【技术实现步骤摘要】
基于发射平台的神经网络输出反馈自适应鲁棒控制方法
本专利技术涉及发射平台电机伺服控制领域，具体涉及一种基于发射平台的神经网络输出反馈自适应鲁棒控制方法。
技术介绍
发射平台广泛运用于防空武器中，其由方位和俯仰伺服系统两部分构成，两者数学模型一致，因此本专利技术可就其中方位伺服系统展开研究。高精度的运动控制已成为现代直流电机的主要发展方向。在电机伺服系统中，由于工作状况变动、外部干扰以及建模误差的缘故，在设计控制器时，会遇到很多的模型不确定性，尤其是不确定非线性，它会严重恶化能够取得的控制性能，从而导致低控制精度，极限环震荡，甚至系统的不稳定。对于已知的非线性，可以通过反馈线性化技术处理。但是实际工业过程的精确模型很难得到，非线性更是未知的，因而设计高性能控制器时异常困难。传统控制方式难以满足不确定非线性的跟踪精度要求，因此需要研究简单实用且满足系统性能需求的控制方法。近年来，各种先进控制策略应用于伺服系统，如滑模变结构控制、鲁棒自适应控制、自适应鲁棒等。但在传统系统的速度的获取，往往来之不易。传感器价格高且误...
【技术保护点】
1.一种基于发射平台的神经网络输出反馈自适应鲁棒控制方法，其特征在于：方法步骤如下：/n步骤1、建立发射平台的数学模型，转入步骤2；/n步骤2、设计神经网络状态观测器，以及基于神经网络状态观测器的神经网络输出反馈自适应鲁棒控制器；/n步骤3、对神经网络状态观测器和神经网络输出反馈自适应鲁棒控制器运用李雅普诺夫稳定性理论进行稳定性证明。/n
【技术特征摘要】
1.一种基于发射平台的神经网络输出反馈自适应鲁棒控制方法，其特征在于：方法步骤如下：
步骤1、建立发射平台的数学模型，转入步骤2；
步骤2、设计神经网络状态观测器，以及基于神经网络状态观测器的神经网络输出反馈自适应鲁棒控制器；
步骤3、对神经网络状态观测器和神经网络输出反馈自适应鲁棒控制器运用李雅普诺夫稳定性理论进行稳定性证明。
2.根据权利要求1所述的基于发射平台的神经网络输出反馈自适应鲁棒控制方法，其特征在于：
步骤1、建立发射平台的数学模型，具体如下：
根据牛顿第二定律，电机惯性负载的动力学模型方程为：
式中Jeq表示惯性负载参数，ku表示电机输出端电压力矩放大系数，u是系统控制输入，dn为常值干扰，τ为其他未建模干扰，为粘性摩擦，为双轴系耦合力矩，其中Beq代表粘性摩擦系数，y表示惯性负载的位移，ω和是俯仰伺服系统的角速度和角加速度，c1和c2是对应ω和的耦合系数；
将式(1)简写为如下
其中，中间变量中间变量中间变量中间变量中间变量中间变量
将式(2)写成状态空间形式，即为发射平台的数学模型：
其中x＝[x1,x2]T表示位置和速度的状态向量，一般情况下，由于系统参数Jeq、ku、Beq、dn未知，系统参数是不确定的，其名义值是能够确定的；此外，系统的非线性也是不能明确建模的，但总是有界的，因而，以下假设总是成立的：
假设1：参数θ满足：
其中θmin＝[θ3min,θ4min,θ5min]T，θmax＝[θ3max,θ4max,θ5max]T，它们都是已知的，即θT＝[θ3,θ4,θ5]的上界值为θM；
假设2：τ(x,t)是有界的且一阶可微的，即
|τ(x,t)|≤δd(5)
其中δd已知；
转入步骤2。
3.根据权利要求2所述的基于发射平台的神经网络输出反馈自适应鲁棒控制方法，其特征在于：
步骤2、设计神经网络状态观测器，以及基于神经网络状态观测器的神经网络输出反馈自适应鲁棒控制器，具体步骤如下：
步骤2-1、根据式(3)构建电机的神经网络状态观测器，
将式(3)写成如下形式：
其中D(x,t)＝(θ1-θ1n)x1-(θ2-θ2n)x2-d(x,t)是一个广义干扰，代表名义系统的偏差，θ1n和θ2n是θ1和θ2的名义值，由D1(x,t)＝(θ1-θ1n)u-(θ2-θ2n)x2-ho(x,t)和假设2可知D1(x,t)也是有界一阶可微的；
由于神经网络能够逼近任意非线性函数，则存在式(6)
其中ωo为输出层权值，σo为激励函数，x是神经网络输入层状态变量，εo是网络与实际函数有界的误差，即|εo|≤εo,M
其中，εo,M为εo的上限值；为ωo的估计值；为ωo的估计值的误差；式(7)中，神经网络权值的估计值由调优算法提供，如式(8)
其中为的导数，矩阵F＝FT＞0，ko是一个足够大的设计参数；
神经网络观测器的形式如式(9)
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。