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.     

基于自适应滑模电流控制算法的仿真研究

针对永磁同步直线电机具有的非线性,扰动敏感的特点,提出基于自适应滑模电流控制算法的滑模控制.通过在电流环引入自适应律,进行在线估计系统内部参数摄动以及模型不确定性扰动,来改善永磁同步直线电机驱动系统中的电流环响应速度、追踪性能,并将正弦饱和函数代替常规sign函数,来削弱系统抖振,提高系统的鲁棒性和稳定性.同时设计二阶扩张观测器预测系统的负载扰动,二阶扩张观测器中利用提出的新型sigfal函数,改善了传统扩张观测器的预测精度和稳定性,然后将预测值前馈到电流环对其进行补偿,来减小滑模控制增益.仿真结果证明,所提出的方法可以提高永磁同步直线电机驱动系统的抗干扰性和动态响应性能.     

pH值中和反应过程的无模型学习自适应控制

根据pH值处理过程的时变和非线性特性,将基于紧格式线性化的单入单出非线性离散时间系统的无模型学习自适应控制方法应用在带有时滞的pH值中和反应过程中。控制器的设计是无模型的,是直接基于称为伪偏导数的向量,此伪偏导数是通过一种新型参数估计算法,根据酸碱中和反应系统的输入输出信息在线导出的。此无模型控制方法非常适用于实际的模型参数难以辨识,且是时变的非线性系统。仿真控制验证了该方法对不确知动态的非线性pH值的控制具有鲁棒性强、响应速度快和控制精度高的优点,性能好于传统的PID控制。     

直线电机的非参数模型直接自适应预测控制

将基于紧格式线性化的非参数模型直接自适应预测控制方法应用到直线电机速度和位置控制中.控制器的设计是直接基于伪偏导数的估计和预报,而伪偏导数信息则足通过参数估计算法和预报算法利用I/O数据在线导出.仿真演示了该方法对电机这种不确知动态非线性系统的有效性和抗干扰能力.     

二维直线电机的多入多出无模型自适应轮廓控制

针对传统的单入单出控制器无法解决二维直线电机存在的非线性,不确定性以及强耦合作用等问题,依据无模型自适应控制不依赖于被控系统精确数学模型,仅需受控系统输入输出数据便能实现自适应控制这一特点,采用多入多出的紧格式动态线性化无模型自适应控制算法对二维直线电机XY轴进行整体控制器设计.同时,针对二维直线电机这种含有纯二阶积分环节的非自平衡系统,提出了多入多出无模型自适应控制改良方法,并进行严格的稳定性和收敛性证明.为了提高二维直线电机的轮廓精度,在多入多出无模型自适应控制改良方法的基础上,加入交叉耦合控制器,与传统的交叉耦合控制方法相比较,提高了跟踪精度和轮廓精度.最后通过仿真和实物实验证明了所提方案的有效性.     

一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化(PSO)的自适应神经网络预测控制方法.采用对角递归网络(DRNN)对非线性系统进行建模,并利用扩展卡尔曼滤波(EKF)递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应.利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点.生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力.     

二维直线电机的并联型无模型自适应复合控制

针对二维直线电机平台系统的XY轴协同控制问题,将PI与并联型无模型自适应相结合的复合控制方法应用于控制系统.该控制方法通过在每个子系统加入PI控制方法保证其稳定性,再通过并联型的无模型自适应控制方法来提高整个系统的跟踪性能,以减小系统位置误差.基于数据驱动的无模型自适应控制方法设计二维直线电机系统控制器,其优势在于无需...     

无轴承永磁同步电机最小二乘支持向量机非线性建模

无轴承永磁同步电机的磁链特性表现为严重的非线性, 常规的解析法所建立的模型难以准确反映无轴承永磁同步电机的实际特性. 因此, 提出利用最小二乘支持向量机建立无轴承永磁同步电机非线性模型的新方法. 在介绍最小二乘支持向量机回归理论的基础上, 利用有限元法得到的样本建立了无轴承永磁同步电机的最小二乘支持向量机非线性模型, 并与神经网络方法进行了比较. 仿真结果表明, 所建模型具有较好的鲁棒性和预测精度. 最后给出了应用该模型实现无轴承永磁同步电机优化控制的方法.     

支持向量机在PID控制器参数整定中的仿真研究

PID控制是应用最为广泛的控制方法,由于系统中存在非线性和时变性,影响建立精确的模型,系统性能.为了解决控制参数整定,改善系统性能,提出一种基于支持向量机的PID控制器参数整定方法.通过将支持向量机和PID控制器相结合建立支持向量机的参数整定模型,在控制过程中将PID控制的参数作为支持向量机的输入,构造参数自适应学习的PID控制器,在控制过程中动态调整PID的三个控制参数,进行仿真的在线整定.仿真结果表明,支持向量机的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果,为通用非线性PID控制器设计提供了依据.     

基于自适应粒子群优化算法的永磁同步电机参数辨识

永磁同步电机广泛应用于工业驱动系统中,开展永磁同步电机参数在线辨识对实现电机高性能控制和可靠状态监测具有重要意义.针对永磁同步电机动态数学模型具有非线性、多参数、强耦合等特点,从电气系统和机械系统两方面建立了永磁同步电机数学模型,针对参数辨识问题的特点,提出了一个惯性因子的自适应公式,在此基础上,建立了以粒子群算法为框架的自适应粒子群优化算法,对永磁同步电机定子电阻Rs和负载转矩TLd进行了在线辨识,并基于实验平台验证了辨识结果.研究结果表明:自适应粒子群优化算法通过不超过20次迭代就可以发现最优参数,模型参数的估计值和测量值匹配良好,该算法可在其他类型电机的参数辨识中推广应用.     

未知异构非线性多智能体系统的无模型自适应编队控制

研究一类未知异构非线性多智能体的编队控制问题.首先,利用全格式动态线性化(full form dynamic linearization,FFDL)方法将未知非线性智能体转化为含有时变参数的数据模型,并给出时变参数的估计方法;然后,基于该数据模型设计一种分布式无模型自适应多智能体编队控制方案;最后,为验证所提出的无模型自适应编队控制方案的有效性,利用3台NAO机器人开发基于Python的多智能体编队控制实验平台.实验比较结果表明,通过所提出的控制方案可使3台机器人仅利用局部信息就能有效完成编队控制任务,控制性能优于基于PID的编队控制方法.     

Adaptive-Predictive Control of a Class of SISO Nonlinear Systems

In this paper, an adaptive-predictive control algorithm is developed for a class of SISO nonlinear discrete-time systems based on a generalized predictive control (GPC) approach. The design is model-free, based directly on pseudo-partial-derivatives derived on-line from the input and output information of the system using a recursive least squares type of identification algorithm. The proposed control is especially useful for nonlinear systems with vaguely known dynamics. Robust stability of the closed-loop system is analyzed and proven in the paper. Simulation and real-time application examples are provided for real nonlinear systems which are known to be difficult to model and control.     

一种无模型自适应积分终端滑模控制方法

针对一类包含扰动的非线性离散时间系统,提出一种新的无模型自适应离散积分终端滑模控制算法.该算法基于紧格式动态线性化数据模型,利用离散积分终端滑模控制算法设计无模型自适应控制器,并采用扰动估计技术估计系统的扰动项,其中动态线性化方法中“伪偏导数”的估计算法仅依赖于被控系统的I/O测量数据.理论分析证明了系统输入输出有界,并通过仿真实验验证了所提算法的有效性.     

Data-based approximate policy iteration for affine nonlinear continuous-time optimal control design

This paper addresses the model-free nonlinear optimal control problem based on data by introducing the reinforcement learning (RL) technique. It is known that the nonlinear optimal control problem relies on the solution of the Hamilton–Jacobi–Bellman (HJB) equation, which is a nonlinear partial differential equation that is generally impossible to be solved analytically. Even worse, most practical systems are too complicated to establish an accurate mathematical model. To overcome these difficulties, we propose a data-based approximate policy iteration (API) method by using real system data rather than a system model. Firstly, a model-free policy iteration algorithm is derived and its convergence is proved. The implementation of the algorithm is based on the actor–critic structure, where actor and critic neural networks (NNs) are employed to approximate the control policy and cost function, respectively. To update the weights of actor and critic NNs, a least-square approach is developed based on the method of weighted residuals. The data-based API is an off-policy RL method, where the “exploration” is improved by arbitrarily sampling data on the state and input domain. Finally, we test the data-based API control design method on a simple nonlinear system, and further apply it to a rotational/translational actuator system. The simulation results demonstrate the effectiveness of the proposed method.     

Study of model-free adaptive data-driven SMC algorithm

A kind of adaptive sliding model control algorithm is developed to solve and improve the mathematical model dependency and un-modeled dynamics of a controlled system. The control strategy derived from a kind of data-driven control method in essence, thereby the input and output data are utilized by the controller with no information about the control system model. Theoretical analysis proves that this proposed control algorithm can improve the utilization of the estimated pseudo partial derivative information and accelerate the velocity of the convergence. The stability of the control system is further verified by rigorous mathematical analysis. This new discrete-time nonlinear systems model-free control algorithm obtained better control performance through the simulations for the linear motor position and the information tracking speed, which also achieved robust and accurate traceability.     

一类离散时间非线性系统不依赖受控系统数学模型的学习自适应控制

给出了一类离散时间非线性系统的不依赖受控系统数学模型的学习自适应控制方案，它不需要受控系统的结构信息、数学模型、外部试验信号和训练过程，仅用受控系统的I／O数据来设计，传统的未建模动态不存在，所给出的计算机仿真结果说明了所给出的方案的正确性和有效性。     

电机温度时滞耦合系统自抗扰控制仿真研究

电机温度过高会造成绝缘性能老化,电机安全性能下降;电机控制系统是典型的非线性系统,电机温度也因此具有时滞性和耦合性的特点,难以建立准确的数学模型;传统的方法对电机温度的控制精度较差,从而导致电机温度失控;为此,提出基于BP神经网络自抗扰控制算法的电机时滞耦合关系下温度控制方法;将BP神经网络与PID控制方法相结合建立电机温度网络自抗扰控制器模型,利用梯度下降法修正电机温度控制器模型的权值系数,从而实现了BP神经网络自抗扰控制器参数的实时调整;实验结果表明,利用BP神经网络自抗扰算法进行电机时滞耦合关系下温度调整,能够有效提高控制的精确度,缩短了控制过程中的时间延时。