[发明专利]模型未知的双电机负载的动态规划最优控制方法

权利要求书

1.模型未知的双电机负载的动态规划最优控制方法，其特征在于，该方法包括如下步骤：

建立针对双电机负载系统的神经网络模型，估计所述双电机负载系统的神经网络模型的权重参数；

所述双电机负载系统包括第1电机和第2电机，共2个电机；

所述方法还包括：

针对所述双电机负载系统，建立数学模型，为：

其中x₁表示负载的转角，x₂表示负载的转速，分别为x₁,x₂的导数，T_i为负载控制输入，r为负载的摩擦系数，J是负载的转动惯量，g_i为第i电机的动态参数；

所述双电机负载系统的动态函数为：

所述双电机负载系统为：

其中x为所述双电机负载系统状态x＝[x₁,x₂]^T；b₀为指代参数，用于指代g_j为第j个电机的动态参数；

采用基于参数误差信息的自适应算法估计所述双电机负载系统的神经网络模型的权重参数；u_j为第j电机的输入力矩；

具体为：

S101、所述双电机负载系统包括第1电机和第2电机，共2个电机；

建立针对所述双电机负载系统的神经网络模型：

其中x为所述双电机负载系统状态；为x的导数；

W₁为所述双电机负载系统的神经网络模型的权重参数，W₁采用如下步骤S102～S105获取的估计值代替；其中即W₁为n行b列的矩阵，b为预设的神经网络节点数，n双电机负载系统的阶数；W_f为系统动态的神经网络权重矩阵，W_g1,W_g2均为系统电机输入动态神经网络的权重矩阵；

为所述双电机负载系统的神经网络激励函数，由系统状态x和第1电机和第2电机的输入力矩u₁和u₂决定；

S102、建立所述双电机负载系统状态x和激励函数φ₁；其中x的滤波变量为x_f，φ₁的滤波变量为φ_1f；

为φ_1f的导数，为x_f的导数；k为预设的滤波参数；

S103、建立第一辅助矩阵P₁和第二辅助矩阵Q₁：l为设定的辅助参数经验值；

S104、建立第三辅助矩阵M₁为：

S105、建立权重参数W₁估计的自适应律为Γ₁为设置的自适应参数经验值；当所述φ₁为持续激励时，应用所述W₁估计的自适应律估计获得

和为预设的系统动态和输入动态的神经网络激励函数；

建立针对性能指标函数的神经网络模型，结合哈密尔顿-雅克比-贝尔曼HJB方程，估计所述性能指标函数的神经网络模型的权重参数；

具体包括：

S201、建立性能指标函数：

其中，为第i电机对应的性能指标；为代价函数；

O_i为与所述双电机负载系统状态x维数匹配的对称正定矩阵；

R_ij为与第j电机的输入力矩u_j维数匹配的对称正定矩阵；

S202、建立针对所述性能指标函数V_i^*(x)的神经网络模型为：

其中V_i(x)为V_i^*(x)的神经网络输出函数；为V_i^*(x)的神经网络模型的激励函数，由系统状态x决定；W_ci为权重参数，采用如下步骤S205～S207获取的估计值代替；

S203、构建哈密尔顿-雅克比-贝尔曼HJB方程

其中为代价函数；为的梯度；

为神经网络逼近误差；

S204、根据解得第i电机的最优输入力矩为：

为根据估计值得到的W_gi的估计值；R_ii为与第i电机的输入力矩u_i维数匹配的对称正定矩阵；

S205、建立第四辅助矩阵P₂和第五辅助矩阵Q₂；

每个电机对应一个性能指标；则对应第i个性能指标的第四辅助矩阵P_2i为P_2i(0)＝0；对应第i个性能指标的第五辅助矩阵Q_2i为Q_2i(0)＝0；

其中Θ_i＝r_i(x,u₁,u₂)和

S206、建立第六辅助矩阵M₂，对应第i个性能指标的第六辅助矩阵M₂为

建立参数W_ci估计的自适应律为Γ_2i为设置的自适应参数经验值；

当所述为持续激励时，应用所述W_ci估计的自适应律估计获得

结合所述双电机负载系统的神经网络模型以及所述性能指标函数的神经网络模型采用HJB方程求解最优控制，获得每个电机的最优输入力矩；

根据所述最优输入力矩对相应电机的参数进行调节。