CN108107717B - 一种适用于量化多自主体系统的分布式控制方法 - Google Patents
一种适用于量化多自主体系统的分布式控制方法 Download PDFInfo
- Publication number
- CN108107717B CN108107717B CN201710892738.7A CN201710892738A CN108107717B CN 108107717 B CN108107717 B CN 108107717B CN 201710892738 A CN201710892738 A CN 201710892738A CN 108107717 B CN108107717 B CN 108107717B
- Authority
- CN
- China
- Prior art keywords
- model
- order
- follows
- establishing
- autonomous system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种适用于量化多自主体系统的分布式控制方法,包括以下步骤:高阶非线性非同一多自主体建模;建立输入量化模型;在输入量化情形下建立执行机构故障模型;高阶多自主体模型的变化;建立分布式自适应一致控制模型。解决了在量化信号的情形下多自主体系统一致性控制的问题,即将所有的自主体的输出调整到期望状态。
Description
技术领域
本发明属于控制理论与应用技术领域,涉及一种适用于量化多自主体系统的分布式控制方法。
背景技术
多自主体系统一致控制在无人机编队飞行、卫星星座构型调整和协同发电等很多领域都有广泛的应用,近年来已经成为控制领域的研究热点。而在许多工程领域里,比如数字化控制系统、混合系统和网络控制系统,量化信号是不可避免的。对于每个自主体而言,只可根据自身以及相邻自主体的信息进行编队协同控制,也就是说,多自主体系统的控制属于分布式控制。因此,研究量化多自主体系统的分散控制方法具有重要意义。
信号量化,一般可认为是从连续信号到离散有限集合的映射。为了解决量化系统中存在的不确定性和干扰,Persis等提出了一系列鲁棒控制方法。但是上述方法不能解决高阶非线性系统的量化控制问题。为了解决该问题,Zhou等引入自适应反步思想,获得了不错的效果。但是上述文献都是针对单一系统,并未针对网络化的复杂系统进行研究。如前所述,网络化多自主体系统具有广泛的应用范围和很高实用价值。因此研究多自主体系统中量化信号的特性,进而研究量化多自主体系统的分散控制方法,具有重要的理论和实践意义。
发明内容
本发明的目的在于提供一种适用于量化多自主体系统的分布式控制方法;解决了在量化信号的情形下多自主体系统一致性控制的问题,即将所有的自主体的输出调整到期望状态。
本发明的目的是通过以下技术方案来实现的:
这种适用于量化多自主体系统的分布式控制方法,包括以下步骤:步骤1,高阶非线性非同一多自主体建模;步骤2,建立输入量化模型;步骤3,在输入量化情形下建立执行机构故障模型;步骤4,高阶多自主体模型的变化;步骤5,建立分布式自适应一致控制模型,具体为:定义其中βi,q-1为第(q-1)的虚拟控制量,定义以及i=1,…,N得到时变参数和外部干扰为:
更进一步的,本发明的特点还在于:
其中步骤5中建立分布式自适应一致控制模型的具体过程为包括以下步骤:
步骤5.1,设计第1虚拟控制量为
步骤5.2,设计第q(1<q≤n-1)虚拟控制量为:
步骤5.3,设计第n虚拟控制量为:
其中步骤2中输入量化模型为:
其中步骤3中执行机构故障模型为:vi(t)=hi(t)Qi(ui)+di,u(t)=hi(t)ui+hi(t)Δi+di,u(t),其中vi(t)为执行机构的输出,为执行机构的偏移故障,hi(t)表示执行机构增益故障的尺度,hi(t)∈[0,1]。
其中步骤4中高阶非线性多自主体的模型为:
yi=xi,1,i=1,…,N
与现有技术相比,本发明的有益效果在于:从高阶非线性多自主体系统的运动学动力学角度出发,在输入信号分段量化的情形下,能够实现多自主体的一致控制;同时,本发明所提的控制方法能够实现执行机构存在故障情形下的容错控制,具备非脆弱性。控制增益根据外部干扰和故障情形变化而变化,具有非保守性。此外,控制器结构简单,可以减轻计算机的运算负荷,具有较高的实用价值,能够在无人机编队飞行、卫星星座排布与调整等领域得到广泛的应用。
附图说明
图1为本发明实施例中多自主体输出量γi的变化轨线;
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明提供了一种适用于量化多自主体系统的分布式控制方法,具体的包括以下步骤:
步骤1,高阶非线性非同一多自主体建模;其中高阶非线性多自主体系统表示为:其中为系统状态和控制输入,时变分段连续未知参数,和为已知光滑函数,为未知光滑函数,di,q(t)为不匹配干扰,Qi(ui)为的量化值。
步骤2,建立输入量化模型为:
,其中j=1,2,…and ui,min>0代表q(ui)的死区参数0<ρi<1,δi=(1-ρi)/(1+ρi),ρi是量化密度的测度,也就是说,ρi越小,量化器越粗糙,通常情况下,Qi(ui)被分解为一个线性部分和一个非线性部分Qi(ui)=ui+Δi,其中
步骤3,在实际工程应用中,执行机构故障常常存在于多自主体系统中。考虑到输入信号的量化过程,建立执行机构故障模型为:vi(t)=hi(t)Qi(ui)+di,u(t)=hi(t)ui+hi(t)Δi+di,u(t),其中vi(t)为执行机构的输出,为执行机构的偏移故障,hi(t)表示执行机构增益故障的尺度,hi(t)∈[0,1]。三种类型的故障可由hi(t)表示:hi(t)=1:执行机构以全效率工作;0<hi(t)<1,执行机构部分损失其效率。例如,hi(t)=0.8表征执行机构损失了20%的效率;hi(t)=0,执行机构处于卡死状态,执行机构的输出不再受输入的影响。
步骤4,高阶多自主体模型的变化;考虑到输入信号的量化和执行机构的故障,高阶非线性多自主体的模型可以建立为:
yi=xi,1,i=1,…,N
步骤5,建立分布式自适应一致控制模型,具体为:定义
在步骤5中虚拟控制律的设计过程为:
步骤5.1设计第1虚拟控制量为
步骤5.2,设计第q(1<q≤n-1)虚拟控制量为:
步骤5.3,设计第n虚拟控制量为:
以实现多机械壁协同操作为实施例。单链接机械臂模型为:其中为链接位置和速度,τi为控制力矩,量化参数采用为δi=0.6,ui,min=0.2,执行机构故障模型为初始参数为:xi,1(0)=0.05(6-i),xi,2(0)=0,xi,3(0)=0。
本实施例所设计的自适应反步一致控制方法的实际效果图如图1-5所示。各个自主体的输出量均能收敛到期望值。收敛误差较小,而且自适应参数有界。通过该控制器可以实现输入量化和故障情形下的多自主体的协同控制。由于该控制方法简单可行,能够应用在工程实际中。
Claims (2)
1.一种适用于量化多自主体系统的分布式控制方法,其特征在于,包括以下步骤:
步骤1,高阶非线性非同一多自主体建模;
所述步骤1中,高阶非线性多自主体系统表示为:
步骤2,建立输入量化模型;
所述步骤2中输入量化模型为:
步骤3,在输入量化情形下建立执行机构故障模型;
所述步骤3中执行机构故障模型为:vi(t)=hi(t)Qi(ui)+di,u(t)=hi(t)ui+hi(t)Δi+di,u(t),其中vi(t)为执行机构的输出,为执行机构的偏移故障,hi(t)表示执行机构增益故障的尺度,hi(t)∈[0,1];
步骤4,高阶多自主体模型的变化;
所述步骤4中含有执行机构故障和输入信号量化的高阶非线性多自主体的模型为:
yi=xi,1,i=1,…,N
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710892738.7A CN108107717B (zh) | 2017-09-27 | 2017-09-27 | 一种适用于量化多自主体系统的分布式控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710892738.7A CN108107717B (zh) | 2017-09-27 | 2017-09-27 | 一种适用于量化多自主体系统的分布式控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108107717A CN108107717A (zh) | 2018-06-01 |
CN108107717B true CN108107717B (zh) | 2021-01-12 |
Family
ID=62206734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710892738.7A Active CN108107717B (zh) | 2017-09-27 | 2017-09-27 | 一种适用于量化多自主体系统的分布式控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108107717B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375511B (zh) * | 2018-11-19 | 2021-11-26 | 曲阜师范大学 | 抗干扰量化控制模型获取方法及系统、控制器和控制方法 |
CN110632940B (zh) * | 2019-07-25 | 2022-05-24 | 中北大学 | 一种带混合量化器的多无人机主动抗干扰时变轨迹跟踪控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
CN101657766A (zh) * | 2007-04-13 | 2010-02-24 | 西门子共同研究公司 | 用于分布式工厂控制系统的在线故障检测和避免框架 |
JP4466737B2 (ja) * | 2005-12-13 | 2010-05-26 | パナソニック電工株式会社 | 分散ルーティング環境下でフェイルオーバーを取り扱うシステムと方法 |
CN102566421A (zh) * | 2010-09-17 | 2012-07-11 | 西门子公司 | 机器状态监控中异常检测的条件相关性建模的系统和方法 |
CN104536292A (zh) * | 2014-12-05 | 2015-04-22 | 北京航空航天大学 | 一种基于stf和mb的飞机环境控制系统换热器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1387232A1 (fr) * | 2002-07-29 | 2004-02-04 | Centre National De La Recherche Scientifique | Procédé de détermination de la valeur à donner à différents paramètres d'un système |
-
2017
- 2017-09-27 CN CN201710892738.7A patent/CN108107717B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4466737B2 (ja) * | 2005-12-13 | 2010-05-26 | パナソニック電工株式会社 | 分散ルーティング環境下でフェイルオーバーを取り扱うシステムと方法 |
CN101657766A (zh) * | 2007-04-13 | 2010-02-24 | 西门子共同研究公司 | 用于分布式工厂控制系统的在线故障检测和避免框架 |
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
CN102566421A (zh) * | 2010-09-17 | 2012-07-11 | 西门子公司 | 机器状态监控中异常检测的条件相关性建模的系统和方法 |
CN104536292A (zh) * | 2014-12-05 | 2015-04-22 | 北京航空航天大学 | 一种基于stf和mb的飞机环境控制系统换热器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于小波神经网络的风力发电机故障诊断;庄哲民等;《电工技术学报》;20090430;第24卷(第4期);第224-228页 * |
无线传感器网络在电力系统中的应用;周问天等;《电力电子技术》;20100228;第44卷(第2期);第70-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108107717A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375907B (zh) | 基于神经网络的高超声速飞行器自适应补偿控制方法 | |
Lu et al. | System-decomposition-based multilevel control for hydraulic press machine | |
CN110687870B (zh) | 基于非线性扩张状态观测器的机械臂跟踪控制器及系统 | |
CN110687784B (zh) | 一种针对非线性不确定系统的自适应事件触发控制方法 | |
Zheng et al. | Event‐triggered control for a saturated nonlinear system with prescribed performance and finite‐time convergence | |
CN108107717B (zh) | 一种适用于量化多自主体系统的分布式控制方法 | |
CN104796111A (zh) | 一种用于动态迟滞系统建模与补偿的非线性自适应滤波器 | |
CN110376902B (zh) | 一种欠驱动机械系统伺服约束跟踪控制器的设计方法 | |
JP2010170524A (ja) | システムを制御するためのコントローラおよびコントローラを有するシステムを制御する方法 | |
CN113625562A (zh) | 一种基于自适应观测器的非线性系统模糊容错控制方法 | |
Sun et al. | Novel sliding-mode disturbance observer-based tracking control with applications to robot manipulators | |
Rigatos et al. | Non‐linear optimal control for multi‐DOF electro‐hydraulic robotic manipulators | |
CN114114928A (zh) | 一种压电微定位平台的固定时间自适应事件触发控制方法 | |
CN107102549B (zh) | 参数不确定条件下空间绳系机器人目标逼近姿轨稳定控制方法 | |
CN114296342A (zh) | 一种分布式动态事件触发多智能体系统的一致性控制方法 | |
CN107463097B (zh) | 一种水下机器人的自适应量化容错控制装置及其方法 | |
CN111564841B (zh) | 多机电力系统的输入量化有限时间容错抗干扰控制方法 | |
CN113568431A (zh) | 考虑通信受限的航天器编队有限时间轨道跟踪控制方法 | |
CN109324503B (zh) | 基于鲁棒积分的多层神经网络电机系统控制方法 | |
CN107065516B (zh) | 含故障和异质执行器的单一自适应模糊动态面控制系统 | |
CN115373270A (zh) | 基于全状态约束mimo自适应事件触发控制方法及系统 | |
CN107065522B (zh) | 非线性切换双时标系统模糊慢状态反馈h∞控制方法 | |
CN112286125A (zh) | 电机驱动风扇事件触发固定时间容错控制方法及系统 | |
CN110045617B (zh) | 一种工业过程约束预测先进控制方法 | |
Chen et al. | Optimal tracking control for unknown nonlinear systems with uncertain input saturation: A dynamic event-triggered ADP algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |