Documents disponibles écrits par cet auteur

Output Feedback Neural Network Adaptive Robust Control With Application to Linear Motor Drive System / Gong, J. O. in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 128 N° 2 (Juin 2006) 

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 128 N° 2 (Juin 2006) . - 227-235 p. Titre : Output Feedback Neural Network Adaptive Robust Control With Application to Linear Motor Drive System Titre original : Commande Robuste Adaptative de Réseau Neurologique de Rétroaction de Rendement avec l'Application au Système Linéaire d'Entraînement de Moteur Type de document : texte imprimé Auteurs : Gong, J. O., Auteur ; Yao, Bin, Auteur Article en page(s) : 227-235 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Réseau  neurologique  Conception  robuste  adaptive  Rétroaction  Système  non-linéaire  Observateur  à  gain  élevé  Réseau  neurologique  multicouche  Projection  discontinue  Cheminement  asymptotique Résumé : In this paper, neural networks (NNs) and adaptive robust control design method are integrated to design a performance oriented control law with only output feedback for a class of single-input-single-output nth order nonlinear systems in a normal form. The nonlinearities in the system include repeatable unknown nonlinearities and nonrepeatable unknown nonlinearities such as external disturbances. In addition, unknown nonlinearities can exist in the control input channel as well. A high-gain observer is employed to estimate the states of system. All unknown but repeatable nonlinear functions are approximated by the outputs of multilayer neural networks with the estimated states as inputs to achieve a better model compensation. All NN weights are tuned on-line. In order to avoid possible divergence of on-line tuning, discontinuous projections with fictitious bounds are used in the weight adjusting law to make sure that all the weights are adapted within a prescribed range. Theoretically, the resulting controller achieves a guaranteed output tracking transient performance and a guaranteed final tracking accuracy in general. Certain robust control terms is then constructed to effectively attenuate various model uncertainties and estimate errors. Furthermore, if all the states are available and the unknown nonlinear functions are in the functional ranges of the neural networks, an asymptotic output tracking is also achieved to retain the perfect learning capability of NNs in the ideal situation provided that the ideal NN weights fall within the prescribed range. The output feedback neural network adaptive robust control is then applied to the control of a linear motor drive system. Experiments are carried out to show the effectiveness of the proposed algorithm and the excellent output tracking performance. En cet article, des réseaux neurologiques (NNs) et la méthode de conception robuste adaptative de commande sont intégrés pour concevoir une exécution orientée loi de commande avec seulement la rétroaction de rendement pour une classe des systèmes non-linéaires du nième ordre de simple-entrée-simple-rendement sous une forme normale. Les non-linéarités dans le système incluent des non-linéarités inconnues qu'on peut répéter et des non-linéarités inconnues nonrepeatable telles que des perturbations externes. En outre, les non-linéarités inconnues peuvent exister dans le canal d'entrée de commande aussi bien. Un observateur à gain élevé est employé pour estimer les états de système. Des fonctions non-linéaires tout inconnues mais qu'on peut répéter sont rapprochées par les sorties des réseaux neurologiques multicouche avec les états estimés comme entrées pour réaliser une meilleure compensation modèle. Tous les poids de NN sont accordés en ligne. Afin d'éviter la divergence possible en ligne de l'accord, des projections discontinues avec les limites factices sont employées dans le poids ajustant la loi pour s'assurer que tous les poids sont adaptés dans une marge prescrite. Théoriquement, le contrôleur résultant réalise une exécution passagère de cheminement garantie de rendement et une exactitude de cheminement finale garantie en général. Certaines limites robustes de commande est alors construites pour atténuer efficacement de diverses incertitudes modèles et pour estimer des erreurs. En outre, si tous les états sont disponibles et les fonctions non-linéaires inconnues sont dans les gammes fonctionnelles des réseaux neurologiques, un cheminement asymptotique de rendement est également réalisé pour maintenir les possibilités d'étude parfaites de NNs dans la situation idéale à condition que les poids idéaux de NN fassent partie de la marge prescrite. La commande robuste adaptative de réseau neurologique de rétroaction de rendement est alors appliquée à la commande d'un système linéaire d'entraînement de moteur. Des expériences sont effectuées pour montrer l'efficacité de l'algorithme proposé et de l'exécution de cheminement d'excellent rendement. En ligne : byao@purdue.edu [article] Output Feedback Neural Network Adaptive Robust Control With Application to Linear Motor Drive System = Commande Robuste Adaptative de Réseau Neurologique de Rétroaction de Rendement avec l'Application au Système Linéaire d'Entraînement de Moteur [texte imprimé] / Gong, J. O., Auteur ; Yao, Bin, Auteur . - 227-235 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 128 N° 2 (Juin 2006) . - 227-235 p. Mots-clés : Réseau  neurologique  Conception  robuste  adaptive  Rétroaction  Système  non-linéaire  Observateur  à  gain  élevé  Réseau  neurologique  multicouche  Projection  discontinue  Cheminement  asymptotique Résumé : In this paper, neural networks (NNs) and adaptive robust control design method are integrated to design a performance oriented control law with only output feedback for a class of single-input-single-output nth order nonlinear systems in a normal form. The nonlinearities in the system include repeatable unknown nonlinearities and nonrepeatable unknown nonlinearities such as external disturbances. In addition, unknown nonlinearities can exist in the control input channel as well. A high-gain observer is employed to estimate the states of system. All unknown but repeatable nonlinear functions are approximated by the outputs of multilayer neural networks with the estimated states as inputs to achieve a better model compensation. All NN weights are tuned on-line. In order to avoid possible divergence of on-line tuning, discontinuous projections with fictitious bounds are used in the weight adjusting law to make sure that all the weights are adapted within a prescribed range. Theoretically, the resulting controller achieves a guaranteed output tracking transient performance and a guaranteed final tracking accuracy in general. Certain robust control terms is then constructed to effectively attenuate various model uncertainties and estimate errors. Furthermore, if all the states are available and the unknown nonlinear functions are in the functional ranges of the neural networks, an asymptotic output tracking is also achieved to retain the perfect learning capability of NNs in the ideal situation provided that the ideal NN weights fall within the prescribed range. The output feedback neural network adaptive robust control is then applied to the control of a linear motor drive system. Experiments are carried out to show the effectiveness of the proposed algorithm and the excellent output tracking performance. En cet article, des réseaux neurologiques (NNs) et la méthode de conception robuste adaptative de commande sont intégrés pour concevoir une exécution orientée loi de commande avec seulement la rétroaction de rendement pour une classe des systèmes non-linéaires du nième ordre de simple-entrée-simple-rendement sous une forme normale. Les non-linéarités dans le système incluent des non-linéarités inconnues qu'on peut répéter et des non-linéarités inconnues nonrepeatable telles que des perturbations externes. En outre, les non-linéarités inconnues peuvent exister dans le canal d'entrée de commande aussi bien. Un observateur à gain élevé est employé pour estimer les états de système. Des fonctions non-linéaires tout inconnues mais qu'on peut répéter sont rapprochées par les sorties des réseaux neurologiques multicouche avec les états estimés comme entrées pour réaliser une meilleure compensation modèle. Tous les poids de NN sont accordés en ligne. Afin d'éviter la divergence possible en ligne de l'accord, des projections discontinues avec les limites factices sont employées dans le poids ajustant la loi pour s'assurer que tous les poids sont adaptés dans une marge prescrite. Théoriquement, le contrôleur résultant réalise une exécution passagère de cheminement garantie de rendement et une exactitude de cheminement finale garantie en général. Certaines limites robustes de commande est alors construites pour atténuer efficacement de diverses incertitudes modèles et pour estimer des erreurs. En outre, si tous les états sont disponibles et les fonctions non-linéaires inconnues sont dans les gammes fonctionnelles des réseaux neurologiques, un cheminement asymptotique de rendement est également réalisé pour maintenir les possibilités d'étude parfaites de NNs dans la situation idéale à condition que les poids idéaux de NN fassent partie de la marge prescrite. La commande robuste adaptative de réseau neurologique de rétroaction de rendement est alors appliquée à la commande d'un système linéaire d'entraînement de moteur. Des expériences sont effectuées pour montrer l'efficacité de l'algorithme proposé et de l'exécution de cheminement d'excellent rendement. En ligne : byao@purdue.edu