【技术实现步骤摘要】
非线性严格反馈切换系统复合干扰学习控制方法
[0001]本专利技术涉及一种非线性切换系统控制方法，特别是涉及一种非线性严格反馈切换系统复合干扰学习控制方法，属于飞行控制领域。
技术介绍
[0002]在实际工程中，许多控制对象如变体飞行器、变频电机以及机器人等都可以用非线性切换系统来描述，因此非线性切换系统控制技术引起了广泛关注，在汽车、电力、化工等许多行业都得到了研究与应用。
[0003]非线性切换系统自身具有较强的不确定性，同时易受到外部干扰和输入死区的影响，现有的控制方法多采用神经网络或模糊逻辑等智能系统逼近不确定性，采用扰动观测器估计外部干扰。这些控制方法只考虑了智能系统的逼近作用，忽视了智能学习策略的本质，没有对不确定性学习性能进行有效评价，且智能逼近系统和扰动观测器之间没有信息交互，鲁棒性性较差，不利于工程实现。因此研究面向学习性能提升的先进控制方法对于非线性切换系统控制研究意义重大且有着迫切需求。
技术实现思路
[0004]要解决的技术问题
[0005]为了克服现有非线性切换系统控制方法实用性差的不足，本专利技术提供一种非线性严格反馈切换系统复合干扰学习控制方法。
[0006]技术方案
[0007]一种非线性严格反馈切换系统复合干扰学习控制方法，其特征在于以下步骤：
[0008]步骤1：考虑一类单输入单输出非线性严格反馈切换系统
[0009][0010]其中，x(t)＝[x1,...,x
n
]T
∈R
n
【技术保护点】
【技术特征摘要】
1.一种非线性严格反馈切换系统复合干扰学习控制方法，其特征在于步骤如下：步骤1：考虑一类单输入单输出非线性严格反馈切换系统其中，x(t)＝[x1,...,x
n
]
T
∈R
n
是系统状态向量，u
σ(t)
∈R是系统输入，y∈R是系统输出；函数σ(t):[0,∞)
→
M＝{1,2,
…
,m}是切换信号，且σ(t)＝k时表示第k个子系统是激活的；和是关于的未知平滑函数；d
i,σ(t)
(t),i＝1,2,
…
,n是外部未知干扰；步骤2：将系统输入非线性描述为其中，u
v,σ(t)
∈R是带死区的输入，b
r,σ(t)
和b
l,σ(t)
是未知的正常数；可将(2)进一步描述为其中信号u
σ(t)
存在如下关系其中是u
v,σ(t)
的上界值；则系统(1)可进一步写为其中，
步骤3：针对非线性切换系统(5)，基于动态逆控制框架设计复合干扰学习控制器；第1步：定义输出跟踪误差e1＝x
1-y
d
，其中y
d
是控制参考指令；对于未知函数用神经网络来逼近其中，是神经网络最优权重向量，是神经网络基函数向量，ε
1,k
是神经网络残差且存在差且存在是正常数；则的估计值可写为其中，是神经网络最优权重向量估计值；进而x1的导数可写为其中，D
1,k
(t)＝ε
1,k
+d
1,k
(t)是复合干扰；设计虚拟控制量为其中，β
1,k
是正的设计参数，是D
1,k
的估计值；引入如下的一阶滤波器，可得新的状态变量为其中，α2是正的时间常数；设计滤波器补偿信号z1为其中，z1(0)＝0，z2可从后文得到定义补偿跟踪误差v1为v1＝e
1-z1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)构造预测误差z
1NN
为其中，可由如下的平行估计模型得到其中，λ
1,k
是正的设计参数；
设计神经网络权重更新律为其中，γ
1,k
，γ
z1,k
和δ
1,k
是正的设计参数；设计切换扰动观测器为其中，ξ1是中间变量，L
1,k
是正的设计参数；第i步，i＝2,...,n-1：定义输出跟踪误差对于未知函数用神经网络来逼近其中，是神经网络最优权重向量，是神经网络基函数向量，ε
i,k
是神经网络残差且存在差且存在是正常数；则的估计值可写为其中，是神经网络最优权重向量估计值；进而x
i
的导数可写为其中，D
i,k
(t)＝ε...
【专利技术属性】
技术研发人员：许斌，程怡新，马波，
申请(专利权)人：中国航空工业集团公司成都飞机设计研究所，
类型：发明
国别省市：
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。