[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

说明书

本发明公开了模型未知的双电机负载的动态规划最优控制方法，能够应用神经网络逼近方法和自适应算法，计算得到对模型未知双电机伺服系统的最优控制。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。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。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。

技术领域

本发明涉及自动控制技术领域。

背景技术

针对多电机伺服系统的控制方式，最优控制理论应用不甚成熟。对于线性系统，可以用黎卡提方程离线求解其最优控制。对于非线性系统求解最优控制，要建立系统的哈密尔顿函数。然而非线性系统的哈密尔顿-雅克比-贝尔曼(HJB,Hamilton-Jacobi-Bellman)方程因为“维数灾难”问题，求解比较困难，对非线性系统最优控制的求解造成巨大困难。因此目前通常用深度学习方法来求解HJB方程，形成基于自适应动态规划(ADP，AdaptiveDynamic Programming)方法的最优控制求解方法。

尤其近几年，针对自适应动态规划方法的研究取得巨大进步，但是应用该理论解决实际系统模型的研究成果仍然不多。

发明内容

有鉴于此，本发明提供了模型未知的双电机负载的动态规划最优控制方法，能够应用神经网络逼近方法和自适应算法，计算得到对模型未知双电机伺服系统的最优控制。

模型未知的双电机负载的动态规划最优控制方法，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。

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。

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。

进一步地，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。

进一步地，估计所述双电机负载系统的神经网络模型的权重参数，具体为：

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。

进一步地，建立所述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，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：