随机系统基于动静混合神经网络建模的抗干扰控制方法，涉及随机分布控制系统批量输出静态神经网络建模、输出权的动态神经网建模和基于观测器的复合抗干扰控制。首先，对于随机分布控制系统批量输出建立静态神经网络逼近模型；其次，对于静态神经网络模型的权进行动态神经网络逼近，形成权动态系统；再次，针对系统中的有界干扰设计观测器进行估计并前馈补偿；最后，基于线性矩阵不等式方法对复合控制系统设计观测器增益和控制器增益，使系统实现稳定并满足一定的抗干扰性能。
【技术实现步骤摘要】
本专利技术涉及一种随机分布控制系统中基于动静混合神经网络建模的抗干扰复合控制方法，可用于粒子加工、 造纸、磨矿、燃烧等批量输出过程及其基于图像信息的过程监测和控制。
技术介绍
随着现代エ业的迅猛发展，エ业过程越来越复杂，需要监测的信息也越来越多。在粒子加工、造纸、磨矿、化工过程中，人们关心的是批量输出信息的统计信息，如加工粒子的均匀性，纸张的均匀性等，这归结为ー种随机分布控制系统。对于燃烧过程的研究发现，衡量燃烧过程效益的ー个重要指标是燃烧室内温度场的分布，对这种分布常规的处理办法是通过物理原理建立ー组偏微分方程，并利用有限元的计算方法来实现对燃烧室温度分布场的分析和效益计算，这实际上也是ー个随机分布系统。目前，最先进的办法是利用ー组速度较快的微数码摄像机组成一定结构的传感器系统，从而获得燃烧室内火焰分布的三维图形。这种三维图形可以用ー个联合概率密度函数来表示，整个系统就成为ー个动态的随机分布系统，控制的目标是通过合理的选择燃料输入和过程參数，使火焰分布三维图形的联合概率密度函数满足既定要求。由于实际过程的复杂性、动态性和批量输出特性，随机分布控制系统的建模一直是ー个难题。传统的建模是基于白噪声的线性系统建模，通过样本方差和样本均值可以明确输出的概率模型。对于存在非线性和非高斯噪声特性的复杂エ业过程，方差和均值信息不再满足建模的需求。常见的方法是采用基于样条逼近或静态神经网络逼近方案建立输出的概率密度函数模型，相应的权则采用系统辨识的方法给出。该种方法对于常值权函数有效，对于时变权函数则无能为力，需要明确从输入到权的动态关系，建立权动态系统模型。本专利创新点在于在静态神经网络建模的基础上，设计全反馈的动态神经网络逼近权动态系统，建立权动态系统模型，之前尚未有类似方案被提出。同样，过程的复杂性限制了建模的精度，内外部干扰的存在也影响到建模的精度。在实际系统中，有些干扰也是可观测或可检测的，基于干扰观测器的控制方法(DOBC)是近年来得到关注较多的一种有效的干扰抵消方法，比输出调节理论更加灵活且有更广泛的研究对象，并且可以灵活地与现有的先进控制方法相结合。
技术实现思路
本专利技术要解决的技术问题是针对复杂エ业过程建模的不足和干扰的影响，提供一种随机分布控制系统中基于动静混合神经网络建模的抗干扰复合控制方法，用于提高复杂エ业过程的控制精度。本专利技术技术解决方案(I)对于随机分布控制系统的批量输出建立静态神经网络逼近模型r (タノ/) = Fj (り (タ)其中，y e 是随机分布控制系统的批量输出，yi、y2是已知实数，y1; y2分别表示输出的上届和下届，Y (y, u)是输出y在输入u条件下的概率密度函数的平方根满足\^r2(y,u)dy=l是相应的神经网络逼近模型，其中Vn(t) = [V1 (t)，v2 (t)，···，vn(t)]T和Bn(y) = 是权函数向量和相应的基函数向量，i =I, 2，…，n ；Vi (t)和IDi (y)分别是权函数和对应的基函数，i = 1，2，…，η ;令V (t)=T, B (y) = ,则Y (y, u) = VT(t)B(y)+vn(t)bn(y)其中 Vn ( = A；1 (-A2V(Z) + -Vt(t)A0V( )， K = Jj. B{y)BT(y)dy，A2 = ζ BT(y)b {y)dy ,A3 = ζ b;(y)dy =へん _ A^r .(2)针对第(I)步中的权函数V(t)建立动态神经网络逼近模型权利要求1. 一种，其特征在于包括以下步骤 首先，对于随机分布控制系统的批量输出建立静态神经网络逼近模型；其次，对于静态神经网络模型的权进行动态神经网络逼近，形成权动态系统；再次，针对权动态系统中的有界干扰设计观测器进行估计并前馈补偿；最后，基于线性矩阵不等式方法对复合控制系统设计观测器增益和控制器增益，使权动态系统实现稳定并满足一定的抗干扰性能，具体步骤如下 (1)对于随机分布控制系统的批量输出建立静态神经网络逼近模型 r{y,u) = v,! (t)B (y) 其中，y e 是随机分布控制系统的批量输出，yi、y2是已知实数，y1； y2分别表示输出的上届和下届，Y (y, u)是输出y在输入u条件下的概率密度函数的平方根，满足Ilj2(y^u)dy=l^vj( κ(γ)是相应的神经网络逼近模型，其中vn(t) = T和Bn(y) = 是权函数向量和相应的基函数向量，i =I,2，…，n ；Vi (t)和IDi (y)分别是权函数和对应的基函数，i = 1，2，…，η ;令V (t)=T, B (y) = ,则Y (y, u) = VT(t)B(y)+vn(t)bn(y) 其中 νπ ( = A31 (-A2Vit)+ ^Ai -Vr(OA0ViO), Ai = Β(γ)ΒΓ(y)dy ,A2 = ；；ΒΓ(ν)^)Φ Λ3= ；；^(ν)φ ' = ΛΛ _λ2λγ ； (2)针对第(I)步中的权函数V(t)建立动态神经网络逼近模型 I .v(/) = AxU) + Wfix(I)) + Hu(I) + Hd(I) S1WL0-5P1 ε；ιΙ O " *-Sym(RM) O O sji **—I O O < O *** -I ο **串*—I 其中sym(M) = M+MT(M为方阵)，ε i和ε 2是可调节正数，符号*表示对称矩阵中相应部分的对称块； (6)将第(5)步所设计的观测器增益N代入第(3)步中的观测器，将得到的干扰估计值3代入第(4)步的复合控制器u (t)，同时将控制器增益K代入复合控制器u (t)，最后将复合控制器u(t)代入第(2)步的动态神经网络逼近模型，进而实时计算权函数V(t)和第(I)步的概率密度函数的平方根Y (y，u)，至此完成了随机系统动静混合神经网络建模及抗干扰控制器的设计。全文摘要，涉及随机分布控制系统批量输出静态神经网络建模、输出权的动态神经网建模和基于观测器的复合抗干扰控制。首先，对于随机分布控制系统批量输出建立静态神经网络逼近模型；其次，对于静态神经网络模型的权进行动态神经网络逼近，形成权动态系统；再次，针对系统中的有界干扰设计观测器进行估计并前馈补偿；最后，基于线性矩阵不等式方法对复合控制系统设计观测器增益和控制器增益，使系统实现稳定并满足一定的抗干扰性能。文档编号G05B13/00GK102866629SQ201210351048公开日2013年1月9日 申请日期2012年9月19日 优先权日2012年9月19日专利技术者郭雷, 张玉民 申请人:北京航空航天大学本文档来自技高网...
【技术保护点】
一种随机系统基于动静混合神经网络建模的抗干扰控制方法，其特征在于包括以下步骤：首先，对于随机分布控制系统的批量输出建立静态神经网络逼近模型；其次，对于静态神经网络模型的权进行动态神经网络逼近，形成权动态系统；再次，针对权动态系统中的有界干扰设计观测器进行估计并前馈补偿；最后，基于线性矩阵不等式方法对复合控制系统设计观测器增益和控制器增益，使权动态系统实现稳定并满足一定的抗干扰性能，具体步骤如下：（1）对于随机分布控制系统的批量输出建立静态神经网络逼近模型：γ(y,u)=VnT(t)Bn(y)其中，y∈[y1,y2]是随机分布控制系统的批量输出，y1、y2是已知实数，y1，y2分别表示输出的上届和下届，γ(y,u)是输出y在输入u条件下的概率密度函数的平方根,满足Bn(y)是相应的神经网络逼近模型，其中Vn(t)＝[v1(t),v2(t),…,vn(t)]T和Bn(y)＝[b1(y),b2(y),…,bn(y)]是权函数向量和相应的基函数向量，i＝1,2,…,n；vi(t)和bi(y)分别是权函数和对应的基函数，i＝1,2,…,n；令V(t)＝[v1(t),v2(t),…,vn？1(t)]T，B(y)＝[b1(y),b2(y),…,bn？1(y)]，则：γ(y,u)＝VT(t)B(y)+vn(t)bn(y)其中vn(t)=Λ3-1(-Λ2V(t)+Λ3-VT(t)Λ0V(t)),Λ1=∫y1y2B(y)BT(y)dy,Λ2=∫y1y2BT(y)bn(y)dy,Λ3=∫y1y2bn2(y)dy,Λ3=Λ1Λ3-Λ2Λ2T;（2）针对第（1）步中的权函数V(t)建立动态神经网络逼近模型：x·(t)=Ax(t)+Wf(x(t))+Hu(t)+Hd(t)V(t)=Cx(t)其中，x为权动态系统状态，u为输入，d为有界干扰,f(x)为神经网络的激 活函数向量，满足fT(x)f(x)≤xTLx，模拟神经元的非线性特征，L＞0为正定对角矩阵，A为稳定矩阵，W为对称的神经网络连接权矩阵，H和C为已知矩阵，H列满秩，C行满秩；干扰d(t)满足|d(t)|≤d1＜∞且d1和d2分别是d(t)和的上界，|*|表示*的欧式范数；（3）针对第（2）步中的干扰d(t)设计观测器：τ·=-NH[τ(t)+p(x(t))]-N[Ax(t)+Wf(x(t))+Hu(t)]d^(t)=τ(t)+p(x(t))其中τ(t)是干扰观测器的状态向量，p(x(t))是辅助函数，是对干扰d的估计，是待定的常值观测器增益，是p(x(t))对于x的偏导数，令则观测器误差动态满足：e·d=-NHed+d·;（4）将第（3）步中的干扰估计用于前馈补偿，构造复合控制器：u(t)=-d^(t)+Kx(t)其中K是待定的控制器增益；（5）由第（2）（3）（4）步得到闭环系统的状态方程Σ为：Σ:x·(t)e·d(t)=A+HKH0-NHx(t)ed(t)+W0f(x(t))+01d·(t)需设计控制器增益K和观测器增益N使得系统Σ稳定；设计控制器增益为设计观测器增益为其中P1>0，P2>0，R1和R2由以下线性矩阵不等式求得：sym(AP1+HR1)HP1ϵ1WL0.5P1ϵ1-1I0*-sym(R2H)00ϵ2P2**-I00***-I0****-I<0其中sym(M)＝M+MT（M为方阵），ε1和ε2是可调节正数，符号*表示对称矩 阵中相应部分的对称块；（6）将第（5）步所设计的观测器增益N代入第（3）步中的观测器，将得到的干扰估计值代入第（4）步的复合控制器u(t)，同时将控制器增益K代入复合控制器u(t)，最后将复合控制器u(t)代入第（2）步的动态神经网络逼近模型，进而实时计算权函数V(t)和第（1）步的概率密度函数的平方根γ(y,u)，至此完成了随机系统动静混合神经网络建模及抗干扰控制器的设计。FDA00002162983600012.jpg,FDA00002162983600013.jpg,FDA00002162983600...
【技术特征摘要】
【专利技术属性】
技术研发人员：郭雷，张玉民，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。