基于自适应神经网络控制的悬臂梁振动控制方法
【专利摘要】本发明公开了一种基于自适应神经网络控制的悬臂梁振动控制方法，基于滤波后的跟踪误差设计，控制器中包含比例微分项和RBF神经网络项。RBF神经网络逼近悬臂梁系统的未知函数，其权值的更新算法基于Lyapunov稳定性理论设计，保证系统全局稳定性。更新算法中加入的鲁棒项，保证控制输入的有界性，比例微分控制项使最终跟踪误差维持任意小范围。本发明的控制方法能够在不需要知道悬臂梁的结构或非结构参数以及存在外界干扰的情况下，对悬臂梁系统实现高精度的跟踪控制，同时提高系统的鲁棒性和可靠性。
【专利说明】基于自适应神经网络控制的悬臂梁振动控制方法
【技术领域】
[0001] 本发明涉及一种基于自适应神经网络控制的悬臂梁振动控制方法，属于悬臂梁控 制【技术领域】。
【背景技术】
[0002] 悬臂梁是指梁的一端为不产生轴向、垂直位移和转动的固定支座，另一端为自由 端（可以产生平行于轴向和垂直于轴向的力）。在工程力学受力分析中，比较典型的简化模 型。在实际工程分析中，大部分实际工程受力部件都可以简化为悬臂梁。
[0003] 随着科学技术的发展日新月异，航空航天技术的飞速发展，空间活动规模的日益 扩大，对航空航天技术和空间结构的要求也越来越严格，大量的航天空间结构，如大型模块 化的宇宙空间站、太阳能帆板、卫星天线、高精度光学系统及其支承体结构、空间机械臂等 都有向柔性化发展的趋势。柔性构件的使用不仅增加了航天器设计和制造的灵活性，同时 也降低了发射成本，因此，柔性构件的广泛采用是一个必然的趋势。但柔性构件也存在不足 之处，那就是其在运动或定位时容易产生弹性振动，在运动结束时也会产生残余振动，所引 起的振动对运动平稳性和定位精度有着很大的影响。例如：空间机器人及航天器挠性附件 如太阳帆板等在扰动情况下，其大幅度的自由振动要延续很长时间，这将影响稳定性和指 向控制精度，尤其是当需要精确地控制其位置和指向时。国际空间探索中发生过类似的事 故，如美国发射的陆地卫星观测仪的旋转部分，由于受到太阳能帆板驱动系统的干扰而振 动，影响了观测仪的稳定工作，大大降低了其传送图像的质量，又如美国1958年发射的"探 索者1号"通讯卫星，由于其四根鞭状天线的振动耗散了很多能量，在正常工作了一段时间 以后，出现了意想不到的卫星翻滚现象，最终导致任务失败。就国内而言，随着我国航空航 天事业的迅速发展，振动问题也日益突出，如东方红三号通讯卫星就因为太阳能帆板的振 动而产生过严重的问题。
[0004] 传统抑制振动的方法是通过被动的隔振，减振的方法来起到减振的目的，而这些 方法比较被动、死板、适应性差，不能对多变的外界振动进行实时的控制。为了克服上述困 难，振动主动控制被提出来，振动主动控制能够实时感受到外界的振动情况，做出适当的反 应，输出控制信号，来抑制振动。结构系统的抗振动性能对于系统的工作可靠性和精度是至 关熏要的。大量的工程结构在实际运行中普遍承受振动环境的激励，若不采取措施对这些 结构的振动予以抑制，就会影响结构上各部件的工作性能和寿命，严重时会使其功能失效。 因此，为了提高结构的工作性能和精度，必须对结构进行实时振动控制。
[0005] 国际上的文章有将各种先进控制方法应用到悬臂梁的控制当中，典型的有自适应 控制和模糊控制方法。这些实现了对悬臂梁的轨迹控制。但自适应控制对外界扰动的鲁棒 性很低，易使系统变得不稳定。由此可见，悬臂梁振动控制显然仍存在有不便与缺陷，而亟 待加以进一步改进。
【发明内容】
[0006] 本发明的目的在于克服现有的悬臂梁振动控制方法存在的缺陷，特别是提高悬 臂梁系统在存在模型不确定、参数摄动以及外界扰动力等各种干扰情况下，对理想轨迹的 跟踪性能和整个系统的鲁棒性，而提供一种基于自适应神经网络控制的悬臂梁振动控制方 法。
[0007] 本发明解决其技术问题是采用以下技术方案来实现的：
[0008] 基于自适应神经网络控制的悬臂梁振动控制方法，包括以下步骤：
[0009] 1)建立基于悬臂梁的滤波误差模型；
[0010] 2)设计控制器；
[0011] 3)采用RBF网络逼近悬臂梁数学模型中的悬臂梁未知的结构函数，得到悬臂梁未 知的结构函数的估计值；
[0012] 4)基于Lyapunov稳定性理论设计RBF神经网络权值的更新算法；
[0013] 5)将经过RBF网络控制的控制器的控制输入作为悬臂梁数学模型的控制输入，对 悬臂梁进行控制，并实时在线更新。
[0014] 前述的步骤1)中，基于悬臂梁的滤波误差模型为：i =-《 + /(Λ·)-
[0015] 其中，s为滤波误差，C为悬臂梁动力学模型中的阻尼项，u为悬臂梁动力学模型中 的输入向量，d为悬臂梁动力学模型的扰动，f(x)表示悬臂梁未知的结构函数。
[0016] 前述的滤波误差s为：
【权利要求】
1. 基于自适应神经网络控制的悬臂梁振动控制方法，其特征在于，包括以下步骤： 1) 建立基于悬臂梁的滤波误差模型； 2) 设计控制器； 3) 采用RBF网络逼近悬臂梁数学模型中的悬臂梁未知的结构函数，得到悬臂梁未知的 结构函数的估计值； 4) 基于Lyapunov稳定性理论设计RBF神经网络权值的更新算法； 5) 将经过RBF网络控制的控制器的控制输入作为悬臂梁数学模型的控制输入，对悬臂 梁进行控制，并实时在线更新。
2. 根据权利要求1所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述步骤1)中，基于悬臂梁的滤波误差模型为：i= -Cs-? + /U)-rf 其中，s为滤波误差，C为悬臂梁动力学模型中的阻尼项，u为悬臂梁动力学模型中的输 入向量，d为悬臂梁动力学模型的扰动，f(x)表示悬臂梁未知的结构函数。
3. 根据权利要求2所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述滤波误差s为： s = e + Ae (3) 其中，Λ是滤波误差参数，e为跟踪误差：e=qd-q q为悬臂梁振动轨迹，qd为悬臂梁理想振动轨迹。
4. 根据权利要求2所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述悬臂梁未知的结构函数f(x)的表达式为： / (x)= qd+Ae + C(qd + Ae) + Kq (5) 其中，K为悬臂梁动力学模型中的频率项， X为可测量到的信号， 定义： ΛΓ= [βΤ?Τgg6]'
5. 根据权利要求1所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述步骤2)中，控制器的控制输入P由RBF网络输出与比例微分控制项构成： φ=f(x) + Kvs (7) 其中，/k)为RBF网络输出，Kvs为比例微分控制项，Kv为线性反馈控制参数。
6. 根据权利要求1所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述步骤3)中，所述RBF网络为三层结构：输入层，隐层和输出层，所述输入层用以接受 系统中的可测量信号输入X，所述隐层采用高斯基函数计算非线性映射后的输出，所述输出 层通过加权各隐层节点的输出得到整个RBF网络的输出， 所述RBF网络的输出为/U) =汝1，即为悬臂梁未知的结构函数的估计值， 其中#为最优网络权值的估计值，Φ(X)表示隐层节点输出。
7. 根据权利要求1所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述步骤4)中， 所述Lyapunov函数V选取为： F =丄丄tKif1/-' '#) (17) 2 2 其中，# = 为网络权值估计误差，W#为最优网络权值， 所述RBF网络权值的更新算法为： W = Ρφ{χ)$? -yF\s\W (16) 其中，F=Ft > 0为权值调整的增益矩阵，γ为大于0的任意值，称为遗忘因子。
8. 根据权利要求7所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述RBF网络权值的更新算法中，满足：
其中，Wb表示最优网络权值矿的上界，Kvmin为线性反馈控制参数Kv的最小特征根且大 于零，网络逼近误差ε(X)的上界值，bd为扰动d的上界值。
9. 根据权利要求1所述的基于自适应神经网络控制的悬臂梁振动控制方法，其特征在 于，所述步骤5)中，悬臂梁数学模型为： q+Cq+Kq=u^rd (1) 其中，C为阻尼项，K为频率项，q为悬臂梁振动轨迹，u为输入向量，d为扰动。
【文档编号】G05B13/04GK104238365SQ201410500347
【公开日】2014年12月24日 申请日期:2014年9月25日 优先权日:2014年9月25日
【发明者】胡桐月, 费峻涛 申请人:河海大学常州校区