CN109375512B - 基于rbf-arx模型的保证倒立摆系统闭环稳定的预测控制方法 - Google Patents
基于rbf-arx模型的保证倒立摆系统闭环稳定的预测控制方法 Download PDFInfo
- Publication number
- CN109375512B CN109375512B CN201811382723.7A CN201811382723A CN109375512B CN 109375512 B CN109375512 B CN 109375512B CN 201811382723 A CN201811382723 A CN 201811382723A CN 109375512 B CN109375512 B CN 109375512B
- Authority
- CN
- China
- Prior art keywords
- inverted pendulum
- rbf
- model
- linear
- arx model
- 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 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000004088 simulation 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
- 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
本发明公开了一种基于RBF‑ARX模型的保证倒立摆系统闭环稳定的预测控制方法,本发明方法采用一种数据驱动的系统辨识技术,设计了直线二级倒立摆的一种基于不含偏移项的RBF‑ARX模型的建模方法,该方法可有效描述倒立摆的非线性动态特性。本发明基于直线二级倒立摆不含偏移项的RBF‑ARX模型的全局非线性特性设计了能够保证系统闭环稳定性的无穷域模型预测控制算法,可进一步提高倒立摆控制系统的动静态性能,具有较高的实用价值。本发明更适用于对控制系统动静态特性和快速性要求较高的倒立摆控制系统。
Description
技术领域
本发明涉及自动控制技术领域,特别是一种基于RBF-ARX模型的可以保证直线二级倒立摆系统闭环稳定的无穷域模型预测控制方法。
背景技术
倒立摆是典型的快速、非线性、欠驱动、强耦合、开环不稳定的系统,对模型精度和控制算法要求较高,因此,被广泛用于教学和控制理论研究。对倒立摆控制问题的研究在理论上和方法论上对军工、航天、机器人和一般工业生产过程有着重要的意义和广泛的应用价值。
目前,LQR控制器由于其具有计算量小、设计简单、实时性强等优点,在倒立摆系统的稳定控制问题中得到了广泛的应用。随着工业控制对精度和自动化水平的不断提高,LQR控制器不能满足非线性、欠驱动、多变量、强耦合、快速的直线二级倒立摆系统对控制精度的高要求。因此,研究快速、简单、易于实现的、比LQR控制器性能更好的控制器也越来越成为目前控制领域亟待解决的难题。伴随着自动控制技术的不断发展,目前主要的倒立摆稳摆控制方法包括:PID控制、极点配置、LQR控制、模糊控制和滑模控制等。广泛应用的LQR控制需要在系统数学模型的基础上设计控制器。模糊控制方法强烈依赖于模糊规则,制定模糊规则本身就不是容易解决的问题,而且模糊规则一旦确定,其在线调整较困难,因此很难适用于复杂多变的工业过程控制情况。因此,如何获得倒立摆系统的精确数学模型是其控制器设计的重要组成部分。目前,倒立摆控制系统的研究多基于物理模型,其强烈依赖于倒立摆系统的实际物理结构、参数和工作环境。2012年7月11日公开的申请号为“201210035926.5”的“一种无需物理参数的倒立摆自适应滑模控制方法”,提出了一种基于物理模型的自适应滑模控制技术。2014年8月12日公开的申请号为“201410392778.1”的“一种基于神经网络和强化学习的倒立摆方法”,对于一维、二维和三维倒立摆系统,提出了一种基于拉格朗日法的物理建模方法。2015年9月1日公开的申请号为“201510553000.9”的“一种基于神经网络和强化学习的倒立摆方法”,提出了一种基于强化学习和BP神经网络的控制方法。2016年3月16日公开的申请号为“201610149410.1”的“不确定性平面倒立摆系统的自适应滑模控制器生产方法”,提出了一种基于模糊算法和滑模控制的控制方法。2016年7月22日公开的申请号为“201610582536.8”的“倒立摆的非线性控制器设计方法”,提出了一种基于牛顿欧拉运动模型的非线性控制器设计方法。2017年8月30日公开的申请号为“201710764446.5”的“一种二阶无根系统的3D倒立摆装置及其控制方法”,对于3D倒立摆系统,提出了一种基于动力学模型的LQR控制器设计方法。以上发明都是基于拉格朗日方法和牛顿动力学方法建立倒立摆系统的物理模型,在建立过程中忽略了摩擦力、空气阻力等,而且其模型精度依赖于装置物理参数的准确度,控制器的控制效果容易受到外界环境变化的影响,在设计过程中未考虑系统的闭环稳定性。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种基于RBF-ARX模型的可以保证直线二级倒立摆系统闭环稳定的无穷域模型预测控制方法,进一步提高对倒立摆系统的建模精度和控制性能。
为解决上述技术问题,本发明所采用的技术方案是:一种基于不含偏移项RBF-ARX模型的可以保证直线二级倒立摆系统闭环稳定的无穷域模型预测控制方法,包括以下步骤:
首先,利用数据驱动的辨识技术,采用一种基于不含偏移项的RBF-ARX的建模方法,离线建立直线二级倒立摆的输入小车加速度与小车位移和两根摆杆角度间的动态数学模型。实时采集倒立摆系统控制输入的数据、小车位移传感器的数据和两根摆杆角度传感器的数据。根据上述数据,离线建立直线二级倒立摆角度θ1和θ2的不含偏移项的RBF-ARX模型,结构如下:
其中:y(k)为k时刻倒立摆系统输出的第一摆杆和第二摆杆角度θ1(k)和θ2(k)构成的列向量;u(k)为k时刻倒立摆系统的输入量小车加速度;s(k-i)为倒立摆系统输出的小车位移;ξ(k)为高斯白噪声;设置系统输出的阶次i=1,2,输入阶次为1是为了保证下一步建立的状态空间模型是完全能控和完全能观的;状态向量w(k-1)=[θ1(k-1),θ2(k-1)]T;xTx为2范数;和分别为RBF神经网络的中心向量和缩放因子;为RBF神经网络相应的权重系数;非线性参数和线性参数均通过SNPOM优化方法离线优化辨识获得,SNPOM优化方法是一种由列维布格奈奎尔特方法(LMM)和线性最小二乘法(LSM)相结合的离线优化方法。
其次,基于上述建立的两个角度的RBF-ARX模型建立直线二级倒立摆的完全能控和完全能观的状态空间模型如下:
然后,基于上述局部线性全局分线性的状态空间模型,设计直线二级倒立摆基于不含偏移项的RBF-ARX模型的闭环稳定的无穷域预测控制算法。在每个采样时刻,在线求解黎卡提方程,以获得预测控制量。利用RBF-ARX模型的结构和参数特性,设计能够保证系统闭环稳定性的无穷域模型预测控制器目标函数如下:
其中,R=5为控制加权系数;Q=diag{20,500,50,500,30,800}(在控制器参数设计时,保证(Ak,Q1/2)是完全能观的)为状态加权矩阵;在LQR设计框架下,基于直线二级倒立摆RBF-ARX模型设计的能保证闭环系统稳定性的无穷域模型预测控制算法,在每个k时刻,通过LQR算法优化计算系统的最优控制序列u*(k|k),u*(k+1|k),…,方法如下:
u*(i1|k)=-KkX(i1|k),i1=k,k+1,…
其中,Pk是黎卡提方程的解(在进行控制器参数R和Q设计时,保证(Ak,Q1/2)是完全能观的,同时Pk对于X(k)是连续可微的);根据矩阵求逆引理可得:在每个k时刻,从Pk(0)=0开始,通过迭代求解其中,l(l=0,1,…)是迭代次数,迭代求解直至||Pk(l)-Pk(l+1)||2<0.1,可求得Pk=Pk(l),进而可求得Kk;在每个时刻k,将控制量u(k)=u*(k|k)执行于倒立摆系统。
基于直线二级倒立摆不含偏移项的RBF-ARX模型的全局非线性特性设计的无穷域模型预测控制算法,通过实时优化计算倒立摆小车加速度控制信号量u(k),最终达到精确控制小车位移、第一摆杆和第二摆杆角度的目的。
与现有技术相比,本发明所具有的有益效果为:
考虑到倒立摆系统物理模型推导过程复杂,模型精度依赖于系统物理参数精度而且易受外界环境影响的问题。本发明方法采用一种数据驱动的系统辨识技术,设计了直线二级倒立摆的一种基于不含偏移项的RBF-ARX模型的建模方法,该方法可有效描述倒立摆的非线性动态特性。本发明基于直线二级倒立摆不含偏移项的RBF-ARX模型的全局非线性特性设计了能够保证系统闭环稳定性的无穷域模型预测控制算法,可进一步提高倒立摆控制系统的动静态性能,具有较高的实用价值。本发明更适用于对控制系统动静态特性和快速性要求较高的倒立摆控制系统。
附图说明
图1为直线二级倒立摆系统结构示意图。
具体实施方式
本发明所述的直线二级倒立摆系统如图1所示。直线电机通过传送带与小车相连,小车通过连接块与第一摆杆(即摆杆1)相连,第二摆杆(即摆杆2)通过质量块与第一摆杆相连。在控制过程中,电机通过传送带控制小车使小车沿轨道在图1中x轴方向左右移动,进而控制第一摆杆和第二摆杆在图1中xy平面内的y轴附近摆动。直线二级倒立摆系统的参数如表1所示。
表格1直线二级倒立摆的结构参数表
本发明利用数据驱动的辨识技术,采用一种基于不含偏移项的RBF-ARX的建模方法,离线构建倒立摆系统控制输入(小车加速度)与被控第一摆杆和2的角度间关系的动态数学模型。利用不含偏移项的RBF-ARX模型的全局非线性特性,在LQR算法设计框架下,设计基于不含偏移项RBF-ARX模型的无穷域模型预测控制算法。在每个采样时刻,在线求解黎卡提方程,以获得状态反馈向量进而得到预测控制量。基于直线二级倒立摆不含偏移项RBF-ARX模型的全局非线性特性设计的无穷域预测控制算法,通过实时控制小车加速度最终达到精确控制小车位移、第一摆杆和2的角度的目的。
本发明的方法包括以下步骤:
1)采集直线二级倒立摆系统的输入和输出数据,获得系统辨识动态数据
在LQR控制器的控制作用下采集倒立摆系统的输入信号(小车加速度)和输出信号(小车位移s,第一摆杆、2的角度θ1和θ2),获得建模的辨识数据。辨识不含偏移数据应是在其有效范围内充分激发的倒立摆系统的各种动态特性的数据。
2)建立直线二级倒立摆系统的不含偏移项的RBF-ARX模型
对于获得的辨识数据(u,θ1和θ2),首先对其进行去除平均值的处理,接着,采用一种基于不含偏移项的RBF-ARX的建模方法,离线建立直线二级倒立摆系统输入与被控第一摆杆、2的角度θ1和θ2间关系的动态数学模型。本发明直线二级倒立摆系统的不含偏移项的RBF-ARX数学模型结构如下:
其中:y(k)为k时刻倒立摆系统输出的第一摆杆和第二摆杆角度θ1(k)和θ2(k)构成的列向量;u(k)为k时刻倒立摆系统的输入量小车加速度;s(k-i)为倒立摆系统输出的小车位移;ξ(k)为高斯白噪声;设置系统输出的阶次i=1,2,输入阶次为1是为了保证下一步建立的状态空间模型是完全能控和完全能观的;状态向量w(k-1)=[θ1(k-1),θ2(k-1)]T;xTx为2范数;和分别为RBF神经网络的中心向量和缩放因子;为RBF神经网络相应的权重系数;非线性参数和线性参数均通过SNPOM优化方法离线优化辨识获得。本发明采用一种快速收敛的结构化非线性参数优化方法(SNPOM)对上述函数型权RBF-ARX模型的参数进行优化,其是一种由列维布格奈奎尔特方法(LMM)和线性最小二乘法(LSM)相结合的离线优化方法(详见:Peng H,Ozaki T,Haggan-Ozaki V,Toyoda Y.2003,A parameter optimizationmethod for the radial basis function type models),本发明实施例中:非线性参数为 线性参数为:
结合倒立摆两个角度的RBF-ARX模型和上述小车位移模型可获得直线二级倒立摆的完全能控和完全能观的状态空间模型如下:
4)基于倒立摆系统的全局非线性的完全能控和完全能观的状态空间模型设计能保证闭环系统稳定的无穷域模型预测控制算法
基于上述局部线性全局分线性的完全能控和完全能观的状态空间模型,设计直线二级倒立摆基于不含偏移项的RBF-ARX模型的能保证系统闭环稳定的预测控制算法。在每个采样时刻,在线求解黎卡提方程,以获得预测控制量。利用RBF-ARX模型的结构和参数特性,设计能保证系统闭环稳定的无穷域模型预测控制器目标函数如下:
其中,R=5为控制加权系数;Q=diag{20,500,50,500,30,800}(在控制器参数设计时,保证(Ak,Q1/2)是完全能观的)为状态加权矩阵。
在LQR设计框架下,设计基于倒立摆系统RBF-ARX模型设计能保证系统闭环稳定的无穷域预测控制算法。在每个k时刻,通过LQR算法优化计算系统的最优控制序列u*(k|k),u*(k+1|k),…,方法如下:
u*(i1|k)=-KkX(i1|k),i1=k,k+1,… (5)
根据矩阵求逆引理可得:
在每个k时刻,从Pk(0)=0开始,迭代求解:
其中,l(l=0,1,…)是迭代次数,迭代求解直至||Pk(l)-Pk(l+1)||2≤0.1,可求得Pk=Pk(l),进而由式(6)可求得Kk。
在每个时刻k,可获得控制量:
u(k)=u*(k|k)=-KkX(k|k) (9)
将其执行于倒立摆系统,实现对直线二级倒立摆的控制。
由上述算法设计可以看出,在每个采样时刻k,根据离线辨识的不含偏移项的RBF-ARX模型和系统的输入输出可得k时刻的局部线性化的完全能控和完全能观的状态空间模型,基于该状态空间模型通过在线求解黎卡提方程即可获得预测算法的控制量u(k)。
最后,说明上述设计的预测控制器能够保证所述直线二级倒立摆系统闭环稳定的条件:
根据上述介绍可以得到直线二级倒立摆(3)在控制器(9)作用下的闭环系统表达式为:
X(i+1|k)=(Ak-BkKk)X(i|k),i=k,k+1,…
针对直线二级倒立摆模型(3)和闭环系统(10)进行如下分析:
(1)系统状态空间模型的完全可控性和完全可观性
根据上述建模可得二级倒立摆的状态空间模型的系数矩阵结构如下:
可得,直线二级倒立摆系统的可控矩阵和可观矩阵分别为:
其中,εi,k(i=1,2,…,10)为矩阵Ak和Bk相乘得到的数,Q=(Q1/2)TQ1/2=diag{20,500,50,500,30,800}。从Π的结构和元素的特征可以看出rank(Π)=6,通过设定合适的Q,可满足rank(Ω)=6。因此,通过设计合理的控制器参数可以确保(Ak,Bk)和(Ak,Q1/2)分别是完全能控和完全能观的。
(2)Ak和Bk的可微性:
Ak和Bk中包含的函数型元素可表示为:
其中,
由上式可看出,Ak和Bk是完全可微的。
(3)Kk的可微性:
已证Ak和Bk是完全可微的,因此,由式(6)可得:如果Pk在任意时刻k都是连续可微的,那么Kk就是连续可微的。
根据(Zhou,L.,Lin,Y.,Wei,Y.,&Qiao,S.(2009).Perturbation analysis andcondition numbers of symmetric algebraic Riccati equations.Automatica,45(4),1005-1011.)介绍,由条件数的定义可知:
其中,ΔAk和ΔGk分别表示Ak和Gk的波动量,ΔPk表示当Ak和Gk波动时Pk的变化量,||·||F表示Frobenius范数,对于有以下特征:1)根据(Ogata,K.(1995).Discrete-time controlsystems(Vol.2,pp.446-480).Englewood Cliffs,NJ:Prentice Hall.)可知:对于所述倒立摆系统,由于(Ak,Bk)和(Ak,Q1/2)分别是完全可控和完全可观的,则式(7)中Pk有唯一的、对称的、半正定的解,且(In+GkPk)-1Ak的所有特征值都在单位圆内;2)表明Gk是对称的。
引理(Zhou,L.,Lin,Y.,Wei,Y.,&Qiao,S.(2009).Perturbation analysis andcondition numbers of symmetric algebraic Riccati equations.Automatica,45(4),1005-1011.).对于若果λ1,λ2,…λm和μ1,μ2,…μn分别是and的特征值,那么,的特征值为λiμj,i=1,2,…,m j=1,2,…,n。
由上述引理可知,(符号表示求Kronecker乘积)是非奇异的。然后,由于是非奇异的,根据(Zhou,L.,Lin,Y.,Wei,Y.,&Qiao,S.(2009).Perturbation analysis and condition numbers of symmetric algebraic Riccatiequations.Automatica,45(4),1005-1011.)可得:对于所述直线二级倒立摆,上述Pk的条件数可由下式求得:
由以上分析可知,通过设置合适的控制器参数来使得(Ak,Bk)和(Ak,Q1/2)分别是完全可控和完全可观,则可得:是非奇异的,Pk的条件数可由上式求得。由条件数的定义式得出:若Pk的条件数存在,则Pk是可微的,即Kk就是连续可微的。
对于所述直线二级倒立摆,它的竖直向上的平衡点为X0=0,在该平衡点处对不含系统(10)求微分如下:
对于闭环系统的状态矩阵(Ak-BkKk),已经证得它的所有特征值都在单位圆内,所以可得J(X0)的所有特征值都在单位圆内。
根据(Li,W.,&Szidarovszky,F.(1999).An elementary result in thestability theory of time-invariant nonlinear discrete dynamicalsystems.Applied mathematics and computation,102(1),35-49.)可得:对于直线二级倒立摆的不含系统(10),如果连续可微,J(X0)的所有特征值都在单位圆内,则可知所述倒立摆系统(3)在控制器(5-6)的控制作用下能够渐进稳定于它的平衡点处。
通过以上分析可知,本发明所设计的预测控制器通过实时控制直线二级倒立摆小车加速度能够达到稳定控制小车位移和摆杆角度的目标,本方法更适用于对控制快速系统的动静态特性要求较高的倒立摆控制系统。
Claims (4)
1.一种基于RBF-ARX模型的保证倒立摆系统闭环稳定的预测控制方法,其特征在于,包括以下步骤:
1)对直线二级倒立摆的第一摆杆和第二摆杆的角度θ1和θ2离线建立如下不含偏移项的RBF-ARX模型:
其中:y(k)为k时刻倒立摆系统输出的第一摆杆和第二摆杆角度θ1(k)和θ2(k)构成的列向量;u(k)为k时刻倒立摆系统的输入量小车加速度;s(k-i)为倒立摆系统输出的小车位移;ξ(k)为高斯白噪声;设置系统输出的阶次i=1,2;状态向量w(k-1)=[θ1(k-1),θ2(k-1)]T;为2范数;和分别为RBF神经网络的中心向量和缩放因子;为RBF神经网络相应的权重系数;非线性参数和线性参数均通过SNPOM优化方法离线优化辨识获得;
2)基于上述不含偏移项的RBF-ARX模型建立直线二级倒立摆的完全能控和完全能观的状态空间模型如下:
3)基于直线二级倒立摆的蕴含全局非线性特性的状态空间模型,利用RBF-ARX模型的结构和参数特性,设计能够保证系统闭环稳定性的无穷域预测控制器结构如下:
其中,R为控制加权系数;Q为状态加权矩阵;利用RBF-ARX模型的结构和参数特性,设计能保证系统闭环稳定性的无穷域模型预测控制算法,在每个k时刻,通过LQR算法优化计算系统的最优控制序列u*(k|k),u*(k+1|k),…:u*(i1|k)=-KkX(i1|k),i1=k,k+1,…;其中,Pk是黎卡提方程的解;根据矩阵求逆引理得:在每个k时刻,从Pk(0)=0开始,通过迭代求解其中,l是迭代次数,迭代求解直至||Pk(l)-Pk(l+1)||2<0.1,求得Pk=Pk(l),进而求得Kk;在每个时刻k,将控制量u(k)=u*(k|k)执行于倒立摆系统;(Ak,Q1/2)是完全能观的,Pk对于X(k)是连续可微的;直线二级倒立摆系统的可控矩阵和可观矩阵分别为: εi,k为矩阵Ak和Bk相乘得到的数。
2.根据权利要求1所述的基于RBF-ARX模型的保证倒立摆系统闭环稳定的预测控制方法,其特征在于,T=0.005s。
3.根据权利要求1所述的基于RBF-ARX模型的保证倒立摆系统闭环稳定的预测控制方法,其特征在于,R=5。
4.根据权利要求1所述的基于RBF-ARX模型的保证倒立摆系统闭环稳定的预测控制方法,Q=diag{20,500,50,500,30,800}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811382723.7A CN109375512B (zh) | 2018-11-20 | 2018-11-20 | 基于rbf-arx模型的保证倒立摆系统闭环稳定的预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811382723.7A CN109375512B (zh) | 2018-11-20 | 2018-11-20 | 基于rbf-arx模型的保证倒立摆系统闭环稳定的预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109375512A CN109375512A (zh) | 2019-02-22 |
CN109375512B true CN109375512B (zh) | 2021-04-09 |
Family
ID=65376544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811382723.7A Active CN109375512B (zh) | 2018-11-20 | 2018-11-20 | 基于rbf-arx模型的保证倒立摆系统闭环稳定的预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109375512B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161848A (zh) * | 2019-03-12 | 2019-08-23 | 广东省智能制造研究所 | 一种基于时间自动机的一阶直线倒立摆控制方法及系统 |
CN109991850B (zh) * | 2019-04-15 | 2021-01-08 | 中南大学 | 一种磁悬浮系统预测控制方法及系统 |
CN111144052B (zh) * | 2019-12-17 | 2022-07-15 | 中南大学 | 基于cnn-arx模型的直线一级倒立摆系统建模方法及模型 |
CN111580392B (zh) * | 2020-07-14 | 2021-06-15 | 江南大学 | 一种串联倒立摆的有限频率范围鲁棒迭代学习控制方法 |
CN114442479B (zh) * | 2021-12-31 | 2024-09-17 | 深圳市优必选科技股份有限公司 | 平衡车的控制方法、装置、平衡车及计算机可读存储介质 |
CN115236982B (zh) * | 2022-07-15 | 2024-06-18 | 合肥中科深谷科技发展有限公司 | 面向非同长二级倒立摆自起摆及其平衡控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008067404A2 (en) * | 2006-11-29 | 2008-06-05 | Honda Motor Co., Ltd. | Determination of foot placement for humanoid push recovery |
CN104834218A (zh) * | 2015-04-29 | 2015-08-12 | 南京邮电大学 | 一种平行单级双倒立摆的动态面控制器结构及设计方法 |
CN106094530A (zh) * | 2016-07-22 | 2016-11-09 | 吉林大学 | 倒立摆的非线性控制器设计方法 |
CN107966905A (zh) * | 2016-10-20 | 2018-04-27 | 香港中文大学深圳研究院 | 一种多小车单级倒立摆系统的一致性控制方法及装置 |
CN108009362A (zh) * | 2017-12-04 | 2018-05-08 | 中南大学 | 一种基于稳定性约束rbf-arx模型的非线性系统建模方法 |
CN108563220A (zh) * | 2018-01-29 | 2018-09-21 | 南京邮电大学 | 仿人足球机器人的运动规划 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572590A (zh) * | 2018-04-18 | 2018-09-25 | 陕西理工大学 | 一种基于蓝牙自平衡小车控制倒立摆实验装置 |
-
2018
- 2018-11-20 CN CN201811382723.7A patent/CN109375512B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008067404A2 (en) * | 2006-11-29 | 2008-06-05 | Honda Motor Co., Ltd. | Determination of foot placement for humanoid push recovery |
CN104834218A (zh) * | 2015-04-29 | 2015-08-12 | 南京邮电大学 | 一种平行单级双倒立摆的动态面控制器结构及设计方法 |
CN106094530A (zh) * | 2016-07-22 | 2016-11-09 | 吉林大学 | 倒立摆的非线性控制器设计方法 |
CN107966905A (zh) * | 2016-10-20 | 2018-04-27 | 香港中文大学深圳研究院 | 一种多小车单级倒立摆系统的一致性控制方法及装置 |
CN108009362A (zh) * | 2017-12-04 | 2018-05-08 | 中南大学 | 一种基于稳定性约束rbf-arx模型的非线性系统建模方法 |
CN108563220A (zh) * | 2018-01-29 | 2018-09-21 | 南京邮电大学 | 仿人足球机器人的运动规划 |
Non-Patent Citations (4)
Title |
---|
A Model Predictive Control Approach to Inverted Pendulum System Based on RBF-ARX Model;Tian Xiaoying, et al.;《 Proceedings of the 37th Chinese Control Conference》;20180727;第2.3-2.4节,第4节,及图3 * |
RBF -ARX模型在倒立摆系统建模中的应用;彭辉 等;《控制工程》;20080930;第15卷(第5期);全文 * |
基于RBF-ARX模型的倒立摆系统的预测控制;刘丽丽 等;《计算机与数学工程》;20170731;第45卷(第7期);全文 * |
基于拉格朗日建模的单级倒立摆起摆与稳定控制;肖力龙 等;《控制理论与应用》;20071231;第26卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109375512A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375512B (zh) | 基于rbf-arx模型的保证倒立摆系统闭环稳定的预测控制方法 | |
Djordjevic et al. | Data-driven control of hydraulic servo actuator: An event-triggered adaptive dynamic programming approach | |
Wu et al. | Practical adaptive fuzzy control of nonlinear pure-feedback systems with quantized nonlinearity input | |
CN105549598B (zh) | 一种二维运动移动机器人的迭代学习轨迹跟踪控制及其鲁棒优化方法 | |
CN106335064B (zh) | 一种柔性关节机器人系统的控制器设计方法 | |
CN105912009B (zh) | 基于极点配置和模糊自抗扰控制技术的四旋翼飞行器控制方法 | |
Qi et al. | Stable indirect adaptive control based on discrete-time T–S fuzzy model | |
CN103728988B (zh) | 基于内模的scara机器人轨迹跟踪控制方法 | |
Manchester et al. | Derivative-free trajectory optimization with unscented dynamic programming | |
CN112571420B (zh) | 一种未知参数下的双功能模型预测控制方法 | |
CN107577146A (zh) | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 | |
Debrouwere et al. | Experimental validation of combined nonlinear optimal control and estimation of an overhead crane | |
CN116460860A (zh) | 一种基于模型的机器人离线强化学习控制方法 | |
Abougarair | Adaptive neural networks based optimal control for stabilizing nonlinear system | |
Tian et al. | A modelling and predictive control approach to linear two-stage inverted pendulum based on RBF-ARX model | |
Shen et al. | Deep adaptive control with online identification for industrial robots | |
Dong et al. | Terminal sliding mode attitude tracking control for unmanned vehicle with predefined-time stability | |
Rigatos | Control and disturbances compensation in underactuated robotic systems using the derivative-free nonlinear Kalman filter | |
Shao et al. | Data-driven model-free adaptive positioning and anti-swing control for bridge cranes | |
Joshi et al. | Model predictive control for fractional-order system a modeling and approximation based analysis | |
Menner et al. | Learning optimization-based control policies directly from digital twin simulations | |
Wu et al. | Adaptive iterative learning control of robotic manipulator with second-order terminal sliding mode method | |
Wang et al. | A novel prescribed performance controller with unknown dead-zone and impactive disturbance | |
CN114839882A (zh) | 一种输入约束下的非线性系统复合自适应控制方法 | |
Zhang et al. | Deep reinforcement learning with domain randomization for overhead crane control with payload mass variations |
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 |