CN114371618A - 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器 - Google Patents

基于神经网络的扩张状态观测器补偿方法及自抗扰控制器 Download PDF

Info

Publication number
CN114371618A
CN114371618A CN202111533252.7A CN202111533252A CN114371618A CN 114371618 A CN114371618 A CN 114371618A CN 202111533252 A CN202111533252 A CN 202111533252A CN 114371618 A CN114371618 A CN 114371618A
Authority
CN
China
Prior art keywords
extended state
state observer
neural network
disturbance
compensation method
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.)
Granted
Application number
CN202111533252.7A
Other languages
English (en)
Other versions
CN114371618B (zh
Inventor
甄岩
郝明瑞
魏东辉
张航
陈才
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.)
Beijing Electromechanical Engineering Research Institute
Original Assignee
Beijing Electromechanical Engineering Research Institute
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 Beijing Electromechanical Engineering Research Institute filed Critical Beijing Electromechanical Engineering Research Institute
Priority to CN202111533252.7A priority Critical patent/CN114371618B/zh
Publication of CN114371618A publication Critical patent/CN114371618A/zh
Application granted granted Critical
Publication of CN114371618B publication Critical patent/CN114371618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive 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
    • G05B13/042—Adaptive 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于神经网络的扩张状态观测器补偿方法，该方法包括：利用扩张状态观测器对非线性系统扰动进行观测，将当前时刻的系统状态值和系统扰动值组成一个样本数据存入经验池；利用神经网络通过监督学习拟合系统状态值与系统扰动值之间的映射关系；将神经网络拟合结果添加到扩张状态观测器中，使扩张状态观测器仅观测神经网络预测的扰动值和实际扰动值之间的预测误差。本发明还公开了一种自抗扰控制器。本发明降低了传统扩张状态观测器的扰动观测范围，加快了扩张状态观测器的计算收敛速度，提高了自抗扰控制器在快时变非线性系统中的控制精度。

Description

基于神经网络的扩张状态观测器补偿方法及自抗扰控制器
技术领域
本发明属于非线性系统智能控制技术领域，具体涉及一种基于神经网络补偿的扩张状态观测器补偿方法，用于当被控对象存在严重非线性特性条件下的扰动观测，从而提高自抗扰控制器的抗干扰能力。
背景技术
自抗扰控制方法综合了经典调节理论和现代控制理论的优点，是一种观测加补偿的方法，即通过扩张状态观测器同时观测系统模型的不确定性和外界扰动，并将观测的结果补偿到原非线性系统中，在自抗扰控制中将系统模型的不确定性和外界扰动统称为扰动。这种观测加补偿的方法将原非线性系统转化为线性系统，再应用非线性状态误差反馈控制律实现对非线性系统的稳定控制。
然而，在将自抗扰控制方法应用于具有大扰动特性的非线性系统中时，由于系统扰动在较大范围内变化，传统扩张状态观测器需要一定的计算时间达到计算收敛，从而有时延的跟踪系统扰动，这种时延特性随着系统扰动增大而增大。自抗扰控制技术的本质是通过实时观测系统扰动，并在非线性系统中动态补偿扰动，从而实现对非线性系统的线性化，因此观测时延造成扰动补偿后的系统中仍存在较大非线性，从而造成自抗扰控制器控制效果变差。
发明内容
为解决上述条件下非线性系统的精确控制问题，本发明提出了一种基于神经网络的扩张状态观测器补偿方法，以及具有该扩张状态观测器的自抗扰控制器。
根据本发明的第1方面，公开了一种基于神经网络的扩张状态观测器补偿方法，包括：
获取非线性系统的过渡过程状态；
利用状态观测器观测非线性系统扰动，生成神经网络训练样本库；
利用样本数据训练神经网络；
利用训练好的神经网络补偿扩张状态观测器；
其中，在获取非线性系统的过渡过程状态时，针对N阶非线性系统
Figure BDA0003412194280000021
控制指令信号为u＝Usin(ωt)，U为指令信号最大值，ω为指令信号的角速率。
在另外的一些示例中，利用如下状态观测器观测非线性系统扰动：
Figure BDA0003412194280000022
其中，在得到
Figure BDA0003412194280000023
后，利用多步积分计算zn+1。
在另外的一些示例中，所述神经网络结构采用多层前馈神经网络，训练时，神经网络的输入是x1,…,xn组成的特征向量X，维度为n，输出是对系统扰动zn+1的预测
Figure BDA0003412194280000024
维度为1。
在另外的一些示例中，利用训练好的神经网络补偿得到的扩张状态观测器为：
Figure BDA0003412194280000031
F为神经网络预测结果。
在另外的一些示例中，训练采用监督学习的方式进行参数更新，监督学习的损失函数为：
Figure BDA0003412194280000032
根据本发明的第2方面，公开了另外一种基于神经网络的扩张状态观测器补偿方法，包括：利用扩张状态观测器对非线性系统扰动进行观测，将当前时刻的系统状态值和系统扰动值组成一个样本数据存入经验池；利用神经网络通过监督学习拟合系统状态值与系统扰动值之间的映射关系；将神经网络拟合结果添加到扩张状态观测器中，使扩张状态观测器仅观测神经网络预测的扰动值和实际扰动值之间的预测误差。
在另外的一些示例中，还包括利用控制指令激发系统特征状态，所述控制指令为u＝Usin(ωt)，U为指令信号最大值，ω为指令信号的角速率。
一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现上述方案任一项所述的扩张状态观测器补偿方法。
根据本发明的第3方面，公开了一种非暂态可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现根据上述方案任一项所述的扩张状态观测器补偿方法。
根据本发明的第4方面，公开了一种自抗扰控制器，包括跟踪微分器、非线性反馈控制模块、扩张状态观测器，其特征在于，还包括神经网络模块，该神经网络模块用于通过根据上述方案任一项所述的扩张状态观测器补偿方法对所述扩张状态观测器进行补偿。
与现有技术相比，本发明降低了传统扩张状态观测器的扰动观测范围，加快了扩张状态观测器的计算收敛速度，提高了自抗扰控制器在快时变非线性系统中的控制精度，从而扩大了自抗扰控制器的应用范围。
同时，本发明的方法自动简单、鲁棒性强，可满足在非线性系统存在大扰动条件下对扰动快速观测的应用需求。
附图说明
图1为根据本发明实施例的基于神经网络补偿的扩张状态观测器设计方法工作流程示意图；
图2为传统扩张状态观测器在自抗扰控制系统中的应用示例；
图3为多层前馈神经网络结构示例；
图4为根据本发明实施例的基于神经网络补偿的扩张状态观测器在自抗扰控制系统中的应用示例；
图5为非线性系统扰动的观测结果。
具体实施方式
以下，基于附图及实施例，对本发明进行详细地描述，但本发明并不限定于这些实施例。
根据本发明的一种实施方式，公开了一种基于神经网络的扩张状态观测器补偿方法，具体包括如下步骤：
S101、获取非线性系统的过渡过程状态；
考虑到未知外界扰动作用的N阶非线性不确定系统为：
Figure BDA0003412194280000051
其中，
Figure BDA0003412194280000052
可观测，
Figure BDA0003412194280000053
代表模型不确定部分，w(t)代表外界扰动，u为控制指令。
利用神经网络拟合
Figure BDA0003412194280000054
可以看出系统扰动是在系统状态空间连续变化的函数。对于一个实际物理系统，其状态空间有限，系统稳态时包含的系统信息较少，过渡过程中所含信息量大，因而本发明设计了一种指令策略，在数据采集阶段，获取尽可能多的过渡过程数据，并使训练数据尽可能覆盖系统状态空间。
本发明中，设计指令信号为：
u＝Usin(ωt) (2)
其中，U为指令信号最大值，ω为指令的角速率。
U和ω在每轮迭代开始时从各自的分布范围中随机取值，即：
Figure BDA0003412194280000055
通过变换指令信号的幅值和角速率，可以获取系统不同时刻状态值，对系统状态空间的覆盖性是保证基于神经网络补偿的扩张状态观测器有效的前提，因而该指令信号的设计是该方法有效的基础。
S102、利用状态观测器观测非线性系统扰动，生成神经网络训练样本库；
扩张状态观测器是自抗扰控制器的核心，通过双通道补偿的方式将存在不确定和扰动的非线性系统近似线性化，传统扩张状态观测器在自抗扰控制中的应用如图2所示。
针对公式(1)表示的N阶非线性系统，令
Figure BDA0003412194280000061
则系统(1)可表示为：
Figure BDA0003412194280000062
其中，ζ(t)是未知函数。
扩张状态观测器构造了如下的非线性系统：
Figure BDA0003412194280000063
其中，g1(e1),…gn+1(e1)是构造的非线性连续函数，根据式(5)和式(6)，有：
Figure BDA0003412194280000064
其中，ei(t)＝zi(t)-xi(t)(i＝1,…,n+1)。
在有限范围内变化的ζ(t)，在保证构造的非线性连续函数g1(e1),…gn+1(e1)满足
Figure BDA0003412194280000065
系统(7)将在原点处稳定，则系统(6)可以跟踪系统(5)，即
z1(t)→x1(t),…,zn(t)→xn(t),zn+1(t)→xn+1(t) (9)
利用扩张状态观测器实现对系统(5)的各阶状态和系统扰动进行观测，由于系统存在较大扰动，上述扩张状态观测器会存在一定时延。
为解决时延问题，本发明采用多步积分的方法，即在得到
Figure BDA0003412194280000071
后，计算zn+1时：
Figure BDA0003412194280000072
其中，Step为积分步数，StepTime为积分步长。
将x1,…,xn组成特征向量，用X表示；zn+1作为标签，用Y表示，将当前时刻的(X,Y)作为一个样本存入经验池。
本发明使用多步积分的方法可以一定程度上降低时延造成的观测误差，使得标签值zn+1更贴近真实值，从而进一步减弱了扩张状态观测器时延造成的影响。
同时，通过设计的指令信号可实现对系统有限状态空间的覆盖，通过传统的状态观测器可实现对每个状态系统扰动的观测，通过将样本存入经验池的方式构建出神经网络训练样本库。
S103、利用样本数据训练神经网络；
经过步骤S102，经验池中存储了大量样本数据(X,Y)，在对神经网络进行训练时，采用批训练的方式，即每次从经验池中随机抽取N条样本数据进行训练。
示例性地，神经网络结构采用多层前馈神经网络，其结构如图3所示。训练时，神经网络的输入是x1,…,xn组成的特征向量X，维度为n，输出是对系统扰动zn+1的预测
Figure BDA0003412194280000073
维度为1。训练采用监督学习的方式进行参数更新，监督学习的损失函数为：
Figure BDA0003412194280000074
训练好的多层前向神经网络在系统状态与系统扰动之间建立了映射关系。
S104、利用训练好的神经网络补偿扩张状态观测器；
如图4所示，将训练好的多层前向神经网络加入系统中即可实现具有神经网络补偿的扩张状态观测器。其中，加入神经网络补偿后，得到的神经网络扩张状态观测器方程为：
Figure BDA0003412194280000081
其中，F为神经网络预测结果。
加入神经网络补偿后，图4中的扩张状态观测器观测的是
Figure BDA0003412194280000082
由于
Figure BDA0003412194280000083
的范围远小于
Figure BDA0003412194280000084
这就相当于非线性系统的变化范围很小，使得扩张状态观测器的精度得到提高，从而提高了自抗扰控制系统的性能。
本发明中，神经网络扩张状态观测器中的神经网络建立的是系统状态和扰动之间的映射关系，训练数据需要尽可能的覆盖系统所有状态，因而本发明首先设计了一种控制指令，用于激发系统特征状态。然后利用传统扩张状态观测器对系统扰动进行观测，并将每一时刻的系统状态和系统扰动存入经验池。再利用神经网络强大的拟合能力通过监督学习的方式建立系统状态和系统扰动的映射关系；最后，将神经网络拟合结果添加到扩张状态观测器中，这样扩张状态观测器观测的就是神经网络未拟合出来的扰动部分，从而大大降低了扩张状态观测器需要观测的外界扰动范围，加快了观测收敛速度。
以下通过一个具体实例对本发明公开的上述方法进一步描述。
针对存在不确定性和外界扰动的飞行器俯仰通道，根据实际物理特性分析，该系统为二阶非线性系统。基于神经网络补偿的扩张状态观测器以系统状态俯仰角、俯仰角速度作为输入，输出为对扰动的观测结果。该系统方程为：
Figure BDA0003412194280000091
其中，x为俯仰角，
Figure BDA0003412194280000095
为俯仰角速度。
根据图1所示流程，首先设计指令信号u＝Usin(ωt)：
U～(-5,5)
ω～(0,5)
设计三阶扩张状态观测器：
Figure BDA0003412194280000092
将x和
Figure BDA0003412194280000093
组成特性向量X，
Figure BDA0003412194280000094
作为标签Y，将(X,Y)作为一个样本存入经验池中。
从经验池中每次随机取出一定样本对神经网络进行训练。
最后利用训练好的神经网络补偿扩张状态观测器。
系统扰动的观测结果如图5所示，图中带◆的曲线代表神经网络对系统扰动的预测结果，与系统扰动曲线的基本重叠，带▲的曲线代表神经网络未预测的部分，即需要扩张状态观测器观测的部分。从图中可见，加入神经网络补偿后，扩张状态观测器需要观测的范围大大减小。
根据本发明的另一方面，公开了一种自抗扰控制器，用于自动跟踪系统中的随机扰动，并对控制输出进行自动补偿。如图4所示，该自抗扰控制器包括跟踪微分器、非线性反馈控制模块、神经网络模块以及扩张状态观测器，其中，所述神经网络模块用于通过上述方法对扩张状态观测器补偿。
此外，本发明还公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现所述的扩张状态观测器补偿方法。
此外，本发明还公开一种非暂态可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述的扩张状态观测器补偿方法。
应理解，本发明实施例中提及的处理器可以通过硬件实现也可以通过软件实现。当通过硬件实现时，该处理器可以是逻辑电路、集成电路等。当通过软件实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现。
示例性地，处理器可以是中央处理单元(central processing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processing or，D SP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(fieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应理解，本发明实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
以上各实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于神经网络的扩张状态观测器补偿方法，其特征在于，包括：
获取非线性系统的过渡过程状态；
利用状态观测器观测非线性系统扰动，生成神经网络训练样本库；
利用样本数据训练神经网络；
利用训练好的神经网络补偿扩张状态观测器；
其中，在获取非线性系统的过渡过程状态时，针对N阶非线性系统
Figure FDA0003412194270000015
控制指令信号为u＝Usin(ωt)，U为指令信号最大值，ω为指令信号的角速率。
2.根据权利要求1所述的扩张状态观测器补偿方法，其特征在于，利用如下状态观测器观测非线性系统扰动：
Figure FDA0003412194270000011
其中，在得到
Figure FDA0003412194270000012
后，利用多步积分计算zn+1。
3.根据权利要求2所述的扩张状态观测器补偿方法，其特征在于，所述神经网络结构采用多层前馈神经网络，训练时，神经网络的输入是x1,…,xn组成的特征向量X，维度为n，输出是对系统扰动zn+1的预测
Figure FDA0003412194270000013
维度为1。
4.根据权利要求3所述的扩张状态观测器补偿方法，其特征在于，利用训练好的神经网络补偿得到的扩张状态观测器为：
Figure FDA0003412194270000014
F为神经网络预测结果。
5.根据权利要求3所述的扩张状态观测器补偿方法，其特征在于，训练采用监督学习的方式进行参数更新，监督学习的损失函数为：
Figure FDA0003412194270000021
6.一种基于神经网络的扩张状态观测器补偿方法，其特征在于，包括：利用扩张状态观测器对非线性系统扰动进行观测，将当前时刻的系统状态值和系统扰动值组成一个样本数据存入经验池；利用神经网络通过监督学习拟合系统状态值与系统扰动值之间的映射关系；将神经网络拟合结果添加到扩张状态观测器中，使扩张状态观测器仅观测神经网络预测的扰动值和实际扰动值之间的预测误差。
7.根据权利要求6所述的扩张状态观测器补偿方法，其特征在于，还包括利用控制指令激发系统特征状态，所述控制指令为u＝Usin(ωt)，U为指令信号最大值，ω为指令信号的角速率。
8.一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现根据权利要求1-7任一项所述的扩张状态观测器补偿方法。
9.一种非暂态可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现根据权利要求1-7任一项所述的扩张状态观测器补偿方法。
10.一种自抗扰控制器，包括跟踪微分器、非线性反馈控制模块、扩张状态观测器，其特征在于，还包括神经网络模块，该神经网络模块用于通过根据权利要求1-7任一项所述的扩张状态观测器补偿方法对所述扩张状态观测器进行补偿。
CN202111533252.7A 2021-12-15 2021-12-15 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器 Active CN114371618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111533252.7A CN114371618B (zh) 2021-12-15 2021-12-15 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111533252.7A CN114371618B (zh) 2021-12-15 2021-12-15 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器

Publications (2)

Publication Number Publication Date
CN114371618A true CN114371618A (zh) 2022-04-19
CN114371618B CN114371618B (zh) 2023-11-03

Family

ID=81140237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111533252.7A Active CN114371618B (zh) 2021-12-15 2021-12-15 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器

Country Status (1)

Country Link
CN (1) CN114371618B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115133816A (zh) * 2022-08-08 2022-09-30 西南交通大学 一种网络攻击下无刷直流电机的自抗扰控制方法
CN115416027A (zh) * 2022-09-30 2022-12-02 北京理工大学 一种基于机器学习前馈模型的自抗扰力矩控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007231655A1 (en) * 2003-04-07 2007-11-15 Silverbrook Research Pty Ltd Laser scanner using acousto-optic deflectors
US20160033944A1 (en) * 2014-07-29 2016-02-04 Linestream Technologies Optimized parameterization of active disturbance rejection control
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
GB201910669D0 (en) * 2018-07-25 2019-09-11 Univ Northwestern Polytechnical Method for controlling relative attitude of spacecrafts having multi-source disturbances and actuator saturation
CN110764418A (zh) * 2019-11-13 2020-02-07 天津津航计算技术研究所 基于有限时间收敛扩张状态观测器的自抗扰控制器
CN111585267A (zh) * 2020-06-11 2020-08-25 湘潭大学 一种基于单相光伏储能一体机的新型adrc分层协调控制方法
CN111913175A (zh) * 2020-07-02 2020-11-10 哈尔滨工程大学 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN112257663A (zh) * 2020-11-12 2021-01-22 北京机电工程研究所 一种基于贝叶斯网络的设计意图识别方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007231655A1 (en) * 2003-04-07 2007-11-15 Silverbrook Research Pty Ltd Laser scanner using acousto-optic deflectors
US20160033944A1 (en) * 2014-07-29 2016-02-04 Linestream Technologies Optimized parameterization of active disturbance rejection control
EP3175306A1 (en) * 2014-07-29 2017-06-07 Linestream Technologies Optimized parameterization of active disturbance rejection control
GB201910669D0 (en) * 2018-07-25 2019-09-11 Univ Northwestern Polytechnical Method for controlling relative attitude of spacecrafts having multi-source disturbances and actuator saturation
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
CN110764418A (zh) * 2019-11-13 2020-02-07 天津津航计算技术研究所 基于有限时间收敛扩张状态观测器的自抗扰控制器
CN111585267A (zh) * 2020-06-11 2020-08-25 湘潭大学 一种基于单相光伏储能一体机的新型adrc分层协调控制方法
CN111913175A (zh) * 2020-07-02 2020-11-10 哈尔滨工程大学 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN112257663A (zh) * 2020-11-12 2021-01-22 北京机电工程研究所 一种基于贝叶斯网络的设计意图识别方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LUNHAOJIE LIU 等: "Active Disturbance Rejection Control based on RBF Neural Network for Active Power Filter", 《PROCEEDINGS OF THE 40TH CHINESE CONTROL CONFERENCE》, pages 268 - 273 *
ZHOU YUNHONG 等: "DC Voltage Control Strategy Based on Active Disturbance Rejection Control for Active Power Filter", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》, pages 7436 - 7441 *
张 航 等: "基于扩张状态观测器的直流变压器模型预测控制策略", 《电力自动化设备》, vol. 41, no. 7, pages 104 - 110 *
赵顺利: "RBF神经网络优化自抗扰在船舶航迹控制中的应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 1, pages 036 - 101 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115133816A (zh) * 2022-08-08 2022-09-30 西南交通大学 一种网络攻击下无刷直流电机的自抗扰控制方法
CN115133816B (zh) * 2022-08-08 2023-04-07 西南交通大学 一种网络攻击下无刷直流电机的自抗扰控制方法
CN115416027A (zh) * 2022-09-30 2022-12-02 北京理工大学 一种基于机器学习前馈模型的自抗扰力矩控制方法
CN115416027B (zh) * 2022-09-30 2024-10-11 北京理工大学 一种基于机器学习前馈模型的自抗扰力矩控制方法

Also Published As

Publication number Publication date
CN114371618B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Ge et al. Adaptive neural network control for a class of MIMO nonlinear systems with disturbances in discrete-time
Liu et al. Adaptive fuzzy output tracking control for a class of uncertain nonlinear systems
CN114371618A (zh) 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器
CN104991444B (zh) 基于跟踪微分器的非线性pid自适应控制方法
Khettab et al. Enhanced fractional order indirect fuzzy adaptive synchronization of uncertain fractional chaotic systems based on the variable structure control: robust H∞ design approach
CN112859605B (zh) 一种兼具控制量防抖及干扰抑制性能的切换系统控制方法
CN111399376B (zh) 一种t-s模糊系统的二维重复控制器设计优化方法
Li et al. Model‐free incremental adaptive dynamic programming based approximate robust optimal regulation
Chen et al. Novel adaptive neural networks control with event-triggered for uncertain nonlinear system
CN109828586B (zh) 基于非线性不确定性的无人船舶鲁棒h∞航向控制方法
Wang et al. Fractional‐order DOB‐sliding mode control for a class of noncommensurate fractional‐order systems with mismatched disturbances
Xu et al. Observer-based robust fuzzy control of nonlinear networked systems with actuator saturation
Beirigo et al. Online TD (A) for discrete-time Markov jump linear systems
CN108614431B (zh) 一种基于夹角的Hammerstein-Wiener系统多模型分解及控制方法
Stellet Influence of adaptation gain and reference model parameters on system performance for model reference adaptive control
Faroni et al. Fast MPC with staircase parametrization of the inputs: Continuous input blocking
CN106094524A (zh) 基于输入趋势补偿的快速模型预测控制方法
CN109634118A (zh) 一种机械臂的鲁棒自适应神经切换控制方法
Cui et al. Event‐triggered neural experience replay learning for nonzero‐sum tracking games of unknown continuous‐time nonlinear systems
Wu et al. A novel predictive control scheme with an enhanced Smith predictor for networked control system
CN108803315B (zh) 一种化工间歇过程的智能跟踪控制方法
Inanc et al. Long short-term memory for improved transients in neural network adaptive control
KR19980082593A (ko) 반복학습 제어 방법 및 그 장치
Vrabie et al. Policy iteration for continuous-time systems with unknown internal dynamics
Kanellopoulos et al. Predictive learning via lookahead simulation

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