[发明专利]一种面向学习的扰动观测器设计方法

说明书

本发明公开一种面向学习的扰动观测器设计方法，属于智能控制领域。本发明主要在数据驱动的框架下，针对具有非重复外部扰动的可重复系统的总扰动估计问题，扰动观测器方案如下：建立带有非重复扰动的系统；将系统迭代线性化为线性数据模型，把非重复扰动转化为总扰动；设计迭代更新算法估计线性数据模型中的梯度矩阵；针对状态可测的系统，设计基于状态的学习扰动观测器；针对状态不可测的系统，设计基于输出的学习扰动观测器。本发明公开的面向学习的扰动观测器设计方法可以在数据驱动的框架下对系统中的总扰动进行估计，仅利用了少量的模型信息，具有良好的适应性，且能够从之前批次的运行数据中进行学习，对总扰动的估计更加精确。

技术领域

本发明属于智能控制领域，更具体地，涉及一种基于数据驱动的学习扰动观测器的设计方法。

背景技术

在工业应用中，扰动的存在是不可避免的。系统扰动不仅包括非线性扰动、时滞、传感器测量噪声，还包括外部扰动和未知输入扰动。系统中的扰动会严重影响控制性能。为了解决系统中的扰动，可以设计一个用于估计不确定性的扰动观测器，然后将其并入控制器中，以补偿其对控制性能的影响。

目前，线性扰动观测器已经得到了很好的发展，有许多理论成果和实际应用，如基于频域的扰动观测器、降阶扰动观测器、时滞扰动观测器、广义PI型观测器等。另一方面，由于非线性系统在实际应用中比线性系统更为普遍，因此，近年来也针对非线性扰动观测器国内外学者做了诸多研究，如高阶扰动观测器、扩张高增益状态观测器等。

然而，大多数扰动观测器，无论是线性的还是非线性的，都需要已知的模型信息作为先验。换句话说，这些方法是基于模型的。然而，由于实际过程越来越复杂，规模也越来越大，用物理化学原理或辨识方法对控制对象进行建模实际上太困难了。因此，上述基于模型的观测器在应用于实际问题时可能会遇到挑战和困难，因此数据驱动的建模、控制、优化方法变得更加流行。另一方面，许多实际系统都是在固定时间重复操作的。例如，工业机器人、高速列车、流量系统、多智能体系统等等。对于这样的重复系统，迭代学习控制能够使用先前试验中的控制信息进行完美跟踪。如何在数据驱动的框架下，对迭代学习控制中非重复扰动进行估计，设计一种基于数据驱动的学习扰动观测器方法，是目前该领域亟需解决的问题。

为了估计可重复系统中的非重复扰动，有必要设计一种不依赖系统模型，能够对重复扰动进行估计的学习扰动观测器。

发明内容

本发明公开的一种面向学习的扰动观测器设计方法要解决的技术问题是，在可重复系统中存在非重复扰动的情况下，设计的学习扰动观测器能够沿着迭代轴使用系统运行数据对系统总扰动进行估计。

本发明的目的通过以下技术方案实现：

本发明公开一种面向学习的扰动观测器设计方法，主要针对在数据驱动的框架下，具有非重复外部扰动的可重复系统的总扰动估计问题，在数据驱动的框架下设计的面向学习的扰动观测器，在迭代域利用可测系统状态和系统输出对线性数据模型中的总扰动进行估计，仅利用了少量的模型信息，具有良好的适应性。

本发明公开的一种面向学习的扰动观测器设计方法，所述方法包括以下步骤：

步骤1、建立带有非重复扰动的系统：

(1)考虑一个带有扰动的离散多输入多输出线性系统，如下所示：

其中，

x_k(t+1)∈Rⁿ表示第k次迭代t+1时刻，系统的状态；

u_k(t)∈R^l表示第k次迭代t时刻，系统的控制输入；

d_k(t)∈Rⁿ表示第k次迭代t时刻，系统中的扰动；