基于深度哈密顿神经网络的物料提升机的鲁棒控制

安装基座的随机振动给物料提升机系统带来不确定性,对此提出一种基于深度神经网络的非线性鲁棒控制策略。首先,采用一种嵌入哈密顿力学先验的深度神经网络(HNN),拟合了系统的动力学模型;然后,以此模型为基础,结合一种隐式Lyapunov(IL)函数,设计了系统的鲁棒镇定控制器。仿真显示,所提出的基于深度哈密顿神经网络结合IL函数控制器(HIL)的控制效果与基于精确模型的控制器IL几乎完全一致;相较传统的基于黑箱神经网络模型的IL控制(BIL)、基于误差模型(IL-E),其收敛时间分别减少了25.9%和32.5%。结果表明,所提出的控制策略能准确表征系统的非线性动力学特征,有效抑制基座振动不确定的影响,实现物料提升机的快速精确鲁棒镇定。