一种基于神经网络预测的线性自抗扰控制器的设计方法

1.一种基于神经网络预测的线性自抗扰控制器的设计方法，其特征在于，包括：步骤1、获取和预处理样本数据，构建样本训练集和样本测试集：步骤101、将采集到的历史样本数据划分为训练样本和测试样本，训练样本和测试样本均包括不同工况下被控制对象干扰因素、被控制对象控制量和控制对象输出值；步骤102、将训练样本和测试样本分别代入控制对象模型计算训练样本延迟时间和测试样本延迟时间，分别定义为有标签数据和无标签数据，控制对象模型如下式(1)：上式(1)中，y为控制对象输出值，s为拉普拉斯算子，K为过程的静态增益，u为控制对象输入值，τ为被控对象的迟延时间，T为过程的惯性时间；步骤103、根据额定工况条件下的被控制对象干扰因素、被控制对象控制量和控制对象输出值代入控制对象模型计算式(1)获取额定工况延迟时间；步骤104、根据标签输出值计算模型，利用额定工况延迟时间和有标签数据计算有标签输出向量；利用额定工况时间和无标签数据计算无标签输出向量，作为检验构建模型是否满足预先设定的要求，标签输出值计算模型如下式(2)：f(d，u) k ＝τ k -τ 0 .......(2)，上式(2)中，f(d，u) k 为第k个因扰动影响d造成的迟延时间偏差量，τ k 为第k个过程中通过参数辨识得到的迟延时间估计值，k为次数，k∈(1..n)，n代表进行参数辨识的次数；步骤2、利用样本训练集构造ELMAN神经网络预测模型，如下式(3)，上式(3)中，W U (k)，W C (k)和W O (k)为输入层的权重值，承接层和输出层的权重矩阵，u in (k)为包含主要扰动因素和控制量的第k个输入向量，v in (k)为隐藏层的输入向量，y out (k)为第k个输出变量，x H (k)为隐藏层的输出向量，x c (k)为承接层的输出向量，f 1 和f 2 为输入层和输出层的函数，α为承接层的增益；并用样本测试集对ELMAN神经网络预测模型进行验证，包括：步骤201、构建训练数据集X＝(u in ，y out )，输入向量为利用训练样本中被控制对象干扰因素d和控制对象输入值u构成， 输出向量为由标签输出向量构成， 步骤202、将训练数据集X＝(u in ，y out )代入ELMAN神经网络预测模型求解各个参量数值，确定ELMAN神经网络预测模型；步骤203、模型检验，构建测试数据集X'＝(u in test ,y out test )，利用无标签数据构建用于测试的输入向量，为u in test ，利用无标签输出向量构建用于测试的输出向量为y out test ，将测试的输入向量u in test 代入ELMAN神经网络预测模型求解预测输出向量y' out test ；步骤204、将预测输出向量y' out test 和测试的输出向量y out test 代入检验模型，判断ELMAN神经网络预测分析模型是否满足预先设定的要求，若不满足预先设定要求，则从新选取样本数据对ELMAN神经网络预测模型进行训练，确定最优参量数值，若满足预先设定要求，ELMAN神经网络预测分析模型构建完成；步骤3、输入工况数据到ELMAN神经网络预测模型，获取输出值改造扩张状态观测器，如下式(4)：上式(4)中，ε为预先设置的数值；输入工况数据到ELMAN神经网络预测模型获取输出值，改造扩张状态观测器包括：步骤301、获取当前状态下的控制对象干扰因素和控制对象输入值；步骤302、将当前状态下的控制对象干扰因素和控制对象输入值代入ELMAN神经网络预测分析模型，求解当前工况的迟延时间估计值；步骤303、将当前工况的迟延时间估计值输入扩张状态观测器进行改造，改造后的扩张状态观测器为下式(5)：上式(5)中，L 0 ＝[β 1 β 2 …β n β n+1 ] T 表示状态观测器增益， C 0 ＝[1 0 … 0 0] T ，z(t)为扩张状态观测器中的状态变量， 为扩张状态观测器中状态变量的导数， 为状态扩张观测器对对象输出y(t)的估计值，u(t-(τ 0 +y out (k))为输入量u过去(τ 0 +y out (k))时刻的值。