CN109062049B - 基于集总复合估计的严格反馈***神经网络控制方法 - Google Patents

基于集总复合估计的严格反馈***神经网络控制方法 Download PDF

Info

Publication number
CN109062049B
CN109062049B CN201810949491.2A CN201810949491A CN109062049B CN 109062049 B CN109062049 B CN 109062049B CN 201810949491 A CN201810949491 A CN 201810949491A CN 109062049 B CN109062049 B CN 109062049B
Authority
CN
China
Prior art keywords
neural network
design
indicate
disturbance
designing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810949491.2A
Other languages
English (en)
Other versions
CN109062049A (zh
Inventor
许斌
寿莹鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810949491.2A priority Critical patent/CN109062049B/zh
Publication of CN109062049A publication Critical patent/CN109062049A/zh
Application granted granted Critical
Publication of CN109062049B publication Critical patent/CN109062049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于集总复合估计的严格反馈***神经网络控制方法，属于智能控制方法领域，用于解决具有外界干扰的不确定反馈***中未知动态和时变扰动的问题。该方法基于反步法的框架，采用神经网络来估计***的非线性函数，利用扰动观测器处理由神经网络近似误差和时变扰动所形成的复合扰动，利用在线数据的神经网络估计和扰动观测估计构造集总复合估计误差，并设计神经网络和扰动观测器的更新律，最后基于神经网络估计与扰动观测估计设计控制输入。本发明将神经网络学习和扰动观测有机结合，为处理具有时变干扰的严格反馈***控制提供了有效途径。

Description

基于集总复合估计的严格反馈***神经网络控制方法
技术领域
本发明涉及一种神经网络控制方法，特别是涉及一种基于集总复合估计的严格反馈***神经网络控制方法，属于智能控制方法领域。
背景技术
反步法控制被广泛应用于严格反馈***，但是在传统设计中存在“复杂度***”问题，因此动态面设计以及指令滤波设计被应用降低设计复杂度。针对非线性严格反馈***的设计由于非线性存在，智能控制技术得到广泛关注。现在多数已有智能控制研究基于跟踪误差进行权重更新，仅保证闭环***的稳定性，难以实现预期的非线性估计效果。
《Composite Learning Control of MIMO Systems With Applications》(B Xu，YShou，《IEEE Transactions on Industrial Electronics》，2018年，第65卷第8期)一文针对多输入多输出的严格反馈***研究了基于在线数据学习的控制方法。论文在反步法的框架下设计控制器，基于在线数据构建预测误差以设计神经网络自适应更新律，实现了***的快速稳定控制。但是，当不确定***具有时变扰动时，扰动会破坏神经网络的学习性能，***将无法准确逼近未知***动力学，因而难以保证控制性能。
发明内容
要解决的技术问题
为解决具有外界干扰的不确定反馈***中未知动态和时变扰动的问题，本发明提出了一种基于集总复合估计的严格反馈***神经网络控制方法，该方法基于反步法的框架，采用神经网络来估计***的非线性函数，同时利用扰动观测器处理由神经网络近似误差和时变扰动所形成的复合扰动，然后基于两种估计信息形成集总预测误差，并应用到神经网络和扰动观测器的更新律中，最后将控制输入前馈到***的动力学模型中。
技术方案
一种基于集总复合估计的严格反馈***神经网络控制方法，其特征在于步骤如下：
步骤1：考虑严格反馈***动力学模型：
其中i＝1,…,n，u∈R表示***输入，y∈R表示***输出，表示关于的未知光滑函数，表示已知非零函数，di(t)表示时变扰动，满足其中表示扰动以及扰动变化率上界；
步骤2：根据公式(1)，定义跟踪误差为e1＝x1-yr，其中yr表示参考信号；
第一步：设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示参考信号的导数，表示复合扰动的估计值，k1>0和Lf1>0为设计参数；
设计一阶滤波器为
其中τ2>0为滤波器参数；
设计补偿信号z1为
其中z2在下一步设计中给出；
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中τd>0为在线数据采集区间；
设计神经网络自适应更新律为
其中λ1>0，kω1>0和δf1>0为设计参数；
设计扰动观测器为
其中L1>0为扰动观测器参数；
第i步：定义跟踪误差为i＝2,…,n-1；设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，ki>0和Lfi>0为设计参数；
设计一阶滤波器为
其中τi+1>0为滤波器参数；
设计补偿信号zi为
定义补偿后跟踪误差为vi＝ei-zi，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λi>0，kωi>0和δfi>0为设计参数；
设计扰动观测器为
其中Li>0为扰动观测器参数；
第n步：定义跟踪误差为设计实际控制输入u为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，kn>0和Lfn>0为设计参数；
设计补偿信号zn为
定义补偿后跟踪误差为vn＝en-zn，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λn>0，kωn>0和δfn>0为设计参数；
设计扰动观测器为
其中Ln>0为扰动观测器设计参数；
步骤3：根据得到的控制输入u，返回到严格反馈***的动力学模型(1)，对参考信号yr进行跟踪控制。
有益效果
本发明提出的一种基于集总复合估计的严格反馈***神经网络控制方法，与现有技术相比有益效果为：
(1)本发明考虑采用神经网络估计***不确定非线性信息，采用扰动观测器估计***复合扰动，并基于这两种估计信息构造集总预测误差。
(2)本发明在神经网络与扰动观测器的更新律中引入集总预测误差用于评价集总估计性能，形成信息交互。
(3)本发明将神经网络估计和扰动观测估计引入到控制信号中，实现***集总不确定的有效前馈，可提高***的跟踪性能。
附图说明
图1是本发明基于集总复合估计的严格反馈***神经网络控制方法的流程图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明解决其技术问题采用的技术方案是：一种基于集总复合估计的严格反馈***神经网络控制方法，通过以下步骤实现：
(a)考虑严格反馈***动力学模型：
其中i＝1,…,n，u∈R表示***输入，y∈R表示***输出，表示关于的未知光滑函数，表示已知非零函数，di(t)表示时变扰动，满足 其中表示扰动以及扰动变化率上界。
(b)根据公式(1)，定义跟踪误差为e1＝x1-yr，其中yr表示参考信号。
第一步：设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示参考信号的导数，表示复合扰动的估计值，k1>0和Lf1>0为设计参数。
设计一阶滤波器为
其中τ2>0为滤波器参数。
设计补偿信号z1为
其中z2在下一步设计中给出。
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中τd>0为在线数据采集区间。
设计神经网络自适应更新律为
其中λ1>0，kω1>0和δf1>0为设计参数。
设计扰动观测器为
其中L1>0为扰动观测器参数。
第i步：定义跟踪误差为i＝2,…,n-1。设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，ki>0和Lfi>0为设计参数。
设计一阶滤波器为
其中τi+1>0为滤波器参数。
设计补偿信号zi为
定义补偿后跟踪误差为vi＝ei-zi，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λi>0，kωi>0和δfi>0为设计参数。
设计扰动观测器为
其中Li>0为扰动观测器参数。
第n步：定义跟踪误差为设计实际控制输入u为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，kn>0和Lfn>0为设计参数。
设计补偿信号zn为
定义补偿后跟踪误差为vn＝en-zn，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λn>0，kωn>0和δfn>0为设计参数。
设计扰动观测器为
其中Ln>0为扰动观测器设计参数。
(c)根据得到的控制输入u，返回到严格反馈***的动力学模型(1)，对参考信号yr进行跟踪控制。
实施例：
参照图1，本发明基于集总复合估计的严格反馈***神经网络控制应用于三阶严格反馈***中，通过以下步骤实现：
(a)考虑三阶严格反馈***动力学模型：
(b)根据公式(1)，定义跟踪误差为e1＝x1-yr，其中yr＝sin(t)表示参考信号。
第一步：设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示参考信号的导数，表示复合扰动的估计值，k1＝3，Lf1＝1。
设计一阶滤波器为
其中τ2＝0.05为滤波器参数。
设计补偿信号z1为
其中z2在下一步设计中给出。
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中τd＝0.05s为在线数据采集区间。
设计神经网络自适应更新律为
其中λ1＝0.1，kω1＝40，δf1＝0.001。
设计扰动观测器为
其中L1＝10为扰动观测器参数。
第2步：定义跟踪误差为设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，k2＝3，Lf2＝1。
设计一阶滤波器为
其中τ3＝0.05为滤波器参数。
设计补偿信号z2为
定义补偿后跟踪误差为v2＝e2-z2，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λ2＝0.1，kω2＝40，δf2＝0.001。
设计扰动观测器为
其中L2＝10为扰动观测器参数。
第3步：定义跟踪误差为设计实际控制输入u为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，k3＝3，Lf3＝10。
设计补偿信号z3为
定义补偿后跟踪误差为v3＝e3-z3，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λ3＝0.1，kω3＝40，δf3＝0.001。
设计扰动观测器为
其中L3＝10为扰动观测器参数。
(c)根据得到的控制输入u，返回到严格反馈***的动力学模型(1)，对参考信号yr进行跟踪控制。
本发明基于反步法的框架，采用神经网络来估计***的非线性函数，利用扰动观测器处理由神经网络近似误差和时变扰动所形成的复合扰动，利用在线数据的神经网络估计和扰动观测估计构造集总复合估计误差，并设计神经网络和扰动观测器的更新律，最后基于神经网络估计与扰动观测估计设计控制输入。本发明将神经网络学习和扰动观测有机结合，为处理具有时变干扰的严格反馈***控制提供了有效途径。

Claims (1)

1.一种基于集总复合估计的严格反馈***神经网络控制方法，其特征在于步骤如下：
步骤1：考虑严格反馈***动力学模型：
其中表示***输入，y∈R表示***输出，表示关于的未知光滑函数，表示已知非零函数，di(t)表示时变扰动，满足其中 表示扰动以及扰动变化率上界；
步骤2：根据公式(1)，定义跟踪误差为e1＝x1-yr，其中yr表示参考信号；
第一步：设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示参考信号的导数，表示复合扰动的估计值，k1>0和Lf1>0为设计参数；
设计一阶滤波器为
其中τ2>0为滤波器参数；
设计补偿信号z1为
其中z2在下一步设计中给出；
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中τd>0为在线数据采集区间；
设计神经网络自适应更新律为
其中λ1>0，kω1>0和δf1>0为设计参数；
设计扰动观测器为
其中L1>0为扰动观测器参数；
第i步：定义跟踪误差为设计虚拟控制量为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，ki>0和Lfi>0为设计参数；
设计一阶滤波器为
其中τi+1>0为滤波器参数；
设计补偿信号zi为
定义补偿后跟踪误差为vi＝ei-zi，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λi>0，kωi>0和δfi>0为设计参数；
设计扰动观测器为
其中Li>0为扰动观测器参数；
第n步：定义跟踪误差为设计实际***输入u为
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示虚拟控制量的导数，表示复合扰动的估计值，kn>0和Lfn>0为设计参数；
设计补偿信号zn为
定义补偿后跟踪误差为vn＝en-zn，设计集总预测误差为其中
设计神经网络自适应更新律为
其中λn>0，kωn>0和δfn>0为设计参数；
设计扰动观测器为
其中Ln>0为扰动观测器设计参数；
步骤3：根据得到的控制输入u，返回到严格反馈***的动力学模型(1)，对参考信号yr进行跟踪控制。
CN201810949491.2A 2018-08-20 2018-08-20 基于集总复合估计的严格反馈***神经网络控制方法 Active CN109062049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810949491.2A CN109062049B (zh) 2018-08-20 2018-08-20 基于集总复合估计的严格反馈***神经网络控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810949491.2A CN109062049B (zh) 2018-08-20 2018-08-20 基于集总复合估计的严格反馈***神经网络控制方法

Publications (2)

Publication Number Publication Date
CN109062049A CN109062049A (zh) 2018-12-21
CN109062049B true CN109062049B (zh) 2019-09-24

Family

ID=64687528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810949491.2A Active CN109062049B (zh) 2018-08-20 2018-08-20 基于集总复合估计的严格反馈***神经网络控制方法

Country Status (1)

Country Link
CN (1) CN109062049B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240201B (zh) * 2020-01-17 2023-01-03 哈尔滨工程大学 一种扰动抑制控制方法
CN111158383B (zh) * 2020-01-19 2021-04-20 浙江大学 基于干扰观测器和rbfnn的无人艇航迹跟踪控制方法
CN112379595B (zh) * 2020-11-14 2022-06-21 西北工业大学 非线性严格反馈切换***复合干扰学习控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6332105B1 (en) * 1999-05-21 2001-12-18 Georgia Tech Research Corporation Neural network based automatic limit prediction and avoidance system and method
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN106094860A (zh) * 2016-08-29 2016-11-09 广西师范大学 四旋翼飞行器及其控制方法
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN107368091A (zh) * 2017-08-02 2017-11-21 华南理工大学 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法
CN107450584A (zh) * 2017-08-29 2017-12-08 浙江工业大学 一种基于固定时间滑模的飞行器自适应姿态控制方法
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN107479383A (zh) * 2017-09-05 2017-12-15 西北工业大学 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137724A1 (en) * 2003-10-10 2005-06-23 Georgia Tech Research Corporation Adaptive observer and related method

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6332105B1 (en) * 1999-05-21 2001-12-18 Georgia Tech Research Corporation Neural network based automatic limit prediction and avoidance system and method
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN106094860A (zh) * 2016-08-29 2016-11-09 广西师范大学 四旋翼飞行器及其控制方法
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN107368091A (zh) * 2017-08-02 2017-11-21 华南理工大学 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法
CN107450584A (zh) * 2017-08-29 2017-12-08 浙江工业大学 一种基于固定时间滑模的飞行器自适应姿态控制方法
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN107479383A (zh) * 2017-09-05 2017-12-15 西北工业大学 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《Adaptive Dynamic Surface Control for a Hypersonic Aircraft Using Neural Networks》;Jongho Shin;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;20171010;第53卷(第5期);全文 *
《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》;Bin Xu;《2013 International Conference on Unmanned Aircraft Systems (ICUAS)》;20130531;全文 *
《RBF Neural Network based Adaptive Sliding Mode Control for Hypersonic Flight Vehicles》;Jianmin Wang;《Proceedings of 2016 IEEE Chinese Guidance, Navigation and Control Conference》;20160815;全文 *
《基于RBF 神经网络自适应PID四旋翼飞行器控制》;李砚浓;《控制工程》;20160331;第23卷(第3期);全文 *
《基于混合神经网络的鲁棒自适应飞行控制器的设计》;王丽;《电光与控制》;20161130;第23卷(第11期);全文 *

Also Published As

Publication number Publication date
CN109062049A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109062049B (zh) 基于集总复合估计的严格反馈***神经网络控制方法
Sui et al. Adaptive fuzzy backstepping output feedback tracking control of MIMO stochastic pure-feedback nonlinear systems with input saturation
Edalati et al. Adaptive fuzzy dynamic surface control of nonlinear systems with input saturation and time-varying output constraints
Li et al. Adaptive neural tracking control for uncertain nonlinear systems with input and output constraints using disturbance observer
Sofianos et al. Robust adaptive multiple models based fuzzy control of nonlinear systems
CN108572548B (zh) 一种扰动感知控制方法
Wang et al. Nussbaum-based adaptive fuzzy tracking control of unmanned surface vehicles with fully unknown dynamics and complex input nonlinearities
CN108897227B (zh) 非线性严格反馈***全局有限时间神经网络控制方法
CN108663940A (zh) 基于集总复合估计的飞行器神经网络学习控制方法
CN104950677A (zh) 基于反演滑模控制的机械臂***饱和补偿控制方法
Vatankhah et al. Nonlinear model-predictive control with disturbance rejection property using adaptive neural networks
Guay et al. Adaptive extremum-seeking control of nonisothermal continuous stirred tank reactors
Xiong et al. Predictive control for networked switch flight system with packet dropout
CN104950670B (zh) 一种连续搅拌釜式反应器的一体化多模型控制方法
CN107861382A (zh) 一种多执行水下机器人鲁棒自适应运动控制装置及其方法
CN109976150A (zh) 一类欠驱动多输入多输出***集中式自抗扰控制方法
CN110116409A (zh) 一种基于扰动观测器的四通道遥操作双边控制方法
CN109514558A (zh) 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法
Gong et al. Trajectory tracking control for autonomous underwater vehicles based on dual closed-loop of MPC with uncertain dynamics
Ammour et al. Stabilization of fractional‐order linear systems with state and input delay
CN113110048A (zh) 采用hosm观测器的非线性***输出反馈自适应控制***和方法
Sun et al. Sliding mode control for a class of nonlinear singular systems with partly immeasurable premise variables
Park et al. A low-complexity tracker design for uncertain nonholonomic wheeled mobile robots with time-varying input delay at nonlinear dynamic level
CN102540897A (zh) 一种水处理混凝投药复合预测控制方法
Gao et al. D‐FNN based modeling and BP neural network decoupling control of PVC stripping process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant