基于神经网络的扩张状态观测器补偿方法及自抗扰控制器技术

本发明专利技术公开了一种基于神经网络的扩张状态观测器补偿方法，该方法包括：利用扩张状态观测器对非线性系统扰动进行观测，将当前时刻的系统状态值和系统扰动值组成一个样本数据存入经验池；利用神经网络通过监督学习拟合系统状态值与系统扰动值之间的映射关系；将神经网络拟合结果添加到扩张状态观测器中，使扩张状态观测器仅观测神经网络预测的扰动值和实际扰动值之间的预测误差。本发明专利技术还公开了一种自抗扰控制器。本发明专利技术降低了传统扩张状态观测器的扰动观测范围，加快了扩张状态观测器的计算收敛速度，提高了自抗扰控制器在快时变非线性系统中的控制精度。性系统中的控制精度。性系统中的控制精度。

【技术实现步骤摘要】
基于神经网络的扩张状态观测器补偿方法及自抗扰控制器


[0001]本专利技术属于非线性系统智能控制
，具体涉及一种基于神经网络补偿的扩张状态观测器补偿方法，用于当被控对象存在严重非线性特性条件下的扰动观测，从而提高自抗扰控制器的抗干扰能力。

技术介绍

[0002]自抗扰控制方法综合了经典调节理论和现代控制理论的优点，是一种观测加补偿的方法，即通过扩张状态观测器同时观测系统模型的不确定性和外界扰动，并将观测的结果补偿到原非线性系统中，在自抗扰控制中将系统模型的不确定性和外界扰动统称为扰动。这种观测加补偿的方法将原非线性系统转化为线性系统，再应用非线性状态误差反馈控制律实现对非线性系统的稳定控制。
[0003]然而，在将自抗扰控制方法应用于具有大扰动特性的非线性系统中时，由于系统扰动在较大范围内变化，传统扩张状态观测器需要一定的计算时间达到计算收敛，从而有时延的跟踪系统扰动，这种时延特性随着系统扰动增大而增大。自抗扰控制技术的本质是通过实时观测系统扰动，并在非线性系统中动态补偿扰动，从而实现对非线性系统的线性化，因此观测时延造成扰动补偿后的系统中仍存在较大非线性，从而造成自抗扰控制器控制效果变差。

技术实现思路

[0004]为解决上述条件下非线性系统的精确控制问题，本专利技术提出了一种基于神经网络的扩张状态观测器补偿方法，以及具有该扩张状态观测器的自抗扰控制器。
[0005]根据本专利技术的第1方面，公开了一种基于神经网络的扩张状态观测器补偿方法，包括：
[0006]获取非线性系统的过渡过程状态；
[0007]利用状态观测器观测非线性系统扰动，生成神经网络训练样本库；
[0008]利用样本数据训练神经网络；
[0009]利用训练好的神经网络补偿扩张状态观测器；
[0010]其中，在获取非线性系统的过渡过程状态时，针对N阶非线性系统控制指令信号为u＝Usin(ωt)，U为指令信号最大值，ω为指令信号的角速率。
[0011]在另外的一些示例中，利用如下状态观测器观测非线性系统扰动：
[0012][0013]其中，在得到后，利用多步积分计算z
n+1
。
[0014]在另外的一些示例中，所述神经网络结构采用多层前馈神经网络，训练时，神经网络的输入是x1,
…
,x
n
组成的特征向量X，维度为n，输出是对系统扰动z
n+1
的预测维度为1。
[0015]在另外的一些示例中，利用训练好的神经网络补偿得到的扩张状态观测器为：
[0016][0017]F为神经网络预测结果。
[0018]在另外的一些示例中，训练采用监督学习的方式进行参数更新，监督学习的损失函数为：
[0019][0020]根据本专利技术的第2方面，公开了另外一种基于神经网络的扩张状态观测器补偿方法，包括：利用扩张状态观测器对非线性系统扰动进行观测，将当前时刻的系统状态值和系统扰动值组成一个样本数据存入经验池；利用神经网络通过监督学习拟合系统状态值与系统扰动值之间的映射关系；将神经网络拟合结果添加到扩张状态观测器中，使扩张状态观测器仅观测神经网络预测的扰动值和实际扰动值之间的预测误差。
[0021]在另外的一些示例中，还包括利用控制指令激发系统特征状态，所述控制指令为u＝Usin(ωt)，U为指令信号最大值，ω为指令信号的角速率。
[0022]一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现上述方案任一项所述的扩张状态观测器补偿方法。
[0023]根据本专利技术的第3方面，公开了一种非暂态可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现根据上述方案任一项所述的扩张状态观测器补偿方法。
[0024]根据本专利技术的第4方面，公开了一种自抗扰控制器，包括跟踪微分器、非线性反馈控制模块、扩张状态观测器，其特征在于，还包括神经网络模块，该神经网络模块用于通过根据上述方案任一项所述的扩张状态观测器补偿方法对所述扩张状态观测器进行补偿。
[0025]与现有技术相比，本专利技术降低了传统扩张状态观测器的扰动观测范围，加快了扩张状态观测器的计算收敛速度，提高了自抗扰控制器在快时变非线性系统中的控制精度，从而扩大了自抗扰控制器的应用范围。
[0026]同时，本专利技术的方法自动简单、鲁棒性强，可满足在非线性系统存在大扰动条件下对扰动快速观测的应用需求。
附图说明
[0027]图1为根据本专利技术实施例的基于神经网络补偿的扩张状态观测器设计方法工作流
程示意图；
[0028]图2为传统扩张状态观测器在自抗扰控制系统中的应用示例；
[0029]图3为多层前馈神经网络结构示例；
[0030]图4为根据本专利技术实施例的基于神经网络补偿的扩张状态观测器在自抗扰控制系统中的应用示例；
[0031]图5为非线性系统扰动的观测结果。
具体实施方式
[0032]以下，基于附图及实施例，对本专利技术进行详细地描述，但本专利技术并不限定于这些实施例。
[0033]根据本专利技术的一种实施方式，公开了一种基于神经网络的扩张状态观测器补偿方法，具体包括如下步骤：
[0034]S101、获取非线性系统的过渡过程状态；
[0035]考虑到未知外界扰动作用的N阶非线性不确定系统为：
[0036][0037]其中，可观测，代表模型不确定部分，w(t)代表外界扰动，u为控制指令。
[0038]利用神经网络拟合可以看出系统扰动是在系统状态空间连续变化的函数。对于一个实际物理系统，其状态空间有限，系统稳态时包含的系统信息较少，过渡过程中所含信息量大，因而本专利技术设计了一种指令策略，在数据采集阶段，获取尽可能多的过渡过程数据，并使训练数据尽可能覆盖系统状态空间。
[0039]本专利技术中，设计指令信号为：
[0040]u＝Usin(ωt)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0041]其中，U为指令信号最大值，ω为指令的角速率。
[0042]U和ω在每轮迭代开始时从各自的分布范围中随机取值，即：
[0043][0044]通过变换指令信号的幅值和角速率，可以获取系统不同时刻状态值，对系统状态空间的覆盖性是保证基于神经网络补偿的扩张状态观测器有效的前提，因而该指令信号的设计是该方法有效的基础。
[0045]S102、利用状态观测器观测非线性系统扰动，生成神经网络训练样本库；
[0046]扩张状态观测器是自抗扰控制器的核心，通过双通道补偿的方式将存在不确定和扰动的非线性系统近似线性化，传统扩张状态观测器在自抗扰控制中的应用如图2所示。
[0047]针对公式(1)表示的N阶非线性系统，令
[0048][0049]则系统(1)可表示为：
[0050][0051]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的扩张状态观测器补偿方法，其特征在于，包括：获取非线性系统的过渡过程状态；利用状态观测器观测非线性系统扰动，生成神经网络训练样本库；利用样本数据训练神经网络；利用训练好的神经网络补偿扩张状态观测器；其中，在获取非线性系统的过渡过程状态时，针对N阶非线性系统控制指令信号为u＝Usin(ωt)，U为指令信号最大值，ω为指令信号的角速率。2.根据权利要求1所述的扩张状态观测器补偿方法，其特征在于，利用如下状态观测器观测非线性系统扰动：其中，在得到后，利用多步积分计算z
n+1
。3.根据权利要求2所述的扩张状态观测器补偿方法，其特征在于，所述神经网络结构采用多层前馈神经网络，训练时，神经网络的输入是x1,
…
,x
n
组成的特征向量X，维度为n，输出是对系统扰动z
n+1
的预测维度为1。4.根据权利要求3所述的扩张状态观测器补偿方法，其特征在于，利用训练好的神经网络补偿得到的扩张状态观测器为：F为神经网络预测结果。5.根据权利要求3所述的扩张状态观测器补偿方法，其特征在于，训练采用监督学习的方式进行参数更新，监督学习的损失函数为：6.一种基于神经网络的扩张状态观测器补偿方法，其...

【专利技术属性】
技术研发人员：甄岩，郝明瑞，魏东辉，张航，陈才，
申请(专利权)人：北京机电工程研究所，
类型：发明
国别省市：