CN109144018B - 一种不同阶混合机电系统协同控制方法及控制系统 - Google Patents
一种不同阶混合机电系统协同控制方法及控制系统 Download PDFInfo
- Publication number
- CN109144018B CN109144018B CN201811256004.0A CN201811256004A CN109144018B CN 109144018 B CN109144018 B CN 109144018B CN 201811256004 A CN201811256004 A CN 201811256004A CN 109144018 B CN109144018 B CN 109144018B
- Authority
- CN
- China
- Prior art keywords
- order
- electromechanical system
- different
- representing
- controlled electromechanical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000001360 synchronised effect Effects 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000035515 penetration Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
为了解决现有技术将被控机电系统考虑为完全相同的被控对象导致控制效果不好的问题,本发明提供一种不同阶混合机电系统协同控制方法及控制系统,属于机电系统协同控制领域。本发明包括:建立各被控机电系统的混合不同阶机电系统模型,混合不同阶包括一阶和二阶;获取各被控机电系统的不同阶同步跟踪误差及滑模跟踪误差;建立混合不同阶神经网络估计模型,根据该模型及获取的不同阶滑模跟踪误差,获取神经网络自适应律,用于对混合不同阶机电系统模型中的动力学参数进行估计;根据混合不同阶机电系统模型,结合同步跟踪误差、滑模跟踪误差和神经网络自适应律,获取分布式混合不同阶协同控制律,并根据获取的控制律获得各被控机电系统的控制量。
Description
技术领域
本发明涉及一种协同控制技术,特别涉及一种不同阶混合机电系统协同控制方法、控制系统及存储设备,属于机电系统协同控制领域。
背景技术
多智能体协同控制技术来源于自然界中某些动物的协同运动现象,其主要包括一致性控制、编队控制、估计及优化等研究方向。其中一致性涉及的是各智能体在协同一致性控制律的作用之下达到某种平衡或一致的控制问题。一致性控制主要包含一致性调节问题和一致性跟踪问题。其中,一致性调节涉及的是各智能体根据各自的初始状态达到一种未预定的平衡状态,也叫无领导者一致性。而在一致性跟踪问题中存在一个真实或者虚拟的领导者作为信号参考,其他多智能体对其进行协同跟踪或者同步。在现有机电系统的协同控制中,主要是将被控机电系统考虑为完全相同的被控对象,不仅阶数完全相同而且动力学和运动学参数也相同。这种考虑在实际中并不合理,因为没有两个完全相同的被控机电系统并且不同的机电系统有可能具有不同的阶数。另外在实际中,考虑到机械传动、负载波动、老化和磨损等因素,被控对象的控制系数通常是时变、非线性的。综上所述,现有相同阶机电系统协同控制方法已经不能满足当今复杂混合机电系统的控制需要。
发明内容
本发明为了解决现有技术将被控机电系统考虑为完全相同的被控对象,导致控制效果不好的问题,本发明提供一种不同阶混合机电系统协同控制方法及控制系统。
本发明的一种不同阶混合机电系统协同控制方法,所述方法包括如下步骤:
S1、建立各被控机电系统的混合不同阶机电系统模型,所述混合不同阶包括一阶和二阶;
S2、获取各被控机电系统的不同阶同步跟踪误差;
S3、根据获取的不同阶同步跟踪误差,获取各被控机电系统的不同阶滑模跟踪误差;
S4、建立混合不同阶神经网络估计模型,根据该模型及获取的不同阶滑模跟踪误差,获取神经网络自适应律,用于对混合不同阶机电系统模型中的动力学参数进行估计;
S5、根据建立的混合不同阶机电系统模型,结合同步跟踪误差、滑模跟踪误差和神经网络自适应律,获取分布式混合不同阶协同控制律,并根据获取的控制律获得各被控机电系统的控制量。
优选的是,所述S5中的分布式混合不同阶协同控制律包括一阶控制律和二阶控制律;
表示第i个被控机电系统的控制参数mi的估计值,ui表示对第i个被控机电系统的控制量,ri表示第i个被控机电系统的一阶或二阶滑模跟踪误差,c表示控制比例增益,e2,i表示第i个被控机电系统的二阶同步跟踪误差,Λ表示滑模系数,φi表示神经网络中被控机电系统的基函数的值,表示神经网络中被控机电系统权重的估计值,di表示第i个被控机电系统的入度,bi表示第i个被控机电系统与领导者的连接权值。
优选的是,所述神经网络自适应律为:
优选的是,所述S5中,还包括根据控制参数自适应律对混合不同阶机电系统模型中的控制参数进行估计。
优选的是,所述控制参数自适应律为:
表示第i个被控机电系统的控制参数mi的估计值,ui表示对第i个被控机电系统的控制量,ri表示第i个被控机电系统的一阶或二阶滑模跟踪误差,c表示控制比例增益,di表示入度,bi表示第i个被控机电系统与其领导者的连接权值,m i代表mi的下界,pi表示通讯拓扑权值,ηi表示控制参数自适应增益,θi表示控制参数比例增益。
优选的是,第i个被控机电系统的一阶滑模跟踪误差为:ri=e1,i;
第i个被控机电系统的二阶滑模跟踪误差为:ri=e2,i+Λe1,i;
其中,e1,i和e2,i分别表示第i个被控机电系统的一阶和二阶同步跟踪误差。
优选的是,第i个被控机电系统的一阶同步跟踪误差为:
第i个被控机电系统的二阶同步跟踪误差为:
其中,Ni表示与第i个被控机电系统相邻的被控机电系统,aij表示所述相邻被控机电系统的邻接矩阵的系数,bi表示第i个被控机电系统与领导者的连接权值,x1,j和x2,j分别表示与第i个被控机电系统相邻的被控机电系统j的位置和速度,x1,i和x2,i分别表示第i个被控机电系统的位置和速度,x1,0和x2,0分别表示领导者的位置和速度。
优选的是,所述S1中,混合不同阶的机电系统模型包括一阶对象和二阶对象;
一阶对象为:
二阶对象为:
wi表示外部扰动,fi(x)表示第i个被控机电系统的动力学非线性函数。
本发明的有益效果,本发明主要涉及的是混合机电系统的协同一致性跟踪控制,很好解决了机电系统带有混合阶对象和控制参数时变非线性的协同一致性跟踪控制问题。利用本发明可以对含有一阶及二阶对象的混合机电系统进行有效地控制,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1所示,本实施方式的不同阶混合机电系统协同控制方法,
包括如下步骤:
S1、建立各被控机电系统的混合不同阶机电系统模型,所述混合不同阶包括一阶和二阶;
S2、获取各被控机电系统的不同阶同步跟踪误差;
S3、根据获取的不同阶同步跟踪误差,获取各被控机电系统的不同阶滑模跟踪误差;
S4、建立混合不同阶神经网络估计模型,根据该模型及获取的不同阶滑模跟踪误差,获取神经网络自适应律,用于对混合不同阶机电系统模型中的动力学参数进行估计;
S5、根据建立的混合不同阶机电系统模型,结合同步跟踪误差、滑模跟踪误差和神经网络自适应律,获取分布式混合不同阶协同控制律,并根据获取的控制律获得各被控机电系统的控制量。
本实施方式分别针对机电系统的一阶对象和二阶对象获得协同控制律,首先建立机电系统模型,采集各被控机电系统的不同阶同步跟踪误差,进而获得滑模跟踪误差,同时利用神经网络估计模型对建立的机电系统模型中的动力参数进行估计,根据获得的误差和估计后的模型,获得一阶对象和二阶对象的协同控制律,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
优选实施例中,
所述S5中的分布式混合不同阶协同控制律包括一阶控制律和二阶控制律;
表示第i个被控机电系统的控制参数mi的估计值,ui表示对第i个被控机电系统的控制量,ri表示第i个被控机电系统的一阶或二阶滑模跟踪误差,c表示控制比例增益,e2,i表示第i个被控机电系统的二阶同步跟踪误差,Λ表示滑模系数,φi表示神经网络中被控机电系统的基函数的值,表示神经网络中被控机电系统权重的估计值,di表示第i个被控机电系统的入度,bi表示第i个被控机电系统与领导者的连接权值。
本实施方式给出了分布式混合不同阶协同控制律的具体形式,用于获取各被控机电系统的控制量,实现协同控制,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
优选实施例中,所述神经网络自适应律为:
本实施方式给出了神经网络自适应律的具体形式,用于对混合不同阶机电系统模型中的动力参数进行估计,进而获得分布式混合不同阶协同控制律,实现协同控制,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
优选实施例中,本实施方式的S5中,还包括根据控制参数自适应律对混合不同阶机电系统模型中的控制参数进行估计。
优选实施例中,所述控制参数自适应律为:
表示第i个被控机电系统的控制参数mi的估计值,ui表示对第i个被控机电系统的控制量,ri表示第i个被控机电系统的一阶或二阶滑模跟踪误差,c表示控制比例增益,di表示入度,bi表示第i个被控机电系统与其领导者的连接权值,m i代表mi的下界,pi表示通讯拓扑权值,ηi表示控制参数自适应增益,θi表示控制参数比例增益。
本实施方式给出了控制参数自适应律的具体形式,用于对混合不同阶机电系统模型中的控制参数进行估计,解决被控对象的控制系数通常是时变、非线性导致控制效果不好的问题,根据控制参数自适应律对控制参数实时更新的方法获取各被控机电系统的控制量,提高系统协同的精度、快速性表现、鲁棒性和抗干扰能力。
优选实施例中,第i个被控机电系统的一阶滑模跟踪误差为:ri=e1,i;
第i个被控机电系统的二阶滑模跟踪误差为:ri=e2,i+Λe1,i;
其中,e1,i和e2,i分别表示第i个被控机电系统的一阶和二阶同步跟踪误差。
优选实施例中,第i个被控机电系统的一阶同步跟踪误差为:
第i个被控机电系统的二阶同步跟踪误差为:
其中,Ni表示与第i个被控机电系统相邻的被控机电系统,aij表示所述相邻被控机电系统的邻接矩阵的系数,bi表示第i个被控机电系统与领导者的连接权值,x1,j和x2,j分别表示与第i个被控机电系统相邻的被控机电系统j的位置和速度,x1,i和x2,i分别表示第i个被控机电系统的位置和速度,x1,0和x2,0分别表示领导者的位置和速度。
优选实施例中,所述S1中,混合不同阶的机电系统模型包括一阶对象和二阶对象;
一阶对象为:
二阶对象为:
wi表示外部扰动,fi(x)表示第i个被控机电系统的动力学非线性函数。
本实施方式还包括一种计算机可读的存储设备,所述存储设备存储有计算机程序,所述计算机程序被执行时实现上述控制方法。
本实施方式还包括一种不同阶混合机电系统协同控制系统,包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序实现上述控制方法。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (9)
1.一种不同阶混合机电系统协同控制方法,其特征在于,所述方法包括如下步骤:
S1、建立各被控机电系统的混合不同阶机电系统模型,所述混合不同阶包括一阶和二阶;
S2、获取各被控机电系统的不同阶同步跟踪误差;
S3、根据获取的不同阶同步跟踪误差,获取各被控机电系统的不同阶滑模跟踪误差;
S4、建立混合不同阶神经网络估计模型,根据该模型及获取的不同阶滑模跟踪误差,获取神经网络自适应律,用于对混合不同阶机电系统模型中的动力学参数进行估计;
S5、根据建立的混合不同阶机电系统模型,结合同步跟踪误差、滑模跟踪误差和神经网络自适应律,获取分布式混合不同阶协同控制律,并根据获取的控制律获得各被控机电系统的控制量;
所述S5中的分布式混合不同阶协同控制律包括一阶控制律和二阶控制律;
3.根据权利要求1或2所述的一种不同阶混合机电系统协同控制方法,其特征在于,所述S5中,还包括根据控制参数自适应律对混合不同阶机电系统模型中的控制参数进行估计。
5.根据权利要求4所述的一种不同阶混合机电系统协同控制方法,其特征在于,第i个被控机电系统的一阶滑模跟踪误差为:ri=e1,i;
第i个被控机电系统的二阶滑模跟踪误差为:ri=e2,i+Λe1,i;
其中,e1,i和e2,i分别表示第i个被控机电系统的一阶和二阶同步跟踪误差。
8.一种计算机可读的存储设备,所述存储设备存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1至7任一所述方法。
9.一种不同阶混合机电系统协同控制系统,包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序实现如权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256004.0A CN109144018B (zh) | 2018-10-26 | 2018-10-26 | 一种不同阶混合机电系统协同控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256004.0A CN109144018B (zh) | 2018-10-26 | 2018-10-26 | 一种不同阶混合机电系统协同控制方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109144018A CN109144018A (zh) | 2019-01-04 |
CN109144018B true CN109144018B (zh) | 2021-02-02 |
Family
ID=64810188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811256004.0A Active CN109144018B (zh) | 2018-10-26 | 2018-10-26 | 一种不同阶混合机电系统协同控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144018B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781830B (zh) * | 2020-07-02 | 2022-06-07 | 黑龙江大学 | 基于估计状态扰动观测的混合阶机电系统协同控制方法 |
CN113504727B (zh) * | 2021-07-14 | 2022-06-17 | 桂林理工大学 | 一种带有自适应阈值的混合阶非线性系统事件触发协同控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216284A (zh) * | 2014-08-14 | 2014-12-17 | 浙江工业大学 | 机械臂伺服系统的有限时间协同控制方法 |
WO2017105196A1 (es) * | 2015-12-17 | 2017-06-22 | Gonzalez Estrada Pedro Gabriel | Sistema multiagente de asistencia para un diagnostico médico |
CN108322101A (zh) * | 2018-01-17 | 2018-07-24 | 天津大学 | 一种模糊自调节的偏差耦合多电机同步控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101390204B1 (ko) * | 2012-12-20 | 2014-04-29 | (주)라스테크 | 다중 에이전트 기반 지능형 이동 로봇 협력 제어 시스템 및 방법 |
CN105404304B (zh) * | 2015-08-21 | 2018-05-25 | 北京理工大学 | 基于归一化神经网络的航天器容错姿态协同跟踪控制方法 |
CN106249717B (zh) * | 2016-08-29 | 2019-06-07 | 上海交通大学 | 一种基于执行器饱和多智能体系统建模的协调控制方法 |
CN108073173B (zh) * | 2017-12-21 | 2021-03-16 | 浙江工业大学 | 多移动机器人的二自由度分数阶协同控制方法 |
CN108303891B (zh) * | 2018-02-11 | 2019-08-13 | 浙江大学 | 基于不确定海流扰动下的多auv分布式协同跟踪控制方法 |
CN108508914A (zh) * | 2018-03-29 | 2018-09-07 | 哈尔滨理工大学 | 一种离散多智能体系统的编队控制方法 |
-
2018
- 2018-10-26 CN CN201811256004.0A patent/CN109144018B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216284A (zh) * | 2014-08-14 | 2014-12-17 | 浙江工业大学 | 机械臂伺服系统的有限时间协同控制方法 |
WO2017105196A1 (es) * | 2015-12-17 | 2017-06-22 | Gonzalez Estrada Pedro Gabriel | Sistema multiagente de asistencia para un diagnostico médico |
CN108322101A (zh) * | 2018-01-17 | 2018-07-24 | 天津大学 | 一种模糊自调节的偏差耦合多电机同步控制方法 |
Non-Patent Citations (2)
Title |
---|
Sliding mode control for consensus tracking of second-order nonlinear multi-agent systems driven by Brownian motion;Birong ZHAO et al.;《SCIENCE CHINA》;20180731;第070216:1–070216:8页 * |
基于神经网络的机器人二阶滑模控制;王延玉等;《计算机系统应用》;20120615;第55-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109144018A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031959B (zh) | 一种非一致非线性系统协同控制方法及控制系统 | |
CN109683477B (zh) | 一种随机多智能体系统有限时间控制器的设计方法及系统 | |
CN111176327B (zh) | 一种多智能体系统合围控制方法及系统 | |
CN109144018B (zh) | 一种不同阶混合机电系统协同控制方法及控制系统 | |
CN108153259B (zh) | 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法 | |
CN113900380B (zh) | 一种异构集群系统鲁棒输出编队跟踪控制方法及系统 | |
CN110958639A (zh) | 一种目标状态估计方法及系统 | |
CN109188914B (zh) | 一种n阶混合非线性系统的协同控制方法及控制系统 | |
CN107807521B (zh) | 面向固定时间的编队飞行器协同控制方法及系统 | |
CN106502100B (zh) | 多移动机器人的分布式单时滞控制器设计方法 | |
CN109343348B (zh) | 一种混合阶机电系统的协同容错控制方法及控制系统 | |
CN109143859A (zh) | 一种基于非线性输出反馈系统的自适应一致性控制方法 | |
Rakkiyappan et al. | Leader-following consensus for networked multi-teleoperator systems via stochastic sampled-data control | |
CN110490319B (zh) | 一种基于融合神经网络参数的分布式深度强化学习方法 | |
CN111694272B (zh) | 基于模糊逻辑系统的非线性多智能体的自适应控制方法及装置 | |
CN111967199B (zh) | 一种强化学习多代理合作任务下的代理贡献分配的方法 | |
CN111781830B (zh) | 基于估计状态扰动观测的混合阶机电系统协同控制方法 | |
CN110450164A (zh) | 机器人控制方法、装置、机器人及存储介质 | |
CN112925197B (zh) | 基于有限时间的多智能体系统二分一致跟踪方法 | |
CN113515066B (zh) | 一种非线性多智能体系统动态事件触发控制方法 | |
CN116794974A (zh) | 神经网络耦合输出调节器的异构多智能体跟踪控制方法 | |
CN114861435A (zh) | 有限时间观测器下的多智能体系统一致性滑模控制算法 | |
CN115001937A (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
Han et al. | Optimal LQ tracking control for continuous-time systems with pointwise time-varying input delay | |
CN110417020B (zh) | 一种处理非光滑约束的综合能源系统潮流计算方法及系统 |
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 |