非线性不确定时滞系统的自适应滑模控制
摘 要:研究一类非线性不确定时滞系统的滑模变结构控制,针对包含不确定性及时滞的非线性系统,对其标称部分和不确定部分分别设计控制律,提出的控制方案能保证闭环系统的渐近稳定.考虑当系统具有不确定性和时滞部分模型未知时,采用RBF神经网络对其逼近,得出基于RBF神经网络的滑模变结构自适应控制方案.该方案能有效降低系统的抖振,基于Lyapunov理论证明了控制方案的可行性,仿真结果表明了该方案的有效性.
关 键 词:非线性系统;滑模控制; RBF神经网络
滑模变结构控制(Sliding Mode Variable Structure Control,SMVSC)是一种实现线性和非线性系统鲁棒控制的方法[1].滑模变结构控制与神经网络结合,使系统在保持对外摄动和外部干扰的强鲁棒性的同时,尽量消除抖振;同时,基于神经网络的自适应学习能力,可以对系统的不确定上界进行学习[2,3].文献[4]针对一类非线性不确定性系统,提出一种基于模糊神经网络的滑模变结构设计方法,能够有效消除抖振,同时在设计中不需要知道系统不确定性和扰动的上界.文献[5]将神经网络与变结构控制理论相结合,提出一种可对非线性的不确定性系统实施有效控制的神经网络变结构滑模控制方案.这2种方法没有考虑实际应用中系统存在的时滞及干扰为未知的情况,而文中的控制对象是一类非线性时滞系统,可分为标称部分和不确定部分,对实际系统中干扰和时滞为未知的情况,用神经网络逼近系统不确定性及时滞,设计基于神经网络的滑模补偿控制器控制系统的不确定部分,整个控制律保证闭环系统的渐近稳定并能减少系统的抖振.
分析了一类非线性不确定时滞系统的神经网络滑模变结构控制问题.对于实际应用中不能精确获得系统的不确定性、干扰和时滞模型的情况下,分别对系统的确定部分和不确定部分设计控制律.采用RBF神经网络逼近系统的不确定性、干扰和时滞,得到了针对系统不确定部分的补偿控制律,仿真结果表明该控制律能达到很好的控制效果.
|
