[發明專利]一種基于多時間尺度遞歸神經網絡的非線性狀態解耦觀測方法

有效

• 申請號: 201510185121.2
• 申請日: 2015-04-17
• 公開（公告）號: CN104765929B
• 公開（公告）日: 2017-08-11
• 發明（設計）人: 付志軍
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 杭州斯可睿專利事務所有限公司33241
• 代理人: 王利強

技術領域

本發明屬于自動控制、信息技術和先進制造領域，具體涉及針對具有未知輸入的不確定非線性系統狀態觀測問題的一種基于多時間尺度遞歸神經網絡的狀態觀測方法。

背景技術

在面向實際工業過程狀態觀測、控制過程中，一些實際物理系統常因為存在較小的慣量、電容、電導或時間常數等，使得系統模型存在多個不同的時間尺度，加上外界輸入不確定性使得對此類系統的狀態觀測變得十分困難。例如對于車輛的懸架系統，由于簧載質量和輪胎本身的振動頻率存在量級差，導致系統中含有動力學時間尺度不同的狀態變量。此外未知的路面輸入給系統的狀態觀測帶來困難。目前一般是采用復合控制的思想，即通過忽略快變量以降低系統階數，得到降階的系統用來近似原系統的動力學行為，并分別針對降階的系統在兩個或多個時間尺度范圍內分別獨立研究。但是這種忽略快變量以降低階數的處理方法會造成原系統高頻動態缺失，并且會帶來降階后系統相對于原系統性能的奇異性，基于這樣的簡化模型設計的實際效果往往與設計要求相距甚遠。

發明內容

為了解決上述存在多個時間尺度的不確定非線性系統的狀態觀測問題，本發明提出了一種基于多時間尺度遞歸神經網絡的狀態觀測方法，在本發明中采用Lyapunov函數和奇異攝動理論設計了一種便于實際工程應用的權值更新律，并通過在權值更新率中引入死區特征因子，實現了對系統狀態和不確定外界輸入的解耦觀測。

本發明解決其技術問題所采用的技術方案是：

一種基于多時間尺度遞歸神經網絡的非線性狀態解耦觀測方法，所述方法包括以下步驟：

步驟(1)：建立多時間尺度遞歸神經網絡模型

不確定多時間尺度非線性系統表示如下：

其中，x(t)∈Rⁿ、y(t)∈R^m表示系統的快慢不同時間尺度的狀態向量,f_x,f_y為未知的非線性函數,u∈R^p為系統輸入,為系統輸出,C₁∈R^n×n、C₂∈R^m×m為已知的輸出矩陣，ξ_x,ξ_y為未知輸入，ε＝(ε₁…ε_m)表示不同的時間尺度系數；

構造多時間尺度遞歸神經網絡模型來逼近上述實際的非線性系統，如下：

其中，X＝[x^T,y^T]∈R^1×(n+m),A∈R^n×n、B∈R^m×m為穩定矩陣，為理想權值且滿足(i＝1,2,3,4)，ξ₁,ξ₂為建模誤差，σ_1,2(·)、φ_1,2(·)為Sigmoid型激勵函數，根據Sigmoid型函數的性質可得：

步驟(2)：建立多時間尺度遞歸神經網絡觀測器模型，如下：

其中，表示系統觀測狀態量，為權值矩陣，K₁,K₂為觀測器增益矩陣；

步驟(3)：設計在線權值更新律

通過設計恰當的Lyapunov函數結合奇異攝動理論設計如下權值更新律：

其中，

P_x,P_y為李亞普諾夫方程的解，L_1,2,3,4為正的常數矩陣，λ_1,2,3,4為正的常數。d₁、d₂為解耦觀測因子

步驟(4)：將所測得的狀態變量輸入多時間尺度遞歸神經網絡觀測器模型，通過在線學習進行觀測。

進一步，所述步驟(4)中，針對非線性系統，采集系統觀測所需的狀態變量，并做好前期傳感器非線性信號的濾波處理。

本發明的有益效果主要表現在：實現對系統狀態和不確定外界輸入的解耦觀測、簡化結構、提高學習速度、提升觀測精度。

附圖說明

圖1是多時間尺度遞歸神經網絡結構圖。

圖2是懸架質量垂直位移形變量觀測結果。

圖3是簧載質量的絕對速度觀測結果圖。