時變時滯系統(tǒng)滑模變結(jié)構(gòu)智能控制策略研究.pdf

1、在許多工業(yè)和國防領(lǐng)域中，受控對象的數(shù)學模型往往事先難以確定，即使在某一條件下被確定了的數(shù)學模型，在工況和條件改變后，其動態(tài)參數(shù)乃至于模型的結(jié)構(gòu)仍經(jīng)常發(fā)生變化，常規(guī)控制器不可能獲得好的控制品質(zhì)。在這些復雜的被對象當中，常還廣泛地存在著時滯現(xiàn)象，受控對象的固有時滯給系統(tǒng)分析和綜合帶來很大困難。而時變時滯的特性則使問題更加復雜，因而對此類問題的研究具有重要的理論和實踐意義。 本文研究的主要內(nèi)容為針對一類過程動態(tài)特性隨系統(tǒng)工作條件的變化

2、而變化，并且能夠確定標識工作條件變量同時這些變量可以被控制的單輸入單輸出時變時滯系統(tǒng)。采用多模型自適應控制的當前模型產(chǎn)生方法、滑模變結(jié)構(gòu)控制策略、BP線性神經(jīng)網(wǎng)絡(luò)建模方法及Smnh預估控制原理來實現(xiàn)系統(tǒng)的自適應控制，即神經(jīng)網(wǎng)絡(luò)滑模變結(jié)構(gòu)自適應控制。 當定常系統(tǒng)結(jié)構(gòu)未知且采用滑模變結(jié)構(gòu)控制策略時，本文采用即線性神經(jīng)網(wǎng)絡(luò)來建立被控對象的數(shù)學模型，網(wǎng)絡(luò)中所有神經(jīng)元的激勵函數(shù)都是比例函數(shù)。通過連接權(quán)及閾值的學習，這樣神經(jīng)網(wǎng)絡(luò)不僅能實現(xiàn)輸

3、入輸出之間的非線性映射關(guān)系，而且已經(jīng)學習好的輸入輸出之間的關(guān)系可轉(zhuǎn)化成清晰的解析表達式，基于此解析表達式便于實現(xiàn)滑模變結(jié)構(gòu)控制。 當系統(tǒng)時變且系統(tǒng)結(jié)構(gòu)已知時，對能標識系統(tǒng)工作條件的變量進行模糊劃分，根據(jù)模糊劃分的結(jié)果形成多個定常子系統(tǒng)，基于檢測到的標識系統(tǒng)工作條件的變量值，計算每個子模型的加權(quán)系數(shù)，在線獲得一個適應實際系統(tǒng)的加權(quán)模型，基于此加權(quán)模型實施滑模變結(jié)構(gòu)控制策略，實現(xiàn)了時變系統(tǒng)的自適應控制。 當系統(tǒng)時變且系統(tǒng)結(jié)構(gòu)

4、未知時，對能標識系統(tǒng)工作條件的變量進行模糊劃分，根據(jù)模糊劃分的結(jié)果形成多個定常子系統(tǒng)，針對每個定常子系統(tǒng)建立相應的BP線性神經(jīng)網(wǎng)絡(luò)模型，基于每個即線性神經(jīng)網(wǎng)絡(luò)模型實施滑模變結(jié)構(gòu)控制策略，基于檢測到的標識系統(tǒng)工作條件的變量值，計算每個子滑模變結(jié)構(gòu)控器輸出的加權(quán)系數(shù)，在線獲得一個適應實際系統(tǒng)的加權(quán)控制量，實現(xiàn)了系統(tǒng)的自適應控制。 當系統(tǒng)時變又時滯且系統(tǒng)結(jié)構(gòu)已知時，先對系統(tǒng)進行模糊劃分，形成多個子系統(tǒng)，這些子系統(tǒng)都是定常時滯的。系統(tǒng)結(jié)

5、構(gòu)已知時，基于檢測到的標識系統(tǒng)工作條件的變量值，計算每個子滑模變結(jié)構(gòu)控器輸出的加權(quán)系數(shù)，系統(tǒng)的在線模型則是這些子模型的加權(quán)結(jié)果，根據(jù)Smith預估控制原理，對此在線模型無時滯環(huán)節(jié)構(gòu)成閉環(huán)實施滑模變結(jié)構(gòu)控制，實現(xiàn)了系統(tǒng)的自適應控制。 當系統(tǒng)時變又時滯且系統(tǒng)結(jié)構(gòu)未知時，先對系統(tǒng)進行模糊劃分，形成多個子系統(tǒng)，這些子系統(tǒng)都是定常時滯的，依次建立每個子系統(tǒng)的無時滯即線性神經(jīng)網(wǎng)絡(luò)模型。根據(jù)Smnh預估控制原理，對這些子線性神經(jīng)網(wǎng)絡(luò)模型分別構(gòu)