滑模控制概述

1.滑模控制概念

  滑模控制(Sliding Mode Control，SMC)是一种特殊类型的变结构控制(Variable Structure Control，VSC)，因此又称之为滑模变结构控制，是近年来广泛应用和发展的一种控制方法。滑模控制本质上是一种非线性控制，即控制结构随时间变化而变化。滑模变结构控制是非线性系统中普遍采用的一种分析方法，其显著优点是对于不确定参数和外界干扰具有强鲁棒性，因此，在航空航天、机器人控制以及化工控制等领域得到了广泛的应用。

2.滑模控制原理

  滑模变结构控制是指带有滑动模态的变结构控制。滑动模态是系统被限制在某一子流形上运动时的状态。一般而言，系统的初始状态不一定在该子流形上；而通过变结构控制器的作用可以在一定时间范围内将系统的状态轨迹驱使到并保持在该子流形上，该过程称为到达过程。系统的状态轨迹在滑动模态上运动并最终趋于原点，该过程称为滑模运动。

  滑模变结构控制的原理是控制器将状态或误差带到滑模面并使之保持在滑模面上，也可以说是将不稳定的相平面图组合成一个稳定的相平面图。由于滑模运动特性是预先按照要求设计的，因而其对参数变化及扰动不灵敏，系统具有极强的鲁棒性，另外当其应用于非线性系统时，无须进行复杂的线性化，因而使得控制的实现简单而迅速，该控制方法的缺点在于状态轨迹到达滑模面后，难以严格地沿着滑模面向着平衡点移动，而是在滑模面两侧来回穿越，从而产生抖振[4]。

3.滑模控制设计步骤

  一般，滑模变结构控制的设计包含以下两部分内容：
（1）滑模面设计，使得系统的状态轨迹进入滑动模态后具有渐近稳定等良好的动态特性；
（2）滑模控制律设计，使得系统的状态轨迹在有限时间内被驱使到滑模面上并维持在其上运动。
  滑模控制的设计面临的第一步是滑模面的选择问题，一旦确定了滑模面，也就决定了滑模运动的稳定性与动态品质。线性滑模面的表达式为状态变量或误差项的累加和，或者表达式为状态变量或误差项的微分累加和。线性结构的滑模面能充分满足线性系统控制性能的设计要求，使得系统处于滑动模态时稳定性分析简洁、方便，参数设计也容易，直到目前许多研究仍是基于线性滑模面的。但其局限性在于应用线性滑模面时，系统的状态跟踪误差都不会在有限时间内收敛到零。因此，线性滑模面适用于速度和精度要求不是非常高的非线性系统。
  时变滑模面：无论是线性滑模面还是非线性滑模面，控制系统的初始状态都不可能恰好在滑模面上，因此系统运行都存在趋近阶段和滑模阶段。时变滑模面则可随系统的状态或时间改变而改变，使系统始终运行在滑模状态，从而消除趋近阶段、提高系统的鲁棒性。与智能控制相结合、如何设计时变滑模面是滑模面研究的一个重要内容。
  系统在由滑模面之外进入滑模面的正常运动阶段的品质则由趋近律决定。通过选择不同趋近律，可得到不同的动态品质特性。早期趋近律的形式有等速趋近律、指数趋近律、一般趋近律和幂次趋近律，其中常用的是指数和幂次趋近律。

4.研究现状

  滑模变结构控制具有快速响应、设计简单、对外界参数和扰动强鲁棒性等优点，可用来解决很多问题。滑模控制自提出来后，在国内外得到飞速发展，近十年更是有大量的作品，以滑模控制为主题的文献，仅中文的就有七千余篇。
  非线性系统一直是控制界的热点问题。由于很多非线性系统都难以实现线性化，而滑模变结构控制为解决非线性系统提供了典型的应用环境。目前该领域的研究主要包括输入和状态受约束的非线性系统以及输入受约束的非线性系统等。
  近年来，由于基于趋近律的控制方法简单且鲁棒性强，故在实际系统中得到了广泛应用。对于该类方法，关键在于如何找到既具有强鲁棒性又能够消除抖振的控制策略，因此,关于改进的趋近律的研究一直是滑模变结构控制研究的热点。
  应用领域方面:滑模控制在近十年，应用领域已经不局限于电机伺服系统、机器人、机械臂、不确定系统和时变系统，而且延伸到了航天、船舶、导弹、坦克火控等诸多复杂和强非线性系统。
  抖震现象是滑模变结构控制的一个显著问题。滑模变结构控制的一个显著特征是系统在运行过程中频繁地进行切换。由于实际系统的能量都是有限的,故控制力也是有限的，此外，由于系统惯性的存在，使滑模变结构控制系统的切换必然出现滞后，故产生抖震。
  抖震的发生会影响控制系统的性能，严重时甚至会造成系统失稳，因此，国内外学者对于该问题的研究有很多，目前已有的削弱抖震的方法主要以下三种：
 ①滤波方法。采用滤波器对信号进行平滑滤波。
 ②观测器方法。利用观测器消除干扰及不确定性，从而减少抖震的来源。
 ③降低切换增益。抖震是由于不连续控制器的切换造成的，故减小切换的增益可以有效地消弱抖震。
  迄今为止没有统一的消除抖震的方法，这些方法各有优劣。

5.发展趋势

5.1自适应滑模变结构控制

  随着计算机、机器人以及电动机等技术的迅速发展,采用滑模变结构控制方法进行研究的系统变得日益复杂;在滑模控制器设计中,各种复杂、非线性滑模面也随之出现,这为滑模面的可达性分析、滑动模态的稳定性分析带来新的了困难。
  近年来已有越来越多的学者将滑模控制与其他控制方法相结合，如何巧妙地将不同的控制方法相结合，以克服单一的控制律带来的缺点，是非常值得关注的问题。这其中以自适应和滑模控制方法使用的最多，其次为模糊控制方法.不确定参数由自适应控制来补偿，其它干扰性由滑模控制方法来处理。
  现实系统中,参数大多都是变化的,将自适应控制和滑模变结构控制相结合为解决参数在线估计提供了很好的思路。此外,在滑模变结构控制中,为保证滑模面的可达性,通常假设系统的不确定参数和外界扰动为上、下界已知,但在现实系统中，上述条件通常难以实现。针对这一问题，学者们提出了自适应滑模变结构控制的思想并得到了广泛应用。

5.2模糊滑模控制

  模糊滑模控制的作用表现的两方面，在有些文献中将不连续的控制信号连续化，可减轻或避免一般滑模控制的抖振现象:另一种作用是模糊规则还可以实现滑模控制参数的自调整.将模糊控制与滑模控制结合可以改进和优化滑模变结构控制，主要优点在于控制器与系统模型独立，模糊规则容易建立，模糊控制无需建立系统精确的数学模型，具有很强的鲁棒性。
  根据对已有研究成果的描述和分析，我们可以对该研究领域的进一步发展作出一些预测.模糊控制和滑模变结构控制的相似性，已经提供了一种新的模糊控制系统参数设计的策略和方法,在今后研究中可基于这种策略，发展已有方法，为常规模糊控制一直面临的稳定性分析乃至完全系统化的设计、分析与综合问题提供解决手段。
  模糊滑模控制（FSMC）具有启发式特征，其结构和运算简单，把模糊控制对模型的完全不依赖性和滑模控制的鲁棒性结合在一起，按照滑模控制原理巧妙地实现了控制目标的转换，是控制工程中很有前途的实用控制方法。关于其前进和发展方向，可以看到，模糊滑模控制的设计仍然是基于经验的，在控制结构和设计策略.上对于常规模糊控制有较强的继承性，它表现出的鲁棒稳定性并没有真正按滑模控制理论获得严格的证明,因此形式化地加以证明是一项重要工作，对于控制对象为低阶时控制器结构的简化文的工作具有积极意义，它已经初步展示了在以滑模方式进行“信息融合”的基础，上继续运用这种方法从而形成高层滑模和信息融合的思想。

5.3神经网络与滑模控制的结合

  由于自适应、神经网络、模糊控制和滑模变结构控制之间具有很强的互补性，既可保持系统稳定，又可减弱抖振,同时不失强鲁棒性，因此，目前滑模变结构控制方法与各种智能控制方法相结合已经成为重要的研究方向,并随之出现了许多新的问题有待进一步研究。
  神经网络具有较强的自学习能力,可以充分逼近任意复杂的非线性。其缺点是稳定性及收敛性证明困难，学习速度较慢,难以控制较复杂的对象。可利用模糊逻辑的推理能力,神经网络的自学习能力和滑模变结构的快速性，进行多种控制方式融合，实现滑模变结构的智能控制。
  人工神经网络是在现代神经生物学研究基础上提出的模拟生物进化过程以反映人脑某些特性的计算结构，在外界输入样本的刺激下不断改变网络的连接权值乃至拓扑结构，以使网络的输出不断地接近期望的输出.其最大的优点在于具有较强的学习能力和高度的并行运算能力，能充分逼近任意复杂的非线性关系并具有较强的鲁棒性和容错性。
  滑模变结构控制存在的不足，促使其与神经网络控制相结合，以使系统在保持对摄动和外部干扰强鲁棒性的同时，尽量消除抖振的发生.从上个世纪后期开始，许多专家学者就结合二者进行了很多研究工作，在诸多方面得到了非常有意义的成果。