基于控制输入饱和的无模型自适应控制方法技术

本发明专利技术提供一种基于控制输入饱和的无模型自适应控制方法，本发明专利技术考虑控制输入存在位置和速率饱和的情况下，设计一种基于观测器技术的自适应神经网络约束控制器，在设计过程中提出一种动态抗饱和补偿器用以实时调整参考设定值以确保控制输入不会进入饱和区域。首先针对一般仿射非线性系统利用反馈线性化方法进行模型变换，其次针对变换后的系统设计一个神经网络观测器和约束控制器，给出的一种动态抗饱和算法在线调整参考设定值使得控制器的输入一直运行在约束范围中。

【技术实现步骤摘要】

本专利技术涉及高阶非线性系统控制方法领域，特别是涉及基于控制输入饱和的无模型自适应控制方法。
技术介绍
实际的控制系统都是非线性的，各种约束总是大量存在。当系统状态在相对较小的范围内变化时，一般可以用线性微分方程来描述，并用较为成熟的线性系统理论进行分析与设计。如果要考虑系统的大范围工作区域，而系统状态将受到约束限制时，运用线性系统理论就难以得到有效的解决[1]。饱和问题是各类非线性系统中比较常见的。例如：电机由于物理上的限制只能达到有限转速，运算放大器的输出一般不超过其电源电压，数字计算机中的数据由于字长有限而可能出现溢出。饱和问题会对控制系统的设计带来很大的麻烦，常常使系统的工作性能退化，超调增大，调整时间延长。对控制对象本身不稳定的系统，甚至会导致闭环系统不稳定。饱和问题不同于一般的非线性问题，它是基于对工作在线性条件下的系统在特殊条件下进入非线性区域的考虑，单纯地应用目前相对不成熟的非线性系统理论解决饱和问题代价太大，而且往往无法得到性能良好且全局稳定的系统。所以目前对于饱和问题，通常是在线性系统框架下进行适当地扩展，以便充分利用较成熟的线性系统理论找到解决饱和问题的方法。一般地，在抗饱和控制的研究中，处理饱和的方法有两种：要么将发生饱和的系统重新拉回到线性区域；要么通过严谨地设计控制器，以避免饱和问题发生。实际系统中饱和问题的出现有时不是由于控制器设计引起，当参考轨迹设定不合理，正确的控制器设计也无法充分的避免饱和问题发生。所以，在控制器设计合理的情况下，如何通过抗饱和处理调整参考设定值，以确保控制输入不会进入饱和区域也是具有很大的研究意义。专利
技术实现思路
为了解决上述存在的问题，本专利技术提供一种基于控制输入饱和的无模型自适应控制方法，本专利技术考虑控制输入存在位置和速率饱和的情况下，设计一种基于观测器技术的自适应神经网络约束控制器，在设计过程中提出一种动态抗饱和补偿器用以实时调整参考设定值以确保控制输入不会进入饱和区域。首先针对一般仿射非线性系统利用反馈线性化方法进行模型变换，其次针对变换后的系统设计一个神经网络观测器和约束控制器，给出的一种动态抗饱和算法在线调整参考设定值使得控制器的输入一直运行在约束范围中，为达此目的，本专利技术提供基于控制输入饱和的无模型自适应控制方法，其特征在于：步骤一将输入输出反馈线性化：考虑模型未知但阶数已知的单输入-单输出仿射系统： x ‾ · = f 1 ( x ‾ ) + g 1 ( x ‾ ) u y = h 1 ( x ‾ ) - - - ( 4.1 ) ; ]]>其中f1，g1和h1在定义域上足够光滑，映射f1：D→Rn和g1：D→Rn称为D上的向量场，导数为： y · = ∂ h 1 ∂ x ‾ [ f 1 ( x ‾ ) + g 1 ( x ‾ ) u ] = d e f L f 1 h 1 ( x ‾ ) + L g 1 h 1 ( x ‾ ) u - - - ( 4.2 ) ; ]]>其中：称为h1关于f1或沿f1的Lie导数，这种表示方法类似于h1沿系统轨迹的导数，当重复计算关于同一向量场或一新向量场的导数时，要用到以下表示： L g 1 L f 1 本文档来自技高网...

【技术保护点】
基于控制输入饱和的无模型自适应控制方法，其特征在于：步骤一将输入输出反馈线性化：考虑模型未知但阶数已知的单输入‑单输出仿射系统：x‾·=f1(x‾)+g1(x‾)uy=h1(x‾)---(4.1);]]>其中f1，g1和h1在定义域上足够光滑，映射f1：D→Rn和g1：D→Rn称为D上的向量场，导数为：y·=∂h1∂x‾[f1(x‾)+g1(x‾)u]=defLf1h1(x‾)+Lg1h1(x‾)u---(4.2);]]>其中：称为h1关于f1或沿f1的Lie导数，这种表示方法类似于h1沿系统轨迹的导数，当重复计算关于同一向量场或一新向量场的导数时，要用到以下表示：Lg1Lf1h1(x‾)=∂(Lf1h1)∂x‾g1(x‾)Lf12h1(x‾)=Lf1Lf1h1(x‾)=∂(Lf1h1)∂x‾f1(x‾)Lf1kh1(x‾)=Lf1Lf1k-1h1(x‾)=∂(Lf1k-1h1)∂x‾f1(x‾)Lf10h1(x‾)=h1(x‾)---(4.3);]]>如果则与u无关，如果继续计算y的二阶导数，记为y(2)，得：y(2)=∂(Lf1h1)∂x‾[f1(x‾)+g1(x‾)u]=Lf12h1(x‾)+Lg1Lf1h1(x‾)u---(4.4);]]>同样，如果则且与u无关，重复这一过程可看出，如果满足则u不会出现在的方程中，但出现在y(ρ)的方程中，带一个非零系数，即：y(ρ)=Lf1ρh1(x‾)+Lg1Lf1ρ-1h1(x‾)u---(4.5);]]>定义x＝[x1，x2，…，xρ]＝[y，y2，…，yρ‑1]，则方程(4.5)可以表示成如下状态方程形式：x·1=x2x·i=xi+1...x·ρ=f(x‾)+g(x)·u(t)y=x1---(4.6);]]>考虑控制输入存在如下约束：umin≤u≤umax，步骤二建立高阶神经网络模型：设每一个神经元状态由下面微分方程描述：λ·i=aiλi+Σjwijηj---(4.8);]]>其中λi是第i个神经元状态，ai为常数，wij表示第j个输入与第i个神经元之间的连接权值，ηj是上述神经元的第j个输入，其既可以是外部输入，也可以是通过S函数，ηj＝S(λj)作用的神经元状态，这里S(·)表示S型非线性函数；现以n个神经元和m个输入组成的高阶递归神经网络说明，神经元的状态由下面微分方程确定：λ·i=-aiλi+Σk=1LwikΠj∈Ikηjdj(k)---(4.9);]]>这里λi是第i个神经元状态，{I1，I2，…，IL}是集合{1，2，…，m+n}中无秩序L子集，λi为实系数，wik是可调神经网络权值，dj(k)为非负整数，η是神经元输入向量，定义如下：η＝[η1，…，ηn，ηn+1，…，ηn+m]T＝[S(λ1)，…，S(λn)，S(u1)，…，S(um)]T    (4.10)；这里υ＝[u1，u2，…，um]T是神经网络外部输入向量，S(·)是单调递增可微S型函数，定义为：S(λ)=α1+e-βλ+ϵ---(4.11);]]>其中α，β为正的实数，ε为小的实数，如α＝β＝1，ε＝0，式(4.11)表示logistic函数；α＝β＝2，ε＝‑1时，则代表双曲正切函数；在这里引入L维向量z，其定义为：z=[z1,z2,...,zL]T=[Πj∈I1yjdj(1),...,Πj∈ILyjdj(L)]T---(4.12);]]>于是高阶回归神经网络模型式(4.9)变换为：λ·i=-ai&lamb...

【技术特征摘要】
1.基于控制输入饱和的无模型自适应控制方法，其特征在于：步骤一将输入输出反馈线性化：考虑模型未知但阶数已知的单输入-单输出仿射系统： x ‾ · = f 1 ( x ‾ ) + g 1 ( x ‾ ) u y = h 1 ( x ‾ ) - - - ( 4.1 ) ; ]]>其中f1，g1和h1在定义域上足够光滑，映射f1：D→Rn和g1：D→Rn称为D上的向量场，导数为： y · = ∂ h 1 ∂ x ‾ [ f 1 ( x ‾ ) + g 1 ( x ‾ ) u ] = d e f L f 1 h 1 ( x ‾ ) + L g 1 h 1 ( x ‾ ) u - - - ( 4.2 ) ; ]]>其中：称为h1关于f1或沿f1的Lie导数，这种表示方法类似于h1沿系统轨迹的导数，当重复计算关于同一向量场或一新向量场的导数时，要用到以下表示： L g 1 L f 1 h 1 ( x ‾ ) = ∂ ( L f 1 h 1 ) ∂ x ‾ g 1 ( x ‾ ) L f 1 2 h 1 ( x ‾ ) = L f 1 L f 1 h 1 ( x ‾ ) = ∂ ( L f 1 h 1 ) ∂ x ‾ f 1 ( x ‾ ) L f 1 k h 1 ( x ‾ ) = L f 1 L f 1 k - 1 h 1 ( x ‾ ) = ...

【专利技术属性】
技术研发人员：周洪成，陈正宇，杨娟，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32