CN109031959A - 一种带有控制参数自适应补偿的非一致非线性系统协同控制方法及控制系统 - Google Patents

Abstract

为了解决现有固定控制系数的非线性系统协同控制方法控制效果不好的问题，本发明提供一种带有控制参数自适应补偿的非一致非线性系统协同控制方法及控制系统。本发明包括：建立带有时变控制参数的被控非线性系统模型；获取各被控非线性系统的同步跟踪误差；建立神经网络非线性估计模型，获取神经网络自适应律，用于估计被控非线性系统模型中的动力学参数；根据被控非线性系统的控制量和获取的同步跟踪误差，获取时变控制参数自适应律，用于估计被控非线性系统模型中的控制参数；根据被控非线性系统模型，结合同步跟踪误差、神经网络自适应律、时变控制参数自适应律，获取分布式控制律，并根据获取的分布式控制律获得各被控非线性系统的控制量。

Description

一种带有控制参数自适应补偿的非一致非线性系统协同控制 方法及控制系统

技术领域

本发明涉及一种协同控制技术，特别涉及一种带有控制参数自适应补偿的非一致非线性系统协同控制方法、控制系统及存储设备，属于机电系统协同控制领域。

背景技术

多智能体协同控制技术来源于自然界中某些动物的协同运动现象，其主要包括一致性控制、编队控制、估计及优化等研究方向。其中一致性涉及的是各智能体在协同一致性控制律的作用之下达到某种平衡或一致的控制问题。一致性控制主要包含一致性调节问题和一致性跟踪问题。其中，一致性调节涉及的是各智能体根据各自的初始状态达到一种未预定的平衡状态，也叫无领导者一致性。而在一致性跟踪问题中存在一个真实或者虚拟的领导者作为信号参考，其他多智能体对其进行协同跟踪或者同步。在现有非线性系统协同控制中，主要是将被控系统考虑为完全相同的被控对象，动力学和运动学参数也相同。这种考虑在实际中并不合理，因为没有两个完全相同的被控系统。另外，在实际中考虑到机械传动、负载波动、老化和磨损等因素，被控对象的控制系数通常是时变、非线性的。综上所述，现有固定控制系数的非线性系统协同控制方法已经不能满足当今复杂非一致非线性系统的协同控制需要。

发明内容

本发明为了解决现有固定控制系数的非线性系统协同控制方法控制效果不好的问题，本发明提供一种带有控制参数自适应补偿的非一致非线性系统协同控制方法及控制系统。

本发明的一种带有控制参数自适应补偿的非一致非线性系统协同控制方法，所述方法包括如下步骤：

S1、建立带有时变控制参数的被控非线性系统模型；

S2、获取各被控非线性系统的同步跟踪误差；

S3、建立神经网络非线性估计模型，根据该模型、获取的同步跟踪误差获得神经网络自适应律，用于估计被控非线性系统模型中的动力学参数；

S4、根据被控非线性系统的控制量和获取的同步跟踪误差，获取被控非线性系统的时变控制参数自适应律，用于估计被控非线性系统模型中的控制参数；

S5、根据被控非线性系统模型，结合同步跟踪误差、神经网络自适应律、时变控制参数自适应律，获取分布式控制律，并根据获取的分布式控制律获得各被控非线性系统的控制量。

优选的是，所述S5中分布式控制律为：

u_i表示对被控非线性系统的控制量，表示被控非线性系统模型中控制参数的估计值，c表示控制比例增益参数，e_i表示第i个被控非线性系统的同步跟踪误差，表示第i个被控非线性系统的动力学非线性函数f_i(x)的估计值。

优选的是，所述时变控制参数自适应律为：

p_i表示通讯拓扑权值，η_i表示控制参数自适应增益，θ_i表示控制参数比例增益，d_i表示第i个被控非线性系统的入度，b_i表示第i个被控非线性系统与领导者的连接权值，i＝1,2…N，N表示被控非线性系统的数量，表示第i个被控非线性系统的控制参数m_i的估计值，m _i代表m_i的下界。

优选的是，所述神经网络自适应律为：

其中表示神经网络中被控非线性系统权重的估计值，φ_i表示神经网络中被控非线性系统基函数的值，p_i表示通讯拓扑权值，F_i表示神经网络自适应增益，κ_i表示神经网络比例增益。

优选的是，所述同步跟踪误差e_i为：

N_i表示与第i个被控非线性系统相邻的被控非线性系统，a_ij表示所述相邻被控非线性系统的邻接矩阵的系数，b_i表示第i个被控非线性系统与其领导者的连接权值，x_i表示第i个被控非线性系统的位置，x₀表示第i个被控非线性系统的领导者的位置，x_j表示与第i个被控非线性系统相邻的被控非线性系统j的位置。

优选的是，所述被控非线性系统模型为：

w_i表示外部扰动。

本发明的有益效果，本发明主要涉及的是非一致非线性系统协同控制，很好解决了带有时变控制参数的非一致非线性系统的协同控制问题。利用本发明可以对含有时变控制参数的非一致非线性系统进行有效地控制，提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

如图1所示,本实施方式的带有控制参数自适应补偿的非一致非线性系统协同控制方法，

包括如下步骤：

S1、建立带有时变控制参数的被控非线性系统模型；

S2、获取各被控非线性系统的同步跟踪误差；

S3、建立神经网络非线性估计模型，根据该模型、获取的同步跟踪误差获得神经网络自适应律，用于估计被控非线性系统模型中的动力学参数；

S4、根据被控非线性系统的控制量和获取的同步跟踪误差，获取被控非线性系统的时变控制参数自适应律，用于估计被控非线性系统模型中的控制参数；

S5、根据被控非线性系统模型，结合同步跟踪误差、神经网络自适应律、时变控制参数自适应律，获取分布式控制律，并根据获取的分布式控制律获得各被控非线性系统的控制量。

本实施方式是针对非线性被控机电系统获得分布式控制律，首先建立带有时变控制参数的非线性被控机电系统模型，采集各被控机电系统的不同阶同步跟踪误差，同时利用神经网络估计模型对建立的机电系统模型中的动力学参数进行估计，再采用时变控制参数自适应律对建立的机电系统模型中的控制参数进行估计,将获得的误差和估计后的模型，获得分布式控制律，提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。

优选实施例中，本实施方式S5中分布式控制律为：

u_i表示对被控非线性系统的控制量，表示被控非线性系统模型中控制参数的估计值，c表示控制比例增益参数，e_i表示第i个被控非线性系统的同步跟踪误差，表示第i个被控非线性系统的动力学非线性函数f_i(x)的估计值。

本实施方式给出了分布式混合不同阶协同控制律的具体形式，用于获取各被控机电系统的控制量，实现协同控制，提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。

优选实施例中，本实施方式时变控制参数自适应律为：

p_i表示通讯拓扑权值，η_i表示控制参数自适应增益，θ_i表示控制参数比例增益，d_i表示第i个被控非线性系统的入度，b_i表示第i个被控非线性系统与领导者的连接权值，i＝1,2…N，N表示被控非线性系统的数量，表示第i个被控非线性系统的控制参数m_i的估计值，m _i代表m_i的下界。

本实施方式给出了时变控制参数自适应律的具体形式，用于对带有时变控制参数的被控非线性系统模型中的控制参数进行估计，解决被控对象的控制系数通常是时变、非线性导致控制效果不好的问题，根据控制参数自适应律对控制参数实时更新的方法获取各被控非线性系统的控制量，提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。

优选实施例中，本实施方式的神经网络自适应律为：

其中表示神经网络中被控非线性系统权重的估计值，φ_i表示神经网络中被控非线性系统基函数的值，p_i表示通讯拓扑权值，F_i表示神经网络自适应增益，κ_i表示神经网络比例增益。

本实施方式的神经网络非线性估计模型；

表示f_i(x_i)的估计值，φ_i(x)表示神经网络中被控非线性系统基函数。

本实施方式给出了神经网络自适应律的具体形式，用于对混合不同阶机电系统模型中的动力参数进行估计，进而获得分布式控制律，实现协同控制，提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。

优选实施例中，本实施方式的同步跟踪误差e_i为：

N_i表示与第i个被控非线性系统相邻的被控非线性系统，a_ij表示所述相邻被控非线性系统的邻接矩阵的系数，b_i表示第i个被控非线性系统与其领导者的连接权值，x_i表示第i个被控非线性系统的位置，x₀表示第i个被控非线性系统的领导者的位置，x_j表示与第i个被控非线性系统相邻的被控非线性系统j的位置。

优选实施例中，本实施方式的被控非线性系统模型为：

w_i表示外部扰动。

本实施方式还包括一种计算机可读的存储设备，所述存储设备存储有计算机程序，所述计算机程序被执行时实现上述控制方法。

本实施方式还包括一种带有控制参数自适应补偿的非一致非线性系统协同控制系统，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实现上述控制方法。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (8)

1.一种带有控制参数自适应补偿的非一致非线性系统协同控制方法，其特征在于，所述方法包括如下步骤：

S1、建立带有时变控制参数的被控非线性系统模型；

S2、获取各被控非线性系统的同步跟踪误差；

S3、建立神经网络非线性估计模型，根据该模型、获取的同步跟踪误差获得神经网络自适应律，用于估计被控非线性系统模型中的动力学参数；

S4、根据被控非线性系统的控制量和获取的同步跟踪误差，获取被控非线性系统的时变控制参数自适应律，用于估计被控非线性系统模型中的控制参数；

S5、根据被控非线性系统模型，结合同步跟踪误差、神经网络自适应律、时变控制参数自适应律，获取分布式控制律，并根据获取的分布式控制律获得各被控非线性系统的控制量。

2.根据权利要求1所述的非一致非线性系统协同控制方法，其特征在于，所述S5中分布式控制律为：

u_i表示对被控非线性系统的控制量，表示被控非线性系统模型中控制参数的估计值，c表示控制比例增益参数，e_i表示第i个被控非线性系统的同步跟踪误差，表示第i个被控非线性系统的动力学非线性函数f_i(x)的估计值。

3.根据权利要求2所述的非一致非线性系统协同控制方法，其特征在于，所述时变控制参数自适应律为：

p_i表示通讯拓扑权值，η_i表示控制参数自适应增益，θ_i表示控制参数比例增益，d_i表示第i个被控非线性系统的入度，b_i表示第i个被控非线性系统与领导者的连接权值，i＝1,2…N，N表示被控非线性系统的数量，表示第i个被控非线性系统的控制参数m_i的估计值，m _i代表m_i的下界。

4.根据权利要求3所述的非一致非线性系统协同控制方法，其特征在于，所述神经网络自适应律为：

其中表示神经网络中被控非线性系统权重的估计值，φ_i表示神经网络中被控非线性系统基函数的值，p_i表示通讯拓扑权值，F_i表示神经网络自适应增益，κ_i表示神经网络比例增益。

5.根据权利要求4所述的非一致非线性系统协同控制方法，其特征在于，所述同步跟踪误差e_i为：

N_i表示与第i个被控非线性系统相邻的被控非线性系统，a_ij表示所述相邻被控非线性系统的邻接矩阵的系数，b_i表示第i个被控非线性系统与其领导者的连接权值，x_i表示第i个被控非线性系统的位置，x₀表示第i个被控非线性系统的领导者的位置，x_j表示与第i个被控非线性系统相邻的被控非线性系统j的位置。

6.根据权利要求5所述的非一致非线性系统协同控制方法，其特征在于，所述被控非线性系统模型为：

w_i表示外部扰动。

7.一种计算机可读的存储设备，所述存储设备存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至6任一所述方法。

8.一种带有控制参数自适应补偿的非一致非线性系统协同控制系统，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求如权利要求1至6任一所述方法。