高速列车数据驱动无模型自适应容错控制

针对高速列车运行控制中的牵引/制动力约束和执行器故障问题,提出一种基于偏格式动态线性化的无模型自适应容错控制(PFDL-MFAFTC)算法.首先,利用无模型自适应控制框架下的伪梯度概念,将难以精确获取参数(列车质量、阻力以及执行器故障等)的高速列车动力学模型转化为偏格式动态线性化数据模型;其次,利用径向基函数神经网络(RBFNN)处理执行器故障引起的非线性;然后,通过压缩映射方法对算法进行严格的收敛性证明,保证算法的收敛性;最后,通过高速列车仿真验证PFDL-MFAFTC算法的有效性和容错能力.     

高速动车组数据驱动无模型自适应控制方法

针对动车组的速度跟踪控制问题, 同时考虑到现有基于模型的控制方法对系统动力学模型的依赖性, 以及传统无模型自适应控制时变参数估计算法的复杂性, 将改进的多输入多输出(Multiple-input multiple-output, MIMO)偏格式动态线性化无模型自适应控制(Partial form dynamic linearization-improved model-free adaptive control, PFDL-iMFAC)方法引入到动车组自动驾驶系统中. 该控制方法在无模型自适应控制的基础上, 考虑滑动时间窗口, 增加了可调自由度和设计灵活性, 并在输入准则函数中加上对能量函数的惩罚项, 减少能量损耗, 为动车组的跟踪精度和节能运行提供了一种优化的方法, 在满足动车组速度跟踪效果好的前提下实现节能运行. 最后以CRH380A动车组为对象进行仿真实验, 通过与传统无模型自适应控制对比: 所提出的控制算法各动力单元速度跟踪误差在 ±0.2 km/h以内, 加速度在 ±0.65 m/s2以内且变化平稳, 比传统无模型自适应控制方法节约9.86%的能量.     

高速动车组数据驱动无模型自适应积分滑模预测控制

同许多复杂系统一样, 动车组(Electric multiple unit, EMU) 运行过程也具有多变量、强耦合以及非线性等特性, 这严重影响着列控系统的性能. 针对包含外部扰动的动车组自动驾驶系统, 提出一种新型的多输入多输出(Multi-input-multi-output, MIMO) 数据驱动积分滑模预测控制(Integral sliding mode predictive control, ISMPC)算法. 首先, 该算法基于与动车组运行过程等效的全格式动态线性化(Full format dynamic linearization, FFDL)数据模型, 设计一种离散积分滑模控制(Integral sliding mode control, ISMC) 律. 为了使系统能够获得更高的输出跟踪误差精度, 利用模型预测控制(Model predictive control, MPC) 代替ISMC的切换控制, 进一步推导出ISMPC算法. 同时, 通过对FFDL 数据模型的未知扰动、参数误差等不确定项进行延时估计, 提升了算法的控制性能和对系统的等价描述程度. 在提供两种算法的稳定性证明分析之后, 以实验室配备的 CRH380A 型动车组仿真实验台对提出的ISMC和ISMPC算法进行仿真测试, 并与其他方法进行对比, 仿真结果表明ISMPC算法控制性能较好, 动车组各动力单元速度跟踪误差均在 ±0.132 km/h 以内, 满足列车的跟踪精度需求; 控制力和加速度分别在[−52 kN, 42 kN] 和 ±0.9249 m/s2 以内且变化平稳.     

数据驱动的无模型自适应直线伺服系统精密控制和实现

针对现代制造业对高精度机床伺服系统的要求, 将数据驱动的无模型自适应控制方法应用到直线伺服系统的位置控制中, 控制器设计不包括直线伺服系统结构的任何信息, 是直接基于动态线性化模型中伪偏导数的估计和预报, 而伪偏导数是根据直线电机电压输入和位置输出在线估计的. 永磁同步直线电机运动控制系统的实时实验结果表明, 在相同条件下, 数据驱动的无模型自适应控制方法的位置跟踪误差比PID减小了0.4mm到2.6 mm, 比神经网络控制时减小了0.2mm到0.5 mm. 该方法还提高了对负载扰动的鲁棒性.     

离散时间非线性系统的数据驱动无模型自适应迭代学习控制

本文基于迭代域的动态线性化方法,提出了一类单入单出离散时间非线性系统的数据驱动无模型自适应迭代学习控制方案.无模型自适应迭代学习控制本质上属于一种数据驱动控制方法,仅利用被控对象的输入输出数据即可实现控制方案的设计.理论分析表明无模型自适应迭代学习控制方案可以保证最大学习误差的单调收敛性.数值仿真和快速路交通控制应用验证了无模型自适应迭代学习控制方案的有效性.     

气动肌肉群驱动球关节机器人的无模型自适应控制

设计了一种由气动肌肉群驱动的三轴球关节机器人,并对其进行逆运动学分析.根据该机器人的运动学逆解,提出了基于非线性反馈的气动肌肉群控制策略.气动肌肉系统是一个强非线性时变的自平衡系统,鉴于传统控制方法难以克服控制精度、响应速度和稳定性之间的矛盾,引入改进型无模型自适应控制器.实验证明,在保证稳定性的前提下,控制器提高了系统的调节速度和控制精度,使得系统的稳态误差小于0.3,取得了良好的控制效果.     

基于数据驱动的感应电机多模型逆自适应解耦控制

提出一种基于数据驱动的感应电机多模型逆自适应解耦控制方法. 首先, 利用仿射聚类法(AP) 对电机系统的输入输出数据进行聚类, 再基于聚类结果和隶属度函数建立相应的神经网络多模型逆, 以实现解耦控制. 针对电机系统运行过程中电机参数变化问题, 采用粒子群优化算法(PSO) 在线调节子模型权值, 以改善逆模型失匹造成解耦控制性能下降的问题. 仿真实验表明, 所提出的方法能对电机的转速和磁链实现良好的解耦控制, 且对电机系统工况参数变化具有良好的自适应能力.

     

液压厚度控制系统的数据驱动预测控制

热连轧液压厚度控制系统是由多机架协调工作完成的,针对液压厚度控制系统的大时滞特性,结构不确定性以及外部扰动等扰动的影响,提出液压厚度控制系统的数据驱动预测控制策略。采用串级控制方式,将监控AGC系统测得的实际厚度和压力AGC系统利用弹跳方程计算得到的厚度数据反馈给控制系统,利用子空间辨识方法,直接设计数据驱动预测控制器,增强抗干扰能力,提高控制精度。仿真结果表明该方法能够提高控制精度,具有较好的控制性能。     

改进的非线性离散系统自适应数据驱动控制

基于同步扰动随机近似的算法, 控制器选取为一个函数逼近器, 并在这里被确定为神经网络. 控制算法中使用了自适应的参数估计, 明显改善了控制性能, 同时也给出了相应的收敛性分析. 最后, 新型的控制算法被应用到了解决非线性离散系统的跟踪控制问题中, 并通过仿真比较结果, 充分验证了这种自适应数据驱动控制策略的可行性和有效性.     

工业蒸发器的无模型自适应控制

本文介绍了采用多变量无模型自适应控制器（Model－FreeAdaptiveController,简称MFA）控制工业蒸发器的应用。文中介绍了无模型自适应控制的概念,讨论了其系统结构及应用步骤。MFA控制器在这一严重耦合及非线性的蒸发器系统中的成功应用显示了其独特的优点。使用者无需进行控制器设计、过程辨识、也不需知道过程的定量知识就可以将控制器投入运行。即使过程的动态特性有很大变化,也不需重新整定控制器参数。     

无模型自适应(MFA)控制

概述了一种新型的控制方法无模型自适应(MFA)控制。目的是对当前无模型自适应(MFA)控制有一个总体的认识,它无需数学建模以及复杂的人工参数整定即可控制时变、多变量等复杂过程。首先介绍了无模型自适应控制的性质及特征;结合燃烧过程的控制阐述无模型自适应控制理论的精髓;并和其他控制(如PID)方法作了比较。应用表明,无模型自适应控制可成功解决各种各样的控制问题,适应了现代化工业控制的要求,具有良好的应用与发展前景。     

高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.     

冗余驱动并联机械手的混合位置/力自适应控制

针对冗余驱动并联机构研究一种自适应的混合位置/力控制算法.基于并联机构中约束子流形的几何性质,将冗余驱动并联机构的逆动力学自然投影到位形空间和约束力空间.基于投影方程,提出一种统一的具有渐进稳定性的自适应混合位置/力控制算法.采用最小二范数准则求解冗余解问题,实现了实际驱动关节力矩的优化.仿真结果验证了控制方法的有效性.     

无模型自适应控制的现状与展望

给出了无模型控制的定义,并对已存在的无模型控制方法进行了分类．综述了无模型自适应控制理论和方法的现状和进展．讨论了无模型自适应控制与其他控制方法的主要区别,提出了两种无模型自适应控制方法与已有基于模型的控制方法优势互补的模块化设计方案,提出了有待于进一步研究的问题．     

基于无模型自适应控制的视觉伺服

传统的机器人视觉伺服控制技术需要已知机器人精确的动力学和运动学模型以及机器人的手-眼参数。然而,由于机器人建模、手-眼标定等过程存在一定误差,因此很难精确获得视觉伺服控制模型,从而影响机器人视觉伺服系统的精度和收敛速度。针对这一难题,本文提出一种基于无模型自适应控制方法（MFAC）的机器人视觉伺服技术。利用视觉伺服系统的输入与输出数据,实现自适应视觉伺服控制,即通过MFAC在线估计机器人伺服控制器中的雅各比矩阵,并结合滑模控制器,实现机器人对目标的快速精确跟踪。实验结果表明,本文提出的方法在系统参数变化引起的未知扰动情况下仍能保证伺服控制器平稳收敛,并且能够减小视觉跟踪误差。     

数据驱动下供应链系统变更自适应预测控制

针对动态供应链系统正常运行过程中生产环节发生变更的情况,提出了一种基于数据驱动的自适应预测控制算法。首先,利用数据驱动的方法建立供应链系统的子空间预估模型,将子空间预估器参数与预测控制策略相结合,直接设计自适应预测控制器;其次,求得多级供应链系统在运作过程中发生内部节点变更状况下的库存控制策略;最后,以三节点生产—库存供应链系统为例,验证所提出的算法。在仿真部分验证了基于数据建模的准确性,分析了供应链系统在自适应预测控制的生产策略下其在内部节点发生变更前后库存水平的波动状况,仿真结果表明该方法的鲁棒性和有效性。     

液压伺服位置系统模型参考模糊自适应PID控制器的设计

针对液压伺服位置系统被控对象，提出了用模型参考模糊自适应机构对PID控制器比例系数进行在线调节，以减小液压伺服位置系统中参数摄动等引起的超调和振荡；同时为简化控制器，提出了用变积分系数的方法来消除负载扰动给系统带来的稳态误差。仿真研究结果表明，具有模糊自适应和变积分系数的控制器使控制系统既有较高的稳态精度，同时也使系统具有较快的动态响应，整个系统具有很好的鲁棒性。     

基于数据驱动的非线性网络系统自适应迭代学习控制

针对非线性网络控制系统中测量数据的量化及随机丢包问题,给出一种基于数据驱动的自适应迭代学习控制算法.该算法能够保证系统在数据量化、随机丢包以及不确定迭代学习长度等因素的影响下,经过有限次迭代后输出轨迹跟踪误差收敛到零;借助伪偏导线性化方法,将非线性系统转换为线形时变系统形式;在线性系统框架下利用前一批次的系统输出信息更...