[发明专利]非线性系统执行器故障PPB-SIADP容错控制方法

说明书

本发明公开了一种非线性系统执行器故障PPB‑SIADP容错控制方法。对于标称非线性系统经过预定性能边界变换得到新的误差跟踪系统，利用增量非线性技术得到一个近似线性时变系统；根据执行器的冗余特性和功能，提出一种执行器的分组方案，并设计一个增量神经网络观测器来逼近多重执行器故障；设计泛函性能指标去处理执行器饱和问题，推导出相对应的哈密顿‑雅克比‑贝尔曼方程；采用单网络增量自适应动态规划算法来实现最优控制。新的单网络增量自适应动态规划方案由一个优化的评价网络构成，本发明可以缩短学习时间并减少控制过程中的计算负担。

技术领域

本发明涉及容错控制领域，具体涉及一种非线性系统执行器故障PPB-SIADP容错控制方法。

背景技术

工程系统越来越复杂，在运行过程中可能会出现各种故障。由于长期频繁地执行控制任务，执行器容易出现故障。在执行器发生故障后，不仅不能执行原始控制律，而且直接影响被控对象的输出，从而降低整个系统的性能。然而，容错控制(Fault-tolerantContro1，FTC)方法为提高复杂非线性系统的可靠性和安全性提供了有效途径。开发FTC方案来处理此类故障并保持可接受的系统性能具有重要意义。

通常，FTC方法可分为两类：被动容错控制(Passive Fault-tolerant Control，PFTC)和主动容错控制(Active Fault-tolerant Control，AFTC)。PFTC主要依靠控制器本身的鲁棒性来减少一类假定故障的影响，从而达到容错控制的目的。PFTC控制器的特点是需要预先知道所有可能的故障类型，其保守的设计使其难以实现更好的控制性能。从处理故障的功能性角度来看，其他研究人员还将主动容错控制方案(Active Fault-tolerantControl Scheme，AFTCS)分类为故障检测、识别(诊断)和调节方案。AFTC主要利用实时故障检测和诊断(Fault Detection and Diagnosis，FDD)模块在线检测和获取故障信息，然后重构控制律，使系统获得更满意的控制效果。AFTC主要包含三个方面：FDD模块、可重构的控制器模块以及控制器重组设计机制。相对于被动容错控制，主动容错控制的控制效果会更加。

在考虑优化的情况下，将自适应动态规划(ADP，Approximate DynamicProgramming)引入FTC方案的设计中，从而得到更好的控制效果。ADP通过将强化学习、神经网络等理论与经典的动态规划相结合，克服了传统DP的缺点，能够获得近似最优的控制律，是一种解决非线性系统最优控制的有效方法。传统的动态规划(Dynamic Programming，DP)由于“维数的诅咒”而难以实现，也就是随着非线性系统的状态信号和输入信号维数增长的时候，DP的数据存储量和计算量都会增加。为了克服这些缺点，作为强化学习的一个重要分支，ADP框架通过神经网络来估计代价函数，在线或离线的近似迭代有效地处理了这个问题。推导非线性最优控制问题解的核心挑战通常归结为求解某些哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman，HJB)方程。HJB方程是非线性的，对于一般的非线性动力系统很难求解。事实上，除了非常特殊的问题外，此类方程不存在封闭形式的解。因此，工程师们开发了HJB方程的数值解。为了获得这样的数值解，可以使用ADP的高效算法去获得。增量控制常与自适应控制相结合，以减少对动力学知识的依赖，该算法可以在不辨识全局系统的情况下处理系统非线性和不确定性。有相关文献中引入了增量自适应动态规划(IncrementalAdaptive Dynamic Programming，IADP)算法来解决非线性系统的自适应跟踪控制问题。然而，相关工作中未给出系统稳定性分析。并且在这些算法中，大量的调谐参数是常见的不足。根据标准梯度下降算法，应该更新神经网络的期望权重的估计值，这不可避免地需要在线计算大量数据，并大大增加了计算负担。值得注意的是，一些研究人员已经对基于较少学习参数的控制策略进行了研究，但是这些控制方案没有考虑优化的FTC。因此，如何开发一种具有较少学习参数和较少在线计算负担的新型单网络自适应动态规划(SIADP，Single-network Incremental Adaptive Dynamic Programming)并将其推广到FTC策略是一个重要的问题。