用输入输出模型表示的非线性系统的模糊神经网络滑模自适应控制
达飞鹏,宋文忠
(东南大学自动化所,南京210096)
摘 要: 本文对一类用输入输出模型表示的非线性系统,基于模糊神经网络,提出了一种滑模自适应控制方法.通过对系统输入输出模型的分解,将控制器的设计分为两步,第一步是设计模糊神经网络滑模控制器,第二步是进行线性系统的设计.模糊神经网络滑模控制器是由模糊神经网络实现滑模控制,它平滑了切换信号,消除了滑模控制中固有的颤动现象同时在控制器的设计中不需要知道系统的不确定性和扰动的界限,使系统有强鲁棒性.运用Lyapunov稳定理论,证明了整个系统是稳定的且系统的跟踪误差收敛到零的邻域.仿真结果表明了控制方案的有效性.
关键词: 非线性系统;模糊神经网络;滑模控制;自适应控制
中图分类号: TP273 文献标识码: A 文章编号: 0372-2112 (2000) 07-0051-04
1 引言
滑模变结构控制是一种控制系统的综合设计方法,对干扰和未建模的动态有较强的鲁棒性[1].但是一般的滑模控制设计是基于系统的状态进行的,而在实际系统中是难以取到系统的状态的.因此,如何仅利用输入输出模型来设计滑模控制器一直是控制理论工作者关注的话题[2].文[3,4]在Naren-dra线性输入输出模型[5]下将滑模变结构控制引入模型参考自适应控制,得到的结果是不需要充分激励的条件且系统的鲁棒性明显增强.文[6~8]将滑模变结构控制方法用到不确定动态系统的输出反馈控制中,取得了一些结果,但这些方法都需对系统的状态进行估计.但是在非线性系统中,分离原则是不适用的,即状态反馈设计和状态观测设计是不独立的.另外,这些方法并没有解决滑模控制中的其它一些缺点,如控制信号中的高频颤动、在控制器的设计中需要知道系统的不确定性和扰动的大小.这些缺点严重妨碍了滑模控制的研究和应用.
模糊神经网络具有很好的学习能力和非线性表述能力,将滑模控制和模糊神经网络有机结合是设计鲁棒控制的很好的途径.本文针对一类用输入输出模型表示的非线性系统,基于模糊神经网络提出了滑模自适应控制方法.通过对系统输入输出模型的分解,将控制器的设计分为两部分,一部分是由模糊神经网络滑模控制器实现,另一部分是进行线性系统的设计.在模糊神经网络滑模控制器中用模糊神经网络的输出代替滑模控制中的符号项,平滑了控制信号,从而在根本上消除了滑模变结构控制中所固有的颤动现象.由于模糊神经网络和滑模控制的结合,可以在不知道系统不确定性和扰动界限的情况下完成对系统的自适应控制,因此系统就具有很强的鲁棒性.这样,本文提出的方法就解决了滑模控制中存在的问题.
|
