基于系统辨识的非线性系统滑模变结构控制

《基于系统辨识的非线性系统滑模变结构控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第31卷第6期华电技术Vo1．31No．62009年6月HuadianTechnologyJun．2009·研究与开发·基于系统辨识的非线性系统滑模变结构控制Slidingmodevariablestructurecontrolofnonlinearsystembasedonsystemidentification王志勇，姚万业WANGZhi-yongYAOWan·-ye(华北电力大学控制科学与工程学院，河北保定071003)(SchoolofControlScienceandEngineering

2、，NoahChinaElectricPowerUniversity，Baoding071003，China)摘要：针对一类非线性系统，提出了一种基于神经网络系统辨识的滑模变结构控制方法。用2个神经网络来动态辨识系统对象，结合变结构控制，克服了常规变结构控制方法中被控制对象变化范围的限制。仿真结果表明，控制系统具有良好的稳定性、收敛性，同时抖动也有所减少，具有较强的鲁棒性。关键词：神经网络；动态逼近；滑模变结构；鲁棒性中图分类号：TP273文献标志码：A文章编号：1674—1951(2009j06～0

3、024—03Abstract：Aimingatfirstkindofnonlinearsystem，aslidingmodevariablestructurecontrolmethodbasedonsystemidentificationbyusingofneuralnetworkwasproposed．Thecontrolledsystemobjectwasdynamicallyidentifiedbytwoneuralnetworks．Combiningwithvariablestructure

4、control，thelimitofvariationrangeforcontrolledobjectintheconventionalvariablestructurecontrolwasovercome．ThesimulationresultsshowthatthecontrolsystemhasgoodstabilityandconvergenceImeanwhile，systemchatteringisreducedandgoodrobustnessisachieved．Keywords：n

5、euralnetwork；dynamicapproach；slidingmodevariablestructurecontrol；robustness本文将神经网络系统辨识和滑模变结构控制相O引言融合，即利用神经网络辨识系统参数，利用滑模变结滑模变结构控制SMVSC(SliingModeVariable构快速调节系统。该方案不仅解决了常规变结构控StructureContro1)是一种能用来实现线性和非线性制需要预先知道未知函数的精确边界问题，而且保系统控制的变结构控制方法，其最大优点就是对系证了系

6、统的稳定性、收敛性。统参数不确定性和外部干扰具有强鲁棒性。SMVSC1非线性系统的滑模变结构控制最主要的缺点是反馈信号不连续，容易受到参数摄动和外界干扰的影响。为此文献[1]、文献[2]提出考虑以下非线性系统’了时变滑平面方案。文献[3]利用模糊系统逼近未=l厂(，t)+g(，t)M(t)。(1)知函数，需要预先知道未知函数的精确边界，这在许引入相变量坐标．=，则式(1)可表示为多实际系统中难以做到，有一定的局限性。人工神经网络具有较强的学习能力和高度的并行运算能力，能充分逼近任意复杂的非线性关系并

7、(2)具有较强的鲁棒性和容错性，为处理非线性系统开n一1辟了一条新的途径。神经网络与滑模变结构控制的x=-，【，t)+g(，t)·u(t)结合已经成为变结构控制发展的一个新领域。取线性切换函数s()=c1l+c22+⋯+Cn-1一l+=CT，(3)收稿日期：2008—11—11式中：=[1，2，⋯，]；c=[c1，c2，⋯，c，1]r。第6期王志勇，等：基于系统辨识的非线性系统滑模变结构控制·25·用趋近律方法求控制律，对式(3)求导，得T誊()=∑v

8、+Cn-!一1+x。(4)I=l将式(2)代入式(4)得n—lF(∑·())，(1o)j=∑Ci⋯+-厂(，)+g(，f)·M()。(5)Z(k)=[(k)，(k)，⋯，(k)]=取趋近率[Y(k一1)，⋯，Y(k—n)，：一·sgn(S)。(6)(k—1)，⋯，U(k—n)]，(11)有U(t)=一g一(，t)[+式中：’为神经网络NN1输入层和隐层之间的权-厂(，t)+·sgn0]，(7)值；w(O’为神经网络NN1隐层和输出层之间的权式中，=[0，cl，c2，⋯