[发明专利]一种非线性系统的多模型自适应控制器及控制方法

说明书

技术领域

本发明涉及各行业生产过程中各种实际的被控对象，具体涉及一类零阶有界的非线性复杂控制系统的一类多模型自适应控制器及其控制方法。

背景技术

由于现代工业向技术密集型转变，出现了由种类繁多的子系统和元件组成且内部关系复杂的复杂工业系统过程。这种系统往往具有强非线性、快时变、模型不确定等特点。现有的非线性处理方法虽然有一些应用，但是理论上不完善，对被控对象的要求高，并且不具有一般性。

由于自适参数大量未知等特点，经典控制理论与现代控制理论中的方法很难解决这些特点，自适应控制可以处理一定程度不确定性系统的控制问题而被广泛应用于非线性系统的控制中。通过对系统辨识，自适应控制可以自动地补偿模型阶次、参数和输入信号方面的变化，可以得到较好的控制效果。但是对于时变较快，参数有跳变的被控对象，自适应控制系统辨识的效果不佳，从而导致系统的动态性能较差、暂态误差过大的情况。多模型自适应控制在自适应控制的基础上发展而来，可以有效减小系统的暂态误差。因此提出一种新的非线性系统的模型结构，这个模型结构由线性部分和非线性项部分组成更具有一般性，针对快时变、参数跳变对象，采用多个辨识模型，获得更好的控制效果。但是，传统的多模型自适应控制方法要求被控对象的非线性项部分全局有界，这一条件限制了多模型自适应控制方法在实际系统中的应用。

发明内容

本发明针对上述现有技术中存在的技术问题，提供一种非线性系统的多模型自适应控制器及控制方法。放宽非线性系统的限制条件，扩大多模型自适应控制方法的使用范围。该方法不仅将非线性项全局有界条件放宽到了零阶接近有界，并且减小了多模型自适应控制系统的稳态误差，提高了控制精度。

为达到上述目的，本发明所采取的技术方案是：

一种非线性系统的多模型自适应控制器，该控制器由一个非线性鲁棒间接自适应控制器、一个非线性神经网络自适应控制器和切换机构三部分组成，其中，一个控制器为非线性鲁棒间接自适应控制器，另一个是非线性神经网络间接自适应控制器，被控对象的输入由切换机构在两个控制器之间选择产生，被控对象的输出与两个控制器之间有一闭环负反馈，被控对象与两个间接自适应控制器的模型输出之间设置为相减关系，模型误差用于调整模型的参数与神经网络的权值。

所述非线性鲁棒间接自适应控制器包括一个非线性鲁棒自适应模型和一个非线性控制器，非线性鲁棒自适应模型由线性和非线性两部分组成，线性部分对应系统线性化后的线性部分，非线性部分由带系数的回归向量的范数来表示，用以补偿系统线性化后的非线性部分。回归向量由系统过去时刻的输入和输出变量组成。自适应的参数为线性回归向量的系数，自适应律采用投影自适应律。非线性控制器采用一步超前控制器。

所述非线性神经网络自适应控制器包括一个非线性神经网络自适应模型和一个非线性神经网络自适应控制器。非线性神经网络自适应模型由线性部分和非线性神经网络部分组成。线性部分的系数作为自适应参数可以以任意方式进行更新。非线性神经网络采用BP网络，利用误差反向传播方法来训练。

在所述切换机构中，首先设计一个性能指标，该性能指标包含一个累积误差部分和一个暂态误差部分。在每一个控制时刻，计算各个控制器的性能指标，选择性能指标较小的控制器来产生下一时刻的控制输入，可以实现平稳的切换，且提高系统的暂态性能。

上述非线性系统的多模型自适应控制器的控制方法所包含的步骤如下：

S1：系统初始化：随机初始化非线性鲁棒自适应模型的参数，随机初始化非线性神经网络模型的参数和神经网络的权值，这些参数可由一定的先验知识确定；

S2：k＝0时刻，对象的输出为0；k≠0时刻，对象的输出为系统的实际输出值，与系统设定值作差得到系统的控制误差e_c；实际输出与非线性鲁棒自适应模型的输出作差得到模型误差e₁，与非线性神经网络模型作差得到模型误差e₂；

S3：将控制误差e_c作为非线性鲁棒自适应控制器和非线性神经网络自适应控制器的输入，由两个控制器分别产生控制量u₁和u₂；

S4：根据模型误差e₁和e₂来计算性能指标C₁和C₂的值，选择性能指标值较小的控制器产生的输入u_i，作为被控对象和两个模型的控制输入u；