[发明专利]一种非线性系统自适应神经容错控制方法

说明书

本发明公开了一种非线性系统自适应神经容错控制方法，建立一类多输入多输出非线性系统，采用间歇性故障模型得到执行器状态；采用多输入单输出的极限学习机神经网络对多输入多输出系统中的不确定性函数进行逼近；然后引入不等式避免控制器的奇异性问题，最后采用投影算子保证被估计参数的有界性。本发明采用极限学习机逼近系统的不确定函数，降低了对系统先验知识的依赖，引入一种连续的不等式避免了控制器的奇异性，同时采用投影算子保证估计参数的有界性，由间歇性执行器故障引起的跳变参数的界被明确保证，能够有效的补偿未知执行器间歇性故障和未知关联项对系统的影响。

技术领域

本发明属于控制系统的容错控制技术领域，具体涉及一种非线性系统自适应神经容错控制方法。

背景技术

在控制系统运行过程中，执行器作为其核心部件，经常发生各种各样不可预测的故障。如果这些故障不能及时得到有效地补偿，可能会导致系统性能下降或者不稳定。此外，随着现代控制系统系统越来越复杂，系统执行器发生故障的可能性也越来越高。如何提高系统的安全性和可靠性已成为控制工程领域最为重要的课题。因此，发明一种有效的容错控制方法以补偿故障对系统造成的影响具有重要工程应用价值。

执行器故障由于其发生时刻、大小以及模型完全未知而变得非常难处理。针对这个问题，已获得了大量的研究成果并在实际生产中得到了广泛的应用。但是，这些成果都是基于一次性故障开发的容错控制方法。也就是执行器故障发生到系统运行结束，故障的模型不再发生变化。事实上，这些成果忽视了一个实际问题，即在控制系统运行过程中，存在间歇性执行器故障的可能性。到目前为止，针对执行器的间歇性故障的容错控制方法的研究成果却鲜有报道。补偿执行器的间歇性故障主要难点是如何有效地抑制由故障模型变化引起的跳变参数对系统的影响。因此，发明一种补偿执行器的间歇性故障的容错控制方法具有重要的实际工程意义。

现代控制系统都具有多变量、强耦合、高度非线性以及不确定性等特点，传统的控制方法已不能对其进行有效地控制。自适应神经控制的出现为不确定非线性复杂系统的跟踪控制提供了一种行之有效的方法。但是传统神经网络的隐含层参数选择往往依赖于目标函数的先验知识，这在实际工程中变得非常复杂并且有可能削弱容错控制方法对故障的补偿能力。

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自适应神经容错控制方法，使得闭环系统所有信号一致最终有界，并使系统的输出y_i∈R，i＝1,...,N，可跟踪给定的期望轨迹y_di∈R，同时所设计的控制器能够有效地补偿执行器故障、外部扰动以及子系统间的耦合项对系统造成的影响。

本发明采用以下技术方案：

一种非线性系统自适应神经容错控制方法，建立一类多输入多输出非线性系统，采用间歇性故障模型得到执行器状态；采用多输入单输出的极限学习机神经网络对多输入多输出系统中的不确定性函数进行逼近；然后引入不等式避免控制器的奇异性问题，最后采用投影算子保证被估计参数的有界性。

具体的，考虑一类由N个子系统组成的一类多输入多输出非线性系统，其中第i个子系统的数学模型为：

其中，表示系统的全部状态变量，表示第i个子系统的状态变量，且和y_i∈R表示第i个子系统系统的输出；u_i,k∈R，k＝1,...,m_i，表示第i个字系统的控制输入变量；和表示系统的未知非线性函数；表示未知外部扰动以及子系统间的耦合项；表示已知常数。

具体的，执行器的状态包括以下：

若0＜ρ_i,k,q(·)＜1和有u_i,k＝ρ_i,k,q(·)υ_i,k，则第k个执行器运行于部分失效的故障状态下；