蝶形回滞的建模及自适应神经分段隐逆控制方法及装置制造方法及图纸

本发明专利技术提出了一种蝶形回滞的建模及自适应神经分段隐逆控制方法及装置，不仅性能优于其他控制方法，而且减小了跟踪误差。此外，所提出的分段隐逆算法大大减少了从滞后临时控制信号中提取实际控制信号的计算量和搜索时间。包括：步骤1：建立具有蝶形回滞特性的控制系统模型；步骤2：针对模型中体现出的蝶形回滞特性，建立基于KP模型的蝶形KP模型；步骤3：基于所建立的蝶形KP模型，提出针对蝶形回滞的自适应神经分段隐逆控制方法，消除蝶形回滞；步骤4：采用神经网络逼近未知非线性函数的方法，利用自适应动态面控制技术，对具有蝶形回滞特性的非线性控制系统进行自适应动态面控制，实现对于所述控制系统的高精度控制。对于所述控制系统的高精度控制。对于所述控制系统的高精度控制。

【技术实现步骤摘要】
蝶形回滞的建模及自适应神经分段隐逆控制方法及装置


[0001]本专利技术涉及蝶形回滞的建模和自适应神经分段隐逆控制
，特别涉及一种蝶形回滞的建模及自适应神经分段隐逆控制方法及装置。

技术介绍

[0002]智能材料致动器的显著非线性特性，例如压电致动器、磁致伸缩致动器、形状记忆合金致动器和介电弹性体致动器(DEA)，包括它们的滞后非线性，通常会导致不准确的跟踪性能、系统振荡，甚至不稳定。例如，当压电致动器以开环方式运行而没有滞后补偿时，由滞后引起的最大误差总是高达路径的10
‑
15％。因此，滞后非线性的建模和控制对于智能材料执行器的高精度运动控制至关重要。
[0003]到目前为止，已经开发了几类滞后模型，其中主要类别之一是基于微分方程的滞后模型，例如Bouc
‑
Wen模型和Duhem模型。另一类是基于算子的滞后模型，例如Preisach模型、PrandtlIshlinkii(PI)模型和KrasnoselskiiPokrovskii(KP)模型。还开发了基于经典模型的各种改进的基于算子滞后模型，以更准确地描述智能材料执行器中的滞后特性。例如，修改后的Prandtl
‑
Ishlinskii(MPI)模型可用于压电致动器的不对称滞后描述和补偿。不对称位移Prandtl
‑
Ishlinskii(ASPI)模型是针对磁致伸缩致动器中的不对称磁滞行为开发的。需要注意的是，基于微分方程和基于算子的滞后模型主要用于描述单回路滞后效应。为了建模多环滞后效应，提出了一种基于经典Preisach模型的具有正负权重函数的蝶形回滞模型。然后，基于这种蝶形回滞模型，提供了多环滞后的进一步数学论证。然而，这些蝶形回滞模型由于其非单调性而不适合控制器设计。
[0004]基于回滞模型，针对回滞行为的处理方案主要有开环逆补偿方案和闭环反馈控制方案。闭环控制方法包括建立滞后模型逆的控制方案和不建立滞后模型逆的控制方案。反补偿器控制的主要优点是传统的线性系统反馈控制方法，如自适应神经控制、滑模控制，可以直接应用，因为在控制系统中的非线性滞后效应级联由补偿器减轻。此外，考虑到逆补偿，控制器设计可以有效地降低控制信号的跟踪误差和幅度。因此，该控制方案已成功应用于压电致动器和磁致伸缩致动器的运动控制，具有自适应神经网络控制和鲁棒控制框架。需要说明的是，控制方案中的关键部分是逆补偿方式，主要包括直接逆补偿和隐逆补偿。直接逆补偿包括解析逆和乘法逆。然而，使用这种方法的补偿误差主要取决于加权函数或滞后模型的权重的识别。此外，直接逆法在实现逆乘法补偿器时会遇到解析逆或代数环不可用等问题。对于隐逆方法，它是通过从滞后临时控制信号中寻找反演的最佳值来获得的，不需要基于识别的加权函数或权重来构造滞后模型的反演。隐逆方法被引入到离散时间系统和连续时间系统的自适应控制方案的设计中，以消除滞后效应而不构建滞后逆模型。然而，从滞后临时控制信号中提取最优控制信号的过程通常会导致计算量大，对实时控制性能有很大影响。此外，可以得出结论，上述控制方案都是关于单回路滞后的建模和控制。然而，关于蝶形回滞的建模和控制的报道很少，尤其是使用隐逆控制方案。

技术实现思路

[0005]为了解决
技术介绍
中提出的技术问题，本专利技术提出了一种蝶形回滞的建模及自适应神经分段隐逆控制方法及装置，不仅性能优于其他控制方法，而且减小了跟踪误差。此外，所提出的分段隐逆算法大大减少了从滞后临时控制信号中提取实际控制信号的计算量和搜索时间。
[0006]为了达到上述目的，本专利技术采用以下技术方案实现：
[0007]一种蝶形回滞的建模及自适应神经分段隐逆控制方法，所述方法包括以下步骤：
[0008]步骤1：建立具有蝶形回滞特性的控制系统模型；
[0009]步骤2：针对所述控制系统模型中体现出的蝶形回滞特性，建立基于Krasnoselskii Pokrovskii模型的蝶形Krasnoselskii Pokrovskii模型；
[0010]步骤3：基于所建立的蝶形Krasnoselskii Pokrovskii模型，提出针对蝶形回滞的自适应神经分段隐逆控制方法，消除蝶形回滞；
[0011]步骤4：基于步骤3的自适应神经分段隐逆控制方法，采用神经网络逼近未知非线性函数的方法，利用自适应动态面控制技术，对具有蝶形回滞特性的非线性控制系统进行自适应动态面控制，实现对于所述控制系统的高精度控制。
[0012]进一步地，所述步骤1)的具有蝶形回滞特性的控制系统模型为：
[0013]具有蝶形回滞的单输入单输出SISO非线性严格反馈系统：
[0014][0015]其中是状态向量，x1,x2,
…
,x
i
是系统状态，为未知平滑函数，为未知连续函数，Δ
i
(x,t)为未知动态干扰项，W(t)为未知广义滞后。
[0016]进一步地，所述步骤2)中，针对所述控制系统模型中体现出的蝶形回滞特性，建立基于Krasnoselskii Pokrovskii模型的蝶形Krasnoselskii Pokrovskii模型即蝶形KP模型，蝶形KP模型称为BKP模型；
[0017]将所述步骤1中的控制系统模型中的未知广义回滞W(t)表示为：
[0018][0019]其中u是回滞输入信号，K
B
[u](t)为KP核，t为时间，μ(t,ρ1,ρ2)为密度函数，其中，ρ1,ρ2分别是第一阈值和第二阈值，R0为积分区域，W(t)是蝶形Krasnoselskii Pokrovskii模型的输出；
[0020]用蝶形KP核来描述双环滞后如下：
[0021][0022]其中ρ1,ρ2分别是第一阈值和第二阈值，ρ是ρ1和ρ2的统称，u(t)是输入信号，u表示u(t)在本公式中同一时域计算的表示，R是非零实数，s是BKP内核的交叉点；蝶形滞后包括两个方向相反的回路，左脊函数和右脊函数定义为：
[0023][0024][0025]其中k
L
和k
R
是和中的设计参数，τ为脊函数自变量；δ＞0，是BKP核的斜率参数；此外，定义为：
[0026][0027]其中表示BKP内核的初始值。
[0028]进一步地，所述步骤3)中，采用自适应神经分段隐逆控制方法，补偿系统中蝶形回滞特性，具体包括如下：
[0029]定义为虚拟控制信号，W
+max
(t)为正区间回滞最大输出，u
+max
为正区间回滞最大输入，W
min
(t)为回滞最小输出，u
min
为回滞最小输入，W
‑
max
(t)为负区间回滞最大输出，u
‑
max
为负区间回滞最大输入；u
*
(t)是实际控制信号，分段隐逆补偿算法定义如下：
[0030]令：回滞输出负区间最大值和回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种蝶形回滞的建模及自适应神经分段隐逆控制方法，其特征在于：所述方法包括以下步骤：步骤1：建立具有蝶形回滞特性的控制系统模型；步骤2：针对所述控制系统模型中体现出的蝶形回滞特性，建立基于Krasnoselskii Pokrovskii模型的蝶形Krasnoselskii Pokrovskii模型；步骤3：基于所建立的蝶形Krasnoselskii Pokrovskii模型，提出针对蝶形回滞的自适应神经分段隐逆控制方法，消除蝶形回滞；步骤4：基于步骤3的自适应神经分段隐逆控制方法，采用神经网络逼近未知非线性函数的方法，利用自适应动态面控制技术，对具有蝶形回滞特性的非线性控制系统进行自适应动态面控制，实现对于所述控制系统的高精度控制。2.根据权利要求1所述的一种蝶形回滞的建模及自适应神经分段隐逆控制方法，其特征在于：所述步骤1的具有蝶形回滞特性的控制系统模型为：具有蝶形回滞的单输入单输出SISO非线性严格反馈系统：其中是状态向量，x1,x2,
…
,x
i
是系统状态，为未知平滑函数，为未知连续函数，Δ
i
(x
i
,t),i＝1,
…
,n为未知动态干扰项，W(t)为未知广义回滞，t为时间。3.根据权利要求1或2所述的一种蝶形回滞的建模及自适应神经分段隐逆控制方法，其特征在于：所述步骤2中，针对所述控制系统模型中体现出的蝶形回滞特性，建立基于Krasnoselskii Pokrovskii模型的蝶形Krasnoselskii Pokrovskii模型即蝶形KP模型，蝶形KP模型称为BKP模型；将所述步骤1中的控制系统模型中的未知广义回滞W(t)表示为：其中u是回滞输入信号，K
B
[u](t)为KP核，t为时间，μ(t,ρ1,ρ2)为密度函数，其中，ρ1,ρ2分别是第一阈值和第二阈值，R0为积分区域，W(t)是蝶形Krasnoselskii Pokrovskii模型的输出；用蝶形KP核来描述双环滞后如下：
其中ρ1,ρ2分别是第一阈值和第二阈值，ρ是ρ1和ρ2的统称，u(t)是输入信号，u是u(t)在本公式中同一时域计算的表示，R是非零实数，s是BKP内核的交叉点；蝶形滞后包括两个方向相反的回路，左脊函数和右脊函数定义为：定义为：其中k
L
和k
R
是和中的设计参数，τ为脊函数自变量；δ＞0，是BKP核的斜率参数；此外，定义为：其中表示BKP内核的初始值。4.根据权利要求2或3所述的一种蝶形回滞的建模及自适应神经分段隐逆控制方法，其特征在于：所述步骤3中，采用自适应神经分段隐逆控制方法，补偿系统中蝶形回滞特性，具体包括如下：定义为虚拟控制信号，W
+max
(t)为正区间回滞最大输出，u
+max
为正区间回滞最大输入，W
min
(t)为回滞最小输出，u
min
为回滞最小输入，W
‑
max
(t)为负区间回滞最大输出，u
‑
max
为负区间回滞最大输入；u
*
(t)是实际控制信号，分段隐逆补偿算法定义如下：令：回滞输出负区间最大值和回滞输出正区间最大值其中为正常数表示μ(ρ1,ρ2)的上边界，μ(ρ1,ρ2)是权重函数，通过定义和正常数在已知输入信号的情况下实现左
右峰值CW
‑
max
和CW
+max
的比较左右输入峰值u
‑
max
、u
+max
，μ(t,ρ1,ρ2)为密度函数，有：以及为简单起见，用寻优步长η∈[u
‑
max
‑
u
min
,u
+max
‑
u
min
]和寻优起始输入u0(t)＝u
min
定义新变量W
η
(t)和u
η
，让因此，针对不同情况作出以下判断：如果CW
+max
≥CW
‑
max
，则转到情况一，如果CW
+max
＜CW
‑
max
，则转到情况二；情况一：W
+max
(t)＞W
‑
max
(t)如果令u
*
(t)＝u
+max
；如果令u
*
(t)＝u
min
；如果则让u
*
(t)将通过以下过程获得；步骤3
‑
1.1：设输入范围[u
min
,u
+max
]被分成N等份；定义和其中i＝1,...,N
‑
1，为分段序号；步骤3
‑
1.2：计算和的值；步骤3
‑
1.3：如果则定义间接输入信号最小值间接输入信号最大值步骤3
‑
1.4：让寻优步长η从0增加到步骤3
‑
1.5：计算寻优输入u
η
(t)和寻优回滞输出W
η
(t)的值，其中若则令η不断增加，进入步骤3
‑
1.5；否则，请转到步骤3
‑
1.6；步骤3
‑
1.6...

【专利技术属性】
技术研发人员：王顺江，于鹏，王铎，贺欢，眭冰，凌兆伟，金宜放，张天一，刘嘉明，臧昱秀，李政平，关麒，
申请(专利权)人：国网辽宁省电力有限公司东北电力大学国家电网有限公司，
类型：发明
国别省市：