新塘升降车出租， 增城升降车出租，从化升降车出租      控制器控制方向未知时的自适应神经网络动态面控制方法？    动态面原理： 针对反步控制可能存在的积分爆炸问题，基于反步控制，动态面控制技术逐渐发展起来。基于反步设计方法，针对非线性系统， 提出自适应动态面控制。该方法中对于虚拟控制量的微分通过一阶滤波器来计算，对于微分项的膨胀具有一定的消除作用，并能够进一步简化控制器及参数的设计。本文考虑控制方向未知问题，基于上节所设计的控制方法，采用动态面控制来代替反步控制，本文提出了自适应神经网络动态面控制，并将所设计控制器应用于液压位置伺服系统实验平台进行验证。该控制器的设计过程已全部完成。尽管设计过程看起来比较复杂，但上面所示的最终控制器的推导公式比较简单。

          实验研究采用本文提出的自适应神经网络动态面控制器在控制方向为正和为负两种情况下对三类给定参考信号分别进行跟踪。在控制方向为正的情况下，对三种期望信号的跟踪结果分别。其中上面板为跟踪曲线图，黑色虚线代表给定信号，蓝色实线代表系统实际输出，下面板为对应的跟踪误差曲线。当控制方向为正或者负时，所设计的自适应神经网络动态面控制针对液压位置伺服系统均能实现控制。但相比于其他所提出的方法，该方法瞬态阶段过渡时间较长。其原因可能是该方法的每个步骤都存在着未知函数需要进行逼近，故需要较长的时间才能实现准确跟踪。

           新塘升降车出租， 增城升降车出租，从化升降车出租

           实验对比  将本文提出的两种控制方法与考虑控制方向未知的反步自适应神经控制方向未知时的自适应神经网络控制网络积分滑模控制和考虑控制方向未知的反步自适应神经网络分数阶积分滑模控制的实验结果进行定量对比。跟踪三种给定信号的稳态均方根误差定量对比结果分别得出： 在考虑控制方向未知问题时，反步自适应神经网络分数阶积分滑模控制其跟踪效果最好，且跟踪误差最小。

           对于考虑比例阀不准确零点的液压位置伺服系统，本文继续考虑控制方向未知问题。针对该问题，首先设计反步自适应神经网络控制，并对其稳定性进行了理论证明。进一步针对反步控制中可能发生的微分爆炸问题，采用动态面控制对反步控制进行优化，提出自适应神经网络动态面控制。在实验台上进行验证，最终结果表明，本文所提出的两种控制器在控制方向为正向和反向时均能实现对给定参考信号的跟踪控制。最后将第四章针对控制方向未知设计的两种器（分别为反步自适应神经网络积分滑模控制以及反步自适应神经网络分数阶积分滑模控制）与本文提出的方法的跟踪误差进行对比。对比结果表明，针对控制方向未知问题时本文所提出反步自适应神经网络控制与自适应神经网络动态面控制相比较前者具有更小的跟踪误差。而控制方向未知的反步自适应神经网络分数阶积分滑模控制比其他三种方法具有更高的控制精度。

             新塘升降车出租， 增城升降车出租，从化升降车出租