Control Deslizante Adaptativo con Mecanismo de Compensación Integral Mejorado para Platos de Vehículos con Retrasos...

Área de la Ciencia:

• Ingeniería de Sistemas de Control
• Ingeniería Automotriz
• Inteligencia Artificial

Sus antecedentes:

• Los vehículos conectados enfrentan desafíos con los retrasos de entrada en los actuadores, lo que puede causar inestabilidad en las formaciones de vehículos.
• La dinámica del vehículo a menudo involucra coeficientes de control desconocidos y variables debido a las condiciones operativas cambiantes.
• Los métodos de control existentes pueden tener dificultades para mantener la robustez y la precisión del seguimiento en estas condiciones complejas.

Objetivo del estudio:

• Desarrollar una estrategia de control adaptativo de modo deslizante (SMC) para vehículos conectados que aborde los retrasos de entrada y los coeficientes variables desconocidos.
• Mejorar la robustez y el rendimiento del seguimiento de las formaciones de vehículos.
• Lograr la convergencia de los errores de estado y alcanzar los objetivos de control en sistemas de vehículos conectados.

Principales métodos:

• Se diseñó un mecanismo de compensación integral mejorado (ICM) con un factor de ajuste para mitigar los retrasos de entrada.
• Se desarrolló un mecanismo de actualización adaptativa basado en redes neuronales de funciones de base radial (RBFNN-AUM) para manejar coeficientes de control variables desconocidos.
• Se propuso un esquema de control adaptativo distribuido que integra ICM y RBFNN-AUM utilizando técnicas de modo deslizante.

Principales resultados:

• El esquema de control propuesto garantiza la convergencia de los errores de estado a una región predefinida.
• El enfoque integrado mejora eficazmente la robustez de las formaciones de vehículos frente a los retrasos de entrada.
• El RBFNN-AUM compensa con éxito los coeficientes de control variables desconocidos, mejorando el rendimiento del seguimiento.

Conclusiones:

• La estrategia de SMC adaptativo desarrollada ofrece una solución superior para el control de vehículos conectados en comparación con los métodos existentes.
• La combinación de ICM mejorado y RBFNN-AUM proporciona un control eficaz en condiciones inciertas y con retraso.
• Los resultados numéricos validan la eficacia y superioridad de la estrategia de control propuesta para formaciones de vehículos.