基于神经网络混合建模的结构振动滑模控制
黄永安1,邓子辰1,2,姚林晓1
(1.西北工业大学工程力学系,陕西西安710072;2.大连理工大学工业装备结构分析国家重点实验室,辽宁大连116024)摘要:将神经网络和标称系统混合建模方法引入到离散滑模控制当中,得到神经网络滑模控制,然后对结构振动进行控制,振动结构为具有不确定性参数的柔性附件,并受到随机外扰作用。离散滑模控制的滑模面是以标称系统为基础,由最优二次型价值函数求解黎卡提方程确定。利用标称模型和神经网络混合建模方法来减小系统的不确定性,达到提高滑模控制在实际控制系统中的控制效果。其中利用前馈神经网络来对不确定部分进行建模。最后通过对滑模控制和神经网络滑模控制进行仿真,结果表明,本文所提出的神经网络滑模控制对具有不确定性参数和随机外扰的柔性结构系统振动的控制效果要优于滑模控制。
关键词:振动控制;滑模控制;神经网络;柔性结构;混合模型
中图分类号: TP273 文献标识码: A 文章编号:1004-4523(2005)04-0465-06
引 言
柔性结构具有许多普通的刚性结构没有的优点,但柔性结构会出现不利的振动。柔性结构是无限维的,动力学模型一般需要采用高维系统来描述,因此对柔性结构进行精确控制就非常困难。柔性结构已经得到了广泛的应用,从机器人柔性机械臂到飞行器的柔性附件,其振动的控制是近年来一个非常重要的研究课题,但也存在很多问题[1~3]。目前采用的控制方法主要有滑模控制、自适应控制、鲁棒控制、模糊控制和神经网络控制等等[4~8]。
滑模控制是一种非线性控制方法,对外界的参数的变化和扰动具有不敏感性[5],是一种非常有前景的控制方法。但是对结构不确定性、时滞以及控制器的限制,都会降低滑模控制在实际系统中的控制效果。抖动问题是滑模控制应用到实际工程中不可忽视的问题,它会激发未建模的高频部分,最后有可能导致控制系统失效[9]。
有很多文章都讨论减小抖动的方法,其中目前研究最多的是边界层方法[10,11]。为了减小抖动,需要确定一个边界层的厚度,而这个厚度依赖于切换增益。然后,切换增益又依赖于系统的不确定性,这些不确定性部分不能被标称模型描述。也就是说,大的不确定性需要大的增益,大的增益需要大的边界层厚度。但是大的边界层厚度又会减弱滑模控制优点。目前对滑模控制研究的热点是将智能方法与滑模控制相结合,得到智能滑模控制方法,如模糊控制和神经网络方法[12,13]。更多关于智能技术与滑模控制相结合的理论可以查看文献[14,15]。
本文提出一种新颖的滑模控制方法,利用神经网络对系统不确定性部分进行建模,而确定性部分就用标称模型,最后综合标称系统模型得到系统的混合模型。在此基础之上采用滑模控制方法对系统进行主动控制,滑模面利用标称系统结合最优二次型函数确定。考虑到实际工程中采样的数据都是离散的,本文采用了离散滑模控制方法。利用得到的神经网络离散滑模控制来控制结构振动,此结构本身具有参数不确定性,以及受到随机外部扰动。最后,仿真结果表明本文提出的神经网络滑模控制方法较传统的滑模控制具有更好的控制效果。
结构各状态最大值都列在表1中。对于位移状态,滑模控制系统相对于未受控制系统分别降低了83.24%,85. 06%和79.05%;而神经网络滑模控制在滑模控制的基础上又降低了73.56%,71.19%和67.74%。对于速度状态,滑模控制系统相对于未受控制系统分别降低了84.36%,82.61%和74.94%;而神经网络滑模控制在滑模控制的基础上又降低了50.39%,57.28%和44.18%。分析说明神经网络滑模控制比滑模控制具有更高的优越性和控制能力。
5 结 论
本文提出了一种新的神经网络与标称系统混合模型的滑模控制方法。通过对一个具有参数不确定性、多输入多输出和受随机外扰的振动系统进行控制仿真,仿真结果证明了这种方法能对此类复杂的振动系统进行非常有效的控制。在同等条件下,与传统滑模控制仿真结果进行比较,无论是结构的速度,还是结构的位移,神经网络滑模控制的响应不到传统滑模控制响应的一半,可以看出神经网络滑模控制具有比传统滑模控制更好的控制效果。
|
