公开(公告)号：CN120029346A

公开(公告)日：2025-05-23

申请号：CN202510109007.5

申请日：2025-01-23

Applicant: 南通大学

Inventor： 李永琪 ,  周星宇 ,  蔡伟 ,  何畅 ,  唐思语 ,  马俊杰 ,  张思洁

IPC: G05D1/695

Abstract: 本发明提供了一种事件触发输出约束的海空异构无人系统预定时间编队方法。其技术方案为：包括以下步骤：步骤一：使用坐标变换将欠驱动的异构USV‑UAV系统转化为二阶全驱动系统；步骤二：设计一个基于预设时间的动态观测器；步骤三：设计具有非对称输出约束预设时间控制算法；步骤四：为节省通信资源，提出了自适应预设时间事件触发机制；步骤五：通过李雅普诺夫稳定性分析证明了误差的收敛，并排除了芝诺现象。本发明可以节省60％‑80％通信资源，同时在输出受限情况下在预定时间内完成编队任务。

公开(公告)号：CN118938958A

公开(公告)日：2024-11-12

申请号：CN202411090922.6

申请日：2024-08-09

Applicant: 南通大学

Inventor： 周星宇 ,  张思洁 ,  王广旭 ,  蔡伟 ,  李永琪 ,  宗天成

IPC: G05D1/46 ,  G05D109/20

Abstract: 本发明提供了一种异构无人艇‑无人机系统动态观测固定时间编队控制方法，属于无人系统编队控制技术领域；解决了异构无人系统有限时间编队算法依赖于系统初态且抗干扰鲁棒性能低的技术问题。其技术方案为：包括以下步骤：S1、对被控欠驱动异构USV‑UAV多智能体系统进行坐标转换，转换为全驱动的二阶动态系统；S2、对每个异构多智能体系统的不确定模型动态设计固定时间动态观测器；S3、结合反步法和虚拟领导者模型，对每个异构多智能体系统的跟随者设计固定时间分布式编队协同跟踪控制器。本发明的有益效果为：增强了异构USV‑UAV多智能体系统执行编队任务时的抗扰能力，加快了被控系统不确定动态估计特性。

公开(公告)号：CN118112925A

公开(公告)日：2024-05-31

申请号：CN202410133373.X

申请日：2024-01-31

Applicant: 南通大学

Inventor： 宗天成 ,  李俊红 ,  陆国平 ,  严俊 ,  李富超 ,  李亚男 ,  白贵祥 ,  周星宇 ,  段泽霞

IPC: G05B13/04

Abstract: 本发明提供了一种变量误差Wiener系统的碳纤维牵伸过程辨识方法，属于碳纤维牵伸过程的建模技术领域。解决了输入、输出和中间过程均受到噪声干扰的碳纤维牵伸过程的参数估计问题。其技术方案为：包括如下步骤：步骤1)构建出一个基于变量误差Wiener系统的碳纤维牵伸过程模型，并获得碳纤维牵伸过程变量误差Wiener系统辨识模型；步骤2)构建出基于偏差补偿最小二乘和模糊粒子群优化的递阶辨识方法。本发明的有益效果为：本发明首先建立合适的碳纤维单级牵伸过程的模型，并提出一种基于偏差补偿最小二乘和模糊粒子群优化的递阶辨识方法，对碳纤维牵伸模型的未知参数进行参数估计。

公开(公告)号：CN118682745A

公开(公告)日：2024-09-24

申请号：CN202410696390.4

申请日：2024-05-31

Applicant: 南通大学

Inventor： 周星宇 ,  韩天翔 ,  王广旭 ,  易丹虎 ,  张思洁 ,  宗天成

IPC: B25J9/16 ,  G06F17/15 ,  G06F17/16

Abstract: 本发明提供了一种刚柔耦合机器人模糊强化学习预定时间振动抑制方法，属于刚柔耦合机械臂控制技术领域，解决了大形变刚柔耦合机器人系统动力学建模及在非线性输入死区下基于模糊强化学习的刚柔耦合机器人系统预定时间轨迹跟踪与弹性振动抑制的技术问题。其技术方案为：包括以下步骤：步骤一：确定刚柔耦合机器人的物理参数和运动学特性；步骤二：并获得柔性刚柔耦合机器人的角度位置；步骤三：计算轨迹跟踪误差及误差性能；步骤四：定义评价神经网络；步骤五：定义模糊IF‑THEN规则；步骤六：计算τ(t)，更新#imgabs0#本发明的有益效果为：本发明的方法确保同时振动抑制和轨迹跟踪的显著优势。

公开(公告)号：CN119395987A

公开(公告)日：2025-02-07

申请号：CN202411438335.1

申请日：2024-10-15

Applicant: 南通大学

Inventor： 韩天翔 ,  周星宇 ,  蔡伟 ,  李永琪 ,  唐思语 ,  马俊杰 ,  蔡帅

IPC: G05B13/04

Abstract: 本发明提供了一种有限时间分数阶时滞耦合竞争型神经网络同步学习法，属于迭代学习控制技术领域。解决了分数阶时滞耦合竞争型神经网络在时间轴上难以实现完全同步和控制器结构设计复杂的技术问题。其技术方案为：包括以下步骤：S1：建立单个带有时滞的竞争型神经网络模型；S2：对其进行矩阵提升，写为紧凑形式；S3：考虑多个时滞竞争型神经网络组成的耦合竞争型神经网络，并借助图论描述网络之间的通信拓扑；S4：设计一种输入共享分数阶量化学习控制协议，并将其写为矩阵形式；S5：对上述所设计的控制协议进行收敛证明。本发明的有益效果为：输入共享的控制协使分数阶时滞耦合竞争型神经网络的同步速度明显提升。