法律状态公告日
法律状态信息
法律状态
2019-02-01
授权
授权
2016-12-21
实质审查的生效 IPC(主分类):G05B13/04 申请日:20160919
实质审查的生效
2016-11-23
公开
公开
技术领域
本发明涉及非线性系统控制领域,特别涉及一种追踪目标的轨迹未知时的自适应控制方法。
背景技术
绝大部份动态系统的追踪控制设计普遍都会假设理想的追踪轨迹是已知的或是能够轻易获得的。但是实际生活中,可参考的理想轨迹并不都是很容易获得的,这时理想的追踪轨迹就不能用在追踪控制设计中。此外,这种现象广泛存在于各种各样的实际例子中,例如:在导弹发射过程中,为了避免敌方导弹的拦截,我方导弹会故意改变其理想的轨迹,这样原来理想的追踪轨迹就不能用在导弹控制设计中;在工业机器人现场,机器人因为特殊的原因会追踪“模糊”的轨迹,此时理想的追踪轨迹也不能用在机器人控制设计中。因此,如何获得未知的理想轨迹,对于控制器设计事关重要,同时也是具有很大挑战性的。
目前,对于追踪未知理想目标轨迹的非线性系统的控制方法为数不多,仅存的方法主要是获得未知轨迹与理想轨迹的关系,再通过这层关系去设计控制器,但是这并没有解决如何获得未知的理想轨迹的方法。
特别地是实际系统中执行器故障总是不可避免的发生,当系统追踪未知理想目标轨迹的同时执行器意外地发生故障,这对于控制器的要求非常高,以目前现有的技术无法达到良好的跟踪性能,需要重新设计一个结构简单,性能良好,计算简单的控制器。
发明内容
有鉴于此,本发明的目的是提供一种基于未知目标轨迹的非线性系统鲁棒自适应跟踪控制方法,其针对非线性系统追踪未知目标轨迹的情形,运用基于拓展卡尔曼滤波的估计模型逼近理想的目标轨迹,由此得到估计的目标轨迹,再利用矩阵分解技术以及提取核心函数方法进行鲁棒自适应容错控制,实现系统输出跟踪理想的目标轨迹。
本发明基于未知目标轨迹的非线性系统鲁棒自适应跟踪控制方法,包括以下步骤:
步骤一、建立含有执行器故障的多输入多输出非线性系统的数学模型;
所述含执行器故障的多输入多输出非线性系统具有如下状态空间形式:
式中x=[x1T,…,xqT]T∈Rn是系统的整个状态向量,其中,i=1,2,…,q,并且n1+n2+…+nq=n;是系统的输出;F(x)∈Rq是未知的函数向量;是连续可微的未知函数,其中;d(x,t)∈Rq为系统的不确定性非线性,ua∈Rq为控制输入向量;
考虑执行器故障,实际控制输入ua与理想控制输入u的关系为:
ua=ρ(t)u+ε(t),
式中ρ=diag{ρi}∈Rq×q是对角矩阵,ρi为执行器效率因子,并满足0<hi≤ρi≤1,hi为ρi的最小值;ε(t)代表控制行为中完全失控的部分并假设为有界;
步骤二、建立估计未知目标理想轨迹的模型,并利用此模型得出估计的目标轨迹逼近理想的目标轨迹;
对于未知的目标轨迹,采用基于拓展卡尔曼滤波的数学模型去估计,并使其逼近理想的目标轨迹;
yd(t)=yEKF(t)+y*guess(t)
式中,yd(t)∈Rq为未知目标理想轨迹的估计值;yEKF(t)∈Rq为用拓展卡尔曼滤波技术预测的理想目标轨迹;y*guess(t)∈Rq为基于某种已知条件得出的理想轨迹的粗略估计值,如果没有可用的已知条件,此值可以为0;yd(j)(t)是理想轨迹的j阶导数的估计值,yjEKF(t)和分别为用拓展卡尔曼滤波技术及已知条件预测的对应理想j阶导数轨迹;通过拓展卡尔曼滤波得出的最优估计值对应于模型中的yEKF(t)以及yjEKF(t);
步骤三、设计鲁棒自适应容错控制器;
1)利用估计的未知目标轨迹与系统输出得到跟踪误差Em,通过滑模滤波器后得到新的状态变量sm;
2)控制增益G和执行器效率因子ρ作为整体视作虚拟控制增益,对虚拟控制增益进行矩阵分解,得到已知的矩阵D(x)、U(x)和未知的矩阵S(x);其中矩阵S(x)作为不确定项通过核心函数产生器,同时系统不确定模型和外部干扰不确定项也通过核心函数发生器处理,得到未知的虚拟参数a和可计算的核心函数
3)核心函数的平方通过任意正比例c1放大后与之前得到的状态变量sm的乘积组成未知的虚拟参数的一部分,再减去估计的虚拟参数的c2倍,c2为任意正常数,得到虚拟参数的导数值,最后进行积分运算得到未知的虚拟参数a的估计值
4)利用得到的状态变量sm与核心函数的积再乘以未知的虚拟参数a的估计值的-c1倍,得到最后的控制器u;
5)控制器u将计算出的控制指令发送给非线性系统的执行器,实现系统输出跟踪理想的目标轨迹。
本发明的有益效果:
本发明基于未知目标轨迹的非线性系统鲁棒自适应跟踪控制方法,能够得出估计的未知目标轨迹,使其逼近理想的目标轨迹。设计的控制器通过巧妙地对“虚拟控制增益”进行矩阵分解,使得其他控制方法中对增益矩阵的条件限制大大降低。通过提取核心函数的方法处理非线性不确定性,简化了控制器设计步骤。最终,在系统同时存在执行器故障、参数不确定性、外部干扰及追踪目标轨迹未知的情况下仍然可以获得渐近跟踪的稳态性能,使闭环控制系统对不确定模型和未知干扰具有鲁棒自适应作用。
附图说明
图1是含执行器故障的非线性系统追踪未知目标轨迹的鲁棒自适应容错控制原理示意图;
图2是基于拓展卡尔曼滤波的未知目标理想轨迹估计系统示意图;
图3是鲁棒自适应容错控制器的设计原理图;
图4是执行器效率因子变化曲线图;
图5是x轴上估计目标轨迹,理想轨迹,观测轨迹对比曲线图;
图6是y轴上估计目标轨迹,理想轨迹,观测轨迹对比曲线图
图7是估计目标轨迹,理想轨迹,观测轨迹的二维对比曲线图;
图8是x轴上估计目标速度,理想速度,观测速度变化曲线对比图;
图9是y轴上估计目标速度,理想速度,观测速度变化曲线对比图;
图10是期望跟踪位置随时间变化曲线图;
图11是期望跟踪位置随时间变化二维曲线图;
图12是期望跟踪位置误差曲线图;
图13是控制器作用下的控制输入随时间变化曲线图;
图14是控制器作用下的系统参数估计随时间变化曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
本实施例基于未知目标轨迹的非线性系统鲁棒自适应跟踪控制方法,包括以下步骤:
包括以下步骤:
步骤一、建立含有执行器故障的多输入多输出非线性系统的数学模型;
所述含执行器故障的多输入多输出非线性系统具有如下状态空间形式:
式中x=[x1T,…,xqT]T∈Rn是系统的整个状态向量,其中,i=1,2,…,q,并且n1+n2+…+nq=n;是系统的输出;F(x)∈Rq是未知的函数向量;是连续可微的未知函数,其中;d(x,t)∈Rq为系统的不确定性非线性,ua∈Rq为控制输入向量;
考虑执行器故障,实际控制输入ua与理想控制输入u的关系为:
ua=ρ(t)u+ε(t),
式中ρ=diag{ρi}∈Rq×q是对角矩阵,ρi为执行器效率因子,并满足0<hi≤ρi≤1,hi为ρi的最小值;ε(t)代表控制行为中完全失控的部分并假设为有界;
步骤二、建立估计未知目标理想轨迹的模型,并利用此模型得出估计的目标轨迹逼近理想的目标轨迹;
对于未知的目标轨迹,采用基于拓展卡尔曼滤波的数学模型去估计,并使其逼近理想的目标轨迹;
yd(t)=yEKF(t)+y*guess(t)
式中,yd(t)∈Rq为未知目标理想轨迹的估计值;yEKF(t)∈Rq为用拓展卡尔曼滤波技术预测的理想目标轨迹;y*guess(t)∈Rq为基于某种已知条件得出的理想轨迹的粗略估计值,如果没有可用的已知条件,此值可以为0;yd(j)(t)是理想轨迹的j阶导数的估计值,yjEKF(t)和分别为用拓展卡尔曼滤波技术及已知条件预测的对应理想j阶导数轨迹;通过拓展卡尔曼滤波得出的最优估计值对应于模型中的yEKF(T)以及yjEKF(t);
步骤三、设计鲁棒自适应容错控制器;
1)利用估计的未知目标轨迹与系统输出得到跟踪误差Em,通过滑模滤波器后得到新的状态变量sm;
2)控制增益G和执行器效率因子ρ作为整体视作虚拟控制增益,对虚拟控制增益进行矩阵分解,得到已知的矩阵D(x)、U(x)和未知的矩阵S(x);其中矩阵S(x)作为不确定项通过核心函数产生器,同时系统不确定模型和外部干扰不确定项也通过核心函数发生器处理,得到未知的虚拟参数a和可计算的核心函数
3)核心函数的平方通过任意正比例c1放大后与之前得到的状态变量sm的乘积组成未知的虚拟参数的一部分,再减去估计的虚拟参数的c2倍,c2为任意正常数,得到虚拟参数的导数值,最后进行积分运算得到未知的虚拟参数a的估计值
4)利用得到的状态变量sm与核心函数的积再乘以未知的虚拟参数a的估计值的-c1倍,得到最后的控制器u;
5)控制器u将计算出的控制指令发送给非线性系统的执行器,实现系统输出跟踪理想的目标轨迹。
下面对本实施例基于未知目标轨迹的非线性系统鲁棒自适应跟踪控制方法进行仿真验证,为考核所设计的控制器性能,给出以下仿真实例。
考虑如下的二阶非线性系统:
上式中,ua1=ρ1(t)u1+ε1(t)和ua2=ρ2(t)u2+ε2(t)是执行器发生故障后的执行器输出,d1(·)和d2(·)是外部干扰等不确定项。考虑执行器故障效率因子ρ(t)为已知,设定为
如图4所示。干扰d1=0.1sin>2=0.1cos0.2πt。
假设理想的参考轨迹Xd=(xd,yd)T未知,现在用本实施例中提出的方法得出估计的参考轨迹。根据拓展卡尔曼滤波算法,已知参考目标轨迹的状态方程和观测方程为:
上式中,为状态量,
Tn=[t1n,0,t2n,0,t3n,0,t4n,0]T为观测量,wn=[w1n,0,w2n,0,w3n,0,w4n,0]T为状态噪声,Vn=[v1n,0,v2n,0,v3n,0,v4n,0]T为观测噪声,
以及
其中xn/yn是x轴或y轴的在时刻n的位置,xfn/yfn是位移频率,是x轴或y轴的在时刻n的速度,是对应的频率。状态噪声协方差分别为:Q1n=0.1,Q2n=0.02,Q3n=0.11,Q4n=0.01;观测噪声协方差分别为:R1n=0.03,R2n=0.007,R3n=0.028,R4n=0.008。将粗略的估计设为0,再运用拓展卡尔曼滤波算法,将初值设为Z0=[0,0.3,1,0.3,0.3,0.3,0,0.3]T以及P0=diag{0.01}T∈R8。最终得到仿真结果如图5~图9所示。从图中可以看出,本实施例中提出的方法在估计未知目标轨迹上表现出很好的性能,使得估计的目标轨迹Xd逼近理想的目标轨迹X=[sin(0.3t),cos(0.3t)]T。
利用得到的估计目标轨迹Xd,再运用本实施例中的控制方法,选取控制器参数:c=10,c1=2.5,c2=0.02;参数初始值取为[x,y]=[1,1.5]。得到控制器作用下的跟踪曲线如图10所示,二维跟踪曲线如图11所示,跟踪曲线误差如图12所示。从图中可以看出,提出的控制器无论在瞬态还是稳态都表现出良好的跟踪性能。控制器的控制输入随时间变化的曲线如图13所示。系统参数估计过程如图14所示。
最后说明的是,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宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
机译: 用于使用系统控制方法执行系统控制方法的程序存储介质,该系统控制方法使用用于鲁棒稳态目标计算的模型预测控制,用于鲁棒稳态目标计算的模型预测控制以及控制器和系统控制器
机译: 基于CNN使用目标对象估计网络的波动 - 鲁棒对象检测器的学习方法和学习装置,其适用于客户要求,如关键性能指标,以及使用相同的测试方法和测试设备
机译: 基于辅助功能的在线目标 - 语音提取方法,用于鲁棒自动语音识别