CN116715145B - 一种基于桥式起重机的离散滑模学习控制方法及系统 - Google Patents

Abstract

本发明公开了一种桥式起重机的离散滑模学习控制方法及系统，方法包括：根据实际桥式起重机建立动力学方程，通过线性化，将非线性系统转换为连续状态空间的形式；然后通过离散化，将其转化为离散系统模型；利用参数估计方法，用测量到的输入输出数据对系统的控制输入矩阵进行估计，基于输出数据，设计扰动观测器，估计不确定性扰动并补偿到输入通道中；通过状态量误差定义离散滑模面，设计离散滑模学习控制器；本发明提供的控制方法有效地抑制了系统在受到不确定性扰动、未建模动态等不良影响，使系统稳定收敛速度得到了提高，增强了控制系统的鲁棒性，最终能够使负载实现快速到达目标位置与摆动抑制。

Description

一种基于桥式起重机的离散滑模学习控制方法及系统

技术领域

本发明涉及的技术领域是欠驱动起重机系统运动控制领域，尤其涉及一种基于桥式起重机的离散滑模学习控制方法及系统。

背景技术

桥式起重机作为一种典型的欠驱动系统，其拥有结构简单，功耗低，应用场合广泛等诸多优点，在工业上广泛应用，方便货物的运输。现有的控制方法大多数是依赖系统模型设计的，但桥式起重机具有强非线性和复杂性，在实际控制过程，模型不准确可能导致很多问题。另外，当桥式起重机受到理论建模不完全、不确定性外加干扰等，在这些情况下，要实现小车与负载的准确定位，同时快速抑制负载的摆动，成了一个极具挑战性的问题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案，包括：根据桥式起重机实际参数建立拉格朗日动力学方程，从而建立二维起重机非线性模型；

将所述二维起重机非线性模型线性化，并通过离散化将线性化后的模型转化为离散系统模型；

基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动；

利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计；

利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率；

结合所述扰动观测器对系统受到的不确定性扰动进行补偿、所述参数估计方法对系统未知矩阵进行估计、使用所述滑模学习控制率，利用估计到的系统状态相关的学习项在线对控制输入进行修正，得到最终的学习控制方法；

所述基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动包括：扰动观测器的表达式为：；其中/>是/>时刻的状态矩阵，/>是/>时刻的状态矩阵，矩阵/>是矩阵/>的估计, />的单位矩阵，/>是矩阵/>的伪逆矩阵，/>是/>时刻的输出矩阵，矩阵/>是矩阵/>的估计，/>是/>时刻的输出，/>是/>时刻扰动/>的估计，/>是待设计的扰动增益矩阵，并且矩阵/>表示为，矩阵/>表示为/>时刻的系统状态矩阵；所述对系统未知矩阵进行估计包括：存在矩阵/>和矩阵/>满足/>，系统状态矩阵未知，设计新的状态矩阵/>，对新的状态矩阵/>进行状态估计，令/>，状态估计器表示为：；其中/>是/>时刻/>的估计，/>是/>时刻的输出矩阵，/>是/>时刻的辅助矩阵，/>是/>时刻的辅助矩阵，/>是/>时刻的输出，/>是/>时刻扰动/>的估计，/>，其中矩阵/>是矩阵/>的估计，，矩阵/>是系统输出系数矩阵，/>、/>、/>三个都是待设计的对角矩阵；

所述利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率包括：离散滑模面表示为：

；其中，/>是/>时刻的离散滑模面，/>是待设计的控制器参数矩阵，矩阵/>表示为/>时刻的系统状态矩阵；设计的离散滑模学习控制率为：

；其中/>是/>时刻的离散滑模学习控制率，构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项/>，表示为：

；其中/>、/>、/>都是控制参数，/>是/>的估计, />是待设计的控制器参数矩阵；

所述得到最终的学习控制方法包括：最终学习控制方法具体表示为：

；其中/>是/>的估计的转置矩阵，/>是/>时刻扰动/>的估计，将系统受到的扰动补偿在输入通道中，实现定位消摆。

作为本发明所述的基于桥式起重机的离散滑模学习控制方法的一种优选方案，其中： 所述建立二维起重机非线性模型包括：

一个驱动力和两个状态量，其中所述驱动力为作用在小车平移力，所述两个状态量为台车位移和负载的摆角，同时包含了不确定性扰动，表示为：

；其中，/>为负载的质量，/>为台车的质量，/>为重力加速度，/>为吊绳的长度，/>代表小车位置，/>代表小车位置的加速度项，/>为有效载荷摆角，/>为有效载荷摆角的速度项，/>为有效载荷摆角的加速度项，/>是作用在小车上的驱动力，/>代表不确定性扰动。

作为本发明所述的基于桥式起重机的离散滑模学习控制方法的一种优选方案，其中：所述将所述二维起重机非线性模型线性化包括：根据非线性模型，在系统平衡点进行线性化：，/>，/>，然后得出连续状态空间方程如下：

；其中状态向量/>，/>为状态向量的导数，/>代表小车位置的速度，/>是系统输入，/>是未知的扰动，/>是系统的输出，矩阵：

。

作为本发明所述的基于桥式起重机的离散滑模学习控制方法的一种优选方案，其中：所述通过离散化将线性化后的模型转化为离散系统模型包括：选择采样周期为，将连续状态空间模型转化为离散状态空间模型：

；其中/>是系统状态在/>时刻的矩阵,是系统状态在/>时刻的矩阵，/>是/>时刻的输入，/>是/>时刻的扰动矩阵，,/>，/>为/>时刻的输出，/>为系统输出系数矩阵。

作为本发明所述的基于桥式起重机的离散滑模学习控制方法的一种优选方案，其中：所述利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计包括：

；其中/>是/>时刻系统的估计系数组成矩阵，其中矩阵/>是矩阵/>的估计，矩阵/>是矩阵/>的估计，/>是/>时刻系统的估计系数组成矩阵，/>是/>时刻系统测量到的系统输入/>和系统状态输出/>数据组成的矩阵，/>是/>时刻系统测量到的输入输出数据组成的矩阵，/>是/>时刻系统测量到的输入输出数据组成的转置矩阵，/>满足/>，/>满足/>。

第二方面，本发明实施例提供了一种基于桥式起重机的离散滑模学习控制系统，其特征在于，包括：

建模模块，用于根据桥式起重机实际参数建立拉格朗日动力学方程，从而建立二维起重机非线性模型；

离散化模块，用于将所述二维起重机非线性模型线性化，并通过离散化将线性化后的模型转化为离散系统模型；

扰动估计模块，用于基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动；

矩阵估计模块，用于利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计；

学习控制率模块，用于利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率；

控制模块，用于结合所述扰动观测器对系统受到的不确定性扰动进行补偿、所述参数估计方法对系统未知矩阵进行估计、使用所述滑模学习控制率，利用估计到的系统状态相关的学习项在线对控制输入进行修正，得到最终的学习控制方法。

本发明的有益效果：本发明为摆脱对模型的依赖，仅用测量到的输入输出数据对系统的控制输入进行估计，利用扰动观测器估计外部不确定性扰动，并且将估计到的未知扰动反馈补偿到控制力中，从而有效地抑制了外部不确定扰动等的影响。由于学习项的存在，相比于传统离散滑模控制器，抖振现象显著降低，使二维桥式起重机系统稳定收敛速度得到了提高，增强了鲁棒性，最终能够实现快速高效地到达目标位置与负载摆动抑制。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于桥式起重机的离散滑模学习控制方法的流程示意图；

图2为本发明第一个实施例所述的基于桥式起重机的离散滑模学习控制方法的起重机结构原理图；

图3为本发明第二个实施例所述的基于桥式起重机的离散滑模学习控制方法的对照试验中抑制效果示意图；

图4为本发明第二个实施例所述的基于桥式起重机的离散滑模学习控制方法的对照试验中加入干扰观测器和未加入干扰观测器的对比示意图；

图5为第二个实施例所述的基于桥式起重机的离散滑模学习控制方法的对照试验中扰动观测器观测到的数据示意图。

实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例

参照图1-图2，为本发明的第一个实施例，该实施例提供了一种桥式起重机的离散滑模学习控制方法，包括：

S1：根据桥式起重机实际参数建立拉格朗日动力学方程，从而建立二维起重机非线性模型；

具体的，所述建立二维起重机非线性模型包括：

一个驱动力和两个状态量，其中所述驱动力为作用在小车平移力，所述两个状态量为台车位移和负载的摆角，同时包含了不确定性扰动，表示为：；其中，/>为负载的质量，/>为台车的质量，/>为重力加速度，/>为吊绳的长度，/>代表小车位置，/>代表小车位置的加速度项，/>为有效载荷摆角，/>为有效载荷摆角的速度项，/>为有效载荷摆角的加速度项，/>是作用在小车上的驱动力，/>代表不确定性扰动。

S2：将所述二维起重机非线性模型线性化，并通过离散化将线性化后的模型转化为离散系统模型；

具体的，所述将所述二维起重机非线性模型线性化包括：根据非线性模型，在系统平衡点进行线性化：，/>，/>，然后得出连续状态空间方程如下：

；其中状态向量/>，/>为状态向量的导数，/>代表小车位置的速度，/>是系统输入，/>是未知的扰动，/>是系统的输出，矩阵：

。更进一步的，所述通过离散化将线性化后的模型转化为离散系统模型包括：选择采样周期为/>，将连续状态空间模型转化为离散状态空间模型：

；其中/>是系统状态在/>时刻的矩阵,是系统状态在/>时刻的矩阵，/>是/>时刻的输入，/>是/>时刻的扰动矩阵，,/>，/>为/>时刻的输出，/>为系统输出系数矩阵。

S3：基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动；

具体的，所述基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动包括：扰动观测器的表达式为：；其中/>是/>时刻的状态矩阵，/>是/>时刻的状态矩阵，矩阵/>是矩阵/>的估计, />的单位矩阵，/>是矩阵/>的伪逆矩阵，/>是/>时刻的输出矩阵，矩阵/>是矩阵/>的估计，/>是时刻的输出，/>是/>时刻扰动/>的估计，/>是待设计的扰动增益矩阵，并且矩阵/>表示为/>，矩阵/>表示为/>时刻的系统状态矩阵；

S4：利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计；

具体的，所述利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计包括：；其中是/>时刻系统的估计系数组成矩阵，其中矩阵/>是矩阵/>的估计，矩阵/>是矩阵/>的估计，/>是/>时刻系统的估计系数组成矩阵，/>是/>时刻系统测量到的系统输入/>和系统状态输出/>数据组成的矩阵，/>是时刻系统测量到的输入输出数据组成的矩阵，/>是/>时刻系统测量到的输入输出数据组成的转置矩阵，/>满足/>，/>满足/>。

S5：利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率；

具体的，所述利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率包括：离散滑模面表示为：；其中，/>是/>时刻的离散滑模面，/>是待设计的控制器参数矩阵，矩阵表示为/>时刻的系统状态矩阵；设计的离散滑模学习控制率为：

；其中/>是/>时刻的离散滑模学习控制率，构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项/>，表示为：

；其中/>、/>、/>都是控制参数，/>是/>的估计, />是待设计的控制器参数矩阵；

S6：结合所述扰动观测器对系统受到的不确定性扰动进行补偿、所述参数估计方法对系统未知矩阵进行估计、使用所述滑模学习控制率，利用估计到的系统状态相关的学习项在线对控制输入进行修正，得到最终的学习控制方法。具体的，所述对系统未知矩阵进行估计包括：存在矩阵和矩阵/>满足/>，系统状态矩阵未知，设计新的状态矩阵，对新的状态矩阵/>进行状态估计，令/>，状态估计器表示为：；其中/>是/>时刻/>的估计，/>是/>时刻的输出矩阵，/>是/>时刻的辅助矩阵，/>是/>时刻的辅助矩阵，/>是/>时刻的输出，/>是/>时刻扰动/>的估计，/>，其中矩阵/>是矩阵/>的估计，，矩阵/>是系统输出系数矩阵，/>、/>、/>三个都是待设计的对角矩阵；更进一步的，所述得到最终的学习控制方法包括：最终学习控制方法具体表示为：；其中/>是/>的估计的转置矩阵，/>是/>时刻扰动/>的估计，将系统受到的扰动补偿在输入通道中，实现定位消摆。应说明的是，为实现数据驱动控制，摆脱对桥式起重机实际模型的依赖，并且在桥式起重机受到不确定性和外加干扰的条件下，控制器也表现出很强的鲁棒性，因此本实例提出了一种二维桥式起重机的离散滑模学习控制方法，包括：根据实际二维桥式起重机建立动力学方程，通过线性化，将非线性系统转换为连续状态空间的形式；然后通过离散化，将其转化为离散系统模型；利用参数估计方法，用测量到的输入输出数据对系统的控制输入矩阵进行估计，这种方法不需要模型中的任何参数；由于状态量未知，所以基于输出数据，设计了一种扰动观测器，可以很好的估计不确定性扰动，并补偿到输入通道中；通过状态量误差定义离散滑模面，设计离散滑模学习控制器，由于控制输入中不存在不连续项，所以抖振现象显著降低，此外，输入中有学习项的存在，控制器对外加干扰展现出很强的鲁棒性。结合所述参数估计法、所述的基于输出的扰动观测器、离散滑模控制，构建了基于输出的扰动观测的离散滑模学习控制。本发明提供的控制方法有效地抑制了系统在受到不确定性扰动、未建模动态等不良影响，使系统稳定收敛速度得到了提高，增强了控制系统的鲁棒性，最终能够使负载实现快速到达目标位置与摆动抑制。

实施例2

参照图3-图5，为本发明的第二个实施例，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择传统离散滑模控制方法和本方法分别进行测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。为了更好地进行实验，在仿真环境MATLAB/Simulink中验证，选取传统的离散滑模控制方法与使用本控制方法的控制器进行对照实验，其中传统离散滑模使用的控制方法为：；对于本方法的控制器，参数选取为：/>；所得结果如下表1所示：

；

参照图3所示：实线为本发明所提出的控制方法，虚线为对比控制方法。由图可以看出，在定位方面，本发明所提控制方法能使小车快速到达目标位置，而对比控制方法对于负载的定位控制速度很慢，不能快速使负载到达目标位置，效率低；摆动抑制方面，本方法的控制器引起的负载的振幅不大，不会超过0.2 [deg]，而对比方法，其控制器引起的负载的振幅过大，并且本方法摆动在可驱动机构定位完成后1~2秒内可以完全消除。而对比方法其抑制效果特别差，在经历了多次激烈震荡后，才能消除摆动，因此本方法的摆动抑制效率极高，且定位准确，鲁棒性极强。

参照图4是桥式起重机在受到不确定性扰动后，输入加入干扰观测器（实线表示）和未加入干扰观测器（虚线表示）的对比。参照图4可以看出，在系统受到连续的正弦波时，加入扰动观测器后，可以将扰动观测出，并且补偿到输入中，让系统在受到扰动时，负载的摆幅以及小车位置的波动得以消除。由黑线可以观察出，在控制输入未加干扰观测器时，起重机系统受到扰动时，小车不能很好的完成定位，负载有很大的振幅。

参照图5是在桥式起重机系统施加持续正弦波的扰动时，扰动观测器观测到的数据。实线是给定的正弦波，虚线是观测到的数据。

从该实验数据中可以看出，本发明所提出的方法在各个性能指标上相较于目前的方法的优越性能。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组（例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互）的信号，以本地和/或远程过程的方式进行通信。

应说明的是，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，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于桥式起重机的离散滑模学习控制方法，其特征在于，包括：

根据桥式起重机实际参数建立拉格朗日动力学方程，从而建立二维起重机非线性模型；

将所述二维起重机非线性模型线性化，并通过离散化将线性化后的模型转化为离散系统模型；

基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动；

利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计；

利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率；

结合所述扰动观测器对系统受到的不确定性扰动进行补偿、所述参数估计方法对系统未知矩阵进行估计、使用所述滑模学习控制率，利用估计到的系统状态相关的学习项在线对控制输入进行修正，得到最终的学习控制方法；

所述基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动包括：扰动观测器的表达式为：

；其中/>是/>时刻的状态矩阵，是/>时刻的状态矩阵，矩阵/>是矩阵/>的估计, />的单位矩阵，/>是矩阵的伪逆矩阵，/>是/>时刻的输出矩阵，矩阵/>是矩阵/>的估计，/>是/>时刻的输出，是/>时刻扰动/>的估计，/>是待设计的扰动增益矩阵，并且矩阵/>表示为，矩阵/>表示为/>时刻的系统状态矩阵；

所述对系统未知矩阵进行估计包括：存在矩阵和矩阵/>满足/>，系统状态矩阵未知，设计新的状态矩阵/>，对新的状态矩阵/>进行状态估计，令/>，状态估计器表示为：

；其中/>是/>时刻/>的估计，/>是/>时刻的输出矩阵，/>是/>时刻的辅助矩阵，/>是/>时刻的辅助矩阵，/>是/>时刻的输出，/>是/>时刻扰动/>的估计，/>，其中矩阵/>是矩阵/>的估计，，矩阵/>是系统输出系数矩阵，/>、/>、/>三个都是待设计的对角矩阵；

所述利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率包括：离散滑模面表示为：

；其中，/>是/>时刻的离散滑模面，/>是待设计的控制器参数矩阵，矩阵/>表示为/>时刻的系统状态矩阵；设计的离散滑模学习控制率为：

；其中/>是/>时刻的离散滑模学习控制率，构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项/>，表示为：

；其中/>、/>、/>都是控制参数，/>是/>的估计, />是待设计的控制器参数矩阵；

所述得到最终的学习控制方法包括：最终学习控制方法具体表示为：

；其中/>是/>的估计的转置矩阵，/>是/>时刻扰动/>的估计，将系统受到的扰动补偿在输入通道中，实现定位消摆。

2.如权利要求1所述的基于桥式起重机的离散滑模学习控制方法，其特征在于，所述建立二维起重机非线性模型包括：

一个驱动力和两个状态量，其中所述驱动力为作用在小车平移力，所述两个状态量为台车位移和负载的摆角，同时包含了不确定性扰动，表示为：

；其中，/>为负载的质量，/>为台车的质量，/>为重力加速度，/>为吊绳的长度，/>代表小车位置，/>代表小车位置的加速度项，/>为有效载荷摆角，/>为有效载荷摆角的速度项，/>为有效载荷摆角的加速度项，/>是作用在小车上的驱动力，/>代表不确定性扰动。

3.如权利要求2所述的基于桥式起重机的离散滑模学习控制方法，其特征在于，所述将所述二维起重机非线性模型线性化包括：根据非线性模型，在系统平衡点进行线性化：，/>，/>，然后得出连续状态空间方程如下：

；其中状态向量/>，/>为状态向量的导数，/>代表小车位置的速度，/>是系统输入，/>是未知的扰动，/>是系统的输出，矩阵：

。

4.如权利要求3所述的基于桥式起重机的离散滑模学习控制方法，其特征在于，所述通过离散化将线性化后的模型转化为离散系统模型包括：选择采样周期为，将连续状态空间模型转化为离散状态空间模型：

；其中/>是系统状态在/>时刻的矩阵, />是系统状态在/>时刻的矩阵，/>是/>时刻的输入，/>是/>时刻的扰动矩阵，/>,，/>为/>时刻的输出，/>为系统输出系数矩阵。

5.如权利要求4所述的基于桥式起重机的离散滑模学习控制方法，其特征在于，所述利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计包括：

；其中/>是/>时刻系统的估计系数组成矩阵，其中矩阵/>是矩阵/>的估计，矩阵/>是矩阵/>的估计，/>是时刻系统的估计系数组成矩阵，/>是/>时刻系统测量到的系统输入/>和系统状态输出/>数据组成的矩阵，/>是/>时刻系统测量到的输入输出数据组成的矩阵，/>是/>时刻系统测量到的输入输出数据组成的转置矩阵，/>满足/>，/>满足/>。

6.一种采用权利要求1~5任一所述的基于桥式起重机的离散滑模学习控制方法的系统，其特征在于，包括：

建模模块，用于根据桥式起重机实际参数建立拉格朗日动力学方程，从而建立二维起重机非线性模型；

离散化模块，用于将所述二维起重机非线性模型线性化，并通过离散化将线性化后的模型转化为离散系统模型；

扰动估计模块，用于基于所述离散系统模型，使用基于输出的扰动观测器来估计扰动；

矩阵估计模块，用于利用参数估计方法，用测量到的桥式起重机输入输出数据对系统状态矩阵进行估计；

学习控制率模块，用于利用起重机系统状态量定义离散滑模面；构造滑模面误差修正以及估计到的系统状态矩阵来设计学习项，得到滑模学习控制率；

控制模块，用于结合所述扰动观测器对系统受到的不确定性扰动进行补偿、所述参数估计方法对系统未知矩阵进行估计、使用所述滑模学习控制率，利用估计到的系统状态相关的学习项在线对控制输入进行修正，得到最终的学习控制方法。