CN109143863A - 非线性系统的快速自学习改进adrc控制方法 - Google Patents
非线性系统的快速自学习改进adrc控制方法 Download PDFInfo
- Publication number
- CN109143863A CN109143863A CN201811065970.4A CN201811065970A CN109143863A CN 109143863 A CN109143863 A CN 109143863A CN 201811065970 A CN201811065970 A CN 201811065970A CN 109143863 A CN109143863 A CN 109143863A
- Authority
- CN
- China
- Prior art keywords
- control
- follows
- nonlinear
- model
- controller
- 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.)
- Granted
Links
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
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Abstract
本发明公开了一种非线性系统的快速自学习改进ADRC控制方法,包括如下步骤:步骤一:创建自抗扰控制器(ADRC):自抗扰控制器包括跟踪微分器(TD)、扩张状态观测器(ESO)、非线性误差反馈(NLSEF)和扰动补偿四部分;步骤11)建立跟踪微分器(TD)控制模型;步骤12)建立扩张状态观测器(ESO)控制模型;步骤13)建立非线性误差反馈(NLSEF)控制模型;步骤14)建立扰动补偿控制模型;步骤二:创建自学习自抗扰控制器(SADRC):将自学习方法运用于非线性误差反馈(NLSEF)控制模型中,建立自学习非线性自抗扰控制系统模型;步骤三:创建快速自学习自抗扰控制器(FSADRC):采用附加动量项的方法,设计面向学习率的自适应机制,建立基于动态自适应学习率的快速自学习模型。
Description
技术领域
本发明涉及一种非线性系统的控制方法,具体的为一种非线性系统的快速自学习改进ADRC控制方法。
背景技术
双向拉伸薄膜厚度的均匀性是其质量好坏重要标准之一,若均匀性不好,会在薄膜的某个位置上出现相对偏差。如果这个偏差位置不变,经收卷累计数千层后,薄膜会出现凹沟、箍或暴筋等不良缺陷,并导致永久变形。这就让薄膜厚度的测量和控制显得非常重要,因为它直接影响到薄膜产品的力学性能和表现质量。在双向拉伸薄膜生产中,影响薄膜厚度的因素有很多,比如原材料质量、挤出压力、模头温度、拉伸车速等,其中一个或多个因素的变化都会导致薄膜厚度出现难易预测变化,因此薄膜厚度控制是非线性、多变量耦合、时变和大滞后的复杂系统。
由于薄膜厚度控制无法精确地建立数学模型,因此现有控制方法主要是基于系统误差来消除误差,其中具有代表性的是PID控制器。其结构简单,成熟可靠,被广泛应用于工业控制中。但是对于高精度加工成型需求的薄膜厚度控制,PID控制器有着快速性与超调量的矛盾并且其抗干扰性较差。自抗扰控制技术是对PID扬长避短的改进方法,其优点在于它能将系统的内外干扰统一视为总扰动进行观测补偿,大量实验验证了该方法的有效性。有些自抗扰控制器虽然理论上可以处理复杂的控制系统,但是它不仅参数多而且不易整定出一组相对理想的控制参数。神经网络具有强大的非线性拟合能力和自学习能力,对参数的优化有着积极的作用,在控制领域得到了广泛的应用。可采用RBF神经网络算法控制薄膜厚度,但对大时延系统控制效果不佳。总之,目前对双向拉伸薄膜厚度控制系统还有待优化的方面。
发明内容
有鉴于此,本发明的目的在于提供一种非线性系统的快速自学习改进ADRC控制方法,具有响应速度快,过渡过程短和自适应性强等优点,其具有很好控制品质。
为达到上述目的,本发明提供如下技术方案:
一种非线性系统的快速自学习改进ADRC控制方法,包括如下步骤:
步骤一:创建自抗扰控制器(ADRC):根据非线性控制系统特性,该自抗扰控制器包括跟踪微分器(TD)、扩张状态观测器(ESO)、非线性误差反馈(NLSEF)和扰动补偿四部分;
步骤11)建立跟踪微分器(TD)控制模型;
步骤12)建立扩张状态观测器(ESO)控制模型;
步骤13)建立非线性误差反馈(NLSEF)控制模型;
步骤14)建立扰动补偿控制模型;
步骤二:创建自学习自抗扰控制器(SADRC):将自学习方法运用于非线性误差反馈(NLSEF)控制模型中,建立自学习非线性自抗扰控制系统模型;
步骤三:创建快速自学习自抗扰控制器(FSADRC):采用附加动量项的方法,设计面向学习率的自适应机制,对自学习非线性自抗扰控制器(SADRC)进行改进,建立基于动态自适应学习率的快速自学习模型。
进一步,所述步骤11)中,所述跟踪微分器(TD)离散化后的形式为:
令:
其中,v1为安排过渡过程量;v2为微分信号;h为采样周期,h0为滤波因子,δ为速度因子;τ′为控制系数;d、d0、a、a0为中间参数;λ1为决定跟踪快慢的参数;系统最优控制函数fst(·)的形式为:
进一步,所述步骤12)中,扩张状态观测器(ESO)的控制模型为:
其中,z1、z2、z3为观测器的状态;β1、β2、β3为大于零的观测器增益系数;为扩张状态观测器(ESO)的输出(观测估计值);e′为观测误差;ε1和ε2为构造函数系数;b为增益补偿;u为控制信号;非线性组合幂次函数fal(e′,ε,δ)表示为:
进一步,所述步骤13)中,非线性误差反馈(NLSEF)的控制模型为:
其中,β01、β02、β03为输出误差校正增益;δ为线性段区间长度;e0,e1,e2为输入误差;α0、α1、α2为决定非线性函数fal的非线性度,且α0≤α1≤α2;u0为控制器的输出值;xm为GHO(z)预估器的输出;ym为GHP(z)预估器的输出。
进一步,所述步骤14)中,扰动补偿的模型为:
其中,u为控制信号;u0为控制信号;b0为补偿因子。
进一步,所述步骤二中,自学习非线性自抗扰控制系统模型的建立方法如下:
在非线性误差反馈(NLSEF)增加一个输入参数e0,由非线性误差反馈(NLSEF)的控制模型可知,线性控制效果与参数β01、β02、β03有关,而这三个参数存在不易调节的不足;在此基础上,将参数β01、β02、β03参数用传统kP、kI、kD表示,则可得到的非线性控制律为:
u0=kPfal(e1(k),α1,δ)+kIfal(e0(k),α0,δ)+kDfal(e2(k),α2,δ) (7)
其中,kP、kI、kD为可调节的参数,并且令:
将e0,e1,e2和u0分别作为神经网络自学习的输入和输出,以b1(k),b2(k),b3(k)作为神经网络隐层神经元的激励函数,以kP、kI、kD作为神经网络的权值;
参数kP、kI、kD自学习过程为,令E(k)=v1(k)-z1(k),神经网络输出层误差(损失函数)定义为:
其中,E为标准误差;
为了最小化输出误差,采用最速梯度下降法调整神经网络权值,即:
其中,偏导参数为:
则P、I、D的偏导参数分别为:
其中:
E(k+1)和都与系统的将来状态有关,这样会使神经网络权值训练困难;如果算法是收敛的,则必有|E(k+1)|<|E(k)|,所以可得:
|E(k+1)|=ρE(k),0<ρ<1 (14)
由于ρ可通过学习率η来弥补,因此可以用E(k)代替E(k+1);此外,由于未知,可用符号函数来近似代替,即:
可得:
其中,η为学习率;
为了避免权值过大,引起神经网络训练过程中出现的振荡现象,对权值进行归一化处理,可得:
进一步,所述步骤三中,基于动态自适应学习率的快速自学习模型的建立方法为:附加动量项是一种广泛用于加速梯度下降法收敛的优化方法,其核心思想是在梯度下降搜索时,若当前梯度下降与之前梯度下降方向相同,则加速搜索,反之则减速搜索;
神经网络标准BP算法的参数更新项为:
Δw(k)=ηg(k) (18)
式中,Δw(k)为第k次迭代的参数调整量,η为学习率,g(k)为第k次迭代所计算出的梯度;
在添加动量项之后,基于梯度下降的参数更新项为:
Δw(k)=η[(1-μ)g(k)+μg(k-1)] (19)
式中,μ为动量因子(取值0~1),上式也等效于:
Δw(k)=αΔw(k-1)+ηg(k) (20)
式中α被称为遗忘因子,αΔw(k-1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用;
附加动量法面临学习率的选取的困难,进而产生收敛速度与收敛性之间的矛盾,于是引入学习速率自适应调整方法,即:
η(k)=σ(k)η(k-1) (21)
式中,σ(k)为第k次迭代时的自适应学习速率因子;可得:
Δw(k)=αΔw(k-1)+σ(k)η(k-1)g(k) (24)
式中,P、I、D各参数更新项由下式得到:
进一步,σ(k)为第k次迭代时的自适应学习速率因子,且:
σ(k)=2λ (22)
其中,λ为梯度方向,表达形式为:
λ=sign(g(k)g(k-1))。 (23)
进一步,所述非线性系统的传递函数为:
其中,s为复变量;K为放大系数;T1、T2为时间常数;τ为纯滞后时间。对于大时滞非线性控制系统,其闭环传递函数为:
其特征方程为:
1+Gc(s)Go(s)e-τs=0 (29)
其中,Y(s)为输入量的拉普拉斯变换;R(s)为输入量的拉普拉斯变换;Gc(s)为调节器传递函数;GO(s)为被控对象传递函数;τ为纯滞后时间;
针对非线性控制系统的大时滞控制问题,Smith提出了一种纯滞后补偿模型,其原理是与控制器并连一个补偿环节,该补偿环节称为Smith预估器;具体的,将被控对象离散化为控制器GP(z)和控制器GO(z),其中GHP(z)和GHO(z)分别为控制器GP(z)和控制器GO(z)的估计模型,D为负荷扰动,则:
e2(k)=e1(k)-xm(k)+ym(k)=r(k)-y(k)-xm(k)+ym(k) (30)
若被控模型是精确的,则:
其中,e2(k)为数字控制器GO(z)的输入,Go(z)和GP(z)分别为控制器GO(z)和控制器GP(z)采用的控制算法;e1(k)为系统整体误差值;xm(k)为GHO(z)预估器的输出;ym(k)为GHP(z)预估器的输出;r(k)为系统输入信号值;y(k)为系统输出信号值;k为采样间隔;
取采样周期为hs,结合Smith预估法将式(27)中的传递函数转化成离散形式,可得到非线性系统的的离散化模型为:
其中,u为控制信号;den、denx、deny、den′、den′x、den′y、num、numx、numy、num′、num′x、num′y均是传递函数转成离散形式得到的系数;τ为纯滞后时间。
本发明的有益效果在于:
本发明的非线性系统的快速自学习改进ADRC控制方法,针对非线性控制系统中,经典的PID和自抗扰控制器难以达到理想的控制效果的问题,本文采用Smith预估法对非线性控制系统建立离散化模型;结合BP自学习算法,构建了一种自学习自抗扰控制器(SADRC),采用附加动量项和自适应学习率方法,实时调整ADRC系统非线性组合部分,找到最佳控制参数,实现参数的自整定,并将改进算法应用到非线性控制模型中,仿真结果说明,本发明的非线性系统的快速自学习改进ADRC控制方法具有响应速度快、过渡过程短和自适应能力强等优点,可有效提高非线性系统的控制性能。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为双向拉伸薄膜生产流程图;
图2为双向拉伸薄膜厚度闭环控制图;
图3为离散化数字Smith预估控制的系统图;
图4为PID调节器的控制系统图;
图5为自抗扰控制器(ADRC)的控制系统图;
图6为自学习非线性自抗扰控制器(SADRC)的系统模型;
图7为自学习非线性自抗扰控制器(SADRC)的模型构图;
图8为快速自学习自抗扰控制器(FSADRC)的控制流程图;
图9为Smith预估法的FSADRC模型调节过程总图;
图9(a)-图9(c)分别为图9的partⅠ、partⅡ和partⅢ区域的详图;
图10(a)-图10(c)分别为SADRC控制器和FSADRC控制器的KP参数、KI参数和KD参数变化过程比较图;
图11为四种控制器的系统调节过程比较图;
图11(a)为图11的PartI区域的放大图;
图11(b)为图11的PartII区域的放大图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本实施例的非线性系统的快速自学习改进ADRC控制方法,包括如下步骤:
创建改进型自抗干扰控制器(ADRC):采用附加动量项和自适应学习率方法,实时调整自抗干扰控制器(ADRC)的非线性组合部分,找到最佳控制参数,实现参数的自整定,并将改进的自抗干扰控制器(ADRC)应用到非线性系统的离散化模型中;
步骤一:创建自抗扰控制器(ADRC):自抗扰控制(ADRC)技术,是对PID技术扬长避短后的改进,由韩京清研究员提出。自抗扰控制器的优点在于它不需要被控对象的精确模型,能将系统的内外干扰视为总扰动进行观测补偿。近年来,大量的仿真及实验已经验证了,该方法能有效处理具有非线性、多变量耦合、不确定性等特性的控制系统。
如图5所示,根据非线性控制系统特性,本实施例的自抗扰控制器包括跟踪微分器(TD)、扩张状态观测器(ESO)、非线性误差反馈(NLSEF)和扰动补偿四部分,并分别针对跟踪微分器(TD)、扩张状态观测器(ESO)、非线性误差反馈(NLSEF)和扰动补偿四部分建立控制模型。
步骤11)建立跟踪微分器(TD)控制模型;
跟踪微分器用于对控制系统的设定值安排过渡过程,以降低初始误差,使系统在不改变阻尼的情况下用较大增益来加快过渡过程,能有效解决超调与快速性矛盾,使参数选取范围扩大,整定更加容易。对厚度控制模型的二阶被控对象,对非线性微分跟踪器进行离散化后的形式为:
令:
其中,v1为安排过渡过程量;v2为微分信号;h为采样周期,h0为滤波因子,δ为速度因子;τ′为控制系数;d、d0、a、a0为中间参数;λ1为决定跟踪快慢的参数;系统最优控制函数fst(·)的形式为:
步骤12)建立扩张状态观测器(ESO)控制模型;
以系统输出y和输入u来构造的三阶扩张状态观测器(ESO)的控制模型为:
其中,z1、z1、z3为观测器的状态;β1、β2、β3为大于零的观测器增益系数;为扩张状态观测器(ESO)的输出(观测估计值);e′为观测误差;ε1和ε2为构造函数系数;b为增益补偿;u为控制信号;非线性组合幂次函数fal(e′,ε,δ)表示为:
步骤13)建立非线性误差反馈(NLSEF)控制模型;
非线性误差反馈(NLSEF)的控制模型为:
其中,β01、β02、β03为输出误差校正增益;e0,e1,e2为输入误差;α0、α1、α2为决定非线性函数fal的非线性度,且α0≤α1≤α2;甚至可取α0<0,0<α1≤1,α2≥1,也可采用其他合适的“非线性组合”;u0为控制器的输出值;xm为GHO(z)预估器的输出;ym为GHP(z)预估器的输出。
步骤14)建立扰动补偿控制模型;
扰动补偿的模型为:
其中,u为控制信号;u0为控制信号;b0为补偿因子。
步骤二:创建自学习自抗扰控制器(SADRC):自抗扰控制的NLSEF虽然结构固定,但是参数较多且不易分析理解。神经网络自学习技术具有很强的鲁棒性、记忆能力、非线性拟合能力,以及强大的自学习能力。本实施例将自学习方法运用于非线性误差反馈(NLSEF)中,这种控制方法提高了响应速度、跟踪精度和抗干扰能力。构建了自学习非线性自抗扰控制系统模型(SADRC),如图6所示,其中非线性误差反馈(NLSEF)部分增加了一个输入参数e0。
由非线性误差反馈(NLSEF)的控制模型(式5)可知,线性控制效果与参数β01、β02、β03有关,而这三个参数存在不易调节的不足;在此基础上,将参数β01、β02、β03参数用传统kP、kI、kD表示,则可得到的非线性控制律为:
u0=kPfal(e1(k),α1,δ)+kIfal(e0(k),α0,δ)+kDfal(e2(k),α2,δ) (7)
其中,kP、kI、kD为可调节的参数,并且令:
将e0,e1,e2和u0分别作为神经网络自学习的输入和输出,以b1(k),b2(k),b3(k)作为神经网络隐层神经元的激励函数,以kP、kI、kD作为神经网络的权值,如图7所示。该非线性控制模型不仅结构简单,而且kP、kI、kD这三个参数是动态权值,使其有很好的非线性控制效果。
参数kP、kI、kD自学习过程为,令E(k)=v1(k)-z1(k),神经网络输出层误差(损失函数)定义为:
其中,E为标准误差。
为了最小化输出误差,采用最速梯度下降法调整神经网络权值,即:
其中,偏导参数为:
则P、I、D的偏导参数分别为:
其中:
E(k+1)和都与系统的将来状态有关,这样会使神经网络权值训练困难;如果算法是收敛的,则必有|E(k+1)|<|E(k)|,所以可得:
|E(k+1)|=ρE(k),0<ρ<1 (14)
由于ρ可通过学习率η来弥补,因此可以用E(k)代替E(k+1);此外,由于未知,可用符号函数来近似代替,即:
可得:
为了避免权值过大,引起神经网络训练过程中出现的振荡现象,对权值进行归一化处理,可得:
步骤三:创建快速自学习自抗扰控制器(FSADRC):上文中神经网络采用最速梯度下降法调整神经网络权值,为了进一步提高自学习对控制系统的响应速度、跟踪精度和抗干扰能力,本实施例采用附加动量项的方法,设计了面向学习率的自适应机制,对原自学习自抗扰控制器(SADRC)进行改进,建立基于动态自适应学习率的快速自学习模型。
a)附加动量项
附加动量项是一种广泛用于加速梯度下降法收敛的优化方法,其核心思想是在梯度下降搜索时,若当前梯度下降与之前梯度下降方向相同,则加速搜索,反之则减速搜索;
神经网络标准BP算法的参数更新项为:
Δw(k)=ηg(k) (18)
式中,Δw(k)为第k次迭代的参数调整量,η为学习率,g(k)为第k次迭代所计算出的梯度;
在添加动量项之后,基于梯度下降的参数更新项为:
Δw(k)=η[(1-μ)g(k)+μg(k-1)] (19)
式中,μ为动量因子(取值0~1),上式也等效于:
Δw(k)=αΔw(k-1)+ηg(k) (20)
式中α被称为遗忘因子,αΔw(k-1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用。
b)自适应学习率
附加动量法面临学习率的选取的困难,进而产生收敛速度与收敛性之间的矛盾,于是引入学习速率自适应调整方法,即:
η(k)=σ(k)η(k-1) (21)
式中,σ(k)为第k次迭代时的自适应学习速率因子;本实施例的σ(k)的一种表达式为:
σ(k)=2λ (22)
其中,λ为梯度方向,表达形式为:
λ=sign(g(k)g(k-1))。 (23)
结合上面附加动量项和自适应学习率的方法,由式(20)、(21)可得:
Δw(k)=αΔw(k-1)+σ(k)η(k-1)g(k) (24)
将式(24)代入式(16)中,可得:
式中,P、I、D各参数更新项由下式得到:
综上,快速自学习自抗扰控制器(FSADRC)的流程图如图8所示,控制算法开始时,对相关参数进行初始化(详见表1),然后依次计算当前状态下的系统输入y,TD部分参数v1、v2,ESO部分参数z1、z2、z3,自学习模型输入参数e0、e1、e2,激励参数b1、b2、b3、,NLSEF部分参数u0、u,然后对自学习参数KP、KI、KD进行循环迭代更新,最后直至结束。
具体的,非线性系统的传递函数为:
其中,s为复变量;K为放大系数;T1、T2为时间常数;τ为纯滞后时间。
对于非线性系统,其闭环传递函数为:
其特征方程为:
1+Gc(s)Go(s)e-τs=0 (29)
其中,Y(s)为输入量的拉普拉斯变换;R(s)为输入量的拉普拉斯变换;Gc(s)为调节器传递函数;GO(s)为被控对象传递函数;τ为纯滞后时间;
针对非线性控制系统的大时滞控制问题,Smith提出了一种纯滞后补偿模型,其原理是与控制器并连一个补偿环节,该补偿环节称为Smith预估器;具体的,将被控对象离散化为控制器GP(z)和控制器GO(z),其中GHP(z)和GHO(z)分别为控制器GP(z)和控制器GO(z)的估计模型,D为负荷扰动,则:
e2(k)=e1(k)-xm(k)+ym(k)=r(k)-y(k)-xm(k)+ym(k) (30)
若被控模型是精确的,则:
其中,e2(k)为数字控制器GO(z)的输入,GO(z)和GP(z)分别为控制器GO(z)和控制器GP(z)采用的控制算法;e1(k)为系统整体误差值;xm(k)为GHO(z)预估器的输出;ym(k)为GHP(z)预估器的输出;r(k)为系统输入信号值;y(k)为系统输出信号值;k为采样间隔;
取采样周期为hs,结合Smith预估法将式(27)中的传递函数转化成离散形式,可得到非线性系统的离散化模型为:
其中,u为控制信号;den、denx、deny、den′、den′x、den′y、num、numx、numy、num′、num′x、num′y均是传递函数转成离散形式得到的系数;τ为纯滞后时间。
下面以双向拉伸薄膜厚度控制系统为例,对本发明的非线性系统的快速自学习改进ADRC控制方法进行详细说明。
如图1所示,双向拉伸薄膜生产的工艺流程为:挤出机将原料熔融后经成型模头挤出,在冷却辊冷却成型,然后进行纵向拉伸和横向拉伸,最后通过收卷机收卷成薄膜卷材。当给定成型模头处挤出机螺栓加热功率后,经过模头挤出、冷辊冷却后出来的薄膜的厚度就是一定的,所以最终成型的厚度也就一定。这种模式的薄膜生产工艺是简单的开环控制,其输出量薄膜的厚度与输入的功率不存在反馈关系,输出的薄膜厚度不参与控制作用。
在开环控制系统中,恒定加热功率挤出的原料液体会随着滤网通透性的降低而降低,导致经模头出来的薄膜厚度变薄,直接影响到最后双向拉伸薄膜质量。因此需引入检测反馈环节,对薄膜厚度进行闭环控制,将双向拉伸后后的薄膜厚度值y反馈到原开环控制模型的厚度给定v处,构成闭环控制系统,如图2所示。
采用MATLAB软件对双向拉伸薄膜厚度控制系统进行仿真研究,从双向拉伸薄膜生产线上,辨识得到的薄膜厚度模型的传递函数为:
其中,s为复变量。
由于控制环节和反馈环节存在着时间上的延时,因此双向拉伸薄膜厚度控制是一个大时滞控制系统。在工业过程控制中,许多被控对象具有纯滞后的性质,其中带有纯延迟的控制系统其闭环传递函数为:
其特征方程为:
1+Gc(s)Go(s)e-τs=0
其中,Y(s)为输入量的拉普拉斯变换;R(s)为输入量的拉普拉斯变换;Gc(s)为调节器传递函数;Go(s)为被控对象传递函数;τ为纯滞后时间。
由式(3)可知,特征方程中出现了纯延迟环节,使系统稳定性降低,如果τ足够大,系统将不稳定,这就是大延迟过程难于控制的本质。而双向拉伸薄膜厚度控制正好就存在这种大延迟性质。
针对双向拉伸薄膜厚度控制系统的大时滞控制问题,Smith提出了一种纯滞后补偿模型,如图3所示。其原理是与控制器并连一个补偿环节,该补偿环节称为Smith预估器;具体的,将被控对象离散化为控制器GP(z)和控制器GO(z),其中GHP(z)和GHO(z)分别为控制器GP(z)和控制器GO(z)的估计模型,D为负荷扰动,则:
e2(k)=e1(k)-xm(k)+ym(k)=r(k)-y(k)-xm(k)+ym(k)
若被控模型是精确的,则:
其中,e2(k)为数字控制器GO(z)的输入,Go(z)和GP(z)分别为控制器GO(z)和控制器GP(z)采用的控制算法;e1(k)为系统整体误差值;xm(k)为GHO(z)预估器的输出;ym(k)为GHP(z)预估器的输出;r(k)为系统输入信号值;y(k)为系统输出信号值;k为采样间隔。
取采样周期为1s,结合Smith预估法将传递函数转化成离散形式,可得到双向拉伸薄膜厚度控制系统的离散化模型为:
其中,u为控制信号。
具体的,传统的PID控制器的控制模型为:
其中,u(t)是PID调节器的输出,e(t)是PID调节器的输入,Kp为比例系数,Ti为积分时间常数,Td为微分时间常数,de(t)为输入微分。比例、积分和微分控制作用是关联的关系,参数可以分别调节,也可以只采用其中一种或者两种控制规律,如图4所示。
为了验证上述的控制算法的性能,利用MATLAB仿真平台进行仿真实验。本文实验的被控对象模型为式(6)中描述的延迟模型。根据双向拉伸薄膜生产线的实际情况,取输入信号v为
并且为了测试控制器的抗干扰能力,在输入信号v(k)的第800个采样时间点处加入干扰信号d(k)=0.2。分别采用PID、ADRC、SADRC,FSADRC四种模型对被控对象进行控制仿真。仿真过程的控制器参数设置如表1所示:
表1四种算法系统仿真的控制参数设置
图9是基于Smith预估法对被控对象建模,并采用FSADRC模型进行控制的仿真结果。图9(a)中PartⅠ为系统模型设定值变化的起步阶段,从中可看出:控制器采用Smith预估法在控制的起步阶段有着反应速度快,鲁棒性强的特点。图9中PartⅡ为系统设定值变化的结束阶段,从中可看出:系统设定值变化结束时,采用Smith预估法时基本上没有出现超调现象。图9中PartⅢ为系统设定值出现干扰阶段,从中可以看出:采用Smith预估法后,系统能更加快速地对干扰信号进行抑制,并减小超调,缩短调节时间。说明采用Smith预估法对延迟模型控制有着正面积极的控制效果。
图10为两种控制器(SADRC和FSADRC)自学习参数的变化过程,FSADRC的控制参数在经过非常迅速的调节后快速达到稳定状态,从中可以看出FSADRC有着比SADRC更快更好的调节效果。
图11为四种控制算法的实验仿真结果对比分析图,为四种控制算法的系统调节过程仿真的比较示意图,其中图11(a)为系统给定值变化结束阶段,图11(b)为系统给定值出现干扰阶段。表2则是四种控制算法的系统调节过程性能指标对比。
由图11中PartI可以看出四种控制器中,FSADRC调节完成时间最少(仅比系统设定值慢42秒),调节速度最快。由图11中PartⅡ可以看出:FSADRC调节时间最短(仅为15秒),调节速度最快,超调量较小(49.55%),稳态误差为0,其综合调节性能最优,对于干扰具有很强抗干扰性,鲁棒性强。综上表明本文改进后的快速自学习ADRC控制器(FSADRC)响应速度快,过渡过程时间短,具有更好的自适应控制效果。
表2控制算法的控制性能指标
本实施例的非线性系统的快速自学习改进ADRC控制方法,针对非线性控制系统中,经典的PID和自抗扰控制器难以达到理想的控制效果的问题,本文采用Smith预估法对非线性控制系统建立离散化模型;结合BP自学习算法,构建了一种自学习自抗扰控制器(SADRC),采用附加动量项和自适应学习率方法,实时调整ADRC系统非线性组合部分,找到最佳控制参数,实现参数的自整定,并将改进算法应用到非线性控制模型中,仿真结果说明,本实施例的非线性系统的快速自学习改进ADRC控制方法具有响应速度快、过渡过程短和自适应能力强等优点,可有效提高非线性系统的控制性能。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.一种非线性系统的快速自学习改进ADRC控制方法,其特征在于:包括如下步骤:
步骤一:创建自抗扰控制器(ADRC):根据非线性控制系统特性,该自抗扰控制器包括跟踪微分器(TD)、扩张状态观测器(ESO)、非线性误差反馈(NLSEF)和扰动补偿四部分;
步骤11)建立跟踪微分器(TD)控制模型;
步骤12)建立扩张状态观测器(ESO)控制模型;
步骤13)建立非线性误差反馈(NLSEF)控制模型;
步骤14)建立扰动补偿控制模型;
步骤二:创建自学习自抗扰控制器(SADRC):将自学习方法运用于非线性误差反馈(NLSEF)控制模型中,建立自学习非线性自抗扰控制系统模型;
步骤三:创建快速自学习自抗扰控制器(FSADRC):采用附加动量项的方法,设计面向学习率的自适应机制,对自学习非线性自抗扰控制器(SADRC)进行改进,建立基于动态自适应学习率的快速自学习模型。
2.根据权利要求1所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:所述步骤11)中,所述跟踪微分器(TD)离散化后的形式为:
令:
其中,v1为安排过渡过程量;v2为微分信号;h为采样周期,h0为滤波因子,δ为速度因子;τ′为控制系数;d、d0、a、a0为中间参数;λ1为决定跟踪快慢的参数;系统最优控制函数fst(·)的形式为:
3.根据权利要求2所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:所述步骤12)中,扩张状态观测器(ESO)的控制模型为:
其中,z1、z2、z3为观测器的状态;β1、β2、β3为大于零的观测器增益系数;为扩张状态观测器(ESO)的输出(观测估计值);e′为观测误差;ε1和ε2为构造函数系数;b为增益补偿;u为控制信号;非线性组合幂次函数fal(e′,ε,δ)表示为:
4.根据权利要求3所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:所述步骤13)中,非线性误差反馈(NLSEF)的控制模型为:
其中,β01、β02、β03为输出误差校正增益;δ为线性段区间长度;e0,e1,e2为输入误差;α0、α1、α2为决定非线性函数fal的非线性度,且α0≤α1≤α2;u0为控制器的输出值;xm为GHo(z)预估器的输出;ym为GHP(z)预估器的输出。
5.根据权利要求4所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:所述步骤14)中,扰动补偿的模型为:
其中,u为控制信号;u0为控制信号;b0为补偿因子。
6.根据权利要求4所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:所述步骤二中,自学习非线性自抗扰控制系统模型的建立方法如下:
在非线性误差反馈(NLSEF)增加一个输入参数e0,由非线性误差反馈(NLSEF)的控制模型可知,线性控制效果与参数β01、β02、β03有关,而这三个参数存在不易调节的不足;在此基础上,将参数β01、β02、β03参数用传统kP、kI、kD表示,则可得到的非线性控制律为:
u0=kPfal(e1(k),α1,δ)+kIfal(e0(k),α0,δ)+kDfal(e2(k),α2,δ) (7)
其中,kP、kI、kD为可调节的参数,并且令:
将e0,e1,e2和u0分别作为神经网络自学习的输入和输出,以b1(k),b2(k),b3(k)作为神经网络隐层神经元的激励函数,以kP、kI、kD作为神经网络的权值;
参数kP、kI、kD自学习过程为,令E(k)=v1(k)-z1(k),神经网络输出层误差(损失函数)定义为:
其中,E为标准误差;
为了最小化输出误差,采用最速梯度下降法调整神经网络权值,即:
其中,偏导参数为:
则P、I、D的偏导参数分别为:
其中:
E(k+1)和都与系统的将来状态有关,这样会使神经网络权值训练困难;如果算法是收敛的,则必有|E(k+1)|<|E(k)|,所以可得:
|E(k+1)|=ρE(k),0<ρ<1 (14)
由于ρ可通过学习率η来弥补,因此可以用E(k)代替E(k+1);此外,由于未知,可用符号函数来近似代替,即:
可得:
其中,η为学习率;
为了避免权值过大,引起神经网络训练过程中出现的振荡现象,对权值进行归一化处理,可得:
7.根据权利要求6所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:所述步骤三中,基于动态自适应学习率的快速自学习模型的建立方法为:附加动量项是一种广泛用于加速梯度下降法收敛的优化方法,其核心思想是在梯度下降搜索时,若当前梯度下降与之前梯度下降方向相同,则加速搜索,反之则减速搜索;
神经网络标准BP算法的参数更新项为:
Δw(k)=ηg(k) (18)
式中,Δw(k)为第k次迭代的参数调整量,η为学习率,g(k)为第k次迭代所计算出的梯度;
在添加动量项之后,基于梯度下降的参数更新项为:
Δw(k)=η[(1-μ)g(k)+μg(k-1)] (19)
式中,μ为动量因子(取值0~1),上式也等效于:
Δw(k)=αΔw(k-1)+ηg(k) (20)
式中α被称为遗忘因子,αΔw(k-1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用;
附加动量法面临学习率的选取的困难,进而产生收敛速度与收敛性之间的矛盾,于是引入学习速率自适应调整方法,即:
η(k)=σ(k)η(k-1) (21)
式中,σ(k)为第k次迭代时的自适应学习速率因子;
可得:
Δw(k)=αΔw(k-1)+σ(k)η(k-1)g(k) (24)
式中,P、I、D各参数更新项由下式得到:
8.根据权利要求7所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:σ(k)为第k次迭代时的自适应学习速率因子,且:
σ(k)=2λ (22)
其中,λ为梯度方向,表达形式为:
λ=sign(g(k)g(k-1))。 (23)
9.根据权利要求1-8任一项所述的非线性系统的快速自学习改进ADRC控制方法,其特征在于:所述非线性系统的传递函数为:
其中,s为复变量;K为放大系数;T1、T2为时间常数;τ为纯滞后时间。
对于大时滞非线性控制系统,其闭环传递函数为:
其特征方程为:
1+Gc(s)Go(s)e-τs=0 (29)
其中,Y(s)为输入量的拉普拉斯变换;R(s)为输入量的拉普拉斯变换;Gc(s)为调节器传递函数;GO(s)为被控对象传递函数;τ为纯滞后时间;
针对非线性控制系统的大时滞控制问题,Smith提出了一种纯滞后补偿模型,其原理是与控制器并连一个补偿环节,该补偿环节称为Smith预估器;具体的,将被控对象离散化为控制器GP(z)和控制器GO(z),其中GHP(z)和GHO(z)分别为控制器GP(z)和控制器GO(z)的估计模型,D为负荷扰动,则:
e2(k)=e1(k)-xm(k)+ym(k)=r(k)-y(k)-xm(k)+ym(k) (30)
若被控模型是精确的,则:
其中,e2(k)为数字控制器GO(z)的输入,GO(z)和GP(z)分别为控制器GO(z)和控制器GP(z)采用的控制算法;e1(k)为系统整体误差值;xm(k)为GHO(z)预估器的输出;ym(k)为GHP(z)预估器的输出;r(k)为系统输入信号值;y(k)为系统输出信号值;k为采样间隔;
取采样周期为hs,结合Smith预估法将式(27)中的传递函数转化成离散形式,可得到非线性系统的离散化模型为:
其中,u为控制信号;den、denx、deny、den′、den′x、den′y、num、numx、numy、num′、num′x、num′y均是传递函数转成离散形式得到的系数;τ为纯滞后时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811065970.4A CN109143863B (zh) | 2018-09-13 | 2018-09-13 | 非线性系统的快速自学习改进adrc控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811065970.4A CN109143863B (zh) | 2018-09-13 | 2018-09-13 | 非线性系统的快速自学习改进adrc控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109143863A true CN109143863A (zh) | 2019-01-04 |
CN109143863B CN109143863B (zh) | 2022-02-11 |
Family
ID=64824938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811065970.4A Active CN109143863B (zh) | 2018-09-13 | 2018-09-13 | 非线性系统的快速自学习改进adrc控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109143863B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109921669A (zh) * | 2019-03-12 | 2019-06-21 | 南京工程学院 | 一种基于神经网络和eso的pwm逆变器控制方法 |
CN110190792A (zh) * | 2019-04-30 | 2019-08-30 | 西安理工大学 | 基于自抗扰控制的路感模拟永磁同步电机控制方法 |
CN110262244A (zh) * | 2019-07-02 | 2019-09-20 | 武汉科技大学 | 一种改进fsrbfd的自适应解耦控制方法 |
CN110955145A (zh) * | 2019-12-10 | 2020-04-03 | 哈尔滨理工大学 | 一种针对连续回转马达电液伺服系统的五阶自抗扰控制方法 |
CN111208734A (zh) * | 2020-02-18 | 2020-05-29 | 大连海事大学 | 一种控制增益未知不确定系统的数据驱动抗干扰控制结构 |
CN111290281A (zh) * | 2020-03-23 | 2020-06-16 | 中国科学院光电技术研究所 | 一种基于ADRC-Smith算法的波前控制方法 |
CN111413903A (zh) * | 2020-04-01 | 2020-07-14 | 镇江颀珑工程技术服务有限公司 | 一种用于工业生产中的非线性时滞远程监测系统 |
CN111665718A (zh) * | 2020-06-05 | 2020-09-15 | 长春工业大学 | 一种基于q学习算法的对角递归神经网络控制策略 |
CN111711407A (zh) * | 2020-06-29 | 2020-09-25 | 上海海事大学 | 一种基于rbf神经网络优化adrc伺服电机控制方法 |
CN111799834A (zh) * | 2019-04-09 | 2020-10-20 | 华北电力大学(保定) | 一种基于自抗扰控制的风电并网系统广域协调控制的方法 |
CN112180727A (zh) * | 2020-10-01 | 2021-01-05 | 天水师范学院 | 一种大时滞非线性系统的多率采样控制方法、系统及应用 |
CN112650055A (zh) * | 2021-01-11 | 2021-04-13 | 东北大学 | 一种高性能双率串级pid控制方法、装置及系统 |
CN113176731A (zh) * | 2021-04-19 | 2021-07-27 | 南京信息工程大学 | 一种双神经网络自学习的ipmsm自抗扰控制方法 |
CN113238481A (zh) * | 2021-04-13 | 2021-08-10 | 安徽工程大学 | 一种基于滑模自抗扰控制的转镜伺服控制系统 |
CN113983717A (zh) * | 2021-11-25 | 2022-01-28 | 天津电子信息职业技术学院 | 基于改进的无模型自适应控制策略吸收式制冷节能系统 |
CN114290327A (zh) * | 2021-11-25 | 2022-04-08 | 江苏集萃智能制造技术研究所有限公司 | 基于一阶变增益adrc的六轴机械臂控制系统 |
CN114489010A (zh) * | 2022-01-25 | 2022-05-13 | 佛山智能装备技术研究院 | 一种adrc扩张观测器状态观测误差实时预测方法及系统 |
CN117031967A (zh) * | 2023-10-10 | 2023-11-10 | 华南理工大学 | 一种迭代学习自抗扰控制方法 |
CN117471921A (zh) * | 2023-12-26 | 2024-01-30 | 天津大学 | 扰动观测抑制与目标跟踪系统 |
CN117526741A (zh) * | 2024-01-08 | 2024-02-06 | 湖南科技大学 | 单相交流输入可调直流稳压电源的控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040176860A1 (en) * | 2002-12-09 | 2004-09-09 | Guided Systems Technologies, Inc. | Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system |
CN101995822A (zh) * | 2010-09-26 | 2011-03-30 | 上海电力学院 | 一种大时滞系统的灰色自抗扰控制方法 |
CN102799113A (zh) * | 2012-08-01 | 2012-11-28 | 中国电子科技集团公司第十研究所 | 自抗扰控制技术伺服系统控制方法 |
CN105182750A (zh) * | 2015-09-02 | 2015-12-23 | 中国人民解放军军械工程学院 | 一种线性/非线性自抗扰控制系统切换控制方法 |
CN106292273A (zh) * | 2016-09-26 | 2017-01-04 | 长春理工大学 | 针对大滞后温度系统的滞后时间削弱的自抗扰控制方法 |
-
2018
- 2018-09-13 CN CN201811065970.4A patent/CN109143863B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040176860A1 (en) * | 2002-12-09 | 2004-09-09 | Guided Systems Technologies, Inc. | Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system |
CN101995822A (zh) * | 2010-09-26 | 2011-03-30 | 上海电力学院 | 一种大时滞系统的灰色自抗扰控制方法 |
CN102799113A (zh) * | 2012-08-01 | 2012-11-28 | 中国电子科技集团公司第十研究所 | 自抗扰控制技术伺服系统控制方法 |
CN105182750A (zh) * | 2015-09-02 | 2015-12-23 | 中国人民解放军军械工程学院 | 一种线性/非线性自抗扰控制系统切换控制方法 |
CN106292273A (zh) * | 2016-09-26 | 2017-01-04 | 长春理工大学 | 针对大滞后温度系统的滞后时间削弱的自抗扰控制方法 |
Non-Patent Citations (4)
Title |
---|
叶利峰 等: "基于自抗扰控制的改进 Smith-AGC 研究", 《冶金自动化》 * |
李杨帆 等: "RBF神经网络在薄膜厚度控制系统中的应用", 《现代电子技术》 * |
李杰 等: "线性/非线性自抗扰切换控制方法研究", 《自动化学报》 * |
齐晓慧 等: "基于BP神经网络的自适应自抗扰控制及仿真", 《兵工学报》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109921669A (zh) * | 2019-03-12 | 2019-06-21 | 南京工程学院 | 一种基于神经网络和eso的pwm逆变器控制方法 |
CN111799834A (zh) * | 2019-04-09 | 2020-10-20 | 华北电力大学(保定) | 一种基于自抗扰控制的风电并网系统广域协调控制的方法 |
CN111799834B (zh) * | 2019-04-09 | 2022-11-15 | 华北电力大学(保定) | 一种基于自抗扰控制的风电并网系统广域协调控制的方法 |
CN110190792A (zh) * | 2019-04-30 | 2019-08-30 | 西安理工大学 | 基于自抗扰控制的路感模拟永磁同步电机控制方法 |
CN110262244A (zh) * | 2019-07-02 | 2019-09-20 | 武汉科技大学 | 一种改进fsrbfd的自适应解耦控制方法 |
CN110262244B (zh) * | 2019-07-02 | 2022-04-01 | 武汉科技大学 | 一种改进fsrbfd的自适应解耦控制方法 |
CN110955145A (zh) * | 2019-12-10 | 2020-04-03 | 哈尔滨理工大学 | 一种针对连续回转马达电液伺服系统的五阶自抗扰控制方法 |
CN111208734A (zh) * | 2020-02-18 | 2020-05-29 | 大连海事大学 | 一种控制增益未知不确定系统的数据驱动抗干扰控制结构 |
CN111208734B (zh) * | 2020-02-18 | 2022-05-31 | 大连海事大学 | 一种控制增益未知不确定系统的数据驱动抗干扰控制结构 |
CN111290281A (zh) * | 2020-03-23 | 2020-06-16 | 中国科学院光电技术研究所 | 一种基于ADRC-Smith算法的波前控制方法 |
CN111413903A (zh) * | 2020-04-01 | 2020-07-14 | 镇江颀珑工程技术服务有限公司 | 一种用于工业生产中的非线性时滞远程监测系统 |
CN111665718A (zh) * | 2020-06-05 | 2020-09-15 | 长春工业大学 | 一种基于q学习算法的对角递归神经网络控制策略 |
CN111665718B (zh) * | 2020-06-05 | 2022-05-10 | 长春工业大学 | 一种基于q学习算法的对角递归神经网络控制方法 |
CN111711407A (zh) * | 2020-06-29 | 2020-09-25 | 上海海事大学 | 一种基于rbf神经网络优化adrc伺服电机控制方法 |
CN112180727A (zh) * | 2020-10-01 | 2021-01-05 | 天水师范学院 | 一种大时滞非线性系统的多率采样控制方法、系统及应用 |
CN112180727B (zh) * | 2020-10-01 | 2023-03-14 | 天水师范学院 | 一种大时滞非线性系统的多率采样控制方法、系统及应用 |
CN112650055B (zh) * | 2021-01-11 | 2021-12-07 | 东北大学 | 一种高性能双率串级pid控制方法、装置及系统 |
CN112650055A (zh) * | 2021-01-11 | 2021-04-13 | 东北大学 | 一种高性能双率串级pid控制方法、装置及系统 |
CN113238481A (zh) * | 2021-04-13 | 2021-08-10 | 安徽工程大学 | 一种基于滑模自抗扰控制的转镜伺服控制系统 |
CN113176731B (zh) * | 2021-04-19 | 2022-10-14 | 南京信息工程大学 | 一种双神经网络自学习的ipmsm自抗扰控制方法 |
CN113176731A (zh) * | 2021-04-19 | 2021-07-27 | 南京信息工程大学 | 一种双神经网络自学习的ipmsm自抗扰控制方法 |
CN114290327A (zh) * | 2021-11-25 | 2022-04-08 | 江苏集萃智能制造技术研究所有限公司 | 基于一阶变增益adrc的六轴机械臂控制系统 |
CN113983717A (zh) * | 2021-11-25 | 2022-01-28 | 天津电子信息职业技术学院 | 基于改进的无模型自适应控制策略吸收式制冷节能系统 |
CN114290327B (zh) * | 2021-11-25 | 2023-05-30 | 江苏集萃智能制造技术研究所有限公司 | 基于一阶变增益adrc的六轴机械臂控制系统 |
CN114489010A (zh) * | 2022-01-25 | 2022-05-13 | 佛山智能装备技术研究院 | 一种adrc扩张观测器状态观测误差实时预测方法及系统 |
CN117031967A (zh) * | 2023-10-10 | 2023-11-10 | 华南理工大学 | 一种迭代学习自抗扰控制方法 |
CN117031967B (zh) * | 2023-10-10 | 2024-01-23 | 华南理工大学 | 一种迭代学习自抗扰控制方法 |
CN117471921A (zh) * | 2023-12-26 | 2024-01-30 | 天津大学 | 扰动观测抑制与目标跟踪系统 |
CN117471921B (zh) * | 2023-12-26 | 2024-03-15 | 天津大学 | 扰动观测抑制与目标跟踪系统 |
CN117526741A (zh) * | 2024-01-08 | 2024-02-06 | 湖南科技大学 | 单相交流输入可调直流稳压电源的控制方法 |
CN117526741B (zh) * | 2024-01-08 | 2024-03-29 | 湖南科技大学 | 单相交流输入可调直流稳压电源的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109143863B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109143863A (zh) | 非线性系统的快速自学习改进adrc控制方法 | |
Fu et al. | Adaptive learning and control for MIMO system based on adaptive dynamic programming | |
CN107608209A (zh) | 压电陶瓷驱动器的前馈与闭环复合控制方法、系统 | |
US5159660A (en) | Universal process control using artificial neural networks | |
Calvo-Rolle et al. | A hybrid intelligent system for PID controller using in a steel rolling process | |
CN111413872B (zh) | 基于扩张状态观测器的空气容腔压力快速主动抗扰方法 | |
CN101168173B (zh) | 卷绕温度控制装置和控制方法 | |
CN108489015B (zh) | 基于极点配置和帕德近似的空调系统温度控制方法 | |
CN104570729A (zh) | 一种改进型的Smith预估控制器 | |
CN105388764A (zh) | 基于动态矩阵前馈预测的电液伺服pid控制方法及系统 | |
CN106054596A (zh) | 一种基于改进性能指标的pid控制器参数优化整定方法 | |
JP3864781B2 (ja) | 温度調節器 | |
CN111123871B (zh) | 针对化工过程遗传算法优化的预测函数控制方法 | |
CN111930010A (zh) | 一种基于lstm网络的通用mfa控制器设计方法 | |
CN109062030A (zh) | 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法 | |
Pengfei et al. | Flatness control strategy based on delay compensation for cold rolling mill | |
Mei et al. | Adaptive event-triggered fuzzy control for hot strip finishing mill via a disturbance observer-based method | |
Huang et al. | Metal chamber temperature control by using fuzzy PID gain auto-tuning strategy | |
CN113947202A (zh) | 一种工业过程多状态感知预测控制器设计方法 | |
McDowell et al. | Online neural control applied to a bank-to-turn missile autopilot | |
JP7140073B2 (ja) | 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 | |
CN113325692A (zh) | 基于近邻等效的pid控制器拉回式整定方法 | |
Wakitani et al. | Study on an adaptive GMDH-PID controller using adaptive moment estimation | |
Gu et al. | Application of internal model and self-adaptive PSD controller in the main steam temperature system | |
CN106610588B (zh) | 一种串级预测控制系统及方法 |
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 |