CN114460844B - 一种自适应神经网络边界减振控制方法 - Google Patents
一种自适应神经网络边界减振控制方法 Download PDFInfo
- Publication number
- CN114460844B CN114460844B CN202210029773.7A CN202210029773A CN114460844B CN 114460844 B CN114460844 B CN 114460844B CN 202210029773 A CN202210029773 A CN 202210029773A CN 114460844 B CN114460844 B CN 114460844B
- Authority
- CN
- China
- Prior art keywords
- neural network
- function
- constant
- control
- unknown
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000009467 reduction Effects 0.000 title claims abstract description 11
- 239000000725 suspension Substances 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000013016 damping Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
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
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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
本发明公开了一种自适应神经网络边界减振控制方法,属于行减振控制技术领域,包括以下步骤:设计辅助系统,消除输入受限的影响;采用基于径向基的神经网络技术,弥补系统的不确定性;在辅助系统和基于径向基的神经网络技术的基础上,设计自适应神经网络边界控制器,对直升机柔性吊挂系统实现减振控制的目的。
Description
技术领域
本发明属于飞行减振控制技术领域,具体涉及一种自适应神经网络边界减振控制方法。
背景技术
直升机柔性吊挂系统在各种军用以及民用领域都发挥着重要的作用。然而,当吊挂系统遭遇外部干扰时,过度的振荡可能会导致运输效率的降低以及机械的过早损耗,甚至威胁驾驶员的生命安全。因此,减小振荡问题亟需解决。
直升机吊挂属于低空放行很容易受到外部强干扰的影响,而在这种情况下,针对直升机柔性吊挂系统模型,现有的减振方法不能很好的起到减振的控制效果。在线自适应方法是一种常用的而且行之有效的补偿外部干扰的方法。该控制方法的主要思想是根据系统的实时状态变化来调节系统的动态,从而达到消除外部干扰对系统稳定性的影响。从而,由外部干扰引起的直升机柔性吊挂系统的振荡得到抑制。
由于执行器的物理受限,由控制器传输到控制信号与执行器的输出值往往存在一定的差别。而这种差别有可能会降低直升机柔性吊挂系统的运输效率,甚至达不到抑制振荡的目的,从而对直升机的飞行性能造成影响。因此,在系统的稳定性分析过程中,有必要考虑输入非线性对直升机柔性吊挂系统造成的影响。而设计辅助系统来补偿输入非线性的方法是一种比较有效且简便的方法。本质上,处理输入非线性的影响就是一个补偿实际的执行器输出与设计的控制器输入之间误差值的过程。设计辅助系统是通过构造该误差函数值来补偿输入非线性。
此外,由于测量误差等原因,建立的数学模型与系统实际模型总存在着一定的误差,而这样一个误差,我们称之为系统不确定性。系统不确定性的存在会使我们基于建立的数学模型而设计的控制器对实际系统的控制效果不理想,故有必要对系统不确定性进行研究。而基于径向基的神经网络对未知的函数具有的万能逼近功能。故采用该方法来补偿未知的系统不确定性。另外,对于柔性系统的研究,尽管很多理论文献中已经报道了关于分布式参数控制的很多不错的结果。但是,在现实工程当中往往难以实现。因此,对考虑输入非线性以及外部干扰的不确定直升机柔性吊挂系统的研究有着重要的理论与实际价值。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种自适应神经网络边界减振控制方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种自适应神经网络边界减振控制方法,包括以下步骤:
步骤1:设计辅助系统,消除输入受限的影响;
步骤2:采用基于径向基的神经网络技术,弥补系统的不确定性;
步骤3:在辅助系统和基于径向基的神经网络技术的基础上,设计自适应神经网络边界控制器,对直升机柔性吊挂系统实现减振控制的目的。
优选地,为使叙述简洁,进行了如下定义:
tanh表示双曲正切函数,W(t)>0说明W(t)是正定的;表示一阶连续可微;min{c1,c2,...,cm}表示取c1,c2,…,cm中最小的值,其中m≥2;为了书写方便起见,给出以下的缩写:/>
直升机柔性吊挂系统模型:
边界条件:
μ(0,t)=0 (2)
Mpμtt(R,t)=-Tμa(R,t)+Δf(t)+u(t)+D(t) (3)
其中,Δf(t)表示系统的不确定性;
由于执行器的物理受限,几乎所有实际系统都存在执行器饱和现象,且能够用下面的函数表示:
其中,UM>0,Um<0分别表示u(t)的饱和上、下限;
考虑输入饱和后,方程(3)能够改写为:
Mpμtt(R,t)=-Tμa(R,t)+Δf(t)+U(t)+D(t) (4)
控制目标:在考虑控制输入受限,系统不确定性和外部扰动的情况下,提出一种能有效抑制系统振动的控制策略,为了实现这一目标,给出如下的假设和引理;
引理2:对于一个非线性系统如果有一个函数H(z(t))>0满足H(z(t))的初始值是有界的;ω1(z(t))≤H(z(t))≤ω2(z(t));并且ω1(z(t))和ω2(z(t))是K类函数,其中ι1和ι2都是正常数,那么z(t)是一致有界的。
优选地,自适应神经网络边界控制设计和收敛性分析,首先为了补偿输入受限,设计如下的辅助函数
并且s(t)=μa(R,t)+ut(R,t),k1是一个大于零的常数;
然后,为了逼近未知的系统不确定性Δf(t),采用基于径向基的神经网络的通用逼近功能,从而有
其中,lj>0,k2>0都是常数,j=1,2,…,5。
本发明所带来的有益技术效果:
该边界控制方法针对直升机柔性吊挂系统的减振问题进行了控制器设计;为了消除输入受限的影响,设计了辅助系统;然后,采用基于径向基的神经网络技术来弥补系统的不确定性;在引入的辅助系统和基于径向基的神经网络的基础上,采用直接李雅普诺夫方法,设计了一种自适应神经网络边界控制方案来解决考虑输入受限的不确定直升机柔性吊挂系统的减振控制问题。
附图说明
图1为本发明控制方法流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示,一种自适应神经网络边界减振控制方法,包括以下步骤:
步骤1:设计辅助系统,消除输入受限的影响;
步骤2:采用基于径向基的神经网络技术,弥补系统的不确定性;
步骤3:在辅助系统和基于径向基的神经网络技术的基础上,设计自适应神经网络边界控制器,对直升机柔性吊挂系统实现减振控制的目的。
为使叙述简洁,进行了如下定义:
直升机柔性吊挂系统模型:
边界条件:
μ(0,t)=0 (2)
Mpμtt(R,t)=-Tμa(R,t)+Δf(t)+u(t)+D(t) (3)
其中,Δf(t)表示系统的不确定性;
由于执行器的物理受限,几乎所有实际系统都存在执行器饱和现象,且能够用下面的函数表示:
其中,UM>0,Um<0分别表示u(t)的饱和上、下限;
考虑输入饱和后,方程(3)能够改写为:
Mpμtt(R,t)=-Tμa(R,t)+Δf(t)+U(t)+D(t) (4)
控制目标:在考虑控制输入受限,系统不确定性和外部扰动的情况下,提出一种能有效抑制系统振动的控制策略,为了实现这一目标,给出如下的假设和引理;
引理2:对于一个非线性系统如果有一个函数H(z(t))>0满足H(z(t))的初始值是有界的;ω1(z(t))≤H(z(t))≤ω2(z(t));并且ω1(z(t))和ω2(z(t))是K类函数,其中ι1和ι2都是正常数,那么z(t)是一致有界的。
自适应神经网络边界控制设计和收敛性分析,首先为了补偿输入受限,设计如下的辅助函数
并且s(t)=μa(R,t)+ut(R,t),k1是一个大于零的常数;
然后,为了逼近未知的系统不确定性Δf(t),采用基于径向基的神经网络的通用逼近功能,从而有
其中,lj>0,k2>0都是常数,j=1,2,…,5。
基于提出的自适应神经网络边界控制器,为了分析直升机柔性吊挂系统的稳定性,选取如下的候选李雅普诺夫函数:
K(t)=K1(t)+K2(t)+K3(t)(10)
其中,
首先,需要判断K(t)的正定性;
基于提出的自适应神经网络边界控制律,来分析直升机柔性吊挂系统的闭环稳定性。
考虑到(1),(2),(11),假设1和引理1,可以得到
其中,σ1是一个大于零的常数。
将(9)式带入(16)式,ζ2(+)的导函数可以改写为
结合公式(5)、(7)、(8)、(12)和(17),K2(t)的导数可以表示为
其中,σ2,σ3,以及σ4为大于零的常数。
结合(1),(13)以及引理1,K3(t)的导数可以表示为
其中,σ5为大于零的常数。
根据公式(10)、(15)、(19)以及(20),可以得到如下结论:
其中,
定理1:考虑由(1)(2)和(4)描述的考虑输入受限的不确定直升机柔性吊挂系统。基于(5)式给出的辅助系统,在由(7),(8),(9)给出的自适应神经网络边界控制的作用下,如果函数K(t)的初始值K(0)有界,那么直升机柔性吊挂的振荡幅度μ(a,t)将最终收敛到零的一个小邻域内。
证明:根据(22)式,可以得到
引用(11)式,利用引理1,我们有
从而,
直升机柔性吊挂的振荡幅度μ(a,t)将一致收敛到下面的紧集
当t→+∞,振荡幅度μ(a,t)将一致最终收敛到下面的紧集
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (1)
1.一种自适应神经网络边界减振控制方法,其特征在于:包括以下步骤:
步骤1:设计辅助系统,消除输入受限的影响;
步骤2:采用基于径向基的神经网络技术,弥补系统的不确定性;
步骤3:在辅助系统和基于径向基的神经网络技术的基础上,设计自适应神经网络边界控制器,对直升机柔性吊挂系统实现减振控制的目的;
进行了如下定义:
控制目标:在考虑控制输入受限,系统不确定性和外部扰动的情况下,提出一种能有效抑制系统振动的控制策略,为了实现这一目标,给出如下的假设和引理;
自适应神经网络边界控制器设计和收敛性分析,首先为了补偿输入受限,设计如下的辅助函数
并且s(t)=μa(R,t)+ut(R,t),k1是一个大于零的常数;
然后,为了逼近未知的系统不确定性Δf(t),采用基于径向基的神经网络的通用逼近功能,从而有
其中,lj>0,k2>0都是常数,j=1,2,…,5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029773.7A CN114460844B (zh) | 2022-01-12 | 2022-01-12 | 一种自适应神经网络边界减振控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029773.7A CN114460844B (zh) | 2022-01-12 | 2022-01-12 | 一种自适应神经网络边界减振控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114460844A CN114460844A (zh) | 2022-05-10 |
CN114460844B true CN114460844B (zh) | 2023-06-23 |
Family
ID=81409343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210029773.7A Active CN114460844B (zh) | 2022-01-12 | 2022-01-12 | 一种自适应神经网络边界减振控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114460844B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115167119B (zh) * | 2022-05-13 | 2023-07-07 | 山东科技大学 | 一种直升机柔性吊挂系统的双边边界自适应控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052117A (zh) * | 2017-12-12 | 2018-05-18 | 天津大学 | 基于部分反馈线性化四旋翼无人机吊挂飞行控制方法 |
CN113741502A (zh) * | 2021-09-15 | 2021-12-03 | 重庆大学 | 输出约束下带负载四旋翼无人机的神经网络控制方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102259569B (zh) * | 2011-04-13 | 2013-01-16 | 浙江吉利汽车研究院有限公司 | 基于乘坐舒适性的反馈式振动控制系统 |
JP5861554B2 (ja) * | 2012-04-18 | 2016-02-16 | 日産自動車株式会社 | 車両用制振制御装置 |
CN203366094U (zh) * | 2013-07-03 | 2013-12-25 | 山东科技大学 | 一种基于can总线的单轴伺服运动控制器 |
CN104345640A (zh) * | 2014-10-10 | 2015-02-11 | 南京理工大学 | 一种输入受限时电机伺服系统渐进跟踪控制方法和系统 |
CN105182742A (zh) * | 2015-07-23 | 2015-12-23 | 北京航空航天大学 | 一种弹性体飞行器自适应受限跟踪控制间接法 |
US10734811B2 (en) * | 2017-11-27 | 2020-08-04 | Ihi Inc. | System and method for optimal control of energy storage system |
CN108333939B (zh) * | 2018-02-07 | 2019-12-31 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于神经网络的时标分离飞行器弹性体智能控制方法 |
CN109933102B (zh) * | 2019-02-28 | 2021-09-28 | 广州大学 | 一种针对柔性立管振动控制的方法及装置 |
CN110134011B (zh) * | 2019-04-23 | 2022-01-11 | 浙江工业大学 | 一种倒立摆自适应迭代学习反演控制方法 |
CN112698572B (zh) * | 2020-12-22 | 2022-08-16 | 西安交通大学 | 一种基于强化学习的结构振动控制方法、介质及设备 |
CN112850495B (zh) * | 2021-03-26 | 2021-11-30 | 山东大学 | 考虑状态约束的双摆型回转起重机轨迹规划控制方法及系统 |
-
2022
- 2022-01-12 CN CN202210029773.7A patent/CN114460844B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052117A (zh) * | 2017-12-12 | 2018-05-18 | 天津大学 | 基于部分反馈线性化四旋翼无人机吊挂飞行控制方法 |
CN113741502A (zh) * | 2021-09-15 | 2021-12-03 | 重庆大学 | 输出约束下带负载四旋翼无人机的神经网络控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114460844A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10852748B2 (en) | Methods and apparatus to perform observer-based control of a vehicle | |
CN109541941B (zh) | 一种针对垂直起降运载器主动段飞行的自适应增广抗扰容错方法 | |
Liu et al. | Adaptive predefined performance control for MIMO systems with unknown direction via generalized fuzzy hyperbolic model | |
CN114460844B (zh) | 一种自适应神经网络边界减振控制方法 | |
CN110673472B (zh) | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 | |
CN108170151B (zh) | 一种水下机器人的自适应运动控制装置及其方法 | |
CN109514558B (zh) | 基于奇异摄动的柔性机械臂时标分离鲁棒控制方法 | |
CN109739248B (zh) | 基于adrc的船载三自由度并联稳定平台稳定控制方法 | |
CN110262247B (zh) | 多机器人系统的分布式命令滤波模糊控制方法 | |
CN111198502A (zh) | 基于干扰观测器和模糊系统的无人艇航迹跟踪控制方法 | |
Liu et al. | Adaptive command filtered backstepping tracking control for AUVs considering model uncertainties and input saturation | |
Li et al. | Finite-time adaptive heading tracking control for surface vehicles with full state constraints | |
CN110632940A (zh) | 一种带混合量化器的多无人机主动抗干扰时变轨迹跟踪控制方法 | |
CN112936277B (zh) | 一种水下机器人-机械手系统固定时间轨迹跟踪方法 | |
CN112068446B (zh) | 一种基于离散时间模糊模型的直流电机系统抗干扰控制方法 | |
CN117452827A (zh) | 一种欠驱动无人艇轨迹跟踪控制方法 | |
CN114879504B (zh) | 一种四自由度船用旋转起重机的自适应非线性控制方法 | |
CN107942665B (zh) | 一种针对角速率比例-积分反馈的模块化自抗扰控制方法 | |
CN114296449B (zh) | 基于固定时间h∞控制的水面无人艇轨迹快速跟踪控制方法 | |
CN110687783A (zh) | 一种机载光电稳定平台扰动观测及补偿方法 | |
CN112987758B (zh) | 一种多水面航行器协同跟踪编队控制方法 | |
CN115236974A (zh) | 一种复合抗扰控制器及其控制参数优化方法 | |
CN114003002A (zh) | 一种六自由度液压机械手有限时间跟踪控制方法 | |
Pham et al. | Modified Model-Free Adaptive Control using Compact-Form Dynamic Linearization Technique | |
CN116382084B (zh) | 一种基于自适应动态规划的直升机智能减振方法 |
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 |