基于切换的多模型二阶段自适应控制器设计

针对一类具有参数跳变特性的离散时间系统,设计一类基于切换策略的新型多模型二阶段自适应控制器.该控制器首先将系统不确定参数的变化空间划分为多个子空间,在每个空间内建立多个自适应模型.为了克服多模型退化,保持模型的多样性以应对参数跳变,采用带约束的二阶段自适应方法对未知参数进行实时估计,并据此设计相应的子控制器;然后基于切换策略,选取该时刻的最优子控制器作为系统的控制器,从而减小系统暂态误差,提高系统动态性能;最后进行数值仿真研究,仿真结果表明该控制器结合了切换机制和二阶段自适应的优点,在相同模型数量的情况下,能够快速逼近参数跳变以后系统新的工作点,显著地缩短系统的过渡过程,提高暂态性能.     

直接辨识扰动模型的内模极点配置自适应控制

给出了直接在辨识器中估计扰动模型和过程模型参数的算法,扰动模型用于极点配 置自适应控制,根据内部模型原理消除未知确定扰动.由于使用了与常规方法不同的观测向 量,因而省去了分离扰动模型的计算过程.这种方法可适用于多个扰动频率的情况,且辨识器 的阶数不超过常规辨识器.分析了参数的可辨识性和系统的稳定性.     

非线性主动悬架系统自适应最优控制

针对非线性主动悬架系统多性能指标综合优化问题,提出一类自适应最优控制方法.首先,通过引入一阶低通滤波操作,利用系统输入输出构建结构简单且调节参数少的一类未知非线性动态估计器,在线估计系统未知非线性动态;其次,构建包含乘驾舒适度、悬架行程空间及输入能耗的性能指标函数,采用单层神经网络对最优性能指标函数进行在线逼近,并得到新的哈密尔顿函数;为实现在线求解,构建一类新的基于参数估计误差信息的自适应律,在线更新神经网络权值并计算最优控制律;最后,理论分析闭环系统稳定性和收敛性,并通过专业软件Carsim与Matlab/Simulink搭建的联合仿真平台给出的对比仿真结果,验证所提出方法可有效解决主动悬架系统多目标性能优化控制问题,提升主动悬架系统综合性能.     

基于粒子群优化的低阶时滞系统辨识

为了解决低阶时滞系统阶跃响应辨识问题,提出基于粒子群优化的参数估计方法.方法主要包括参数初值计算和参数估计两部分.首先,采用积分方程方法估计时滞系统参数初值,通过设置参数初值估计误差,得到系统参数取值范围.然后,为了减小由观测噪声引起的参数估计误差,采用粒子群优化算法优化模型参数.最后,通过仿真实验分别验证文中方法在不同噪声条件下辨识低阶时滞系统的性能.实验表明,文中方法具有良好的参数估计精度和较强的抗噪能力,可有效解决噪声条件下低阶时滞系统的阶跃响应辨识问题.     

基于多模型切换的多变量直接自适应极点配置控制器

提出一种基于多模型切换的多变量直接自适应控制器,控制器参数模型集可由系统参数模型集直接得到,不但仍为一紧集并且被其模型子集完全覆盖.该多模型控制器不仅改善了控制系统的暂态响应,而且可以实现极点配置,最后给出了全局收敛性分析.     

基于未知系统动态估计的机器人预设性能控制

针对含有未知系统动态和外部干扰的机器人系统,提出一种不依赖于函数逼近器且能保证瞬态和稳态性能的控制算法.设计未知系统动态估计器可重构机器人系统的未知动态(向心力、重力)和外部干扰,与其他方法相比,该估计器结构简单,只需调节一个参数,且引入滤波操作可避免使用加速度信号,有利于在实际机器人控制中的运用.控制器设计中引入描述...     

随机系统的多模型直接自适应解耦控制器

针对多变量离散时间随机系统, 提出了一种采用广义最小方差性能指标的多模型直接自适应解耦控制器. 该多模型控制器由多个固定控制器和两个自适应控制器构成. 固定控制器用以覆盖系统参数的可能变化范围, 自适应控制器用以保证系统的稳定性和提高暂态性能. 该多模型控制器利用矩阵的伪交换性和拟Diophantine方程性质, 基于广义最小方差性能指标, 将随机系统辨识算法和最优控制器设计相结合, 直接辨识出控制器的参数, 通过广义最小方差性能指标中加权多项式的选取,不但实现了多变量系统的动态解耦控制, 而且消除了稳态误差、配置了闭环极点. 文末给出了全局收敛性分析. 仿真结果表明该方法明显优于常规自适应控制器.     

基于T—S模糊模型的多变量预测控制

提出一种基于T-S模糊模型的多输入多输出预测控制策略.T-S模糊模型用于描述对象的非线性动态特性,模糊规则将非线性系统划分为多个局部子线性模型.为提高预测控制性能,采用多步线性化模型构成多步预报器,从而将预测控制中的非线性优化问题转化为一个线性二次寻优问题.串接贮槽液位控制系统的仿真结果表明,多步线性化模型预测控制性能优于单步线性化模型预测控制性能.     

基于等价输入干扰补偿的改进型重复控制系统参数优化设计

针对一类同时具有周期性参考输入和非周期扰动的伺服系统,提出基于等价输入干扰补偿的改进型重复控制系统参数优化设计方法,实现对非周期扰动的有效抑制和周期性参考输入的高精度跟踪控制.首先,利用全维状态观测器的估计误差构造等价输入干扰估计器,通过将等价输入干扰估计值反馈到控制输入端,建立基于等价输入干扰补偿的复合重复控制规律.然后,基于小增益定理推导出系统的稳定性条件,引入一个对系统抗扰性能、跟踪性能和收敛速度进行整体评价的性能目标函数,建立系统参数优化模型,采用粒子群优化算法,实现对系统重复控制器参数、等价输入干扰估计器参数和状态反馈控制器参数的同时优化.最后,通过数值仿真分析对比说明所提方法的有效性和优越性.     

含执行机构未知动态的液压伺服系统输出反馈控制

针对含有未知动态(如:执行机构、负载等)液压伺服系统,提出一种基于未知系统动态估计器的输出反馈控制方法.该方法不依赖于函数逼近器和传统反步控制设计,且无需难以测量的系统内部状态.首先,为避免反步控制和系统全部状态,引入等价变换,将含液压执行机构的伺服系统高阶严格反馈模型转化为Brunovsky标准型,进而运用高阶滑模微分器观测转化后的系统未知状态.控制器设计中引入描述收敛速率、最大超调量和稳态误差的性能函数,保证预设控制系统稳态和瞬态控制性能.为补偿系统集总未知动态影响,设计一种仅含一个调节参数并保证指数收敛的未知系统动态估计器.该输出反馈控制器可以实现对系统输出的精确跟踪控制.最后,通过数值仿真结果表明了所提出算法的有效性.     

新型并行遗传算法及其在参数估计中的应用

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题,传统的优化方法计算效率较低且容易陷入局部极值。该文将单纯形法与并行遗传算法相结合,提出了一种新的并行遗传算法,可以有效地防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题,获得了满意的结果。     

利用改进遗传算法的参数估计

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题,传统的优化方法计算效率较低且容易陷入局部极值。而遗传算法是一种有导向的随机搜索方法,能以较大的概率收敛到全局最优解。本文将单纯形法引入到并行遗传算法中,提出了一种改进的遗传算法,可以有效地提高算法的收敛速度、防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题,获得了满意的结果。     

一类非线性参数化系统的自适应鲁棒控制

针对一类含有非线性参数化不确定项的非线性系统,本文提出了一种基于浸入和不变流形的自适应鲁棒控制器.由于浸入和不变流形方法将调节函数引入到参数估计律的设计中,增加了控制器设计自由度,保证对系统中未知参数的渐近估计,使得设计出的自适应鲁棒控制器在克服非线性参数化不确定项和外界扰动影响的同时,保证了良好的动态和稳态性能.最后通过仿真实例验证了所提算法的有效性.     

伺服系统的复合自适应滑模控制

对于采用自适应方法的鲁棒跟踪控制系统,初始参数估计误差、参数突变、非持续激励等因素均可引起瞬态过程.瞬态性能的好坏对跟踪误差峰值及恢复时间有较大影响,是实现高性能跟踪控制的关键,而目前典型设计多采用直接自适应方法,其较差的瞬态特性制约了跟踪性能的进一步提高.针对该问题,以交流伺服系统为研究对象,将直接自适应、间接自适应及滑模控制相融合,提出一种基于有界增益遗忘最小二乘法的复合自适应滑模控制( CASMC)策略,Lyapunov分析表明该策略可实现持续激励条件下跟踪误差和参数估计误差在较大范围内的指数收敛,瞬态特性较清晰.最后,以某型火炮的方位轴伺服系统为应用背景进行仿真实验,结果显示,该控制策略在瞬态过程的误差峰值和持续时间方面均有显著改善,提高了伺服系统的跟踪性能.     

一类参数线性系统辨识的最优输入设计

对未知参数进行估计时,得到的结果与激励系统所选用的输入信号有较大的关系.针对一类参数可线性化系统,本文提出了一种利用多维同步正交信号和直接配点法设计最优输入信号的方法.首先根据最小二乘原理,利用法矩阵构造Mayer型性能指标函数.然后利用不同频率的正弦基函数构造相互正交的多维输入,通过添加幅值与相位的等式约束,使得输入信号在初/末时刻取值均为零.之后采用直接配点法离散状态变量,将动态的最优输入问题转化为静态的非线性规划问题.最后采用从可行解到优化解的串行优化策略进行求解,不仅提高了寻优效率,还确保了优化结果为原问题的可行解.仿真结果表明,与工程上常用的输入信号相比,本文方法获取的最优输入信号可以提高参数估计精度并加快收敛速率.     

充液航天器的鲁棒固定时间终端滑模容错控制

本文以三轴稳定充液航天器为研究背景,在其进行姿态机动控制过程中充分考虑了外部未知干扰、参数不确定、执行器故障和控制输入饱和等因素的影响,提出了一种固定时间终端滑模控制策略.动力学建模过程中,利用粘性球摆等效力学模型模拟液体燃料小幅晃动,通过拉格朗日方程推导出航天器的耦合动力学模型.姿态控制器设计过程中,首先构造固定时间...     

丢包和量化约束下的不确定系统分布式滚动时域估计

研究了数据丢包和量化约束下的随机不确定系统分布式状态估计问题.将丢包现象描述为随机Bernoulli序列,采用预测补偿机制对数据丢包进行补偿,将量化引入的误差转化为观测方程中的不确定参数,将系统的模型不确定性描述为系数矩阵受到随机扰动;利用固定时域内的所有观测值构造代价函数,将状态估计问题建模为带不确定参数的鲁棒最小二乘优化问题,并通过将矢量优化问题转化为单峰函数的标量优化问题,实现了鲁棒滚动时域局部估计器的快速求解;对局部估计器的稳定性进行研究,给出了估计误差范数平方期望收敛的充分条件.应用协方差交叉(CI)融合算法进行加权融合,得到了分布式融合估计器.最后通过仿真验证了所提算法的有效性.     

Robust state estimator design for uncertain linear systems using optimization techniques

The estimation of state variables of dynamic systems in noisy environments has been an active research field in recent decades. In this way, Kalman filtering approach may not be robust in the presence of modeling uncertainties. So, several methods have been proposed to design robust estimators for the systems with uncertain parameters. In this paper, an optimized filter is proposed for this problem considering an uncertain discrete-time linear system. After converting the subject to an optimization problem, three algorithms are used for optimizing the state estimator parameters: particle swarm optimization (PSO) algorithm, modified genetic algorithm (MGA) and learning automata (LA). Experimental results show that, in comparison with the standard Kalman filter and some related researches, using the proposed optimization methods results in robust performance in the presence of uncertainties. However, MGA-based estimation method shows better performance in the range of uncertain parameter than other optimization methods.     

Decentralized control and state estimation of linear time-periodic systems

The main contributions of this article are the design of a decentralized controller and state estimator for linear time-periodic systems with fixed network topologies. The proposed method to tackle both problems consists of reformulating the linear periodic dynamics as a linear time-invariant system by applying a time-lifting technique and designing a discrete-time decentralized controller and state estimator for the time-lifted formulation. The problem of designing the decentralized estimator is formulated as a discrete-time Kalman filter subject to sparsity constraints on the gains. Two different algorithms for the computation of steady-state observer gains are tested and compared. The control problem is posed as a state feedback gain optimization problem over an infinite-horizon quadratic cost, subject to a sparsity constraint on the gains. An equivalent formulation that consists in the optimization of the steady-state solution of a matrix difference equation is presented and an algorithm for the computation of the decentralized gain is detailed. Simulation results for the practical cases of the quadruple-tank process and an extended 40-tank process are presented that illustrate the performance of the proposed solutions, complemented with numerical simulations using the Monte Carlo method.