CN114114925B - 基于数据驱动协同自适应滑模约束控制方法及系统 - Google Patents
基于数据驱动协同自适应滑模约束控制方法及系统 Download PDFInfo
- Publication number
- CN114114925B CN114114925B CN202111433191.7A CN202111433191A CN114114925B CN 114114925 B CN114114925 B CN 114114925B CN 202111433191 A CN202111433191 A CN 202111433191A CN 114114925 B CN114114925 B CN 114114925B
- Authority
- CN
- China
- Prior art keywords
- linear
- model
- representing
- induction motor
- traction 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013178 mathematical model Methods 0.000 claims abstract description 55
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000006698 induction Effects 0.000 claims description 54
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 239000003795 chemical substances by application Substances 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 230000009897 systematic effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
本发明涉及一种基于数据驱动协同自适应滑模约束控制方法,包括建立d‑q轴坐标系下考虑端部效应的直线牵引系统的数学模型,在数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将修正后的数学模型转换为直线牵引系统的速度动力学模型,将速度动力学模型转换为广义非线性模型,并将广义非线性模型转换为线性模型;利用直线牵引系统误差构建滑模面,并在系统误差中设计抗饱和补偿器以消除执行器饱和;设计基于数据驱动的参数估计算法对滑模面进行参数自适应估计。本发明能够大大提高了受控系统的鲁棒性。
Description
技术领域
本发明涉及牵引系统驱动技术领域,尤其是指一种基于数据驱动协同自适应滑模约束控制方法及系统。
背景技术
在城市轨道交通的多种模式中,由多台直线感应电机组成的多直线感应牵引系统因其直接产生线性运动而得到广泛应用,其无需任何转换器,消除了机械损耗。与动力学部分类似于直线感应电机的旋转感应电动机相比,直线感应电机具有更明显的优势,例如机械结构简单,成本低,噪音小,摩擦小,动态性能良好以及起步推力高等。尽管如此,由于直线感应电机操作中使用的时变参数(例如运动物体的速度和环境温度)存在类似末端效应、滑移频率和气隙动力学的缺点。此外,随着移动器速度的增加,端部效应对系统的影响越来越大,降低了系统的动态性能。因此,设计合适的控制器以确保系统的动态性能至关重要。
目前已发展了许多控制策略并将其应用于直线感应电机驱动器,例如基于投影的自适应指令滤波反步控制方法可以克服直线电机中时变扰动对直线电机位置的不确定性,离散时间神经网络逆最优控制策略可以通过最小化代价函数来控制直线电机的位置并应用于实时直线电机、基于损耗模型的损耗最小化控制方法可以降低直线电机的损耗,但是由于建模的复杂性,大多数方法都需要被控对象的特定模型信息,这些信息可能很复杂很难获得。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术存在的问题,提出一种基于数据驱动协同自适应滑模约束控制方法及系统,能够大大提高了受控系统的鲁棒性。
为解决上述技术问题,本发明提供一种基于数据驱动协同自适应滑模约束控制方法,包括以下步骤:
建立d-q轴坐标系下考虑端部效应的直线牵引系统的数学模型,在所述数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的数学模型转换为直线牵引系统的速度动力学模型,将所述速度动力学模型转换为基于数据驱动的广义非线性模型,并将所述广义非线性模型转换为线性模型;
利用直线牵引系统误差构建滑模面,并在系统误差中设计抗饱和补偿器以消除执行器饱和;
设计参数估计算法对所述滑模面进行参数自适应估计。
在本发明的一个实施例中,在所述数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的数学模型转换为直线牵引系统的速度动力学模型的方法包括:
在所述数学模型Usd、Usq、Urd、Urq中加入修正端部效应项Q,获得修正后的直线牵引系统的数学模型如下:
其中,修正端部效应项为 二次时间常数为Tr=Lr/Rr;
将直线感应电机的控制过程与间接矢量控制等效,使直线感应电机指向d轴的转子磁通ψrd为0,并基于修正后的数学模型获得直线牵引系统的速度动力学模型如下:
其中,v代表直线电机的速度,Ma代表运动物体的总质量,R代表粘滞摩擦和铁损系数对速度的影响,S代表外力扰动对速度的影响。
在本发明的一个实施例中,将所述速度动力学模型转换为基于数据驱动的广义非线性模型的方法包括:
将多个具有不同外力干扰的直线感应电机组成的多个直线牵引系统视为具有固定通信拓扑的多智能体系统,每一个直线感应电机都可以看作是多智能体系统中的一个智能体,选择速度作为被控系统的输出,选择一次电压作为被控系统的输入,将第i个直线感应电机的数学模型转换为广义非线性模型如下:
其中,vi(k)代表第i个直线感应电机的速度,代表第i个直线感应电机的初级电压,/>代表第i个直线感应电机的外力干扰,nv、nu、nf是未知阶数,fi(·)是第i个直线感应电机的未知函数。
在本发明的一个实施例中,将所述广义非线性模型转换为线性模型的方法包括:
假设所述广义非线性模型vi(k)、fi(·)的偏导数连续,将广义非线性模型中的慢时变参数/>和/>进行紧格式动态线性化处理,获得线性模型为
在本发明的一个实施例中,设计抗饱和补偿器的方法包括:
将滑模面表示为Si(k)=λγi(k),其中γi(k)代表系统误差,S(k)=[S1(k),S2(k)...SN(k)]T,γ(k)=[γ1(k),γ2(k)...γN(k)]T,S(k)=λr(k)且γ(k)=(L+M)·ξt(k),计算S(k+1)得S(k+1)=S(k+1)-S(k)=λ·(L+M)·(vd(k+1)-v(k+1)-ξ(k+1)-vd(k)+v(k)+ξ(k)),在计算中删去vd(k+1)以及vd(k),得S(k+1)=λ·(L+M)·(-v(k+1)-ξ(k+1)+v(k)+ξ(k));
计算补偿信号将其代入S(k+1)计算公式得
令S(k+1)=0,得到等效控制律和反馈控制律如下:
其中,
计算得到控制器如下:
其中,和/>是输入幅度约束的上下限,/>和/>是输入速率约束的上下限,1N=[1,1...1]T为N维向量。
在本发明的一个实施例中,设计参数估计算法的方法包括:
定义自适应参数和/>根据自适应参数构建输出观测器为/>其中,/>代表输出,/>代表自适应参数,Ko代表观测器增益,/>代表输出估计误差;
计算所述输出观测器的输出估计误差基于所述输出估计误差获得参数估计算法为/>其中,F=1-Ko在单位圆中,/>表示参数估计误差,Γi(k)=η(||Δui(k)||2+μ)-1,0<η<1,μ是限制自适应参数变化的惩罚因子。
在本发明的一个实施例中,利用参数估计算法对所述滑模面进行参数自适应估计包括:
从输出观测器中获得k+1时间的实际输出vi(k+1),同时采用两步延迟估计方法得到的近似解;
基于所述近似解计算实际输出将实际输出表示为向量形式为/>其中,
此外,本发明还提供一种基于数据驱动协同自适应滑模约束控制系统,包括:
模型构建转换模块,所述模型构建转换模块用于建立d-q轴坐标系下考虑端部效应的直线牵引系统的数学模型,在所述数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的数学模型转换为直线牵引系统的速度动力学模型,将所述速度动力学模型转换为基于数据驱动的广义非线性模型,并将所述广义非线性模型转换为线性模型;
滑模控制构建模块,所述滑模控制构建模块用于利用直线牵引系统的误差构建滑模面,并在系统误差中设计抗饱和补偿器以消除执行器饱和;
参数自适应估计模块,所述参数自适应估计模块用于设计参数估计算法对所述滑模面进行参数自适应估计,并消除执行器饱和,将滑模面边界限定在固定区域内。
在本发明的一个实施例中,所述模型构建转换模块包括模型修正单元,所述模型修正单元用于执行以下步骤:
在所述数学模型Usd、Usq、Urd、Urq中加入修正端部效应项Q,获得修正后的直线牵引系统的数学模型如下:
其中,修正端部效应项为 二次时间常数为Tr=Lr/Rr;
将直线感应电机的控制过程与间接矢量控制等效,使直线感应电机指向d轴的转子磁通ψrd为0,并基于修正后的数学模型获得直线牵引系统的速度动力学模型如下:
其中,v代表直线电机的速度,Ma代表运动物体的总质量,R代表粘滞摩擦和铁损系数对速度的影响,S代表外力扰动对速度的影响。
在本发明的一个实施例中,所述滑模控制构建模块包括抗饱和补偿单元,所述抗饱和补偿单元用于执行以下步骤:
将滑模面表示为Si(k)=λγi(k),其中γi(k)代表系统误差,S(k)=[S1(k),S2(k)...SN(k)]T,γ(k)=[γ1(k),γ2(k)…γN(k)]T,S(k)=λr(k)且γ(k)=(L+M)·ξt(k),计算S(k+1)得S(k+1)=S(k+1)-S(k)=λ·(L+M)·(vd(k+1)-v(k+1)-ξ(k+1)-vd(k)+v(k)+ξ(k)),在计算中删去vd(k+1)以及vd(k),得S(k+1)=λ·(L+M)·(-v(k+1)-ξ(k+1)+v(k)+ξ(k));
计算补偿信号将其代入S(k+1)计算公式得
令S(k+1)=0,得到等效控制律和反馈控制律如下:
其中,
计算得到控制器如下:
其中,和/>是输入幅度约束的上下限,/>和/>是输入速率约束的上下限,1N=[1,1...1]T为N维向量。
本发明的上述技术方案相比现有技术具有以下优点:
本发明通过描述作为通信拓扑网络的相邻直线感应电机之间的信息传输模式,并通过在数值关系中定义的系统误差表示该模式,可以将多个直线牵引系统视为多智能体系统;在滑模面上加入系统误差来代替传统的跟踪误差设计滑模控制器,并在系统误差中设计抗饱和补偿器以消除执行器饱和,而且在动态线性化建模中考虑了不确定性,利用慢时变参数、被控系统的输入输出数据进行估计,建立了更精确的线性化模型,从而大大提高了受控系统的鲁棒性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明基于数据驱动协同自适应滑模约束控制方法的一流程示意图。
图2是本发明基于数据驱动协同自适应滑模约束控制方法的另一流程示意图。
图3是本发明基于数据驱动协同自适应滑模约束控制系统的硬件结构示意图。
其中,附图标记说明如下:10、模型构建转换模块;20、滑模控制构建模块;30、参数自适应估计模块。
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地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。
实施例一
请参阅图1和2所示,本实施例提供一种基于数据驱动协同自适应滑模约束控制方法,包括以下步骤:
S1:建立d-q轴坐标系下考虑端部效应的直线牵引系统的数学模型,在所述数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的数学模型转换为直线牵引系统的速度动力学模型,将所述速度动力学模型转换为基于数据驱动的广义非线性模型,并将所述广义非线性模型转换为线性模型;
S2:利用直线牵引系统误差构建滑模面,并在系统误差中设计抗饱和补偿器以消除执行器饱和;
S3:设计参数估计算法对所述滑模面进行参数自适应估计。
其中,在本发明公开的一种基于数据驱动协同自适应滑模约束控制方法中,步骤S1和步骤S2可以同时进行,也可以分步进行。
本发明通过描述作为通信拓扑网络的相邻直线感应电机之间的信息传输模式,并通过在数值关系中定义的系统误差表示该模式,可以将多个直线牵引系统视为多智能体系统;在滑模面上加入系统误差来代替传统的跟踪误差设计滑模控制器,并在系统误差中设计抗饱和补偿器以消除执行器饱和,而且在动态线性化建模中考虑了不确定性,利用慢时变参数、被控系统的输入输出数据进行估计,建立了更精确的线性化模型,从而大大提高了受控系统的鲁棒性。
其中,在步骤S1中,在所述数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的数学模型转换为直线牵引系统的速度动力学模型的方法包括:
S11:在所述数学模型Usd、Usq、Urd、Urq中加入修正端部效应项Q,获得修正后的直线牵引系统的数学模型如下:
其中,修正端部效应项为 二次时间常数为Tr=Lr/Rr;
S12:将直线感应电机的控制过程与间接矢量控制等效,使直线感应电机指向d轴的转子磁通ψrd为0,并基于修正后的数学模型获得直线牵引系统的速度动力学模型如下:
其中,v代表直线电机的速度,Ma代表运动物体的总质量,R代表粘滞摩擦和铁损系数对速度的影响,S代表外力扰动对速度的影响。
其中,在步骤S1中,将所述速度动力学模型转换为基于数据驱动的广义非线性模型的方法包括将多个具有不同外力干扰的直线感应电机组成的多个直线牵引系统视为具有固定通信拓扑的多智能体系统,每一个直线感应电机都可以看作是多智能体系统中的一个智能体,选择速度作为被控系统的输出,选择一次电压作为被控系统的输入,将第i个直线感应电机的数学模型转换为广义非线性模型如下:
其中,vi(k)代表第i个直线感应电机的速度,代表第i个直线感应电机的初级电压,/>代表第i个直线感应电机的外力干扰,nv、nu、nf是未知阶数,fi(·)是第i个直线感应电机的未知函数。
其中,在步骤S1中,将所述广义非线性模型转换为线性模型的方法包括假设所述广义非线性模型vi(k)、fi(·)的偏导数连续,将广义非线性模型中的慢时变参数和/>进行紧格式动态线性化处理,获得线性模型为
其中,在步骤S2中,利用直线牵引系统误差构建滑模面的方法包括:定义第i个直线感应电机的输出跟踪误差和系统误差γi(k);根据系统误差构建滑模面的表达式为Si(k)=λγi(k),其中S(k)=[S1(k),S2(k)...SN(k)]T,γ(k)=[γ1(k),γ2(k)…γN(k)]T,S(k)=λr(k)且γ(k)=(L+M)·ξt(k)。
其中,在步骤S2中,在上述系统误差中设计抗饱和补偿器的方法包括:
S21:计算S(k+1)得到:
S(k+1)=S(k+1)-S(k)=λ·(L+M)·(vd(k+1)-v(k+1)-ξ(k+1)-vd(k)+v(k)+ξ(k)),
在计算中删去vd(k+1)以及vd(k),得到:
S(k+1)=λ·(L+M)·(-v(k+1)-ξ(k+1)+v(k)+ξ(k));
S22:计算补偿信号将其代入S(k+1)计算公式得到:
S23:令S(k+1)=0,得到等效控制律和反馈控制律如下:
其中,
S24:计算得到控制器如下:
其中,和/>是输入幅度约束的上下限,/>和/>是输入速率约束的上下限,1N=[1,1...1]T为N维向量。
其中,在步骤S3中,设计参数估计算法的方法包括:
S31:定义自适应参数和/>根据自适应参数构建输出观测器为/>其中,/>代表输出,/>代表自适应参数,Ko代表观测器增益,/>代表输出估计误差;
S32:计算所述输出观测器的输出估计误差基于所述输出估计误差获得参数估计算法为/>其中,F=1-Ko在单位圆中,/>表示参数估计误差,Γi(k)=η(||Δui(k)||2+μ)-1,0<η<1,μ是限制自适应参数变化的惩罚因子。
其中,在步骤S3中,利用参数估计算法对所述滑模面进行参数自适应估计包括:从输出观测器中获得k+1时间的实际输出vi(k+1),同时采用两步延迟估计方法得到的近似解;基于所述近似解计算实际输出/>将实际输出表示为向量形式为/>其中,
其中,在本发明公开的一种基于数据驱动协同自适应滑模约束控制方法中,将第i个直线感应电机的变量表示为列堆栈矢量,将滑模面边界限定在正常数值内,输出跟踪误差将以固定区域为边界。
为了验证本发明提出的一种基于数据驱动协同自适应滑模约束控制方法的性能,本实施例定义李雅普诺夫函数V(k),并参考瑞利商的性质改写V(k+1),观察滑模面是否有界收敛,输出跟踪误差是否收敛为0。
综上所述,本发明通过描述作为通信拓扑网络的相邻直线电机之间的信息传输模式,并通过在数值关系中定义的系统误差表示该模式,可以将多个直线牵引系统视为多智能体系统;在提出的方法中在滑模面上加入系统误差来代替传统的跟踪误差来设计控制器,在系统误差中考虑了抗饱和补偿器,它被描述为具有给定动态特性的补偿信号;在提出的方法中,在动态线性化建模中考虑了不确定性,利用慢时变参数,利用被控系统的输入输出数据进行估计,建立了一个新的更精确的线性化模型;在提出的方法中,对不同的外部负载扰动进行了研究,以模拟列车在实际运行中受到不同载荷扰动的情况,不脱离实际,具有研究价值,并且可以针对快速变化的干扰来验证受控系统的鲁棒性,克服了传统控制策略中建模过于复杂、难以确定被控对象的特定模型信息的难题。
实施例二
下面对本发明实施例二公开的一种基于数据驱动协同自适应滑模约束控制系统进行介绍,下文描述的一种基于数据驱动协同自适应滑模约束控制系统与上文描述的一种基于数据驱动协同自适应滑模约束控制方法可相互对应参照。
请参阅图3所示,本发明还提供一种基于数据驱动协同自适应滑模约束控制系统,包括:
模型构建转换模块,所述模型构建转换模块用于建立d-q轴坐标系下考虑端部效应的直线牵引系统的数学模型,在所述数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的数学模型转换为直线牵引系统的速度动力学模型,将所述速度动力学模型转换为基于数据驱动的广义非线性模型,并将所述广义非线性模型转换为线性模型;
滑模控制构建模块,所述滑模控制构建模块用于利用直线牵引系统的误差构建滑模面,并在系统误差中设计抗饱和补偿器以消除执行器饱和;
参数自适应估计模块,所述参数自适应估计模块用于设计基于数据驱动的参数估计算法对所述滑模面进行参数自适应估计,并消除执行器饱和,将滑模面边界限定在固定区域内。
其中,所述模型构建转换模块包括模型修正单元,所述模型修正单元用于执行以下步骤:
在所述数学模型Usd、Usq、Urd、Urq中加入修正端部效应项Q,获得修正后的直线牵引系统的数学模型如下:
其中,修正端部效应项为 二次时间常数为Tr=Lr/Rr;
将直线感应电机的控制过程与间接矢量控制等效,使直线感应电机指向d轴的转子磁通ψrd为0,并基于修正后的数学模型获得直线牵引系统的速度动力学模型如下:
其中,v代表直线电机的速度,Ma代表运动物体的总质量,R代表粘滞摩擦和铁损系数对速度的影响,S代表外力扰动对速度的影响。
其中,所述滑模控制构建模块包括抗饱和补偿单元,所述抗饱和补偿单元用于执行以下步骤:
将滑模面表示为Si(k)=λγi(k),其中γi(k)代表系统误差,S(k)=[S1(k),S2(k)…SN(k)]T,γ(k)=[γ1(k),γ2(k)…γN(k)]T,S(k)=λr(k)且γ(k)=(L+M)·ξt(k),计算S(k+1)得S(k+1)=S(k+1)-S(k)=λ·(L+M)·(vd(k+1)-v(k+1)-ξ(k+1)-vd(k)+v(k)+ξ(k)),在计算中删去vd(k+1)以及vd(k),得S(k+1)=λ·(L+M)·(-v(k+1)-ξ(k+1)+v(k)+ξ(k));
计算补偿信号将其代入S(k+1)计算公式得
令S(k+1)=0,得到等效控制律和反馈控制律如下:
其中,
计算得到控制器如下:
/>
其中,和/>是输入幅度约束的上下限,/>和/>是输入速率约束的上下限,1N=[1,1...1]T为N维向量。
本实施例的基于数据驱动协同自适应滑模约束控制系统用于实现前述的基于数据驱动协同自适应滑模约束控制方法,因此该系统的具体实施方式可见前文中的基于数据驱动协同自适应滑模约束控制方法的实施例部分,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的基于数据驱动协同自适应滑模约束控制系统用于实现前述的基于数据驱动协同自适应滑模约束控制方法,因此其作用与上述方法的作用相对应,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (2)
1.一种基于数据驱动协同自适应滑模约束控制方法,其特征在于,包括以下步骤:
S1:建立d-q轴坐标系下考虑端部效应的直线牵引系统的数学模型,在所述直线牵引系统的数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的直线牵引系统的数学模型转换为直线牵引系统的速度动力学模型,将所述速度动力学模型转换为基于数据驱动的广义非线性模型,并将所述广义非线性模型转换为线性模型;
S2:利用直线牵引系统误差构建滑模面,并在系统误差中设计抗饱和补偿器以消除执行器饱和;
S3:设计参数估计算法对所述滑模面进行参数自适应估计;
在S1中,在直线牵引系统的数学模型中加入修正端部效应项Q,获得修正后的直线牵引系统的数学模型如下:
其中,修正端部效应项为 二次时间常数为Tr=Lr/Rr;
将直线感应电机的控制过程与间接矢量控制等效,使直线感应电机指向d轴的转子磁通ψrd为0,并基于修正后的直线牵引系统的数学模型获得直线牵引系统的速度动力学模型如下:
其中,v代表直线感应电机的速度,Ma代表运动物体的总质量,R代表粘滞摩擦和铁损系数对速度的影响,S代表外力扰动对速度的影响;
将多个具有不同外力干扰的直线感应电机组成的多个直线牵引系统视为具有固定通信拓扑的多智能体系统,每一个直线感应电机都可以看作是多智能体系统中的一个智能体,选择速度作为被控系统的输出,选择一次电压作为被控系统的输入,将第i个直线感应电机的数学模型转换为广义非线性模型如下:
其中,vi(k)代表第i个直线感应电机的速度,代表第i个直线感应电机的初级电压,/>代表第i个直线感应电机的外力干扰,nv、nu、nf是未知阶数,fi(·)是第i个直线感应电机的未知函数;
假设所述广义非线性模型vi(k)、fi(·)的偏导数连续,将广义非线性模型中的慢时变的伪偏导数参数/>和/>进行紧格式动态线性化处理,获得线性模型为
在S2中,将滑模面表示为Si(k)=λγi(k),其中γi(k)代表系统误差,S(k)=[S1(k),S2(k)...SN(k)]T,γ(k)=[γ1(k),γ2(k)...γN(k)]T,S(k)=λr(k)且γ(k)=(L+M)·ξt(k),计算ΔS(k+1)得ΔS(k+1)=S(k+1)-S(k)=λ·(L+M)·(vd(k+1)-v(k+1)-ξ(k+1)-vd(k)+v(k)+ξ(k)),在计算中删去vd(k+1)以及vd(k),得ΔS(k+1)=λ·(L+M)·(-v(k+1)-ξ(k+1)+v(k)+ξ(k));
计算补偿信号将其代入ΔS(k+1)计算公式得
令ΔS(k+1)=0,得到等效控制律和反馈控制律如下:
其中,
计算得到控制器如下:
其中,和/>是输入幅度约束的上下限,/>和/>是输入速率约束的上下限,1N=[1,1...1]T为N维向量;
在S3中,定义慢时变的伪偏导数参数和/>根据慢时变的伪偏导数参数构建输出观测器为/>其中,/>代表输出,/>代表慢时变的伪偏导数参数,Ko代表观测器增益,/>代表输出估计误差;
计算所述输出观测器的输出估计误差基于所述输出估计误差获得参数估计算法为/>其中,F=1-Ko在单位圆中,/>表示参数估计误差,Γi(k)=η(||Δui(k)||2+μ)-1,0<η<1,μ是限制自适应参数变化的惩罚因子;
从输出观测器中获得k+1时间的实际输出vi(k+1),同时采用两步延迟估计方法得到的近似解;
基于所述近似解计算实际输出将实际输出表示为向量形式为/>其中,
2.一种基于数据驱动协同自适应滑模约束控制系统,其特征在于,包括:
模型构建转换模块,所述模型构建转换模块用于建立d-q轴坐标系下考虑端部效应的直线牵引系统的数学模型,在所述直线牵引系统的数学模型中加入修正端部效应项,获得修正后的直线牵引系统的数学模型,将所述修正后的直线牵引系统的数学模型转换为直线牵引系统的速度动力学模型,将所述速度动力学模型转换为基于数据驱动的广义非线性模型,并将所述广义非线性模型转换为线性模型;
滑模控制构建模块,所述滑模控制构建模块用于利用直线牵引系统的误差构建滑模面,并在系统误差中设计抗饱和补偿器以消除执行器饱和;
参数自适应估计模块,所述参数自适应估计模块用于设计参数估计算法对所述滑模面进行参数自适应估计,并消除执行器饱和,将滑模面边界限定在固定区域内;
所述模型构建转换模块包括模型修正单元,所述模型修正单元用于在所述直线牵引系统的数学模型中加入修正端部效应项Q,获得修正后的直线牵引系统的数学模型如下:
其中,修正端部效应项为 二次时间常数为Tr=Lr/Rr;
将直线感应电机的控制过程与间接矢量控制等效,使直线感应电机指向d轴的转子磁通ψrd为0,并基于修正后的直线牵引系统的数学模型获得直线牵引系统的速度动力学模型如下:
其中,v代表直线感应电机的速度,Ma代表运动物体的总质量,R代表粘滞摩擦和铁损系数对速度的影响,S代表外力扰动对速度的影响;
将多个具有不同外力干扰的直线感应电机组成的多个直线牵引系统视为具有固定通信拓扑的多智能体系统,每一个直线感应电机都可以看作是多智能体系统中的一个智能体,选择速度作为被控系统的输出,选择一次电压作为被控系统的输入,将第i个直线感应电机的数学模型转换为广义非线性模型如下:
其中,vi(k)代表第i个直线感应电机的速度,代表第i个直线感应电机的初级电压,/>代表第i个直线感应电机的外力干扰,nv、nu、nf是未知阶数,fi(·)是第i个直线感应电机的未知函数;
假设所述广义非线性模型vi(k)、fi(·)的偏导数连续,将广义非线性模型中的慢时变的伪偏导数参数/>和/>进行紧格式动态线性化处理,获得线性模型为
所述滑模控制构建模块包括抗饱和补偿单元,所述抗饱和补偿单元用于
将滑模面表示为Si(k)=λγi(k),其中γi(k)代表系统误差,S(k)=[S1(k),S2(k)...SN(k)]T,γ(k)=[γ1(k),γ2(k)...γN(k)]T,S(k)=λr(k)且γ(k)=(L+M)·ξt(k),计算ΔS(k+1)得ΔS(k+1)=S(k+1)-S(k)=λ·(L+M)·(vd(k+1)-v(k+1)-ξ(k+1)-vd(k)+v(k)+ξ(k)),在计算中删去vd(k+1)以及vd(k),得ΔS(k+1)=λ·(L+M)·(-v(k+1)-ξ(k+1)+v(k)+ξ(k));
计算补偿信号将其代入ΔS(k+1)计算公式得
令ΔS(k+1)=0,得到等效控制律和反馈控制律如下:
其中,
计算得到控制器如下:
其中,和/>是输入幅度约束的上下限,/>和/>是输入速率约束的上下限,1N=[1,1...1]T为N维向量;
所述参数自适应估计模块用于定义慢时变的伪偏导数参数和根据慢时变的伪偏导数参数构建输出观测器为其中,/>代表输出,/>代表自适应参数,Ko代表观测器增益,/>代表输出估计误差;
计算所述输出观测器的输出估计误差基于所述输出估计误差获得参数估计算法为/>其中,F=1-Ko在单位圆中,/>表示参数估计误差,Γi(k)=η(||Δui(k)||2+μ)-1,0<η<1,μ是限制自适应参数变化的惩罚因子;
从输出观测器中获得k+1时间的实际输出vi(k+1),同时采用两步延迟估计方法得到的近似解;
基于所述近似解计算实际输出将实际输出表示为向量形式为/>其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111433191.7A CN114114925B (zh) | 2021-11-29 | 2021-11-29 | 基于数据驱动协同自适应滑模约束控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111433191.7A CN114114925B (zh) | 2021-11-29 | 2021-11-29 | 基于数据驱动协同自适应滑模约束控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114114925A CN114114925A (zh) | 2022-03-01 |
CN114114925B true CN114114925B (zh) | 2023-09-08 |
Family
ID=80371905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111433191.7A Active CN114114925B (zh) | 2021-11-29 | 2021-11-29 | 基于数据驱动协同自适应滑模约束控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114114925B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614425A (zh) * | 2018-06-06 | 2018-10-02 | 黄山学院 | 移动机器人自适应积分滑模控制方法 |
CN110647031A (zh) * | 2019-09-19 | 2020-01-03 | 北京科技大学 | 用于高速列车的抗饱和自适应伪pid滑模故障容错控制方法 |
CN110971152A (zh) * | 2019-11-26 | 2020-04-07 | 湖南工业大学 | 基于总量一致的多电机抗饱和滑模跟踪控制方法 |
CN112015084A (zh) * | 2020-07-08 | 2020-12-01 | 湖南工业大学 | 一种基于虚拟总轴的总量协同一致抗饱和控制方法 |
CN112327627A (zh) * | 2020-11-14 | 2021-02-05 | 西北工业大学 | 基于复合学习的非线性切换系统自适应滑模控制方法 |
CN113703313A (zh) * | 2021-10-28 | 2021-11-26 | 季华实验室 | 一种基于改进预设性能的无模型自适应滑模约束控制方法 |
-
2021
- 2021-11-29 CN CN202111433191.7A patent/CN114114925B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614425A (zh) * | 2018-06-06 | 2018-10-02 | 黄山学院 | 移动机器人自适应积分滑模控制方法 |
CN110647031A (zh) * | 2019-09-19 | 2020-01-03 | 北京科技大学 | 用于高速列车的抗饱和自适应伪pid滑模故障容错控制方法 |
CN110971152A (zh) * | 2019-11-26 | 2020-04-07 | 湖南工业大学 | 基于总量一致的多电机抗饱和滑模跟踪控制方法 |
CN112015084A (zh) * | 2020-07-08 | 2020-12-01 | 湖南工业大学 | 一种基于虚拟总轴的总量协同一致抗饱和控制方法 |
CN112327627A (zh) * | 2020-11-14 | 2021-02-05 | 西北工业大学 | 基于复合学习的非线性切换系统自适应滑模控制方法 |
CN113703313A (zh) * | 2021-10-28 | 2021-11-26 | 季华实验室 | 一种基于改进预设性能的无模型自适应滑模约束控制方法 |
Non-Patent Citations (1)
Title |
---|
许德智 等.神经网络自适应的永磁直线同步电机超扭曲终端滑模控制.电力系统保护与控制.2021,第49卷(第13期),64-71. * |
Also Published As
Publication number | Publication date |
---|---|
CN114114925A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Robust adaptive precision motion control of hydraulic actuators with valve dead-zone compensation | |
Li et al. | Robust internal model control of servo motor based on sliding mode control approach | |
Yao et al. | Precision motion control for electro-hydraulic servo systems with noise alleviation: A desired compensation adaptive approach | |
Yao et al. | RISE-based precision motion control of DC motors with continuous friction compensation | |
JP6514257B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
Deng et al. | Adaptive integral robust control and application to electromechanical servo systems | |
Yang et al. | Adaptive integral robust control of hydraulic systems with asymptotic tracking | |
CN101846975A (zh) | 带有动态摩擦补偿的伺服系统自适应鲁棒控制器 | |
CN111033396B (zh) | 用于模型预测控制的控制参数的设定方法 | |
CN110649845B (zh) | 基于鲁棒广义预测控制的光电转台位置跟踪控制方法 | |
Shokri-Ghaleh et al. | Bilateral control of uncertain telerobotic systems using iterative learning control: Design and stability analysis | |
Witt et al. | Approximate model predictive control of a 3-DOF helicopter | |
CN114114925B (zh) | 基于数据驱动协同自适应滑模约束控制方法及系统 | |
JP2010033172A (ja) | フィードフォワード信号を用いたディジタルサーボ制御装置 | |
Zou et al. | Adaptive sliding mode based position tracking control for PMSM drive system with desired nonlinear friction compensation | |
JPH07210207A (ja) | 適応制御装置 | |
WO2022030346A1 (ja) | 制御支援装置、制御システム及び制御支援方法 | |
WO2021251226A1 (ja) | 制御支援装置、制御装置及び制御支援方法 | |
CN111052001B (zh) | 控制装置 | |
Prakash et al. | Neuro-PI controller based model reference adaptive control for nonlinear systems | |
CN106026832A (zh) | 基于改进adrc控制算法的永磁同步直线电机控制方法 | |
Biagiotti et al. | Zero-phase velocity tracking of vibratory systems with actuation constraints | |
CN111052003B (zh) | 控制装置 | |
JP2020004023A (ja) | 制御装置、制御方法、情報処理プログラム、および記録媒体 | |
CN110647035B (zh) | 一种膝关节外骨骼角度的无模型自适应反演控制方法 |
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 |