[发明专利]一种观测器设计方法和抗干扰控制系统

说明书

本发明公开了一种观测器设计方法和抗干扰控制系统，其中基于有限时间收敛的学习型扰动观测器的抗干扰控制系统包括控制器、受控对象、神经网络、有限时间收敛的观测器，其特征在于：设定值和观测器输出输入到控制器，形成控制量u，控制器输出的控制量u和输入端扰动d输入受控对象得到系统输出量y，同时，控制量u还输入给有限时间收敛的观测器和神经网络；受控对象的系统输出量y分别输出给神经网络和有限时间收敛的观测器；神经网络的输出作为模型信息配置到有限时间收敛的观测器中，有限时间收敛的观测器估计的系统输出和系统输出的导数发送给神经网络，观测器输出的总扰动的估计、系统输出和输出导数的估计均输入给控制器；其中有限时间收敛的观测器和神经网络构成有限时间收敛的学习型扰动观测器。

技术领域

本发明涉及抗干扰控制领域，尤其是涉及学习型有限时间收敛的扰动估计器，利用神经网络在线学习扰动，引入分数阶设计使观测器在有限时间内收敛。

背景技术

抗干扰是控制领域研究的永恒课题。随着科技的发展，对控制系统的速度和精度要求越来越高。经典控制理论中，依赖误差、消除误差，无法克服环境因素和外部扰动的影响；现代控制理论中，对系统模型的依赖大。自抗扰控制汲取了经典和现代控制理论的精髓，但是扩张状态观测器的估计能力和收敛速度有限，无法满足人们对控制速度和控制精度越来越高的要求。

为此，本发明提出了一种有限时间收敛的学习型扰动观测器设计方法和抗干扰控制系统，以提升抗扰动能力和跟踪精度为目标，旨在设计出快收敛和强抗扰的控制算法，达到在有限时间内有效抑制内外扰动、提高闭环系统鲁棒性的目的。本发明利用神经网络逼近对象的未知动力学特性和外扰，降低扩张状态观测器的工作负担，提高观测器估计扰动的能力；引入分数阶，使观测误差在有限时间内收敛，综合提升了扰动观测器性能。

发明内容

为实现本发明之目的，采用以下技术方案予以实现：

一种有限时间收敛的学习型扰动观测器设计方法，包括以下步骤：

1)自适应神经网络估计器设计

将一个二阶单入单出非线性系统按公式(1)表示：

其中，x＝[x₁，x₂]^T是状态向量，系统矩阵b＝[0，b₀]，C＝[1，0]^T，u是控制输入，b₀是控制系数，d(t) 是外部有界干扰，y是系统输出，a(x)是未知连续非线性函数；

针对式(1)设计带有神经网络估计信息的线性扩张状态观测器：

其中，z＝[z₁，z₂，z₃]^T为观测器的输出，分别是对系统输出、系统输出的导数和总扰动的估计，β＝[β₁，β₂，β₃]^T为可调增益，为x的估计，为未知非线性函数a(x)的估计，式(2) 中，用神经网络进行估计

将未知连续非线性函数a(x)用理想权值W*和基函数h(x)组成的神经网络表示，即

α(x)＝W*^Th(x)+ε(x)，ε(x)≤ε₀ (3)

其中，ε(x)为神经网络的逼近误差，ε₀为有界常数。假设神经网络权值W^*有界，采用神经网络逼近α(x)，

其中，是估计权值，权值估计误差为

设计自适应神经网络权值调整律为