L, Zheng X H, Li L. PDP:parallel dynamic programming. IEEE/CAA Journal of Automatica Sinica, 2017, 4(1):1-5 doi: 10.1109/JAS.2017.7510310 [17] Tong S C, Wang T, Li Y M, Chen B. A combined backstepping and stochastic small-gain approach to robust adaptive fuzzy output feedback control. IEEE Transactions on Fuzzy Systems, 2013, 21(2):314-327 doi: 10.1109/TFUZZ.2012.2213260 [18] Liu Y J, Tong S C. Adaptive NN tracking control of uncertain nonlinear discrete-time systems with nonaffine dead-zone input. IEEE Transactions on Cybernetics, 2015, 45(3):497-505 doi: 10.1109/TCYB.2014.2329495 [19] Chen C L P, Wen G X, Liu Y J, Wang F Y. Adaptive consensus control for a class of nonlinear multiagent time-delay systems using neural networks. IEEE Transactions on Neural Networks and Learning Systems, 2014, 25(6):1217-1226 doi: 10.1109/TNNLS.5962385 [20] 韩红桂, 乔俊飞, 薄迎春.基于信息强度的RBF神经网络结构设计研究.自动化学报, 2012, 38(7):1083-1090 http://www.aas.net.cn/CN/abstract/abstract13727.shtmlHan Hong-Gui, Qiao Jun-Fei, Bo Ying-Chun. On structure design for RBF neural network based on information strength. Acta Automatica Sinica, 2012, 38(7):1083-1090 http://www.aas.net.cn/CN/abstract/abstract13727.shtml [21] Ding S B, Wang Z S, Zhang H G. Event-triggered stabilization of neural networks with time-varying switching gains and input saturation. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(10):5045-5056 doi: 10.1109/TNNLS.2017.2787642 [22] Narendra K S, Parthasarathy K. Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, 1990, 1(1):4-27 doi: 10.1109/72.80202 [23] Yang C G, Jiang Y M, Li Z J, He W, Su C Y. Neural control of bimanual robots with guaranteed global stability and motion precision. IEEE Transactions on Industrial Informatics, 2017, 13(3):1162-1171 doi: 10.1109/TII.2016.2612646 [24] He W, Dong Y T, Sun C Y. Adaptive neural impedance control of a robotic manipulator with input saturation. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2016, 46(3):334-344 doi: 10.1109/TSMC.2015.2429555 [25] Li Z J, Ge S S, Ming A G. Adaptive robust motion/force control of holonomic-constrained nonholonomic mobile manipulators. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 2007, 37(3):607-616 doi: 10.1109/TSMCB.2006.888661 [26] Li Z J, Su C Y, Wang L Y, Chen Z T, Chai T Y. Nonlinear disturbance observer-based control design for a robotic exoskeleton incorporating fuzzy approximation. IEEE Transactions on Industrial Electronics, 2015, 62(9):5763-5775 doi: 10.1109/TIE.2015.2447498 [27] Chen M. Robust tracking control for self-balancing mobile robots using disturbance observer. IEEE/CAA Journal of Automatica Sinica, 2017, 4(3):458-465 doi: 10.1109/JAS.2017.7510544 [28] Fu Z J, Xie W F, Rakheja S, Na J. Observer-based adaptive optimal control for unknown singularly perturbed nonlinear systems with input constraints. IEEE/CAA Journal of Automatica Sinica, 2017, 4(1):48-57 doi: 10.1109/JAS.2017.7510322 [29] Li H Y, Shi P, Yao D Y, Wu L G. Observer-based adaptive sliding mode control for nonlinear markovian jump systems, Automatica, 2016, 64:133-142 doi: 10.1016/j.automatica.2015.11.007 [30] Xu B. Disturbance observer-based dynamic surface control of transport aircraft with continuous heavy cargo airdrop. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2017, 47(1):161-170 doi: 10.1109/TSMC.2016.2558098 [31] Chen W H, Ballance D J, Gawthrop P J, O'Reilly J. A nonlinear disturbance observer for robotic manipulators. IEEE Transactions on Industrial Electronics, 2000, 47(4):932-938 doi: 10.1109/41.857974 [32] Yang J, Li S H, Yu X H. Sliding-mode control for systems with mismatched uncertainties via a disturbance observer. IEEE Transactions on Industrial Electronics, 2013, 60(1):160-169 doi: 10.1109/TIE.2012.2183841 [33] Chen M, Ge S S. Adaptive neural output feedback control of uncertain nonlinear systems with unknown hysteresis using disturbance observer. IEEE Transactions on Industrial Electronics, 2015, 62(12):7706-7716 doi: 10.1109/TIE.2015.2455053 [34] Li Y N, Yang C G, Ge S S, Lee T H. Adaptive output feedback NN control of a class of discrete-time MIMO nonlinear systems with unknown control directions. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 2011, 41(2):507-517 doi: 10.1109/TSMCB.2010.2065223 [35] Ge S S, Wang C. Adaptive neural control of uncertain MIMO nonlinear systems. IEEE Transactions on Neural Networks, 2004, 15(3):674-692 doi: 10.1109/TNN.2004.826130 [36] Ju Z F, Yang C G, Ma H B. Kinematics modeling and experimental verification of baxter robot. In: Proceedings of the 33rd Chinese Control Conference (CCC). Nanjing, China: IEEE, 2014. 8518-8523 [37] Yang C G, Ganesh G, Haddadin S, Parusel S, Albu-Schaeffer A, Burdet E. Human-like adaptation of force and impedance in stable and unstable interactions. IEEE Transactions on Robotics, 2011, 27(5):918-930 doi: 10.1109/TRO.2011.2158251 [38] Yang C G, Wang X Y, Cheng L, Ma H B. Neural-learning-based telerobot control with guaranteed performance. IEEE Transactions on Cybernetics, 2017, 47(10):3148-3159 doi: 10.1109/TCYB.6221036 期刊类型引用(45)
1. 梁相龙，姚建勇. 带有输出约束的液压机械臂自适应神经网络力跟踪控制. 控制理论与应用. 2025(01): 138-148 . 
百度学术2. 张天艺，郑颖，裘信国，季行健，金晓航. 基于特征模型的5阶关节伺服系统扰动补偿策略. 兵工学报. 2024(01): 276-287 . 百度学术3. 杨光. 基于人工智能的电子测量装置自动控制研究. 自动化技术与应用. 2024(04): 1-4+30 . 百度学术4. 史国庆，程嘉毅，张建东，杨啟明，吴勇，武凡. 基于反馈线性化的广义预测控制机械臂轨迹跟踪算法. 西北工业大学学报. 2024(02): 368-376 . 百度学术5. 赵兴强，刘振，朱全民. 变负载机械手轨迹跟踪控制器设计. 控制理论与应用. 2024(04): 738-744 . 百度学术6. 杨佳，吴佩林，杨理，寇东山，余斌. 基于自回归小波神经网络的机械臂自适应滑模控制. 空间控制技术与应用. 2024(03): 68-76 . 百度学术7. 魏鹏，胡亚辉，朱乐为，韩廷选. 水下机器人有限时间三维轨迹跟踪控制. 中国航海. 2024(03): 166-172 . 百度学术8. 王东，邱超超，贺威，王伟. 双臂系统协同控制研究综述:从经典到基于学习的算法. 控制理论与应用. 2024(11): 1951-1964 . 百度学术9. 苏春建，张敏，张帅，李雪梦，赵栋，李广震，王帅本. 多机械臂协作系统耦合运动自适应协调约束控制. 机械设计与研究. 2023(01): 26-30 . 百度学术10. 王宏博，李俊麟，张伟，赵娟平. 基于时延估计的机械臂改进趋近律滑模控制. 自动化与仪器仪表. 2023(03): 45-50 . 百度学术11. 卢许孟，南新元，夏斯博. 无模型坐标补偿积分滑模约束的自动驾驶汽车轨迹跟踪控制. 广西师范大学学报(自然科学版). 2023(02): 36-48 . 百度学术12. 周智勇，叶庆红，惠宾亮，张剑峰. 非线性系统的自适应神经网络轨迹跟踪控制. 电子制作. 2023(06): 23-29 . 百度学术13. 张信，章翔峰，姜宏. 搬运机械手模糊滑模增益跟踪控制. 组合机床与自动化加工技术. 2023(05): 85-88+93 . 百度学术14. 赵玮. 考虑外部干扰的超螺旋ZNN多机械臂协调运动控制. 机械设计与制造. 2023(08): 139-147 . 百度学术15. 董世建 ，孟振 ，时侠圣 ，王雪松 . 雕刻机系统数据驱动建模与容错跟踪控制. 控制与决策. 2023(09): 2569-2577 . 百度学术16. 王雪闯，王会明，赵振华. 基于改进型积分终端滑模控制方法的移动机器人轨迹跟踪设计与实验. 控制与决策. 2023(10): 2881-2887 . 百度学术17. 韩艺琳，王丽丽，杨洪勇，范之琳. 基于强化学习的多机器人系统的环围编队控制. 复杂系统与复杂性科学. 2023(03): 97-102 . 百度学术18. 姚文龙，庞震，池荣虎，邵巍. 环卫车辆轨迹跟踪系统的无模型自适应迭代学习控制. 控制理论与应用. 2022(01): 101-108 . 百度学术19. 陈正升 ，王雪松 ，程玉虎 . 考虑扰动与输入饱和的机械臂连续非奇异快速终端滑模控制. 控制与决策. 2022(04): 903-912 . 百度学术20. 闫飞，王树波. 基于扰动观测器的机械臂自适应复合控制. 控制工程. 2022(04): 763-768 . 百度学术21. 穆海芳，郭凯，胡波. 康复机器人上肢的模糊PID和神经网络阻抗控制. 济宁学院学报. 2022(02): 89-92+97 . 百度学术22. 朱大昌，杜宝林，盘意华，崔翱东. 基于轮廓误差补偿的机械臂自适应非奇异终端滑模控制. 机床与液压. 2022(08): 172-180 . 百度学术23. 姜艺，范家璐，柴天佑. 数据驱动的保证收敛速率最优输出调节. 自动化学报. 2022(04): 980-991 . 本站查看24. 赵安，范红. 基于动态趋近律的移动机器人滑模控制. 控制工程. 2022(06): 1129-1135 . 百度学术25. 罗利河. 基于人工智能技术的机械制造全过程控制系统设计. 现代电子技术. 2022(15): 182-186 . 百度学术26. 钟宏伟，于亮，张耀匀，苏保强，袁珊珊. 基于人工智能技术的流程机器人自动控制系统. 机械制造与自动化. 2022(04): 211-214+228 . 百度学术27. 傅彩虹. 基于扰动观测器的机械臂自适应复合控制与设计研究. 现代制造技术与装备. 2022(09): 207-209 . 百度学术28. 孙国法，赵尔全，张国巨，黄鸣宇. 基于扰动观测器补偿的机械臂非奇异快速终端滑模控制. 控制理论与应用. 2022(08): 1506-1515 . 百度学术29. 臧强，田浪，胡凯，陈炜峰. 机器人力控制综述. 南京信息工程大学学报(自然科学版). 2022(06): 744-754 . 百度学术30. 陈军，姜卫东. 改进RBF神经网络的机械臂轨迹跟踪控制方法. 机械设计与制造. 2022(12): 269-272 . 百度学术31. 吴晓燕，虞启凯，韩江义. 关节空间内工业机器人抗干扰轨迹跟踪控制. 机床与液压. 2021(03): 52-57 . 百度学术32. 刘力. 基于直插补模型的机器人机械臂运动控制轨迹智能修正研究. 机械设计与制造工程. 2021(03): 23-27 . 百度学术33. 王云龙，王泽政，王永富，赵晶. 带有干扰观测器的线控转向系统复合自适应神经网络控制. 控制理论与应用. 2021(04): 433-443 . 百度学术34. 石求军，李静. 基于扰动观测的客车ESC自适应神经网络滑模控制. 中国公路学报. 2021(03): 245-254 . 百度学术35. 王淑敏. 基于大数据融合技术的机器人智能激光定位方法. 激光杂志. 2021(05): 112-115 . 百度学术36. 施昕昕，黄家才，高芳征. 基于分数阶BICO滤波器的运动控制测量噪声抑制. 吉林大学学报(工学版). 2021(05): 1873-1878 . 百度学术37. 彭伟，雷辉. 多关节移动机械臂系统的快速终端滑模控制. 现代制造工程. 2021(10): 79-84 . 百度学术38. 李繁飙，黄培铭，阳春华，廖力清，桂卫华. 基于非线性干扰观测器的飞机全电刹车系统滑模控制设计. 自动化学报. 2021(11): 2557-2569 . 本站查看39. 郝玉福，李正浩，赵凯羽，董健. 基于FNTSM-ELM的机器人执行器控制策略. 计算机仿真. 2021(12): 349-355+385 . 百度学术40. 王岳，孙宁，吴易鸣，梁潇，陈鹤，方勇纯. 深海起重机系统的实时轨迹规划方法. 自动化学报. 2021(12): 2761-2770 . 本站查看41. 邢洁. 基于ARM微控制器的键盘组装机械自动化控制方法研究. 自动化与仪器仪表. 2020(08): 162-165+170 . 百度学术42. 吴晓燕，虞启凯，韩江义. 基于扰动观测器的冗余机械臂任务空间控制. 组合机床与自动化加工技术. 2020(10): 136-139 . 百度学术43. 李标俊，向权舟，谢保鸡，宋海彬，邓柱锋，葛菁. 基于嵌入式Linux的电力巡检机器人自动化控制系统设计. 自动化与仪器仪表. 2020(10): 149-152 . 百度学术44. 唐翠微. 基于多目标优化克隆算法的机器人模糊控制研究. 机床与液压. 2020(21): 51-56 . 百度学术45. 庄肖波，李耀明，王曜，魏海峰，陆彦如. 基于粒子群算法的混联机构神经网络自适应反演控制. 农业机械学报. 2020(S1): 576-583 . 百度学术其他类型引用(72)
-
下载:
计量
- 文章访问数: 3815
- HTML全文浏览量: 925
- PDF下载量: 1528
- 被引次数: 117
