[发明专利]基于复合学习的非线性切换系统自适应滑模控制方法

说明书

本发明涉及一种基于复合学习的非线性切换系统自适应滑模控制方法，用于解决现有非线性切换系统控制方法实用性差的技术问题。考虑非线性切换系统存在外界干扰和输入非线性，得到切换系统输入死区模型；使用神经网络和切换扰动观测器分别对系统未知非线性函数和复合干扰进行估计，基于平行估计模型构造表征学习性能好坏的预测误差，通过预测误差对神经网络权重更新律和扰动观测器进行调节；基于动态逆技术框架和复合学习策略设计自适应滑模切换控制器；利用预测误差构建滑模时变增益函数，减小了滑模切换抖振的幅度，提升了滑模控制的性能；本发明结合非线性切换系统控制特点，通过设计基于复合学习的自适应滑模控制器有效提升了控制性能。

技术领域

本发明涉及一种非线性切换系统控制方法，特别是涉及一种基于复合学习的非线性切换系统自适应滑模控制方法，属于飞行控制领域。

背景技术

在实际工程中，许多控制对象如变体飞行器、变频电机以及机器人等都可以用非线性切换系统来描述，因此非线性切换系统控制技术引起了广泛关注，在汽车、电力、化工等许多行业都得到了研究与应用。

非线性切换系统自身具有较强的不确定性，同时易受到外部干扰和输入死区的影响，现有的控制方法多采用神经网络或模糊逻辑等智能系统逼近不确定性，采用扰动观测器估计外部干扰。这些控制方法只考虑了智能系统的逼近作用，忽视了智能学习策略的本质，没有对不确定性学习性能进行有效评价，且智能逼近系统和扰动观测器之间没有信息交互，鲁棒性性较差，不利于工程实现。因此研究面向学习性能提升的先进控制方法对于非线性切换系统控制研究意义重大且有着迫切需求。

发明内容

要解决的技术问题

为了克服现有非线性切换系统控制方法实用性差的不足，本发明提供一种基于复合学习的非线性切换系统自适应滑模控制方法。该方法考虑非线性切换系统存在不确定性、外界干扰和输入非线性，通过模型转换获取输入死区模型。同时采用神经网络和扰动观测器分别对非线性函数和复合干扰进行估计，通过构造预测误差对学习效果进行评价，进而调节神经网络权重自适应更新律和切换扰动观测器。基于动态逆技术框架和复合学习策略设计了自适应滑模切换控制器，时变的滑模增益函数提升了控制器鲁棒性，便于工程实现。

技术方案

一种基于复合学习的非线性切换系统自适应滑模控制方法，其特征在于以下步骤：

步骤1：考虑一类单输入单输出非线性能控标准型切换系统

其中，是系统状态向量；u_σ(t)∈R是系统输入，y∈R是系统输出；函数σ(t):[0,∞)→M＝{1,2,…,m}是切换信号，且σ(t)＝k时表示第k个子系统是激活的；是关于的未知平滑函数，是关于的未知非零平滑函数；d_σ(t)(t)是外部未知干扰；

步骤2：将系统输入非线性描述为

其中，u_v,k∈R是带死区的输入，b_r,k和b_l,k是未知的正常数；

可将(2)进一步描述为

其中

信号u_k存在如下关系

其中是u_v,k的上界值；

则系统(1)可进一步写为

其中，

步骤3：针对未知函数和用神经网络来逼近