[发明专利]一种离散时滞不确定系统的滑模鲁棒控制方法

说明书

本发明公开了一种离散时滞不确定系统的滑模鲁棒控制方法。利用多群体混沌模拟退火粒子群优化算法优化支持向量回归机(SVR)结构参数，采用组合核函数支持向量回归机给出系统预测模型，通过一种新型滑模趋近律求解出控制律，并能保证该滑动模态的可达性。本发明用于一类带有状态时滞的不确定离散系统的鲁棒控制。

技术领域

本发明涉及一种离散时滞不确定系统的滑模鲁棒控制方法，属于时滞不确定离散系统的鲁棒控制技术领域。

背景技术

在工程实践中，由于建模过程存在误差，运行过程存在干扰，这些不确定因素深刻影响着离散控制系统的最终控制效果。此外，随着实际离散控制系统组成结构的日益复杂化，时间延迟不可避免的存在于信号传输、计算求解、远程控制等过程中，时滞现象往往会造成系统的控制精度大幅降低，严重的甚至可能造成系统失稳等后果。因此，分析与设计适用于时滞离散不确定系统的鲁棒控制算法，已成为当前亟待解决的工程应用问题。

滑模控制对于系统中存在的参数摄动、外部扰动等不确定性因素具有较强的鲁棒性，因而目前在不确定离散系统控制中得到了广泛的研究与应用。然而当离散系统存在时滞现象时，滑模控制在控制效果上表现出明显的性能降低，尤其当时间滞后较大，而系统对快速性要求较高时，滑模控制往往难以满足实际控制要求，甚至会出现失稳现象。支持向量回归机预测方法能够预测估计未来一段时间的系统状态，进而将其应用于时滞系统可以消除时滞对离散系统性能造成的影响。因此，对于带有时滞的不确定离散系统，将滑模控制与支持向量回归机预测相结合，不仅能够充分利用滑模控制在处理含有参数摄动和外部扰动的不确定离散系统上具有的良好的鲁棒性能优势，还可以通过预测控制有效避免时滞对系统稳定性的影响，进一步优化控制效果。

支持向量回归机(SVR)是一种基于结构风险最小化的机器学习方法，该方法已在时间序列领域取得了较好的预测效果，解决了小样本、过拟合等问题。在支持向量回归机的实际应用中，选择适合样本数据的有效核函数，能够增强支持向量回归机的可解释性与鲁棒性。将不同类型的核函数进行组合得到的新核函数可以兼顾支持向量机的学习和泛化特性。核函数的参数与惩罚因子等规则化参数通常被统称为支持向量机的结构参数。目前，对支持向量机结构参数的优化方法主要有：网格搜索法、遗传算法、人工免疫算法、蚁群算法等。其中，粒子群优化算法具有结构简单，容易实现，收敛速度快等优势，但极易陷入局部极值，无法寻找出全局最优解。将混沌思想、模拟退火算法引入粒子群优化算法，不仅改善了粒子群优化算法跳出局部极值点的能力，也在一定程度上提高了算法的收敛速度和精度。

发明内容

发明目的：针对上述现有技术，提出一种离散时滞不确定系统的滑模鲁棒控制方法，能够在所设计的离散滑模预测控制律的作用下，通过利用粒子群快速准确寻优，并通过一种含有补偿项的参考轨迹有效地不确定性、多时滞以及传感器故障对系统性能造成的不良影响，使得在传感器故障情况下，多时滞不确定离散系统保持鲁棒稳定。

技术方案：一种离散时滞不确定系统的滑模鲁棒控制方法，利用多群体混沌模拟退火粒子群优化算法优化支持向量回归机结构参数；采用组合核函数支持向量回归机给出系统预测模型；设计了一种能够确保整个动态过程的全局鲁棒性的拟积分型滑模面；通过一种新型滑模趋近律求解出控制律，并能保证该滑动模态的可达性，用以针对一类带有状态时滞的不确定离散系统的鲁棒控制，包括如下具体步骤：