[发明专利]一种基于名义控制器的神经网络全调节的控制方法

摘要

本发明公开了一种基于名义控制器的神经网络全调节的控制方法，主要包含两部分：基于名义值模型设计轨迹跟踪控制器和设计神经网络全调节补偿控制器，将两个控制器的控制输出相结合，作为微陀螺仪的控制输入。本发明利用了模型控制方法的优势，同时采用了神经网络强大的逼近能力，在线实时地估计并补偿建模误差和外界扰动作用，能够极大提高追踪性能和系统的鲁棒性，基于Lyapunov稳定性理论设计神经网络权值、高斯函数的中心和基宽的自适应算法，能够保证闭环系统的全局稳定性以及控制输入的有界性。

主权项

1.一种基于名义控制器的神经网络全调节的控制方法，其特征在于，包括以下步骤：（1）建立微陀螺仪的理想动力学方程；（2）建立微陀螺仪的非量纲动力学方程；（3）设计名义控制器，所述名义控制器是基于微陀螺仪的名义值模型设计的轨迹跟踪控制器，具体为，由于微陀螺仪的动力学方程中，D,K,Ω均为未知参数，设它们的名义值为D₀,K₀,Ω₀，将控制器的控制输出u₁设计为，u1=q..d-kve.-kpe+D0q.+K0q+2Ω0q.;---(7)]]>其中，q_d为微陀螺仪的理想轨迹，q为微陀螺仪的运动轨迹，e＝q-q_d为跟踪误差，k_v，k_p为正定对称的常数矩阵，kp=α200α2,kv=2α002α,]]>α为常数；（4）设计神经网络全调节补偿控制器，具体为：4-1）定义模型误差为f=D~q·+K~q+2Ω~q·+d---(10)]]>4-2）设计神经网络全调节补偿控制器，用神经网络逼近未知的模型误差f(x)，神经网络的输出即为模型误差f(x)的估计值，本发明采用RBF神经网络，神经网络的输出为，f^(x)=θ^Tφ^(x)]]>将神经网络全调节补偿控制器的输出u₂设计为u2=-f^(x)]]>其中，D~=D0-D,K~=K0-K,Ω~=Ω0-Ω;]]>x为神经网络输入向量，x=ee.,]]>θ为神经网络权值向量，是神经网络权值向量的估计值，φ(x)为各神经网络隐层节点输出的组合向量，是φ(x)的估计值；（5）将名义控制器和神经网络全调节补偿控制器相结合，作为微陀螺仪的控制输入，即u＝u₁+u₂    （19）其中，u1=q··d-kve·-kpe+D0q·+K0q+2Ω0q·,u2=-θ^Tφ^(x);]]>（6）设计Lyapunov函数，选取自适应律，所述Lyapunov函数V为，V=12xTPx+12tr(θ~γθ~T)+12φ~TΛφ~---(21)]]>所述自适应律为，θ~·=θ^·=γ-1φ^xTPB---(24)]]>φ~·=φ^·=Λ-1θ^BTPx---(25)]]>其中，γ,Λ，P，Q为对称正定矩阵，γ,Λ＞0，P和Q满足PA+A^TP＝-Q，A=0I-Kp-Kv;]]>为神经网络权值向量的估计误差，θ^*为神经网络权值向量的理想值，为神经网络隐层节点输出向量的估计误差，为神经网络隐层节点输出的理想值；（7）对所述步骤（6）的自适应律进行离散化，得到神经网络权值、高斯函数的中心和基宽的自适应算法，保证闭环系统的全局稳定性，用下述表示：神经网络权值的自适应算法为，θ^i(n+1)=θ^i(n)-η1∂f^∂θiTxT(n)P(n)B(n)]]>高斯函数的中心的自适应算法为，c^i(n+1)=c^i(n)+η3∂φ^(n)∂c^iTθ^BTP(n)x(n)]]>高斯函数的基宽的自适应算法为，σ^i(n+1)=σ^i(n)+η4∂φ^(n)∂σ^iTθ^BTP(n)x(n),]]>其中，n为离散变量的采样指针，i为第i基宽和中心向量的第i列，为RBF神经网络的输出，η₁，η₃，η₄，为可适当调节的标量。