[发明专利]一种非线性系统的自适应学习预设性能控制方法

说明书

本发明公开了一种非线性系统的自适应学习预设性能控制方法，先建立Euler‑Lagrange动力学系统模型，然后对所述动力学系统模型进行预设性能控制，设计标称预设性能控制器，最后基于自适应动态规划，设计基于学习的自适应控制器。本发明在不需要系统确切的动力学模型基础上，仅依赖于系统的输入/输出数据，设计出一种低复杂度的鲁棒自适应控制器，使得受控的Euler‑Lagrange系统的瞬态与稳态性能能够得到先验设计，同时又可避免传统基于数据学习控制严重依赖初始允许控制策略的缺点。

技术领域

本发明属于非线性系统的自适应控制技术领域，具体涉及一种非线性系统的自适应学习预设性能控制方法。

背景技术

很多实际工程系统(如航天器、空间机器人等)都可以写成Euler-Lagrange形式，因此对 Euler-Lagrange系统的鲁棒控制一直是控制领域研究的热点。现有针对Euler-Lagrange系统的控制方法主要有滑模控制、预测模型控制、控制等。但是这些提及的控制方法都严重依赖于Euler-Lagrange系统的动力学模型。由于系统的不确定性以及外界环境的干扰，精确的 Euler-Lagrange系统模型往往难以获得，为了实现对带有未知非线性的Euler-Lagrange系统的鲁棒控制，基于神经网络和模糊系统的自适应控制方法不断被提出，虽然这些自适应控制能够很好的实现对Euler-Lagrange系统的鲁棒控制，但是由于在控制过程中采用神经网络或者模糊系统对未知非线性系统的逼近，带来模型近似误差问题，以及设计的自适应控制律只在神经网络或者模糊近似器所在的紧集合上有效问题。因此，如何克服这些问题是Euler-Lagrange系统控制领域值得深究的研究方向。

近年来，随着人工智能理论和技术的不断发展，基于数据学习的自适应控制被提出。该自适应方法仅依赖于系统的输入输出数据，有效地克服了基于系统动力学模型控制方法的局限性。但是基于数据学习的自适应控制方法却严重依赖于初始允许控制策略，并以此来为后续的学习控制律提供可靠的稳定状态序列，这对于实际带有未知的非线性Euler-Lagrange系统来说，具有应用上的不可扩展性。而如何结合基于数据学习的自适应控制的优点来实现对带有未知非线性的Euler-Lagrange系统的低复杂度鲁棒控制是值得深究的课题。

除此之外，现有针对Euler-Lagrange系统的瞬态与稳态性能多依赖于繁复的后验调参，难以先验设计。因此如何实现对不确定Euler-Lagrange控制系统的瞬态与稳态性能的先验设计也是值得考虑的问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种非线性系统的自适应学习预设性能控制方法，针对不确定Euler-Lagrange非线性系统控制问题。

本发明采用以下技术方案：

一种非线性系统的自适应学习预设性能控制方法，包括以下步骤：

S1、建立Euler-Lagrange动力学系统模型；

S2、对所述动力学系统模型进行预设性能控制，设计标称预设性能控制器；

S3、针对评价网络，基于自适应动态规划，定义增强性能信号采用三层神经网络对最优的补偿控制输入进行近似，采用三层神经网络对执行层补偿控制进行近似，最终实现基于学习的自适应预设性能控制器。

进一步的，步骤S1中，定义变量r＝q，所述动力学系统模型为：

其中，r为广义位置，v为速度，M^-1(r)为正定对称转动惯量，C(r,v)为科里奥利矩阵， g(r)为重力矢量，τ为控制力矩，d为外界未知有界干扰。

进一步的，步骤S2中，所述标称预设性能控制器为：