CN113093532B - 一种非自衡系统的全格式无模型自适应控制方法 - Google Patents
一种非自衡系统的全格式无模型自适应控制方法 Download PDFInfo
- Publication number
- CN113093532B CN113093532B CN202110248550.5A CN202110248550A CN113093532B CN 113093532 B CN113093532 B CN 113093532B CN 202110248550 A CN202110248550 A CN 202110248550A CN 113093532 B CN113093532 B CN 113093532B
- Authority
- CN
- China
- Prior art keywords
- self
- balancing system
- dynamic
- data model
- control
- 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
一种非自衡系统的全格式无模型自适应控制方法,涉及非自衡系统的控制技术领域。本发明是为了解决传统无模型自适应控制方法不能直接应用于非自衡系统的问题。本发明建立非自衡系统的动态IO数据模型,设置动态IO数据模型参数的更新准则函数和控制输入解算的准则函数,对k时刻动态IO数据模型参数求极小值,更新动态IO数据模型,之后代入控制输入解算的准则函数,对非自衡系统的控制输入信息求极小值,获得k时刻非自衡系统的控制输入信息,最后将控制输入信息输入至非自衡系统,当非自衡系统控制过程结束时完成非自衡系统的无模型自适应控制,否则使k=k+1,然后返回重新更新动态IO数据模型。
Description
技术领域
本发明属于非自衡系统的控制技术领域。
背景技术
现实世界中,有一类对象属于非自衡系统,其具体特征表现为在阶跃输入作用下,受控对象的输出无法达到稳定状态,而是无限的增大或者减小,从能量角度解释,即为该系统在有限的能量作用下,产生无限的能量变化,如锅炉汽包水位、精馏塔等控制系统。非自衡系统通常具有积分环节,积分环节会降低系统的稳定性,在闭环控制过程中容易产生震荡。针对此问题,目前常用的控制方法均存在如控制器设计复杂、计算量大、抗扰动能力弱等问题。
文献《改进的内模控制方法对一阶非自衡对象的控制研究》针对传统的内模方法无法控制非自衡系统在阶跃扰动下达到稳态值的问题,在系统中引入了一个比例项和一个比例微分项来镇定非自衡对象,从而实现了内模控制在非自衡系统控制中的应用,但该方法需要准确的模型。
公告日为2013年10月2日,申请专利号为CN201310310130.0,发明名称为《基于预测函数控制优化的非自衡对象控制方法》的专利文献提供了一种基于预测函数控制优化的非自衡对象P控制方法,通过采集受控系统的阶跃响应数据建立受控系统的模型,然后采用预测函数进行P控制器的参数优化,最终完成控制。但该方法需要依据响应数据进行建模,并完成参数整定,计算量略大。
文献《非自衡系统的无模型自适应控制》将非自衡系统改为广义的自衡系统,成功应用无模型自适应控制方法进行了非自衡系统的阶跃输入控制。该方法将控制器分为内环控制器和外环控制器两部分,外环使用无模型自适应控制,大采样周期,增强控制器的鲁棒性和适应性,内环则加入反馈增益,小采样周期,消除积分作用。该控制器设计简单、计算量小,但是系统抗扰动能力较弱。
发明内容
本发明是为了解决传统无模型自适应控制方法不能直接应用于非自衡系统的问题,现提供一种非自衡系统的全格式无模型自适应控制方法。
一种非自衡系统的全格式无模型自适应控制方法,包括以下步骤:
步骤一:建立非自衡系统的动态IO数据模型,
步骤二:设置动态IO数据模型参数的更新准则函数和控制输入解算的准则函数,
步骤三:利用动态IO数据模型参数的更新准则函数对k时刻动态IO数据模型参数求极小值,更新动态IO数据模型,
步骤四:将更新后的动态IO数据模型代入控制输入解算的准则函数,对非自衡系统的控制输入信息求极小值,获得k时刻非自衡系统的控制输入信息,
步骤五:将步骤四获得的控制输入信息输入至非自衡系统,判断非自衡系统控制过程是否结束,是则完成非自衡系统的无模型自适应控制,否则使k=k+1,然后返回步骤三。
进一步的,上述步骤一中,根据非自衡系统的控制输入信息和控制输出信息建立动态IO数据模型,
所述动态IO数据模型为:
y(k+1)=y(k)+ΦT(k)ΔH(k),
其中,y(k)和y(k+1)分别为k时刻和k+1时刻非自衡系统的控制输出信息,ΦT(k)为动态IO数据模型参数,ΔH(k)为k时刻非自衡系统控制输入信息及控制输出信息的变化量。
进一步的,上述动态IO数据模型参数ΦT(k)为:
ΦT(k)=[φy(k),φu(k)],
其中,φy(k)、φu(k)分别为k时刻控制输出信息和控制输入信息所对应的模型参数值;
k时刻非自衡系统控制输入信息及控制输出信息的变化量ΔH(k)表达式如下:
ΔH(k)=[Δy(k),Δu(k)],
其中,Δy(k)=y(k)-y(k-1)为k时刻控制输出信息的变化量,Δu(k)=u(k)-u(k-1)为k时刻控制输入信息的变化量,u(k)为k时刻非自衡系统的控制输入信息。
进一步的,上述步骤二中,动态IO数据模型参数的更新准则函数为:
进一步的,上述步骤二中,控制输入解算的准则函数的表达式为:
其中,J[u(k)]为控制输入解算的准则函数,λ和kr均为控制输入解算的准则函数的权重系数,T为采样周期,y*()为非自衡系统期望输出信息。
步骤五中,k时刻非自衡系统的控制输入信息u(k)为:
其中,λ和kr均为控制输入解算的准则函数的权重系数,ρ1为期望偏差和改进项的步长因子,ρ2为实际偏差的步长因子,和分别为φu(k)和φy(k)的估计值,y*(k)为k时刻非自衡系统的期望输出信息,T为采样周期。
其中,μ为动态IO数据模型参数的更新准则函数的权重系数,η∈(0,1]为惩罚因子。
本发明提供一种非自衡系统的全格式无模型自适应控制方法,根据受控系统的IO数据实时更新动态IO数据模型来进行控制解算。在控制律计算准则中引入高阶优化项,消除积分作用,实现了无模型自适应控制在非自衡系统的应用,同时增强了系统对大扰动影响的抵抗能力。本发明在解决了无模型自适应控制方法无法直接应用于非自衡系统的问题的同时,增加了系统抵抗外界大扰动的能力,并且较传统两层结构的非自衡系统控制器,具有结构更加简单、调参容易、计算量小的优点。本发明能够应用于海洋领域,对船舶或水下航行器的控制系统进行控制。
附图说明
图1为具体实施方式一所述一种非自衡系统的全格式无模型自适应控制方法的流程图;
图2为具体实施方式二所述一种非自衡系统的全格式无模型自适应控制方法的流程图。
具体实施方式
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的一种非自衡系统的全格式无模型自适应控制方法中非自衡系统为含有积分环节的单变量控制非自衡系统。一种非自衡系统的全格式无模型自适应控制方法包括以下步骤:
步骤一:根据非自衡系统的控制输入信息和控制输出信息建立动态IO(Input andOutput,输入输出)数据模型,所述动态IO数据模型为:
y(k+1)=y(k)+ΦT(k)ΔH(k),
其中,y(k)和y(k+1)分别为k时刻和k+1时刻非自衡系统的控制输出信息,ΦT(k)为动态IO数据模型参数,ΔH(k)为k时刻非自衡系统控制输入信息及控制输出信息的变化量。
上述动态IO数据模型参数ΦT(k)为:
ΦT(k)=[φy(k),φu(k)],
其中,φy(k)、φu(k)分别为k时刻控制输出信息和控制输入信息所对应的模型参数值;
k时刻非自衡系统控制输入信息及控制输出信息的变化量ΔH(k)表达式如下:
ΔH(k)=[Δy(k),Δu(k)],
其中,Δy(k)=y(k)-y(k-1)为k时刻控制输出信息的变化量,Δu(k)=u(k)-u(k-1)为k时刻控制输入信息的变化量,u(k)为k时刻非自衡系统的控制输入信息。
步骤二:设置动态IO数据模型参数的更新准则函数和控制输入解算的准则函数,
上述动态IO数据模型参数的更新准则函数为:
上述控制输入解算的准则函数的表达式为:
其中,J[u(k)]为控制输入解算的准则函数,λ和kr均为控制输入解算的准则函数的权重系数,λ用于限制控制输入量的变化,kr用于限制算法改进项的权重,T为采样周期,y*()为非自衡系统期望输出信息。
步骤三:利用动态IO数据模型参数的更新准则函数对k时刻动态IO数据模型参数求极小值,更新动态IO数据模型。
步骤四:将更新后的动态IO数据模型代入控制输入解算的准则函数,对非自衡系统的控制输入信息求极小值,获得k时刻非自衡系统的控制输入信息,所述k时刻非自衡系统的控制输入信息u(k)为:
其中,λ和kr均为控制输入解算的准则函数的权重系数,ρ1为期望偏差和改进项的步长因子,ρ2为实际偏差的步长因子,ρ1和ρ2为能够使控制过程具有更大的灵活性,和分别为φu(k)和φy(k)的估计值,y*(k)为k时刻非自衡系统的期望输出信息,T为采样周期。
其中,μ为动态IO数据模型参数的更新准则函数的权重系数,η∈(0,1]为惩罚因子,通常取1。
上式中,sign[]为符号函数,ε为重置算法中的极小正数,取值为10-3。
步骤五:将步骤四获得的控制输入信息输入至非自衡系统,判断非自衡系统控制过程是否结束,是则完成非自衡系统的无模型自适应控制,否则使k=k+1,然后返回步骤三。
具体实施方式二:参照图2具体说明本实施方式,本实施方式所述的一种非自衡系统的全格式无模型自适应控制方法,基于动态IO数据模型由受控系统的输入输出信息建立,不包含具体的动力学模型信息、结构信息。
(1)考虑典型二阶非自衡系统y(u)=2/[u(u+3)],其中u为二阶非自衡系统的输入,受控系统接收期望输出指令y*,与受控系统实际输出y(k)相减,得到输出偏差e(k)=y*-y(k);
(2)将前二时刻输入信息u(k-2)与输出信息y(k-2),前一时刻输入信息u(k-1)与输出信息y(k-1),当前时刻输出信息y(k),输入动态IO数据模型,经模型参数更新准则函数得到模型参数该参数又被称为伪偏导数。
(3)为加强动态IO数据模型参数准确性,加入参数重置机制:
(5)受控系统执行控制输入u(k),得到下一时刻系统输出信息,返回(2)并进入下一控制周期,从而形成闭环控制。
Claims (6)
1.一种非自衡系统的全格式无模型自适应控制方法,其特征在于,包括以下步骤:
步骤一:建立非自衡系统的动态IO数据模型,
步骤二:设置动态IO数据模型参数的更新准则函数和控制输入解算的准则函数,
步骤三:利用动态IO数据模型参数的更新准则函数对k时刻动态IO数据模型参数求极小值,更新动态IO数据模型,
步骤四:将更新后的动态IO数据模型代入控制输入解算的准则函数,对非自衡系统的控制输入信息求极小值,获得k时刻非自衡系统的控制输入信息,
步骤五:将步骤四获得的控制输入信息输入至非自衡系统,判断非自衡系统控制过程是否结束,是则完成非自衡系统的无模型自适应控制,否则使k=k+1,然后返回步骤三;
步骤一中,根据非自衡系统的控制输入信息和控制输出信息建立动态IO数据模型,
所述动态IO数据模型为:
y(k+1)=y(k)+ΦT(k)ΔH(k),
其中,y(k)和y(k+1)分别为k时刻和k+1时刻非自衡系统的控制输出信息,ΦT(k)为动态IO数据模型参数,ΔH(k)为k时刻非自衡系统控制输入信息及控制输出信息的变化量;
动态IO数据模型参数ΦT(k)为:
ΦT(k)=[φy(k),φu(k)],
其中,φy(k)、φu(k)分别为k时刻控制输出信息和控制输入信息所对应的模型参数值;
k时刻非自衡系统控制输入信息及控制输出信息的变化量ΔH(k)表达式如下:
ΔH(k)=[Δy(k),Δu(k)],
其中,Δy(k)=y(k)-y(k-1)为k时刻控制输出信息的变化量,Δu(k)=u(k)-u(k-1)为k时刻控制输入信息的变化量,u(k)为k时刻非自衡系统的控制输入信息;
步骤二中,控制输入解算的准则函数的表达式为:
其中,J[u(k)]为控制输入解算的准则函数,λ和kr均为控制输入解算的准则函数的权重系数,T为采样周期,y*()为非自衡系统期望输出信息;
步骤二中,动态IO数据模型参数的更新准则函数为:
4.根据权利要求1、2或3所述的一种非自衡系统的全格式无模型自适应控制方法,其特征在于,非自衡系统为含有积分环节的单变量控制非自衡系统。
6.根据权利要求5所述的一种非自衡系统的全格式无模型自适应控制方法,其特征在于,ε取值为10-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248550.5A CN113093532B (zh) | 2021-03-05 | 2021-03-05 | 一种非自衡系统的全格式无模型自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248550.5A CN113093532B (zh) | 2021-03-05 | 2021-03-05 | 一种非自衡系统的全格式无模型自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113093532A CN113093532A (zh) | 2021-07-09 |
CN113093532B true CN113093532B (zh) | 2022-04-15 |
Family
ID=76667915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110248550.5A Active CN113093532B (zh) | 2021-03-05 | 2021-03-05 | 一种非自衡系统的全格式无模型自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113093532B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442489A (zh) * | 2022-01-28 | 2022-05-06 | 青岛科技大学 | 一种非线性连续时间系统的采样无模型自适应控制技术 |
CN115562312B (zh) * | 2022-11-17 | 2023-10-13 | 哈尔滨工程大学三亚南海创新发展基地 | 一种强跟踪全格式无模型自适应船舶艏向控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803647A (zh) * | 2018-08-14 | 2018-11-13 | 上海航天控制技术研究所 | 一种用于航天器姿态控制的无模型数据驱动控制方法 |
CN109254530A (zh) * | 2018-12-06 | 2019-01-22 | 河北工业大学 | 基于磨矿过程基础回路的无模型自适应控制方法 |
CN112034858A (zh) * | 2020-09-14 | 2020-12-04 | 哈尔滨工程大学 | 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9110453B2 (en) * | 2011-04-08 | 2015-08-18 | General Cybernation Group Inc. | Model-free adaptive control of advanced power plants |
CN105487385B (zh) * | 2016-02-01 | 2019-02-15 | 金陵科技学院 | 基于无模型自适应内模控制方法 |
CN106054611A (zh) * | 2016-06-24 | 2016-10-26 | 广东工业大学 | 基于无模型自适应预测控制的心电基线漂移抑制方法 |
CN108121204A (zh) * | 2017-11-30 | 2018-06-05 | 上海航天控制技术研究所 | 一种组合体航天器姿态无模型的自适应控制方法和系统 |
CN108062021B (zh) * | 2017-12-12 | 2020-06-09 | 浙江大学 | Siso全格式无模型控制器基于偏导信息的参数自整定方法 |
CN108154231B (zh) * | 2017-12-12 | 2021-11-26 | 浙江大学 | Miso全格式无模型控制器基于系统误差的参数自整定方法 |
CN108227483A (zh) * | 2018-01-05 | 2018-06-29 | 哈尔滨工程大学 | 海洋运载器用pd型紧格式无模型自适应航速控制方法 |
CN108415257B (zh) * | 2018-04-19 | 2020-03-27 | 清华大学 | 基于mfac的分布式电驱动车辆系统主动容错控制方法 |
CN109116727B (zh) * | 2018-09-05 | 2021-05-11 | 哈尔滨工程大学 | 一种基于低通滤波器的pid型一阶全格式无模型自适应航速控制算法 |
CN109634108A (zh) * | 2019-02-01 | 2019-04-16 | 浙江大学 | 参数自整定的mimo异因子全格式无模型控制方法 |
CN109814379A (zh) * | 2019-02-01 | 2019-05-28 | 浙江大学 | Mimo异因子全格式无模型控制方法 |
CN111800042B (zh) * | 2020-06-03 | 2021-11-30 | 浙江大学 | 永磁同步电机宽范围调速控制方法、装置及设备 |
-
2021
- 2021-03-05 CN CN202110248550.5A patent/CN113093532B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803647A (zh) * | 2018-08-14 | 2018-11-13 | 上海航天控制技术研究所 | 一种用于航天器姿态控制的无模型数据驱动控制方法 |
CN109254530A (zh) * | 2018-12-06 | 2019-01-22 | 河北工业大学 | 基于磨矿过程基础回路的无模型自适应控制方法 |
CN112034858A (zh) * | 2020-09-14 | 2020-12-04 | 哈尔滨工程大学 | 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113093532A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Event-triggered adaptive dynamic programming for non-zero-sum games of unknown nonlinear systems via generalized fuzzy hyperbolic models | |
CN113093532B (zh) | 一种非自衡系统的全格式无模型自适应控制方法 | |
US8682454B2 (en) | Method and system for controlling a multivariable system with limits | |
EP1331531B1 (en) | Control system for plant | |
Poznyak et al. | Min-max sliding-mode control for multimodel linear time varying systems | |
Meng et al. | Distributed control of high-order nonlinear input constrained multiagent systems using a backstepping-free method | |
CN109669345A (zh) | 基于eso的水下机器人模糊pid运动控制方法 | |
CN111684695B (zh) | 电力变换器的控制装置 | |
Jagannathan et al. | Neural-network-based state feedback control of a nonlinear discrete-time system in nonstrict feedback form | |
CN111158386B (zh) | 一种干扰自主免疫的无人机姿态控制系统及实现方法 | |
Zhang et al. | Virtual-sensor-based model-free adaptive fault-tolerant constrained control for discrete-time nonlinear systems | |
CN109765907B (zh) | 一种舰船用pid无模型自适应航向控制算法 | |
CN114296342B (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 | |
CN113625547A (zh) | 一种控制器的主阀位置控制方法 | |
CN109189075A (zh) | 一种舰船用模糊遗忘因子无模型自适应航向控制方法 | |
CN115180461B (zh) | 新能源汽车压缩机电机生产装备的张力数据驱动控制方法 | |
CN113110519B (zh) | 一种舰船用非增量型无模型自适应艏向控制方法 | |
CN116449710A (zh) | 一种具有高共振模态柔性系统的负虚化方法 | |
CN109375637B (zh) | 一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法 | |
Pongfai et al. | Novel D-SLP controller design for nonlinear feedback control | |
CN111459028B (zh) | 航空发动机最大推力状态降保守性二自由度μ控制器 | |
CN115128951A (zh) | 一种基于期望轨迹受限优化的双环高性能控制方法 | |
Sira-Ramírez et al. | Regulation and tracking for the average boost converter circuit: A generalized proportional integral approach | |
CN113741183A (zh) | 基于阻尼比模型的工业机器人自适应导纳控制方法 | |
CN112230552A (zh) | 针对离散时间多智能体博弈的抗干扰控制方法 |
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 |