目录
前言
如果被控对象的数学模型已知,滑模控制器可以使系统输出直接跟踪期望指令,但较大的建模不确定性需要较大的切换增益,这就造成抖振,抖振是滑模控制中难易避免的问题。
将滑模控制结合神经网络逼近非线性系统的控制中,采用神经网络实现模型未知部分的自适应逼近,可有效地降低模糊增益。神经网络自适应律通过方法导出,通过自适应权重的调节保证整个闭环系统的稳定性和收敛性。
RBF神经网络于1988年提出。相比于多层前馈BP网络,RBF网络具有良好的泛化能力,网络结构简单,避免不必要的和冗长的计算。关于RBF网络的研究表明了RBF神经网络能在一个紧凑集和任意精度下,逼近任何非线性函数。目前,已经有许多针对非线性系统的RBF神经网络控制研究成果发表。
1 问题描述
考虑一种简单地动力学系统:
其中,为转动角度,为控制输入。
写成状态方程形式为
其中,为未知。
位置指令为,则误差及其导数为
定义滑模函数为
则
由上述公式可见,如果,则且。
2 RBF神经网络原理
由于RBF网络具有万能逼近特性,采用RBF神经网络逼近,网络算法为
其中,为网络的输入;为网络隐含层第个节点;为网络的高斯基函数输出;为网络的理想权值;为网络的逼近误差,。
网络输入取,则网络输出为
3 控制算法设计与分析
由于
定义函数为
其中,。
于是
设置控制律为
则
取,自适应律为
则。
当时,,根据不变集原理,闭环系统渐进稳定,时,。由于,则当时,有界,则有界,但无法保证收敛于。
可见,控制律中的鲁棒项的作用是克服神经网络的逼近误差,以保证系统的稳定。
4 仿真实例
考虑如下被控对象:
其中,。
位置指令为,采用第3章中设计的控制律和自适应律,取。根据网络输入和的实际范围来设计高斯基函数的参数,参数和取值分别为和。网络权值中各个元素的初始值取。仿真结果如图所示。
5 总结
本文主要设计了一种简单地基于RBF神经网络的滑模控制器。
若有侵权,联系必删!
码字不易,若大家觉得还行,后续还会更新,有兴趣的同学可以一起讨论,也欢迎批评指正!
参考文献(点击下载相应资源)
滑模变结构控制matlab仿真:基本理论与设计方法/刘金琨著.-3版.-背景:清华大学出版社,2015