一种观测器设计方法和抗干扰控制系统技术方案

本发明专利技术公开了一种观测器设计方法和抗干扰控制系统，其中基于有限时间收敛的学习型扰动观测器的抗干扰控制系统包括控制器、受控对象、神经网络、有限时间收敛的观测器，其特征在于：设定值和观测器输出输入到控制器，形成控制量u，控制器输出的控制量u和输入端扰动d输入受控对象得到系统输出量y，同时，控制量u还输入给有限时间收敛的观测器和神经网络；受控对象的系统输出量y分别输出给神经网络和有限时间收敛的观测器；神经网络的输出作为模型信息配置到有限时间收敛的观测器中，有限时间收敛的观测器估计的系统输出和系统输出的导数发送给神经网络，观测器输出的总扰动的估计、系统输出和输出导数的估计均输入给控制器；其中有限时间收敛的观测器和神经网络构成有限时间收敛的学习型扰动观测器。

An Observer Design Method and Anti-disturbance Control System

【技术实现步骤摘要】
一种观测器设计方法和抗干扰控制系统
本专利技术涉及抗干扰控制领域，尤其是涉及学习型有限时间收敛的扰动估计器，利用神经网络在线学习扰动，引入分数阶设计使观测器在有限时间内收敛。
技术介绍
抗干扰是控制领域研究的永恒课题。随着科技的发展，对控制系统的速度和精度要求越来越高。经典控制理论中，依赖误差、消除误差，无法克服环境因素和外部扰动的影响；现代控制理论中，对系统模型的依赖大。自抗扰控制汲取了经典和现代控制理论的精髓，但是扩张状态观测器的估计能力和收敛速度有限，无法满足人们对控制速度和控制精度越来越高的要求。为此，本专利技术提出了一种有限时间收敛的学习型扰动观测器设计方法和抗干扰控制系统，以提升抗扰动能力和跟踪精度为目标，旨在设计出快收敛和强抗扰的控制算法，达到在有限时间内有效抑制内外扰动、提高闭环系统鲁棒性的目的。本专利技术利用神经网络逼近对象的未知动力学特性和外扰，降低扩张状态观测器的工作负担，提高观测器估计扰动的能力；引入分数阶，使观测误差在有限时间内收敛，综合提升了扰动观测器性能。
技术实现思路
为实现本专利技术之目的，采用以下技术方案予以实现：一种有限时间收敛的学习型扰动观测器设计方法，包括以下步骤：1)自适应神经网络估计器设计将一个二阶单入单出非线性系统按公式(1)表示：其中，x＝[x1，x2]T是状态向量，系统矩阵b＝[0，b0]，C＝[1，0]T，u是控制输入，b0是控制系数，d(t)是外部有界干扰，y是系统输出，a(x)是未知连续非线性函数；针对式(1)设计带有神经网络估计信息的线性扩张状态观测器：其中，z＝[z1，z2，z3]T为观测器的输出，分别是对系统输出、系统输出的导数和总扰动的估计，β＝[β1，β2，β3]T为可调增益，为x的估计，为未知非线性函数a(x)的估计，式(2)中，用神经网络进行估计将未知连续非线性函数a(x)用理想权值W*和基函数h(x)组成的神经网络表示，即α(x)＝W*Th(x)+ε(x)，ε(x)≤ε0(3)其中，ε(x)为神经网络的逼近误差，ε0为有界常数。假设神经网络权值W*有界，采用神经网络逼近α(x)，其中，是估计权值，权值估计误差为设计自适应神经网络权值调整律为其中，矩阵F＝FT＞0，增益κ＞0，式(6)为基函数的自适应控制律，和式(5)一起实现神经网络的权值调整。其中，L-1(s)是极点稳定的传递函数，其选择要保证H(s)L(s)严格正实。H(s)＝CT(sI-(A-[β1，β2]TCT))-1b(7)其中，I为二阶单位矩阵，2)具有模型估计信息的扩张状态观测器设计对观测器(2)，将观测器增益β按极点为(s+1)3配置为[β1，β2，β3]T＝[3，3，1]T，并引入误差伸缩因子ε，其中，ε为观测器可调增益。3)有限时间收敛机制设计对观测器(8)，将分数项和有限时间收敛特点引入到扩张状态观测器的设计中，则有限时间收敛的学习型扰动观测器可用公式(9)表示：其中，sign为符号函数，α为可调的分数阶指数。一种具有有限时间收敛的学习型扰动观测器的抗干扰控制系统的设计方法，其中：该设计方法包括如上所述的有限时间收敛的学习型扰动观测器设计方法和控制器设计方法，其中控制器设计方法如下：使用设定值导数信息作为前馈的比例微分控制器其中，ωc是控制器带宽，r是设定值。使用观测器输出的控制律一种具有有限时间收敛的学习型扰动观测器的抗干扰控制系统，包括控制器、受控对象、神经网络、有限时间收敛的观测器，其中：设定值和观测器输出输入到控制器，形成控制量u，控制器输出的控制量u和输入端扰动d输入受控对象得到系统输出量y，同时，控制量u还输入给有限时间收敛的观测器和神经网络；受控对象的系统输出量y分别输出给神经网络和有限时间收敛的观测器；神经网络的输出作为模型信息配置到有限时间收敛的观测器中，有限时间收敛的观测器估计的系统输出和系统输出的导数发送给神经网络，观测器输出的总扰动的估计、系统输出和输出导数的估计均输入给控制器；其中有限时间收敛的观测器和神经网络构成有限时间收敛的学习型扰动观测器。所述的一种具有有限时间收敛的学习型扰动观测器的抗干扰控制系统，其中观测器表示为：其中，z＝[z1，z2，z3]T为观测器的输出，分别是对系统输出、系统输出的导数和总扰动的估计，β＝[β1，β2，β3]T为可调增益，为x的估计，为未知非线性函数a(x)的估计，式(2)中，用神经网络进行估计所述的一种具有有限时间收敛的学习型扰动观测器的抗干扰控制系统，其中有限时间收敛的学习型扰动观测器为：其中，sign为符号函数，α为可调的分数阶指数。所述的一种具有有限时间收敛的学习型扰动观测器的抗干扰控制系统，其中控制器表示为：使用设定值导数信息作为前馈的比例微分控制器其中，ωc是控制器带宽，r是设定值。使用观测器输出的控制律附图说明图1为具有有限时间收敛的学习型扰动观测器的抗干扰控制系统示意图；图2为以单关节机械手为控制对象的抗干扰控制系统涉及流程示意图；图3为仿真结果示意图。具体实施方式下面结合说明书附图对本专利技术具体实施方式进行详细说明：有限时间收敛的学习型扰动观测器设计方法包括：1)自适应神经网络估计器设计将一个二阶单入单出非线性系统按公式(1)表示：其中，x＝[x1，x2]T是状态向量，系统矩阵b＝[0，b0]，C＝[1，0]T，u是控制输入，b0是控制系数，d(t)是外部有界干扰，y是系统输出，a(x)是未知连续非线性函数。针对式(1)设计如下带有神经网络估计信息的线性扩张状态观测器：其中，z＝[z1，z2，z3]T为观测器的输出，分别是对系统输出、系统输出的导数和总扰动的估计，β＝[β1，β2，β3]T为可调增益，为x的估计，为未知非线性函数a(x)的估计，式(2)中，用神经网络进行估计将未知连续非线性函数α(x)用理想权值W*和基函数h(x)组成的神经网络表示，即α(x)＝W*Th(x)+ε(x)，ε(x)≤ε0(3)其中，ε(x)为神经网络的逼近误差，ε0为有界常数。假设神经网络权值W*有界，采用神经网络逼近α(x)，其中，是估计权值，权值估计误差为设计自适应神经网络权值调整律为其中，矩阵F＝FT＞0，增益κ＞0。式(6)为基函数的自适应控制律，和式(5)一起实现神经网络的权值调整。其中，L-1(s)是极点稳定的传递函数，其选择要保证H(s)L(s)严格正实。H(s)＝CT(sI-(A-[β1，β2]TCT))-1b(7)其中，I为二阶单位矩阵。2)具有模型估计信息的扩张状态观测器设计对观测器(2)，将观测器增益β按极点为(s+1)3配置为[β1，β2，β3]T＝[3，3，1]T，并引入误差伸缩因子ε。其中，ε为观测器可调增益。3)有限时间收敛机制对观测器(8)，将分数项和有限时间收敛特点引入到扩张状态观测器的设计中，则有限时间收敛的学习型扰动观测器可用公式(9)表示：其中，sign为符号函数，α为可调的分数阶指数。进一步的本专利技术还提供了具有有限时间收敛的学习型扰动观测器的抗干扰控制系统的设计方法，该设计方法包括如上所述的有限时间收敛的学习型扰动观测器设计方法和控制器设计方法，其中控制器设计方法如下：为使系统跟踪期望的轨迹，使用设定值导数信息作为前馈的比例微分控制器其中，ωc是控制器带宽，r是设定值本文档来自技高网...

【技术保护点】
1.一种具有有限时间收敛的学习型扰动观测器的抗干扰控制系统，包括控制器、受控对象、神经网络、有限时间收敛的观测器，其特征在于：设定值和观测器输出输入到控制器，形成控制量u，控制器输出的控制量u和输入端扰动d输入受控对象得到系统输出量y，同时，控制量u还输入给有限时间收敛的观测器和神经网络；受控对象的系统输出量y分别输出给神经网络和有限时间收敛的观测器；神经网络的输出作为模型信息配置到有限时间收敛的观测器中，有限时间收敛的观测器估计的系统输出和系统输出的导数发送给神经网络，观测器输出的总扰动的估计、系统输出和输出导数的估计均输入给控制器；其中有限时间收敛的观测器和神经网络构成有限时间收敛的学习型扰动观测器。

【技术特征摘要】
1.一种具有有限时间收敛的学习型扰动观测器的抗干扰控制系统，包括控制器、受控对象、神经网络、有限时间收敛的观测器，其特征在于：设定值和观测器输出输入到控制器，形成控制量u，控制器输出的控制量u和输入端扰动d输入受控对象得到系统输出量y，同时，控制量u还输入给有限时间收敛的观测器和神经网络；受控对象的系统输出量y分别输出给神经网络和有限时间收敛的观测器；神经网络的输出作为模型信息配置到有限时间收敛的观测器中，有限时间收敛的观测器估计的系统输出和系统输出的导数发...

【专利技术属性】
技术研发人员：魏伟，夏鹏飞，左敏，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京,11