CN112965383B - 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法 - Google Patents

单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法 Download PDF

Info

Publication number
CN112965383B
CN112965383B CN202110178248.7A CN202110178248A CN112965383B CN 112965383 B CN112965383 B CN 112965383B CN 202110178248 A CN202110178248 A CN 202110178248A CN 112965383 B CN112965383 B CN 112965383B
Authority
CN
China
Prior art keywords
representing
fractional order
neural network
function
seismograph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202110178248.7A
Other languages
English (en)
Other versions
CN112965383A (zh
Inventor
罗绍华
刘昭琴
吴松励
刘嘉
吴江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Aerospace Polytechnic College
Original Assignee
Chongqing Aerospace Polytechnic College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Aerospace Polytechnic College filed Critical Chongqing Aerospace Polytechnic College
Priority to CN202110178248.7A priority Critical patent/CN112965383B/zh
Publication of CN112965383A publication Critical patent/CN112965383A/zh
Application granted granted Critical
Publication of CN112965383B publication Critical patent/CN112965383B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/16Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
    • G01V1/18Receiving elements, e.g. seismometer, geophone or torque detectors, for localised single point measurements
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法,属于地震仪系统同步控制领域。该方法包括:建立单向耦合分数阶地震仪系统的同步模型;设计控制器:首先采用规定的性能函数和约束条件来保证系统暂态和同步性能,采用带变换的区间二型模糊神经网络来估计单向耦合分数阶自持机电地震仪系统的不可预测函数,并建立分数阶双曲正切跟踪微分器来处理性能函数和分数阶的复杂性,最小化成本函数,使得跟踪误差落入指定约束的区域;然后以反演递推形式设计自适应神经网络最优定时同步控制器;最后利用李亚普诺夫函数和定时稳定性准则保证闭环地震仪系统的所有信号都是有界的。

Description

单向耦合分数阶自持机电地震仪系统的自适应神经网络最优 定时同步控制方法
技术领域
本发明属于地震仪系统同步控制技术领域,涉及一种单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法。
背景技术
具有复杂动力学特征的自持式机电地震仪系统属于一种敏感仪器,它能记录以一定频率传播的地面运动和波。它的分数阶建模可以比整数阶建模更能精确地描述工程对象的真实运动过程。单向耦合分数阶地震仪系统存在复杂的非线性动力学、陀螺耦合、不可预测函数、预定约束和定时收敛性。因此,实现驱动地震仪和响应地震仪之间的最优定时同步控制是有重要意义和有挑战性。
非线性系统的同步揭示了许多与工程、物理和信息学有关的现象,长期以来一直受到人们的关注。随后,如何满足同步自然而然成为工程领域的研究热点。为了实现设定的目标,大量的方法被报道出来,例如鲁棒同步、自适应同步和最优同步。然而,它们仅限于没有双向和单向耦合项的整数阶系统,在极端情况下不会产生混沌振荡,偏离所关心的混沌同步问题。分数阶微积分是描述非线性系统长记忆和遗传特性的一种非常有用的工具。为了精确建模和增加设计自由度,一个自然而然的想法是将分数阶微积分理论扩展到同步控制。许多研究者致力于分数阶微积分同步的研究,导致许多有趣的结果被陆续报道出来。但是当系统产生由温度变化、电压振荡和材料引起的参数扰动时,这些方案是无效的。同时,其在分数阶同步中没有解决包括约束和最小成本函数在内的规定性能控制。因此,如何建立分数阶混沌系统的最优定时同步方法仍然是一个悬而未决的问题。
近来,融合模糊系统/神经网络的自适应反演方法被广泛用于控制来整数阶非线性系统。然而,随着系统阶数的增加,与反演相关的“复杂性爆炸”出现,甚至变得严重。为了解决这个问题,有人提出了与动态面控制相关的一阶滤波器和跟踪微分器。由于只有一个可调参数,因此很容易掌握一阶滤波器。但它的精度低于跟踪微分器。在工程中,违反约束会导致性能下降甚至系统失效。随后,研究人员开发了一系列输入/输出约束工具并应用到反演方法中。为了进一步改善瞬态行为和稳态响应,学术界高度关注有限时间控制和加速收敛等研究领域,然后一些学者将定时和加速控制理论与传统的反演方法相结合,以达到预定的性能。当系统运动将其初始状态转移到指定的目标状态时,最优控制可以使系统性能指标达到最优值。考虑到这一点,最优控制的概念被成功地应用到反演控制中。然而,这些工作不涉及分数阶建模、动力学和控制。同时,耦合分数阶地震仪系统与一类非线性不确定系统/连续时间系统之间已经存在很大的差距,应用到分数阶地震仪系统同步是否有效需要深入研究。
发明内容
有鉴于此,本发明的目的在于提供一种单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法,提高系统同步模型的设计自由度,解决反演控制固有的“复杂性爆炸”。在分数阶反演框架下,解决有限时间控制、未知系统函数、符合规定约束条件和最小成本函数等问题,设计出单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制器。
为达到上述目的,本发明提供如下技术方案:
一种单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法,包括以下步骤:
S1:基于单个地震仪的分数阶模型,建立单向耦合分数阶地震仪系统的同步模型;
S2:设计自适应神经网络最优定时同步控制控制器;
首先,采用规定的性能函数和约束条件来保证系统暂态和同步性能,采用带变换的区间二型模糊神经网络来估计单向耦合分数阶自持机电地震仪系统的不可预测函数,并建立分数阶双曲正切跟踪微分器来处理性能函数和分数阶的复杂性,最小化成本函数,使得跟踪误差落入指定约束的区域;然后,以反演递推的形式设计自适应神经网络最优定时同步控制器;此外,利用李亚普诺夫函数和定时稳定性准则保证闭环地震仪系统的所有信号都是有界的。
进一步,步骤S1中,建立单向耦合分数阶地震仪系统的同步模型,具体包括:利用牛顿第二定律和基尔霍夫定律,建立单个分数阶机电地震仪系统的动力学方程:
Figure BDA0002940664290000021
其中,m、B和l分别表示电线的质量、磁场和长度,f1、f0和ω表示激励的临界力、振幅和频率,Fd表示单个地震仪的非线性刚度弹簧力,x表示非线性弹簧的伸长,L表示线性电感,α、q、R和I0分别表示分数阶系数、电荷、电阻和初始电流,Oc和Od表示非线性电容器的平均系数;C0、τ分别表示电容器的线性部分、时间;dαq/dτα=I,I为电流;μ0表示阻尼系数;
引入几个无量纲变量:
Figure BDA0002940664290000031
其中,Q0表示参考电荷;
由(1)和(2)导出卡普托分数阶定义下的陀螺耦合驱动系统控制方程,该方程能很好地处理零初始条件问题,则:
Figure BDA0002940664290000032
其中无量纲参数设置为:
Figure BDA0002940664290000033
Figure BDA0002940664290000034
x1=xc,x3=xz
Figure BDA0002940664290000038
表示a>0的卡普托导数,ωm表示无量纲参数,ωe、xc和xz表示无因次变量,a0、a1和a2表示线性、三次和五次弹簧系数;
那么具有控制输入的响应自持机电地震仪系统动力学方程为:
Figure BDA0002940664290000035
其中,u2和u4表示控制输入,K=R/Rc表示电阻耦合参数,Rc表示耦合电阻;
将(3)减去(4),得到同步误差方程为:
Figure BDA0002940664290000036
其中,ei=yi-xi,i=1,…,4表示同步误差。
进一步,步骤S1中,定义最小化性能成本函数为:
Figure BDA0002940664290000037
其中,S、U和Ro分别表示罚函数、最优控制输入和n阶矩阵,Q(S)>0;
根据单向耦合分数阶自持机电地震仪系统的数学模型(3)和性能成本函数(6),设计自适应神经网络最优定时同步策略,使得闭环地震仪系统中的所有信号在全状态误差约束下有界,性能成本函数达到最小值。
进一步,步骤S2中,所述区间二型模糊神经网络由四层组成,
在第1层,模糊神经网络的输入以xi的形式获得;
在第2层,定义上、下高斯型2隶属函数为:
Figure BDA0002940664290000041
其中,
Figure BDA00029406642900000415
表示第i个输入的第j个模糊集
Figure BDA0002940664290000042
的中心,
Figure BDA0002940664290000043
Figure BDA00029406642900000416
表示高斯型2隶属函数的上、下宽度,
Figure BDA0002940664290000044
Figure BDA00029406642900000414
通过非单一模糊化来计算:
Figure BDA0002940664290000045
其中,σm表示高斯隶属函数的宽度;
在第3层,源于区间二型模糊神经网络规则的上、下触发强度是用乘积运算获得的;
Figure BDA0002940664290000046
其中,
Figure BDA0002940664290000047
p j表示上、下触发强度;每个区间二型模糊神经网络在分层结构的框架中具有两个输入;当每xi有N个高斯型2隶属函数时,区间二型模糊神经网络规则的数量将达到N2
在第4层,基于Nie-Tan直接去模糊方法,推导出矢量形式的区间二型模糊神经网络的去模糊输出:
Figure BDA0002940664290000048
其中,w表示权重向量,
Figure BDA0002940664290000049
定义为:
Figure BDA00029406642900000410
其中,r表示权重向量个数;
调用式(10),
Figure BDA00029406642900000411
实现对任意未知但有界函数fN的精确跟踪,满足:
Figure BDA00029406642900000412
其中,
Figure BDA00029406642900000413
ε(X)表示正逼近误差,Ωw和ΩX分别表示w和X的适当边界的紧集;
引入理想参数w*
Figure BDA0002940664290000051
针对权值向量w,有
Figure BDA0002940664290000052
为了便于后续设计,定义
Figure BDA0002940664290000053
Figure BDA0002940664290000054
为了减少区间二型模糊神经网络的权值,加快运算速度,导出了一个简单的数学变换:
Figure BDA0002940664290000055
其中,ζi=||wi||2,bi为正常数;得到
Figure BDA0002940664290000056
表示ζi的估计值。
进一步,步骤S2的控制器设计中1)定义跟踪误差变量:
zi=ei,zi+1=ei+1i+1,i=1,3 (15)
其中,αi+1表示虚拟控制;
为了保证瞬态性能,给出了规定的约束条件:
Figure BDA0002940664290000057
其中,ψp(t)表示性能函数,设计参数H
Figure BDA0002940664290000058
属于(0,1];可以看出,zi的最大过冲和下冲取决于Hψp(0)、ψp(0)和
Figure BDA0002940664290000059
然后,写入转换后的跟踪误差:
Figure BDA00029406642900000510
在上述公式中,如果zi(t)≥0则ζp=0.9,如果zi(t)<0则ζp=0.1;如果zi(0)≥0,那么
Figure BDA00029406642900000511
η=-Hψp(t),如果zi(0)<0,那么
Figure BDA00029406642900000512
η=-ψp(t)。
进一步,定义性能函数为:
Figure BDA00029406642900000513
其中,δp
Figure BDA00029406642900000514
Figure BDA00029406642900000515
表示正常数;该函数是一个光滑的严格递减函数,即
Figure BDA00029406642900000516
进一步,步骤S2中,以反演递推的形式设计自适应神经网络最优定时同步控制器,具体包括以下步骤:
第一步:为保证变换后的跟踪误差符合约束条件,选择第一个对称障碍李亚普诺夫函数:
Figure BDA00029406642900000517
对V1求导得:
Figure BDA0002940664290000061
其中,
Figure BDA0002940664290000062
相应地选择虚拟控制为:
Figure BDA0002940664290000063
其中,k1>0;将(20)式代入(19)式得:
Figure BDA0002940664290000064
第二步:考虑第二个称障碍李亚普诺夫函数:
Figure BDA0002940664290000065
其中,v2>0;
计算V2的分数阶导数,得:
Figure BDA0002940664290000066
其中,
Figure BDA0002940664290000067
h2涉及在同步模型中的系统动力学,通常被认为是一个未知函数;
为了进行控制器设计,使用一个区间二型模糊神经网络在一个紧凑集合上近似逼近,即:
Figure BDA0002940664290000068
其中,(·)为(e1,e2,e3,e4)的缩写;
显然,由于规定的性能函数和分数阶的复杂性,
Figure BDA0002940664290000069
不容易直接得到。根据双曲正切函数的整数阶跟踪微分器,构建了一个分数阶双曲切线跟踪微分器来近似
Figure BDA00029406642900000610
即:
Figure BDA00029406642900000611
其中,
Figure BDA00029406642900000612
表示双曲切线跟踪微分器的输出,
Figure BDA00029406642900000613
表示双曲切线跟踪微分器的输入,参数ρi、σi和σi+1用来调整跟踪速度和跟踪效果;
根据(24)和(25)可得:
Figure BDA00029406642900000614
其中,b2>0;然后,推导出具有自适应律的控制输入
Figure BDA0002940664290000071
Figure BDA0002940664290000072
其中,k2、k22、m1和m2表示正的常数,uc2表示补偿近似误差的最优控制输入;
根据公式(6)的定义,性能成本函数被设计为:
Figure BDA0002940664290000073
其中
Figure BDA0002940664290000074
和φi表示设计参数;区间二型模糊神经网络中存在近似误差,为了补偿它,条件
Figure BDA0002940664290000075
成立;
借助Riccati代数方程:
Figure BDA0002940664290000076
最优控制输入推导为:
Figure BDA0002940664290000077
根据式(27)和(28),式(26)被写为:
Figure BDA0002940664290000078
第三步:定义第三个对称障碍李亚普诺夫函数
Figure BDA0002940664290000079
通过重复上述计算,虚拟控制写为:
Figure BDA00029406642900000710
其中,k3表示一个正常数;
根据(31)和(32)得到V3的导数:
Figure BDA00029406642900000711
第四步:考虑第四个对称障碍李亚普诺夫函数
Figure BDA00029406642900000712
其中,v4>0;
借鉴第二步的思想,控制输入和自适应律写为:
Figure BDA0002940664290000081
Figure BDA0002940664290000082
其中k4、k42、m3和m4表示正常数;Z4和uc4表示分数阶双曲切线跟踪微分器的输出和最优控制输入;
满足Riccati代数方程的最优控制输入写为:
Figure BDA0002940664290000083
根据式(35)和(36),式(34)的导数写为:
Figure BDA0002940664290000084
通过引用杨氏不等式,得到:
Figure BDA0002940664290000085
Figure BDA0002940664290000086
将式(40)代入式(39)得:
Figure BDA0002940664290000087
其中,
Figure BDA0002940664290000088
ka=min{ki-ksi5mi/2},kb=min{k2i 1}。
本发明的有益效果在于:本发明基于单个地震仪的分数阶模型,建立了单向耦合分数阶地震仪系统的同步模型。它能准确描述系统的动态特性,提高设计自由度。本发明解决了反演控制固有的“复杂性爆炸”,即使在高阶系统中也是如此。本发明在分数阶反演框架下,通过解决有限时间控制、未知系统函数、符合规定约束条件和最小成本函数等问题,设计了单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制器。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为自适应神经网络最优定时同步控制方法流程图;
图2为单向耦合分数阶自持机电地震仪系统的示意图;
图3为驱动和响应自持机电地震仪系统的李雅普诺夫指数与驱动幅值的关系;
图4为响应自持机电地震仪系统的李雅普诺夫指数与耦合参数的关系;
图5为驱动与响应自持机电地震仪系统的最优同步性能结果;
图6为驱动自持机电地震仪系统与响应自持机电地震仪系统之间的同步误差;
图7为同步下不同分数阶的跟踪误差变量;
图8为不同耦合参数变化后的跟踪误差;
图9为分数阶双曲切线跟踪微分器的近似性能;
图10为不同耦合参数的控制输入和最优控制输入;
图11为不同分数阶和耦合参数下的自适应律。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图11,本发明提供了一种单向耦合分数阶自持机电地震仪系统在次谐波和超谐波振荡下的自适应神经网络最优定时同步控制方法。基于驱动和响应地震仪建立了单向耦合分数阶地震仪系统的同步模型。借助关于驱动振幅和耦合参数的李雅普诺夫指数,动力学分析揭示了单向耦合分数阶自持机电地震仪系统能产生瞬态混沌和同宿/异宿振荡。在控制器设计中,采用规定的性能函数和约束条件来保证系统暂态和同步性能,采用带变换的区间二型模糊神经网络来估计单向耦合分数阶自持机电地震仪系统的不可预测函数,并建立分数阶双曲正切跟踪微分器来处理性能函数和分数阶的复杂性。然后,以反演递推设计的形式开发了自适应神经网络最优定时同步控制器。此外,利用李亚普诺夫函数和定时稳定性准则证明了闭环地震仪系统的所有信号都是有界的,跟踪误差随着成本函数的最小化而落入指定约束的区域。
如图1所示,该自适应神经网络最优定时同步控制方法具体包括:
一、系统建模和数学准备;
1、系统建模
单个分数阶自持机电地震仪系统通常由电气部分和机械部分两部分组成。其电气部分包括线性电感L、非线性电容CNL、非线性电阻RNR和与前三个电子元件串联安装的电动势ev。它的机械部分悬挂在外壳上,由一个减震器、一个地震质量和一个可调弹簧组成。这两个部分通过耦合磁体线圈和磁体耦合,从而产生磁场
Figure BDA0002940664290000101
Westerlund和Ekstam利用实验结果揭示了电容器不同电介质的分数阶特性,例如
Figure BDA0002940664290000102
其中C0τ,
Figure BDA0002940664290000103
Figure BDA0002940664290000104
分别表示电容器的线性部分、时间、电流和电压。
与非线性电阻和电容相关的电压可以用分数阶的形式表达
Figure BDA0002940664290000105
其中α,q,R和I0分别表示分数阶系数、电荷、电阻和初始电流,Oc和Od表示非线性电容器的平均系数,dαq/dτα=I,I为电流。
在实际应用中,摩擦和空气阻力都存在于调速系统中是不可避免的。因此,对于单个地震仪系统,具有非线性刚度的弹簧力Fd可以写成
Fd=a0+a1x2+a2x4 (2)
其中,x表示非线性弹簧的伸长,a0、a1和a2表示线性、三次和五次弹簧系数。
由于永磁体和耦合线圈之间强相互作用的影响,应该考虑机械部分的拉普拉斯力和电气部分的楞次电动势。利用牛顿第二定律和基尔霍夫定律,建立单个分数阶机电地震仪系统的动力学方程
Figure BDA0002940664290000111
其中,m、B和l分别表示电线的质量、磁场和长度,f1、f0和ω表示激励的临界力、振幅和频率,μ0表示阻尼系数。
图2展示了单向耦合分数阶自持机电地震仪系统,其中使用线性电阻器和电流跟随器来连接两个分数阶地震仪系统(其中一个称为响应自持机电地震仪系统,另一个称为驱动自持机电地震仪系统)。
引入几个无量纲变量
Figure BDA0002940664290000116
其中,Q0表示参考电荷。
由(3)和(4)导出了卡普托分数阶定义下的陀螺耦合驱动系统控制方程,该方程能很好地处理零初始条件问题,则:
Figure BDA0002940664290000112
其中无量纲参数设置为
Figure BDA0002940664290000113
Figure BDA0002940664290000114
x1=xc,x3=xz,和
Figure BDA0002940664290000115
表示α>0的卡普托导数。
那么具有控制输入的响应自持机电地震仪系统动力学方程写成
Figure BDA0002940664290000121
其中,u2和u4表示控制输入,K=R/Rc表示电阻耦合参数,Rc表示耦合电阻。
备注1:分数阶α的值与电子元器件的电介质、电解过程、粘弹性、动力学模量等密切相关。如α=1,分数阶模型将其退回到一般的整数阶模型,因此分数阶模型可以精确地描述系统特性,并且具有更多的设计自由度。如果K=0,单向耦合分数阶地震仪系统的模型退化为分数阶地震仪系统的一般同步模型。
从(5)中减去(6),得到以下同步误差方程
Figure BDA0002940664290000122
其中,ei=yi-xi,i=1,…,4表示同步误差。
2.数学准备
定义:对于一个充分可微的函数F(t),Caputo分数导数由下式给出:
Figure BDA0002940664290000123
其中,
Figure BDA0002940664290000124
表示欧拉-伽马函数,n-1<α<n,
Figure BDA0002940664290000125
通过对上面的公式进行拉普拉斯变换,可以得到
Figure BDA0002940664290000126
对于任何连续函数F1(t)和F2(t),在时间间隔
Figure BDA0002940664290000129
和0<α<1下,有
Figure BDA0002940664290000127
当F1(t)=F2(t)时,可以立即推出下面的不等式
Figure BDA0002940664290000128
定义2:定义最小化性能成本函数
Figure BDA0002940664290000131
其中S、U和Ro分别表示罚函数、最优控制输入和n阶矩阵,Q(S)>0。
定义3:定义性能函数
Figure BDA0002940664290000132
其中,δp
Figure BDA0002940664290000133
Figure BDA0002940664290000134
表示正常数。上述函数是一个光滑的严格递减函数,即
Figure BDA0002940664290000135
定义4:对于动态系统
Figure BDA0002940664290000136
xs(0)=x0伴随
Figure BDA0002940664290000137
如果原点是一个平衡点,则存在一个函数V(xs)>0且满足:
Figure BDA0002940664290000138
其中,κs,ρs>0,ps>1,0<qs<1。
推测实现被控系统定时稳定的设定时间函数为
Ts≤Tmax=1/(ps-1)κs+1/(qs-1)ρs (15)
二、动态分析和提出问题
驱动和响应自持机电地震仪系统的两组物理参数定义为:
驱动自持机电地震仪系统:μ1=0.1,μ2=0.2,ω1=1,λ1=0.01,λ2=-0.7,β1=0.01,β2=0.1,γ1=0.25,γ2=0.9,ω=0.5,F0=1.2;
响应自持机电地震仪系统:μ1=0.03,μ2=0.02,ω1=1,λ1=0.5,λ2=0.6,β1=0.05,β2=0.13,γ1=0.65,γ2=0.4,ω=0.25,F0=13.6。
为了揭示单向耦合分数阶自持机电地震仪系统的动态特性,便于后续控制器的设计,本发明采用了李亚普诺夫指数这一判断系统混沌特性的高效工具。图3描述了驱动和响应自持机电地震仪系统中不同驱动幅值的李雅普诺夫指数。图4揭示了响应自持机电地震仪系统的李雅普诺夫指数与耦合参数和时间的关系。
可以看出,由于在不同情况下李雅普诺夫指数的正值,单向耦合分数阶自持机电地震仪系统陷入混沌振荡。在不采取任何措施的情况下,源于势能非平衡相互作用的同宿/异宿振荡能破坏系统的稳定性。
本发明的控制目的:给定单向耦合分数阶自持机电地震仪系统的数学模型(5)和性能成本函数(12),提出一种自适应神经网络最优定时同步策略,使得闭环地震仪系统中的所有信号在全状态误差约束下有界,性能成本函数达到最小值。同时将与地球振动检测和记录相关的目标轨迹嵌入混沌吸引子中,以固定的时间收敛速度达到最优同步。
三、设计自适应神经网络最优定时同步控制控制器
1、区间二型模糊神经网络
基于第一类模糊神经网络生成的区间二型模糊神经网络由四层组成,随着区间二型模糊神经网络规模的减小,它可以提高性能和学习精度。
在第1层,模糊神经网络的输入以xi的形式获得。
在第2层,定义了上、下高斯型2隶属函数为:
Figure BDA0002940664290000141
其中,
Figure BDA0002940664290000142
i=1,…,N,j=1,2表示第i个输入的第j个模糊集
Figure BDA0002940664290000143
的中心,
Figure BDA0002940664290000144
Figure BDA00029406642900001416
表示高斯型2隶属函数的上、下宽度,
Figure BDA0002940664290000145
Figure BDA0002940664290000146
通过非单一模糊化来计算:
Figure BDA0002940664290000147
其中,σm表示高斯隶属函数的宽度。
在第3层,源于区间二型模糊神经网络规则的上、下触发强度是用乘积运算获得的;
Figure BDA0002940664290000148
其中,
Figure BDA0002940664290000149
p j表示上、下触发强度;每个区间二型模糊神经网络在分层结构的框架中具有两个输入;当每xi有N个高斯型2隶属函数时,区间二型模糊神经网络规则的数量将达到N2
在第4层,基于Nie-Tan直接去模糊方法,推导出矢量形式的区间二型模糊神经网络的去模糊输出:
Figure BDA00029406642900001410
其中,w表示权重向量,
Figure BDA00029406642900001411
定义为:
Figure BDA00029406642900001412
其中,r表示权重向量个数;
调用式(19),
Figure BDA00029406642900001413
实现对任意未知但有界函数fN的精确跟踪,满足:
Figure BDA00029406642900001414
其中,
Figure BDA00029406642900001415
ε(X)表示正逼近误差,Ωw和ΩX分别表示w和X的适当边界的紧集。
引入理想参数w*
Figure BDA0002940664290000151
针对权值向量w,有
Figure BDA00029406642900001518
为了便于后续设计,定义
Figure BDA0002940664290000152
Figure BDA0002940664290000153
为了减少区间二型模糊神经网络的权值,加快运算速度,导出了一个简单的数学变换:
Figure BDA0002940664290000154
其中,ζi=||wi||2,bi为正常数。可以得到
Figure BDA0002940664290000155
表示ζi的估计值。
备注2:分数阶微积分中主要存在三种分数阶导数,包括卡普托导数、Riemann-Liouville导数和
Figure BDA0002940664290000156
-Letnikov导数。当应用于分数阶微分方程的求解时,通过产生与Caputo导数的初始化Lorenzo和Hartley导数相同的结果,具有
Figure BDA0002940664290000157
对于Riemann-Liouville和
Figure BDA0002940664290000158
-Letnikov导数,可以在ζ具有m+1阶连续导数并且m至少满足[α]=n-1下得到
Figure BDA0002940664290000159
其中[α]表示α的整数部分且
Figure BDA00029406642900001510
它可以通过
Figure BDA00029406642900001511
在上述导数之间建立相互转换。因此,所提方案可以扩展到更广泛的分数阶微积分领域。
2、设计控制器
定义跟踪误差变量:
zi=ei,zi+1=ei+1i+1,i=1,3 (24)
其中,αi+1表示虚拟控制。
为了保证瞬态性能,给出了规定的约束条件:
Figure BDA00029406642900001512
其中,ψp(t)表示性能函数,设计参数H
Figure BDA00029406642900001513
属于(0,1]。可以看出,zi的最大过冲和下冲取决于Hψp(0)、ψp(0)和
Figure BDA00029406642900001514
然后,写入转换后的跟踪误差:
Figure BDA00029406642900001515
在上述公式中,如果zi(t)≥0则ζp=0.9,如果zi(t)<0则ζp=0.1;如果zi(0)≥0,那么
Figure BDA00029406642900001516
η=-Hψp(t),如果zi(0)<0,那么
Figure BDA00029406642900001517
η=-ψp(t)。
根据反演控制原理,相应的设计过程可分为四个步骤:
第一步:为保证变换后的跟踪误差符合约束条件,选择第一个对称障碍李亚普诺夫函数:
Figure BDA0002940664290000161
对V1求导得:
Figure BDA0002940664290000162
其中,
Figure BDA0002940664290000163
相应地选择虚拟控制为:
Figure BDA0002940664290000164
其中,k1>0;将(29)式代入(28)式得:
Figure BDA0002940664290000165
第二步:考虑第二个称障碍李亚普诺夫函数:
Figure BDA0002940664290000166
其中,v2>0。
计算V2的分数阶导数,得:
Figure BDA0002940664290000167
其中,
Figure BDA0002940664290000168
h2涉及在同步模型中的系统动力学,通常被认为是一个未知函数。
为了进行控制器设计,使用一个区间二型模糊神经网络在一个紧凑集合上近似逼近,即:
Figure BDA0002940664290000169
其中,(·)为(e1,e2,e3,e4)的缩写。
显然,由于规定的性能函数和分数阶的复杂性,
Figure BDA00029406642900001610
不容易直接得到。根据双曲正切函数的整数阶跟踪微分器,构建了一个分数阶双曲切线跟踪微分器来近似
Figure BDA00029406642900001611
即:
Figure BDA00029406642900001612
其中,
Figure BDA00029406642900001613
表示双曲切线跟踪微分器的输出,
Figure BDA00029406642900001614
表示双曲切线跟踪微分器的输入,参数ρi、σi和σi+1用来调整跟踪速度和跟踪效果。
备注3:分数阶双曲切线跟踪微分器可以非常高的精度近似任意输入信号Zr,i。Zi+1表示的Zr,i分数阶导数的估计。为了提高双曲切线跟踪微分器的收敛速度和精度,应该选择较大的ρi,σi和较小的σi+1。但是过大或过小的参数都可能导致超调。
根据(33)和(34)可得:
Figure BDA0002940664290000171
其中,b2>0;然后,推导出具有自适应律的控制输入
Figure BDA0002940664290000172
Figure BDA0002940664290000173
其中,k2、k22、m1和m2表示正的常数,uc2表示补偿近似误差的最优控制输入。
根据定义2,性能成本函数被设计为:
Figure BDA0002940664290000174
其中
Figure BDA0002940664290000175
和φi表示设计参数。区间二型模糊神经网络中存在近似误差,为了补偿它,条件
Figure BDA0002940664290000176
成立。
借助Riccati代数方程:
Figure BDA0002940664290000177
i=2,4,最优控制输入可推导为:
Figure BDA0002940664290000178
根据式(36)和(37),式(35)可被写为:
Figure BDA0002940664290000179
第三步:定义第三个对称障碍李亚普诺夫函数
Figure BDA00029406642900001710
通过重复上述计算,虚拟控制写为:
Figure BDA00029406642900001711
其中,k3表示一个正常数。
根据(40)和(41)得到V3的导数:
Figure BDA0002940664290000181
第四步:考虑第四个对称障碍李亚普诺夫函数
Figure BDA0002940664290000182
其中,v4>0。
注意:
Figure BDA0002940664290000183
Figure BDA0002940664290000184
h4是一个未知函数。所以有必要使用区间二型模糊神经网络
Figure BDA0002940664290000185
来估计这个函数。同时,用一个分数阶双曲切线跟踪微分器来近似
Figure BDA0002940664290000186
即Z4等于
Figure BDA0002940664290000187
借鉴第二步的思想,控制输入和自适应律写为:
Figure BDA0002940664290000188
Figure BDA0002940664290000189
其中k4、k42、m3和m4表示正常数;Z4和uc4表示分数阶双曲切线跟踪微分器的输出和最优控制输入。
满足Riccati代数方程的最优控制输入写为:
Figure BDA00029406642900001810
根据式(44)和(45),式(43)的导数可写为:
Figure BDA00029406642900001811
通过引用杨氏不等式,得到:
Figure BDA00029406642900001812
Figure BDA00029406642900001813
将式(49)代入式(47)得:
Figure BDA0002940664290000191
其中,
Figure BDA0002940664290000192
ka=min{ki-ksi5mi/2},kb=min{k2i 1}。
四、稳定性分析
定理1:针对具有性能成本函数(12)和固定时间函数(15)的单向耦合分数阶自持机电地震仪系统(7)自适应神经网络最优定时同步控制问题,构建定时控制输入(36),(44)和自适应律(37),(45)。当最优控制输入设计为(39)和(46)时,闭环系统的所有信号都是有界的,且不违反约束条件。此外,实现自适应神经网络最优定时同步,并使性能成本函数最小化的目的。
证明:选取整个李雅普诺夫函数为:
Figure BDA0002940664290000193
对上式求导得:
Figure BDA0002940664290000194
因为0<τa<1,所以θ≤kaτaV2/8。从而得到
Figure BDA0002940664290000195
根据定义4,在一固定周期内有一集合
Figure BDA0002940664290000196
并且,可求得给定的收敛时间
Ts≤Tmax=4/kb+8/(ka(1-τa)) (54)
Figure BDA0002940664290000197
可得
Figure BDA0002940664290000198
由于0≤si<1,得到
|zi|<|ei+1i+1|或
Figure BDA0002940664290000199
证明完成。
备注4:在所提出的同步控制器中,通过合理调整ki,ki2,mi,bi,vi
Figure BDA00029406642900001910
和φi可以获得满意的性能。较大的ki,ki2和较小的bi可以获得较好的同步性能。但是过大的ki,ki2或过小的bi数值会导致较大的控制输入,这可能远远超出机电设备的物理极限。
Figure BDA0002940664290000201
和φi的选择应与Riccati代数方程相匹配。最后,需要对所提控制器参数选取采用试凑法。
五、仿真结果分析
在仿真中,自适应神经网络最优定时同步控制控制器的参数选取为:
k1=k2=10,k3=k4=15,b2=b4=1,m1=m2=m3=m4=2,v2=v4=2和k22=k42=4。选择最优控制输入参数为:
Figure BDA0002940664290000202
φ2=φ4=1。预先定义跟踪误差的性能函数为:ψp(t)=(0.03)e-t+0.05,共中
Figure BDA0002940664290000203
分数阶双曲切线跟踪微分器的参数设置为:ρ1=ρ3=5,σ1=σ3=30,σ2=σ4=3。与约束条件相关的参数定义为:H=0.06,
Figure BDA0002940664290000204
在区间二型模糊神经网络中,其中心为
Figure BDA0002940664290000205
上下宽度为
Figure BDA0002940664290000206
Figure BDA0002940664290000207
高斯隶属函数的宽度为σm=05。
从图3~4可知,在所提控制器应用之前,自持机电地震仪系统的驱动系统和响应系统都出现了瞬态混沌和对混沌振荡的瞬态响应。在所提方案实施后,很明显,图5表明实现了精确的同步,图6中同步误差以非常快的速度收敛到零附近。然后,在不同条件下,驱动和响应自持机电地震仪系统的轨迹最终在相同的极限环上保持循环。
图7揭示了在同步下跟踪误差总是保持在预先给定的约束边界内。同时,分数阶的变化涉及不同的动态行为,但它的变化在规定的范围内不影响控制性能。从图4中可以看出,耦合参数K与李雅普诺夫指数密切相关,李雅普诺夫指数可以揭示单向耦合分数阶地震仪系统的某些混沌特征。图8中的变换跟踪误差证实了所设计的方案对耦合参数的变化不敏感。三种曲线在给定时间内基本重叠。
为了处理与对称障碍李亚谱诺夫函数和分数阶相关的复杂性,这里使用分数阶双曲正切跟踪微分器来估计虚拟控制输入的分数阶值。图9清楚地展示了分数阶双曲正切跟踪微分器的良好近似性能,其中蓝色的估计曲线可以以极高的精度和相当短的时间来近似红色的理想曲线。值得指出的是,控制输入直接决定了带耦合项的自持机电地震仪系统驱动与响应系统同步过程。图10的前两个子图展示了与同步性能相关的控制输入。最优控制输入被用来最小化成本函数并补偿来自区间二型模糊神经网络的近似误差。图10的最后两个子图显示了最优控制输入。可以知道,在所提方案干预后,所有曲线都达到稳定状态。同时进一步证明了所提方法具有良好的抗耦合参数扰动能力。
对于具有超混沌特性的单向耦合分数阶机电地震仪系统,利用区间二型模糊神经网络逼近未知系统函数。图11描述了区间二型模糊神经网络对不同分数阶和耦合参数的自适应规律。显然,在不同的工作条件下,所有的性能曲线都处于稳定状态。所提方案可以抑制参数扰动的影响。分数阶的变化涉及到不同的物理系统模型,图11的前两个子图表明,所提出的方案可以在一定范围内处理这个问题。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法,其特征在于,该方法包括以下步骤:
S1:基于单个地震仪的分数阶模型,建立单向耦合分数阶地震仪系统的同步模型;
S2:设计自适应神经网络最优定时同步控制控制器;首先,采用规定的性能函数和约束条件来保证系统暂态和同步性能,采用带变换的区间二型模糊神经网络来估计单向耦合分数阶自持机电地震仪系统的不可预测函数,并建立分数阶双曲正切跟踪微分器来处理性能函数和分数阶的复杂性,最小化成本函数,使得跟踪误差落入指定约束的区域;然后,以反演递推的形式设计自适应神经网络最优定时同步控制器;此外,利用李亚普诺夫函数和定时稳定性准则保证闭环地震仪系统的所有信号都是有界的;
步骤S1中,建立单向耦合分数阶地震仪系统的同步模型,具体包括:利用牛顿第二定律和基尔霍夫定律,建立单个分数阶机电地震仪系统的动力学方程:
Figure FDA0003702746200000011
其中,m、B和l分别表示电线的质量、磁场和长度,f1、f0和ω表示激励的临界力、振幅和频率,Fd表示单个地震仪的非线性刚度弹簧力,x表示非线性弹簧的伸长,L表示线性电感,α、q、R和I0分别表示分数阶系数、电荷、电阻和初始电流,Oc和Od表示非线性电容器的平均系数;C0、τ分别表示电容器的线性部分、时间;dαq/dτα=I,I为电流;μ0表示阻尼系数;
引入几个无量纲变量:
Figure FDA0003702746200000012
其中,Q0表示参考电荷;
由(1)和(2)导出卡普托分数阶定义下的陀螺耦合驱动系统控制方程,该方程能很好地处理零初始条件问题,则:
Figure FDA0003702746200000013
其中无量纲参数设置为:
Figure FDA0003702746200000014
Figure FDA0003702746200000021
x1=xc,x3=xz
Figure FDA0003702746200000022
表示α>0的卡普托导数,wm表示无量纲参数,ωe、xc和xz表示无因次变量,a0、a1和a2表示线性、三次和五次弹簧系数;
那么具有控制输入的响应自持机电地震仪系统动力学方程为:
Figure FDA0003702746200000023
其中,u2和u4表示控制输入,K=R/Rc表示电阻耦合参数,Rc表示耦合电阻;
将(3)减去(4),得到同步误差方程为:
Figure FDA0003702746200000024
其中,ei=yi-xi,i=1,…,4表示同步误差;
定义最小化性能成本函数为:
Figure FDA0003702746200000025
其中,S、U和Ro分别表示罚函数、最优控制输入和n阶矩阵,Q(S)>0;
根据单向耦合分数阶自持机电地震仪系统的数学模型(3)和性能成本函数(6),设计自适应神经网络最优定时同步策略,使得闭环地震仪系统中的所有信号在全状态误差约束下有界,性能成本函数达到最小值;
步骤S2中,所述区间二型模糊神经网络由四层组成,
在第1层,模糊神经网络的输入以xi的形式获得;
在第2层,定义上、下高斯型2隶属函数为:
Figure FDA0003702746200000026
其中,
Figure FDA0003702746200000027
表示第i个输入的第j个模糊集
Figure FDA0003702746200000028
的中心,
Figure FDA0003702746200000029
Figure FDA00037027462000000210
表示高斯型2隶属函数的上、下宽度,
Figure FDA00037027462000000211
Figure FDA00037027462000000212
通过非单一模糊化来计算:
Figure FDA0003702746200000031
其中,σm表示高斯隶属函数的宽度;
在第3层,源于区间二型模糊神经网络规则的上、下触发强度是用乘积运算获得的;
Figure FDA0003702746200000032
其中,
Figure FDA0003702746200000033
p j表示上、下触发强度;
在第4层,基于Nie-Tan直接去模糊方法,推导出矢量形式的区间二型模糊神经网络的去模糊输出:
Figure FDA0003702746200000034
其中,w表示权重向量,
Figure FDA0003702746200000035
定义为:
Figure FDA0003702746200000036
其中,r表示权重向量个数;
调用式(10),
Figure FDA0003702746200000037
实现对任意未知但有界函数fN的精确跟踪,满足:
Figure FDA0003702746200000038
其中,
Figure FDA0003702746200000039
ε(X)表示正逼近误差,Ωw和ΩX分别表示w和X的适当边界的紧集;
引入理想参数w*
Figure FDA00037027462000000310
针对权值向量w,有
Figure FDA00037027462000000311
为了便于后续设计,定义
Figure FDA00037027462000000312
Figure FDA00037027462000000313
为了减少区间二型模糊神经网络的权值,加快运算速度,导出了一个简单的数学变换:
Figure FDA00037027462000000314
其中,ζi=||wi||2,bi为正常数;得到
Figure FDA00037027462000000315
表示ζi的估计值;
步骤S2的控制器设计中:1)定义跟踪误差变量:
zi=ei,zi+1=ei+1i+1,i=1,3 (15)
其中,αi+1表示虚拟控制;
为了保证瞬态性能,给出了规定的约束条件:
Figure FDA0003702746200000041
其中,ψp(t)表示性能函数,设计参数H和
Figure FDA0003702746200000042
属于(0,1];zi的最大过冲和下冲取决于Hψp(0)、ψp(0)和
Figure FDA0003702746200000043
然后,写入转换后的跟踪误差:
Figure FDA0003702746200000044
在上述公式中,如果zi(t)≥0则ζp=0.9,如果zi(t)<0则ζp=0.1;如果zi(0)≥0,那么
Figure FDA0003702746200000045
η=-Hψp(t),如果zi(0)<0,那么
Figure FDA0003702746200000046
η=-ψp(t);
2)定义性能函数为:
Figure FDA0003702746200000047
其中,δp
Figure FDA0003702746200000048
Figure FDA0003702746200000049
表示正常数;该函数是一个光滑的严格递减函数,即
Figure FDA00037027462000000410
步骤S2中,以反演递推的形式设计自适应神经网络最优定时同步控制器,具体包括以下步骤:
第一步:为保证变换后的跟踪误差符合约束条件,选择第一个对称障碍李亚普诺夫函数:
Figure FDA00037027462000000411
对V1求导得:
Figure FDA00037027462000000412
其中,
Figure FDA00037027462000000413
相应地选择虚拟控制为:
Figure FDA00037027462000000414
其中,k1>0;将(20)式代入(19)式得:
Figure FDA00037027462000000415
第二步:考虑第二个称障碍李亚普诺夫函数:
Figure FDA00037027462000000416
其中,ν2>0;
计算V2的分数阶导数,得:
Figure FDA0003702746200000051
其中,
Figure FDA0003702746200000052
为了进行控制器设计,使用一个区间二型模糊神经网络在一个紧凑集合上近似逼近,即:
Figure FDA0003702746200000053
其中,(·)为(e1,e2,e3,e4)的缩写;
根据双曲正切函数的整数阶跟踪微分器,构建了一个分数阶双曲切线跟踪微分器来近似
Figure FDA0003702746200000054
即:
Figure FDA0003702746200000055
其中,
Figure FDA0003702746200000056
表示双曲切线跟踪微分器的输出,
Figure FDA0003702746200000057
表示双曲切线跟踪微分器的输入,参数ρi、σi和σi+1用来调整跟踪速度和跟踪效果;
根据(24)和(25)可得:
Figure FDA0003702746200000058
其中,b2>0;然后,推导出具有自适应律的控制输入
Figure FDA0003702746200000059
Figure FDA00037027462000000510
其中,k2、k22、m1和m2表示正的常数,uc2表示补偿近似误差的最优控制输入;
根据公式(6)的定义,性能成本函数被设计为:
Figure FDA00037027462000000511
其中,
Figure FDA00037027462000000512
和φi表示设计参数;区间二型模糊神经网络中存在近似误差,为了补偿它,条件
Figure FDA00037027462000000513
成立;
借助Riccati代数方程:
Figure FDA00037027462000000514
最优控制输入推导为:
Figure FDA0003702746200000061
根据式(27)和(28),式(26)被写为:
Figure FDA0003702746200000062
第三步:定义第三个对称障碍李亚普诺夫函数
Figure FDA0003702746200000063
通过重复上述计算,虚拟控制写为:
Figure FDA0003702746200000064
其中,k3表示一个正常数;
根据(31)和(32)得到V3的导数:
Figure FDA0003702746200000065
第四步:考虑第四个对称障碍李亚普诺夫函数
Figure FDA0003702746200000066
其中,v4>0;
借鉴第二步的思想,控制输入和自适应律写为:
Figure FDA0003702746200000067
Figure FDA0003702746200000068
其中k4、k42、m3和m4表示正常数;Z4和uc4表示分数阶双曲切线跟踪微分器的输出和最优控制输入;
满足Riccati代数方程的最优控制输入写为:
Figure FDA0003702746200000069
根据式(35)和(36),式(34)的导数写为:
Figure FDA00037027462000000610
Figure FDA0003702746200000071
通过引用杨氏不等式,得到:
Figure FDA0003702746200000072
Figure FDA0003702746200000073
将式(40)代入式(39)得:
Figure FDA0003702746200000074
其中,
Figure FDA0003702746200000075
ka=min{ki-ksi 5mi/2},kb=min{k2i 1}。
CN202110178248.7A 2021-02-09 2021-02-09 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法 Expired - Fee Related CN112965383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110178248.7A CN112965383B (zh) 2021-02-09 2021-02-09 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110178248.7A CN112965383B (zh) 2021-02-09 2021-02-09 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法

Publications (2)

Publication Number Publication Date
CN112965383A CN112965383A (zh) 2021-06-15
CN112965383B true CN112965383B (zh) 2022-08-09

Family

ID=76284532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110178248.7A Expired - Fee Related CN112965383B (zh) 2021-02-09 2021-02-09 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法

Country Status (1)

Country Link
CN (1) CN112965383B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113655713B (zh) * 2021-06-17 2023-08-29 中国人民解放军海军工程大学 一种振动主动控制系统抗冲击优化方法
CN113824361B (zh) * 2021-10-26 2024-05-14 贵州大学 分数阶永磁同步发电机的模糊有限时间最优同步控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613826A (zh) * 2018-12-17 2019-04-12 重庆航天职业技术学院 一种分数阶拱形mems谐振器的反振荡自适应控制方法
CN110048795A (zh) * 2019-03-26 2019-07-23 中国科学院地质与地球物理研究所 一种地震仪采集数据时钟的方法及装置
CN110262253A (zh) * 2019-07-12 2019-09-20 淮阴工学院 分数阶混沌机电换能器系统的自适应backstepping最优控制方法
CN110501906A (zh) * 2019-08-30 2019-11-26 贵州大学 互耦分数阶混沌机电换能器加速自适应模糊控制方法
CN111077776A (zh) * 2019-12-16 2020-04-28 重庆航天职业技术学院 耦合分数阶混沌机电装置的最优同步控制方法
CN111290015A (zh) * 2020-03-09 2020-06-16 贵州大学 具有约束的分数阶自持式机电地震仪系统加速稳定控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106855612B (zh) * 2017-02-21 2019-09-24 山东大学 计及非线性容量特性的分数阶KiBaM电池模型及参数辨识方法
CN107479377B (zh) * 2017-08-03 2020-06-12 淮阴工学院 分数阶弧形微机电系统的自适应同步控制方法
US11742666B2 (en) * 2019-01-24 2023-08-29 King Fahd University Of Petroleum And Minerals Method for synchronizing an active load with a microgrid using a proportional integral controller
CN109991852B (zh) * 2019-04-19 2022-02-22 贵州大学 具有磁滞特性的分数阶静电驱动微机电系统控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613826A (zh) * 2018-12-17 2019-04-12 重庆航天职业技术学院 一种分数阶拱形mems谐振器的反振荡自适应控制方法
NL2024372A (en) * 2018-12-17 2020-08-13 Chongqing Aerospace Polytechnic Anti-oscillation adaptive control method for fractional order arched mems resonator
CN110048795A (zh) * 2019-03-26 2019-07-23 中国科学院地质与地球物理研究所 一种地震仪采集数据时钟的方法及装置
CN110262253A (zh) * 2019-07-12 2019-09-20 淮阴工学院 分数阶混沌机电换能器系统的自适应backstepping最优控制方法
CN110501906A (zh) * 2019-08-30 2019-11-26 贵州大学 互耦分数阶混沌机电换能器加速自适应模糊控制方法
CN111077776A (zh) * 2019-12-16 2020-04-28 重庆航天职业技术学院 耦合分数阶混沌机电装置的最优同步控制方法
CN111290015A (zh) * 2020-03-09 2020-06-16 贵州大学 具有约束的分数阶自持式机电地震仪系统加速稳定控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Global Stabilization of Fractional-Order Memristor-Based Neural Networks With Time Delay;Jia Jia,等;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20200331;第31卷(第3期);全文 *
基于反馈控制的分数阶时滞神经网络的同步;张云雷,等;《重庆工商大学学报( 自然科学版)》;20141231;第31卷(第12期);全文 *

Also Published As

Publication number Publication date
CN112965383A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN110262253B (zh) 分数阶混沌机电换能器系统的自适应backstepping最优控制方法
CN112965383B (zh) 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法
CN107592048B (zh) 分数阶无刷直流电机系统的自适应混沌控制方法
CN110347044B (zh) 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法
Yoo et al. Adaptive dynamic surface control of flexible-joint robots using self-recurrent wavelet neural networks
CN111290015B (zh) 具有约束的分数阶自持式机电地震仪系统加速稳定控制方法
CN110501906B (zh) 互耦分数阶混沌机电换能器加速自适应模糊控制方法
CN109245645B (zh) 一种永磁同步电机混沌系统自适应动态面控制方法
Mohamadwasel et al. Improve DC motor system using fuzzy logic control by particle swarm optimization in use scale factors
Du et al. Modeling and compensation of low-velocity friction with bounds
CN104199295A (zh) 基于神经网络的机电伺服系统摩擦补偿和变结构控制方法
CN111752262B (zh) 一种执行器故障观测器与容错控制器集成设计方法
CN112077839B (zh) 一种机械臂的运动控制方法及装置
CN109848990B (zh) 基于pso的膝关节外骨骼增益可变无模型角度控制方法
Gujjula et al. Adaptive and neural control of a wing section using leading-and trailing-edge surfaces
Boutalis et al. Indirect adaptive control of nonlinear systems based on bilinear neuro-fuzzy approximation
CN106227964A (zh) 基于扩张状态观测器的迟滞非线性系统参数辨识方法
CN104678763A (zh) 基于最小二乘支持向量机的机电伺服系统摩擦补偿和动态面控制方法
Akgün et al. System identification using LMS, RLS, EKF and neural network
Bartolini et al. Adaptive reduction of the control effort in chattering-free sliding-mode control of uncertain nonlinear systems
CN110361967A (zh) 滑模观测器的构建方法
CN116079741B (zh) 一种电机驱动单连杆机械臂的自适应控制方法
Kaleemullah et al. Comparative analysis of LQR and robust controller for active suspension
CN108983618A (zh) 基于凸多胞形的pmsm鲁棒h∞输出反馈控制设计方法
Hong et al. Hybrid algorithm for structural health monitoring of high-rate systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220809