增长率有界的非线性系统的多模型自适应控制方法及系统的制作方法
【专利摘要】本发明涉及一种增长率有界的非线性系统的多模型自适应控制方法及系统，通过至少一个线性模型和至少一个基于神经网络的非线性模型对系统进行辨识，两个模型分别对应一个线性自适应控制器和一个基于神经网络的非线性自适应控制器；基于性能指标的切换单元在每个采样时刻切换到最优控制器来实现控制。与传统的非线性多模型自适应控制方法相比，本发明将非线性系统的非线性项的界限放宽到增长率有界，可以有效的扩大多模型自适应控制器的适应性。
【专利说明】增长率有界的非线性系统的多模型自适应控制方法及系统
【技术领域】
[0001] 本发明涉及一种控制方法及系统，尤其涉及一种增长率有界的非线性系统的多模 型自适应控制方法及系统。
【背景技术】
[0002] 随着人们对能源问题和环境问题的逐渐重视，工业技术逐步由粗放型向密集型转 变，原来针对于单一设备的简单控制方法已经不再适用于日益复杂的大型工业系统。针对 某一操作点进行线性化而建立的线性系统模型由于其结构简单便于理解等优点，在现代控 制系统中有着广泛的应用，但是一般的工业系统均存在不同程度的非线性特性，采用传统 的针对线性系统的控制方法已经不能对某些具有强非线性的复杂系统进行有效的控制，所 以针对非线性系统设计更好的控制方法是非常必要的。然而，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。
[0003] 自适应控制作为一种先进的控制方法，在非线性系统的控制中取得了广泛的应 用。由于其参数可以随系统参数的改变而进行调整，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。但是对于某些快时变，强非线性的 系统来说，如果自适应控制的参数选取不适当，则会导致收敛的时间过长，而造成过大的暂 态误差或者不稳定等情况。对于强非线性系统来讲，利用神经网络等非线性逼近器与传统 的自适应控制相结合而设计的基于神经网络等的非线性自适应方法可以有效的对系统进 行控制。但是为了精确的辨识系统模型，神经网络的选取往往比较复杂，这对于分析系统的 稳定性造成了很大的困难。
【发明内容】
[0004] 本发明的目的在于提供一种增长率有界的非线性系统的多模型自适应控制方法 及系统，解决控制过程中由于辨识速度低而造成过大的暂态误差或者系统不稳定的问题。
[0005] 为了解决上述问题，本发明涉及了一种增长率有界的非线性系统的多模型自适应 控制方法，对一非线性系统进行控制，包括以下步骤：
[0006] S1 :设置第一控制器包括至少一个线性模型和与每个线性模型对应的线性鲁棒控 制器和设置第二控制器包括至少一个非线性模型和与每个非线性模型对应的非线性神经 网络控制器，初始化线性模型和非线性模型中线性部分的参数，初始化非线性神经网络模 型部分的参数和神经网络的权值；所述非线性模型包括线性部分和非线性神经网络模型部 分；
[0007] S2 :设定t = 0时刻，所述非线性系统的输出为0, t尹0时刻，所述非线性系统的 输出为该系统的实际输出值；由非线性系统实际输出值与参考值作差得到控制误差e。；由 非线性系统实际输出与线性模型的输出作差得到线性模型误差 θι，由非线性系统实际输出 与非线性神经网络模型部分输出作差得到非线性模型误差e2 ;
[0008] S3 :利用每个线性模型的参数设计对应的第一控制器，由系统的控制误差e。计算 线性鲁棒控制器的输出值ujt);
[0009] 利用每个非线性模型的参数设计对应的第二控制器，所述非线性神经网络控制器 包括线性单元和非线性神经网络单元，由系统的控制误差e。计算非线性神经网络控制器的 输出值u 2(t);
[0010] S4:根据线性模型误差ei和非线性模型误差e2，线性模型的正则化的模型辨识误 差h和非线性模型的正则化的模型辨识误差ε 2，来计算线性模型的性能指标1(〇和非 线性模型的性能指标J2(t):
[0011]
【权利要求】
1. 一种增长率有界的非线性系统的多模型自适应控制方法，对一非线性系统进行控 制，其特征在于，包括以下步骤： 51 :设置第一控制器包括至少一个线性模型和与每个线性模型对应的线性鲁棒控制器 和设置第二控制器包括至少一个非线性模型和与每个非线性模型对应的非线性神经网络 控制器，初始化线性模型和非线性模型中线性部分的参数，初始化非线性神经网络模型部 分的参数和神经网络的权值；所述非线性模型包括线性部分和非线性神经网络模型部分； 52 :设定t = 0时刻，所述非线性系统的输出为0, t尹0时刻，所述非线性系统的输出 为该系统的实际输出值；由非线性系统实际输出值与参考值作差得到控制误差e。；由非线 性系统实际输出与线性模型的输出作差得到线性模型误差 ei，由非线性系统实际输出与非 线性神经网络模型部分输出作差得到非线性模型误差e2 ; 53 :利用每个线性模型的参数设计对应的第一控制器，由系统的控制误差e。计算线性 鲁棒控制器的输出值ujt); 利用每个非线性模型的参数设计对应的第二控制器，所述非线性神经网络控制器包括 线性单元和非线性神经网络单元，由系统的控制误差e。计算非线性神经网络控制器的输出 ftu2(t)； S4:根据线性模型误差ei和非线性模型误差e2，线性模型的正则化的模型辨识误差ε i 和非线性模型的正则化的模型辨识误差ε 2，来计算线性模型的性能指标1(〇和非线性模 型的性能指标J2(t):
c彡0, d为时延，N是不小于1的整数； 55 :选择S4中得出的性能指标值较小的控制器在S3中产生的输出值，作为所述非线性 系统、线性模型以及非线性模型的控制输入u(t); 56 :利用线性模型误差ei和非线性模型误差e2分别更新下一时刻的线性模型参数和非 线性模型的参数和神经网络的权值； 57 :重复 S2-S6。
2. 如权利要求1所述的一种增长率有界的非线性系统的多模型自适应控制方法，其特 征在于，线性模型札为：
是札在1时刻对Θ的参数估计；
是系统输入输出组成的回 归向量；S6中，在每一个时刻，&(/)要经过得出参数辨识算法步骤进行更新；
就被设为
的系数的自定义下界； 在S2中，在每一个系统时刻t，由线性模型的参数<(〇来得出线性模型的输出：
式中，/(t+d)为系统时刻t的d延时的参考值
是由系统输入输出组成的回 归向量，
是t时刻线性控制器参数。
3.如权利要求1或2所述的一种增长率有界的非线性系统的多模型自适应控制方法， 其特征在于，非线性模型M2的非线性神经网络部分表示如下：
是Θ的另一个估计；Λ#(?)代表用神经网络估计
为有界的神经网络；
是输入层的输入，W(t)是神经 网络的权重向量，对于非线性模型M2的线性部分参数，利用辨识方法进行更新，W(t)是神经 网络的权重向量，正则化的模型辨识误差为：
非线性模型对应控制器由如下表示：
式中
是t时刻非线性控制器的参数，
是系统输入输出组成的回归向 量。
4. 如权利要求1所述的一种增长率有界的非线性系统的多模型自适应控制方法，其特 征在于，非线性神经网络模型部分为具有单隐层神经元的BP神经网络，隐层神经元个数通 为6-10个，上下层之间的各神经元全连接，每层神经元之间没有连接，利用输出误差e 2(t) 与隐层各神经元的输出bj来修正隐层至输出层的连接权Vjl，j = 1，2,…，p ;p为隐层神经 元数；Y i为输出层单元的输出阈值： Vji = Vji+Ke2(t)bj y ! = y j+κ e2(t) j = 1，2,…，ρ，0〈 κ〈1 κ是反向调节系数，利用隐层神经元的误差
来修正输入层至中间层的连接权 I。，i = 1，2,…，na+nb+l+d, j = 1，2,…，ρ和隐层各单元的输出阈值τ」，j = 1，2,…，ρ :
5. -种增长率有界的非线性系统的多模型自适应控制系统，对一非线性系统进行控 制，其特征在于，所述非线性系统的自适应控制系统包括： 初始化单元，设置第一控制器包括至少一个线性模型和与每个线性模型对应的线性鲁 棒控制器和设置第二控制器包括至少一个非线性模型和与每个非线性模型对应的非线性 神经网络控制器，所述非线性模型包括线性部分和非线性神经网络模型部分；初始化线性 模型和非线性模型中线性部分的参数，初始化非线性神经网络模型部分的参数和神经网络 的权值； 误差计算单元，由非线性系统实际输出值与参考值作差得到控制误差e。；由非线性系 统实际输出与线性模型的输出作差得到线性模型误差ei，由非线性系统实际输出与非线性 神经网络模型部分输出作差得到非线性模型误差e 2 ;设定t = 〇时刻，所述非线性系统的输 出为0, t尹0时刻，所述非线性系统的输出为该系统的实际输出值； 线性鲁棒控制器输出单元，通过每个线性模型的参数设置第一控制器，由系统的控制 误差e。计算线性鲁棒控制器的输出值111(〇 ; 非线性神经网络控制器输出单元，通过每个非线性模型的参数设置第二控制器，所述 非线性神经网络控制器包括线性单元和非线性神经网络单元，由系统的控制误差e。计算非 线性神经网络控制器的输出值1!2(〇 ; 性能指标计算单元，根据线性模型误差％和非线性模型误差e2，线性模型的正则化的 模型辨识误差h和非线性模型的正则化的模型辨识误差ε2，来计算线性模型的性能指标 Λ (t)和非线性模型的性能指标j2(t)的值：
d为时 延，Γ po, c彡0, N是预先定义的整数； 选择单元，与性能指标计算单元相连接，选择性能指标值较小的控制器在线性鲁棒控 制器输出单元或非线性神经网络控制器输出单元产生的输出值，作为所述非线性系统中线 性模型以及非线性模型的控制输入u(t); 线性参数更新单元，利用线性模型误差ei更新线性模型的参数，并将输出结果输入给 误差计算单元和线性鲁棒控制器输出单元；以及 非线性参数更新单元，利用非线性模型误差e2更新非线性模型的参数和神经网络的权 值，并将输出结果输入给误差计算单元和非线性神经网络控制器输出单元。
6.如权利要求5所述的一种增长率有界的非线性系统的多模型自适应控制系统，其特 征在于，线性模型札为：
是札在1时刻对Θ的参数估计；
是系统输入输出组成的回 归向量；性参数更新单元中，在每一个时刻，么(/)要通过参数辨识算法进行更新：
的系数的自定义下界； 在线性鲁棒控制器输出单元中，在每一个系统时刻t，由线性模型的参数&(/)来得出 线性模型的输出
式中，/(t+d)为系统时刻t的d延时的参考值
是系统输入输出组成的回归 向量，
是t时刻线性控制器的参数。
7. 如权利要求6所述的一种增长率有界的非线性系统的多模型自适应控制系统，其特 征在于，非线性模型M2的非线性神经网络部分为：
是Θ的另一个估计
代表神经网络用于估计
是输入层的输入，W(t)是神经网络的权重向量，对于非线 性模型M2的线性部分参数； 性能指标计算单元中：通过夫和神经网络的权重向量W(t)得到正则化的模型辨 识误差为
非线性模型对应控制器由如下表示：
是t时刻非线性控制器的参数，
是系统输入输出组成的回归向 量。
8. 如权利要求5所述的一种增长率有界的非线性系统的多模型自适应控制系统，其 特征在于，非线性模型M2的非线性神经网络模型部分的更新步骤为：利用非线性输出误差 e2(t)与隐层各神经元的输出4来修正隐层至输出层的连接权Vjl，j = 1，2,…，p，p是隐层 神经元数目，L是输出层单元的输出阈值：
κ是反向调节系数，利用隐层神经元的误差
，输入层的输
来修正输入层至中间层的连接 权I。，i = 1，2,…，na+nb+l+d, j = 1，2,…，p和隐层各单元的输出阈值τ」，j = 1，2,…，p :
其中，非线性模型M2的非线性神经网络模型部分为具有单隐层神经元的BP神经网络， 隐层神经元个数通为6-10个，上下层之间的各神经元全连接，每层神经元之间没有连接。
【文档编号】G05B13/04GK104216286SQ201410409470
【公开日】2014年12月17日 申请日期:2014年8月19日 优先权日:2014年8月19日
【发明者】王昕 , 黄淼 申请人:上海交通大学