CN106054594A - 基于控制输入饱和的无模型自适应控制方法 - Google Patents
基于控制输入饱和的无模型自适应控制方法 Download PDFInfo
- Publication number
- CN106054594A CN106054594A CN201610407074.6A CN201610407074A CN106054594A CN 106054594 A CN106054594 A CN 106054594A CN 201610407074 A CN201610407074 A CN 201610407074A CN 106054594 A CN106054594 A CN 106054594A
- Authority
- CN
- China
- Prior art keywords
- overbar
- centerdot
- formula
- input
- rho
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 title abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000013461 design Methods 0.000 claims abstract description 25
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 32
- 229920006395 saturated elastomer Polymers 0.000 claims description 15
- 101500028514 Mus musculus KC(5-72) Proteins 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- DWPVVZZGGGCRRM-UHFFFAOYSA-N (4-methoxyphenyl)-(4-methylpiperazin-1-yl)methanone Chemical compound C1=CC(OC)=CC=C1C(=O)N1CCN(C)CC1 DWPVVZZGGGCRRM-UHFFFAOYSA-N 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012938 design process Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 230000004044 response Effects 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012545 processing Methods 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于控制输入饱和的无模型自适应控制方法,本发明考虑控制输入存在位置和速率饱和的情况下,设计一种基于观测器技术的自适应神经网络约束控制器,在设计过程中提出一种动态抗饱和补偿器用以实时调整参考设定值以确保控制输入不会进入饱和区域。首先针对一般仿射非线性***利用反馈线性化方法进行模型变换,其次针对变换后的***设计一个神经网络观测器和约束控制器,给出的一种动态抗饱和算法在线调整参考设定值使得控制器的输入一直运行在约束范围中。
Description
技术领域
本发明涉及高阶非线性***控制方法领域,特别是涉及基于控制输入饱和的无模型自适应控制方法。
背景技术
实际的控制***都是非线性的,各种约束总是大量存在。当***状态在相对较小的范围内变化时,一般可以用线性微分方程来描述,并用较为成熟的线性***理论进行分析与设计。如果要考虑***的大范围工作区域,而***状态将受到约束限制时,运用线性***理论就难以得到有效的解决[1]。
饱和问题是各类非线性***中比较常见的。例如:电机由于物理上的限制只能达到有限转速,运算放大器的输出一般不超过其电源电压,数字计算机中的数据由于字长有限而可能出现溢出。饱和问题会对控制***的设计带来很大的麻烦,常常使***的工作性能退化,超调增大,调整时间延长。对控制对象本身不稳定的***,甚至会导致闭环***不稳定。
饱和问题不同于一般的非线性问题,它是基于对工作在线性条件下的***在特殊条件下进入非线性区域的考虑,单纯地应用目前相对不成熟的非线性***理论解决饱和问题代价太大,而且往往无法得到性能良好且全局稳定的***。所以目前对于饱和问题,通常是在线性***框架下进行适当地扩展,以便充分利用较成熟的线性***理论找到解决饱和问题的方法。
一般地,在抗饱和控制的研究中,处理饱和的方法有两种:要么将发生饱和的***重新拉回到线性区域;要么通过严谨地设计控制器,以避免饱和问题发生。实际***中饱和问题的出现有时不是由于控制器设计引起,当参考轨迹设定不合理,正确的控制器设计也无法充分的避免饱和问题发生。所以,在控制器设计合理的情况下,如何通过抗饱和处理调整参考设定值,以确保控制输入不会进入饱和区域也是具有很大的研究意义。
发明内容
为了解决上述存在的问题,本发明提供一种基于控制输入饱和的无模型自适应控制方法,本发明考虑控制输入存在位置和速率饱和的情况下,设计一种基于观测器技术的自适应神经网络约束控制器,在设计过程中提出一种动态抗饱和补偿器用以实时调整参考设定值以确保控制输入不会进入饱和区域。首先针对一般仿射非线性***利用反馈线性化方法进行模型变换,其次针对变换后的***设计一个神经网络观测器和约束控制器,给出的一种动态抗饱和算法在线调整参考设定值使得控制器的输入一直运行在约束范围中,为达此目的,本发明提供基于控制输入饱和的无模型自适应控制方法,其特征在于:
步骤一将输入输出反馈线性化:
考虑模型未知但阶数已知的单输入-单输出仿射***:
其中f1,g1和h1在定义域上足够光滑,映射f1:D→Rn和g1:D→Rn称为D上的向量场,导数为:
其中:称为h1关于f1或沿f1的Lie导数,这种表示方法类似于h1沿***轨迹的导数,当重复计算关于同一向量场或一新向量场的导数时,要用到以下表示:
如果则与u无关,如果继续计算y的二阶导数,记为y(2),得:
同样,如果则且与u无关,重复这一过程可看出,如果满足i=1,2,…,ρ-1,则u不会出现在的方程中,但出现在y(ρ)的方程中,带一个非零系数,即:
定义x=[x1,x2,…,xρ]=[y,y2,…yρ-1],则方程(4.5)可以表示成如下状态方程形式:
考虑控制输入存在如下约束:
步骤二建立高阶神经网络模型:
设每一个神经元状态由下面微分方程描述:
其中λi是第i个神经元状态,ai为常数,wij表示第j个输入与第i个神经元之间的连接权值,ηj是上述神经元的第j个输入,其既可以是外部输入,也可以是通过S函数,ηj=S(λj)作用的神经元状态,这里S(·)表示S型非线性函数;
现以n个神经元和m个输入组成的高阶递归神经网络说明,神经元的状态由下面微分方程确定:
这里λi是第i个神经元状态,{I1,I2,…,IL}是集合{1,2,…,m+n}中无秩序L子集,λi为实数,wik是可调神经网络权值,dj(k)为非负整数,η是神经元输入向量,定义如下:
η=[η1,…,η,ηn+1,…,ηn+m]T=[S(λ1),…,S(λn),S(u1),…,S(um)]T (4.10);
这里υ=[u1,u2,…,um]T是神经网络外部输入向量,S(·)是单调递增可微S型函数,定义为:
其中α,β为正的实数,ε为小的实数,如α=β=1,ε=0,式(4.11)表示logistic函数;α=β=2,ε=-1时,则代表双曲正切函数;
在这里引入L维向量z,其定义为:
于是高阶回归神经网络模型式(4.9)变换为:
更进一步,定义可调参数向量Wi=[wi,1,…,wi,L],则(4.13)式变为;
这里{Wi:i=1,2,…,n}为神经网络可调权值,系数{ai:i=1,2,…,n}表示网络基本结构参数,在网络训练期间固定不变,为了保证每一个神经元输入输出有界且稳定,取ai为正数;
步骤三动力学模型辨识;
为了方便模型辨识,式(4.6)写成如下形式:
其中:
针对式(4.15),基于上节所述的RHONN,设计观测器如下;
其中:为式(4.15)的观测值,L=[l1,l2,…,lρ]T为观测器增益,
定义观测和输出误差由式(4.16)和式(4.15),可以得到观测误差的动态方程如下:
其中: 为最优的权值矩阵。ε1,2为RHONN的函数估计误差,且满足有界条件|ε1,2|≤∈1,2;
定理4.1:针对式(4.15)所设计的RHONN观测器在权值满足如下(4.17)自适应调整法则的情况下可以保证观测误差一致最终有界(UUB);
证明:我们考虑了Lyapunov函数;
对V1求导可得;
因为|ε1,2|≤∈1,2,|u|≤max{|umin|,|umax|},因此可得其中;
利用Young不等式,可得;
考虑如下的类Riccati代数不等式;
其中Q为正定矩阵。将式(4.22)代入式(4.20)可得;
将权值调整法则带入可得满足如下关系;
所以当状态估计误差;
或者权值估计误差;
时;
可以确保通过以上的分析,可以得到一致最终有界(UUB);
步骤四无约束的输出反馈控制建模;
定义参考轨迹其中yd为输出跟踪设定曲线,这里设计控制器如下;
其中K=[k1,k2,…,kρ]T为控制器反馈增益,满足Hurwitz条件,将控制器(4.26)代入(4.16)可得闭环动态方程为;
其中Ac=A-BKT,求方程(4.27),可得;
由定理4.1得知,对(4.28)等式两端求绝对值,因此可得;
其中m和α为满足不等式的正定常数;
上面的控制器的设计没有将控制输入存在的位置和速率饱和约束问题考虑进去,通过抗饱和策略调节参考设定值yd,从而确保输出跟踪设定值保持在一个合理的范围里面,以保证控制量能一直维持在饱和范围里;
步骤五约束控制器的设计;
考虑输入约束式(4.7),则式(4.26)变换为如下控制器;
后面将设计ζ。约束函数Cons(.)的动力学方程表示如下:
其中Satr(.),Satm(.)函数定义如下:
重新定义输出跟踪误差为:
其中:
(4.35)就是动态抗饱和补偿器,定义式(4.35)又可以写成如下表达式;
其中
A1表示为一个稳定的矩阵,即sρ+κρsρ-1+…+κ1满足严格的Hurwitz条件,设计由式(4.34)、式(4.35)和控制律(4.30),可以得到如下:
其中;
对式(4.36)和式(4.38)求解得到如下;
定义等式两边求绝对值后得:
其中:mi和αi为正值,满足约束闭环控制***为跟踪误差信号为UUB。
备注4.1:严格来说,会出现倒数不存在的情况(即,是病态的或者奇异的)。因此,在本发明的研究中,引入代替控制律(4.30)中的其中o>0的常数。
本发明在考虑控制输入存在位置和速率饱和的情况下,设计一种基于观测器技术的自适应神经网络约束控制器,在设计过程中提出一种动态抗饱和补偿器。其首先针对一般仿射非线性***利用Lie导数进行模型变换,将***变换成一个高阶非线性***,其次针对该***设计一个神经网络观测器和约束控制器,而所设计的自适应神经网络控制器不需要已知精确的动力学数学模型,且提出的一种动态抗饱和算法可以确保控制器的输入一直运行在约束范围中,并且对所提方法的闭环***进行了相应的稳定性分析,最后通过将该方法应用于可变速风力发电机中,通过两种不同的仿真分析,均可以看出所提的方法实现了风力机风轮的速度跟踪控制,并达到了良好的控制性能和效果。理论和仿真均可以得出所提的方法是行之有效的。
附图说明
图1是本发明约束函数Cons(.)的结构框图;
图2是本发明所提约束控制方法的结构框图;
图3是本发明仿真实验可变速风力机原理图(左图)和电气***(右图);
图4是本发明仿真实验VSWT风轮转子输出响应和励磁电压的响应曲线(参考输出设定为正弦波)示意图;
图5是本发明仿真实验抗饱和补偿器的响应曲线(参考输出设定为正弦波)示意图;
图6是本发明仿真实验VSWT风轮转子输出响应和励磁电压的响应曲线(参考输出设定为阶跃信号示意图;
图7是本发明仿真实验抗饱和补偿器的响应曲线(参考输出设定为阶跃信号);
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于控制输入饱和的无模型自适应控制方法,本发明考虑控制输入存在位置和速率饱和的情况下,设计一种基于观测器技术的自适应神经网络约束控制器,在设计过程中提出一种动态抗饱和补偿器用以实时调整参考设定值以确保控制输入不会进入饱和区域。首先针对一般仿射非线性***利用反馈线性化方法进行模型变换,其次针对变换后的***设计一个神经网络观测器和约束控制器,给出的一种动态抗饱和算法在线调整参考设定值使得控制器的输入一直运行在约束范围中。
步骤一将输入输出反馈线性化:
考虑模型未知但阶数已知的单输入-单输出仿射***:
其中f1,g1和h1在定义域上足够光滑,映射f1:D→Rn和g1:D→Rn称为D上的向量场,导数为:
其中:称为h1关于f1或沿f1的Lie导数,这种表示方法类似于h1沿***轨迹的导数,当重复计算关于同一向量场或一新向量场的导数时,这种新表示法较为方便,例如,要用到以下表示:
如果则与u无关,如果继续计算y的二阶导数,记为y(2),得:
同样,如果则且与u无关,重复这一过程可看出,如果满足i=1,2,…,ρ-1,则u不会出现在的方程中,但出现在y(ρ)的方程中,带一个非零系数,即:
定义x=[x1,x2,…,xρ]=[y,y2,…,yρ-1],则方程(4.5)可以表示成如下状态方程形式:
考虑控制输入存在如下约束:
步骤二建立高阶神经网络模型:
理论上已经证明,即使只有一个隐层的神经网络,只要该层神经元数目足够多,则在紧致集上它可以一致渐近逼近任意连续非线性函数,因此,将神经网络用于动力学***的辨识、建模已成为一种行之有效的方法和手段。
递归神经网络是具有反馈的动态网络,其显著特征是神经元连接存在反馈方式,即一层的输出通过连接权回送到同一层或前一层输入。这一点有别于前馈神经网络——其结构是分层的,它的信息是依次向上传递的,第一层单元与第二层所有单元相连,第二层又与其上一层所有单元相连,依此法则,直至输出层。而在回归网络中,它总是将其以前的输出循环返回到输入,所以其输出不但取决于当前的输入,而且还取决于以前的输出。这种网络通过存贮内部状态使其具备映射动态特征的能力,能更直接生动反映***动态特性,从而使***具有适应时变特性的能力,代表了神经网络发展方向。
下面以一种简单网络结构为例建立高阶回归神经网络模型。
设每一个神经元状态由下面微分方程描述:
其中λi是第i个神经元状态,ai为常数,wij表示第j个输入与第i个神经元之间的连接权值,ηj是上述神经元的第j个输入。它既可以是外部输入,也可以是通过S函数,如ηj=S(λj)作用的神经元状态,这里S(.)表示S型非线性函数。
针对式(4.8)表示的神经网络模型的动态行为和稳定特性,Hopfield和许多学者进行过深入细致研究。研究结果表明:该模型在诸如联想记忆等应用方面取得了较好的结果,但同时由于其结构简单而暴露出相应的局限性。
在二阶回归神经网络模型中,神经元总的输入不仅是ηj的线性组合,同时也可为两两乘积如ηjηk的组合。而且按此方式扩展,输入中可以包括三个相乘如ηjηkηi或者四个甚至更多个相乘的高阶连接,于是就形成了高阶回归神经网络(RHONN-Recurrent High-Order Neural Networks)。
现以n个神经元和m个输入组成的高阶递归神经网络为例加以说明,神经元的状态由下面微分方程确定:
这里λi是第i个神经元状态,{I1,I2,…,IL}是集合{1,2,…,m+n}中无秩序L子集,λi为实数,wik是可调神经网络权值,dj(k)为非负整数,η是神经元输入向量,定义如下:
η=[η1,…,ηn,ηn+1,…,ηn+m]T=[S(λ1),…,S(λn),S(u1),…,S(um)]T (4.10);
这里υ=[u1,u2,…,um]T是神经网络外部输入向量。S(·)是单调递增可微S型函数,定义为:
其中α,β为正的实数,ε为小的实数。如α=β=1,ε=0,式(4.11)表示logistic函数;α=β=2,ε=-1时,则代表双曲正切函数,这些S型激活函数是神经网络应用中最常用的函数。
在这里引入L维向量z,其定义为:
于是高阶回归神经网络模型式(4.9)变换为:
更进一步,定义可调参数向量Wi=[wi,1,…,wi,L],则(4.13)式变为
这里{Wi:i=1,2,…,n}为神经网络可调权值,系数{ai:i=1,2,…,n}表示网络基本结构参数。在网络训练期间固定不变,为了保证每一个神经元输入输出有界且稳定,取ai为正数。
步骤三动力学模型辨识;
为了方便模型辨识,式(4.6)写成如下形式:
其中:
针对式(4.15),基于上节所述的RHONN,设计观测器如下;
其中:为式(4.15)的观测值,L=[l1,l2,…,lρ]T为观测器增益,
定义观测和输出误差由式(4.16)和式(4.15),可以得到观测误差的动态方程如下:
其中: 为最优的权值矩阵。ε1,2为RHONN的函数估计误差,且满足有界条件|ε1,2|≤∈1,2。
定理4.1:针对式(4.15)所设计的RHONN观测器在权值满足如下(4.17)自适应调整法则的情况下可以保证观测误差一致最终有界(UUB)。
证明:我们考虑了Lyapunov函数;
对V1求导可得;
因为|ε1,2|≤∈1,2,|u|≤max{|umin|,|umax|},因此可得其中;
利用Young不等式,可得;
考虑如下的类Riccati代数不等式;
其中Q为正定矩阵。将式(4.22)代入式(4.20)可得;
将权值调整法则带入可得满足如下关系;
所以当状态估计误差;
或者权值估计误差;
时;
可以确保通过以上的分析,可以得到一致最终有界(UUB)。
步骤四无约束的输出反馈控制建模;
定义参考轨迹其中yd为输出跟踪设定曲线。这里设计控制器如下;
其中K=[k1,k2,…,kρ]T为控制器反馈增益,满足Hurwitz条件。将控制器(4.26)代入(4.16)可得闭环动态方程为;
其中Ac=A-BKT,求方程(4.27),可得;
由定理4.1得知,对(4.28)等式两端求绝对值,因此可得;
其中m和α为满足不等式的正定常数。
上面的控制器的设计没有将控制输入存在的位置和速率饱和约束问题考虑进去。既于此,本文作者提出一种动态抗饱和方法,通过抗饱和策略调节参考设定值yd,从而确保输出跟踪设定值保持在一个合理的范围里面,以保证控制量能一直维持在饱和范围里。
步骤五约束控制器的设计;
考虑输入约束式(4.7),则式(4.26)变换为如下控制器;
后面将设计ζ。约束函数Cons(.)的框图结构如图1所示。
同样约束函数Cons(.)的动力学方程表示如下:
其中Satr(·),Satm(·)函数定义如下:
重新定义输出跟踪误差为:
其中:
(4.35)就是动态抗饱和补偿器,定义式(4.35)又可以写成如下表达式;
其中
A1表示为一个稳定的矩阵,即满足严格的Hurwitz条件。如果我们设计由式(4.34)、式(4.35)和控制律(4.30),可以得到如下:
其中;
对式(4.36)和式(4.38)求解得到如下;
定义等式两边求绝对值后得:
其中:mi和αi为正值,满足i=1,2。因此,可以得到,约束闭环控制***为跟踪误差信号为UUB。为了方便表达总体设计流程,给出如下设计框图。结构框图如图2所示。
备注4.1:严格来说,会出现倒数不存在的情况(即,是病态的或者奇异的)。因此,在本发明的研究中,引入代替控制律(4.30)中的其中o>0的常数。
本发明控制方法仿真验证如下:
1)建立风力发电机***模型如下:
本章仿真考虑可变速风力机(Variable speed wind turbine,VSWT),VSWT发电***的基本组成包括风轮机、增速箱和发电机,其原理图如图3所示。其中:Jr为风轮机转子惯性,Kr为风轮机转子阻尼系数,Br为风轮机转子刚度。
发电机的转矩的动力学方程表示为:
其中:Jg为发电机的转子惯性,Kg为发电机的转子阻尼系数,Bg为发电机的转子刚度。定义齿轮箱齿轮比为ng,则齿轮箱的转矩传输和转速之间存在如下的关系:
由(4.44)-(4.46),且Jt≠0,可以得到如下式子:
其中Tg=ngTem,Ta和Tem表示为如下;
其中Kω是取决于空气密度因素,转子的半径,风速和俯仰角的风速功率传递参数。c(If)是发电机中电流和产生电磁转矩之间的非线性关系。发电机的励磁回路电气原理图
如图3中右图所示,其回路动态描述为
其中,Rf,L为发电机励磁回路的电阻和电感,If和uf表示发电机励磁电流和励磁电压。由式(4.44)-(4.49)因此可以得到VSWT动力学方程如下;
其中表示风轮机转动角度。定义y=ωr,u=uf,
2)仿真验证;
2组不同的仿真结果表明所提出的约束控制算法的有效性。在仿真中,选取对应***参数,如Rf=0.02Ω,L=0.001H,Jt=24490,Bt=52,Kt=52,Kω=3,ng=30,Kφ=1.7,c(If)=1000If。风轮机的转子转速参考信号ωd=yd选取如下两种情况,第一个为正弦信号,即;
yd(t)=ωd(t)=2+sin(0.5t) (4.52);
第二种情况采取阶跃响应跟踪,其设定值如下所示;
其中,
式(4.53)中切入风速υc=4.3m/sec,额定风速υr=7.7m/sec,截止或收叶风速υt=17.9m/sec。约定控制输入约束条件为:
神经网络的基函数的节点数为10。设计神经网络观测器的参数为L=[1000,2000]T,Γ1=diag[104],Γ2=diag[103],a1=a2=0.001,控制器反馈增益K=[5000,5000]T。动态抗饱和补偿器(4.35)的参数选取为κ1=κ2=500。状态初始值选取为ωr(0)=1,If(0)=0。
仿真结果1(正弦参考轨迹)如图4到5所示。图4为表示输出设定值ωd,实际风轮转子速度ωr响应和发电机励磁电压uf响应以及变化率(控制输入)。图5给出了抗饱和补偿器(4.35)的响应曲线。从响应曲线可以看出,跟踪误差收敛到非常小的值并确保控制输入一直保持在一个约束范围之内,由此可以看出所提的方法是具有良好的输出跟踪性能和有效的。
仿真结果2(阶跃参考轨迹)如图6和图7所示。图6表示参考设定值为阶跃值下的实际风轮转子速度ωr响应和发电机励磁电压uf响应以及变化率(控制输入)。图7给出在仿真2中抗饱和补偿器(4.35)的响应曲线。从响应曲线图6和图7可以看出,***在此情况下同样具有良好的输出跟踪性能。两个不同的参考轨迹情况下均表明本章所提的方法是行之有效的。
本发明在考虑控制输入存在位置和速率饱和的情况下,设计一种基于观测器技术的自适应神经网络约束控制器,在设计过程中提出一种动态抗饱和补偿器。其首先针对一般仿射非线性***利用Lie导数进行模型变换,将***变换成一个高阶非线性***,其次针对该***设计一个神经网络观测器和约束控制器,而所设计的自适应神经网络控制器不需要已知精确的动力学数学模型,且提出的一种动态抗饱和算法可以确保控制器的输入一直运行在约束范围中,并且对所提方法的闭环***进行了相应的稳定性分析,最后通过将该方法应用于可变速风力发电机中,通过两种不同的仿真分析,均可以看出所提的方法实现了风力机风轮的速度跟踪控制,并达到了良好的控制性能和效果。理论和仿真均可以得出所提的方法是行之有效的。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (1)
1.基于控制输入饱和的无模型自适应控制方法,其特征在于:
步骤一将输入输出反馈线性化:
考虑模型未知但阶数已知的单输入-单输出仿射***:
其中f1,g1和h1在定义域上足够光滑,映射f1:D→Rn和g1:D→Rn称为D上的向量场,导数为:
其中:称为h1关于f1或沿f1的Lie导数,这种表示方法类似于h1沿***轨迹的导数,当重复计算关于同一向量场或一新向量场的导数时,要用到以下表示:
如果则与u无关,如果继续计算y的二阶导数,记为y(2),得:
同样,如果则且与u无关,重复这一过程可看出,如果满足 则u不会出现在的方程中,但出现在y(ρ)的方程中,带一个非零系数,即:
定义x=[x1,x2,…,xρ]=[y,y2,…,yρ-1],则方程(4.5)可以表示成如下状态方程形式:
考虑控制输入存在如下约束:
umin≤u≤umax,
步骤二建立高阶神经网络模型:
设每一个神经元状态由下面微分方程描述:
其中λi是第i个神经元状态,ai为常数,wij表示第j个输入与第i个神经元之间的连接权值,ηj是上述神经元的第j个输入,其既可以是外部输入,也可以是通过S函数,ηj=S(λj)作用的神经元状态,这里S(·)表示S型非线性函数;
现以n个神经元和m个输入组成的高阶递归神经网络说明,神经元的状态由下面微分方程确定:
这里λi是第i个神经元状态,{I1,I2,…,IL}是集合{1,2,…,m+n}中无秩序L子集,λi为实系数,wik是可调神经网络权值,dj(k)为非负整数,η是神经元输入向量,定义如下:
η=[η1,…,ηn,ηn+1,…,ηn+m]T=[S(λ1),…,S(λn),S(u1),…,S(um)]T (4.10);
这里υ=[u1,u2,…,um]T是神经网络外部输入向量,S(·)是单调递增可微S型函数,定义为:
其中α,β为正的实数,ε为小的实数,如α=β=1,ε=0,式(4.11)表示logistic函数;α=β=2,ε=-1时,则代表双曲正切函数;
在这里引入L维向量z,其定义为:
于是高阶回归神经网络模型式(4.9)变换为:
更进一步,定义可调参数向量Wi=[wi,1,…,wi,L],则(4.13)式变为;
这里{Wi:i=1,2,…,n}为神经网络可调权值,系数{ai:i=1,2,…,n}表示网络基本结构参数,在网络训练期间固定不变,为了保证每一个神经元输入输出有界且稳定,取ai为正数;
步骤三动力学模型辨识;
为了方便模型辨识,式(4.6)写成如下形式:
其中:
针对式(4.15),基于上节所述的RHONN,设计观测器如下;
其中:为式(4.15)的观测值,L=[l1,l2,…,lρ]T为观测器增益,
定义观测和输出误差由式(4.16)和式(4.15),可以得到观测误差的动态方程如下:
其中: 为最优的权值矩阵。ε1,2为RHONN的函数估计误差,且满足有界条件|ε1,2|≤∈1,2;
定理4.1:针对式(4.15)所设计的RHONN观测器在权值满足如下(4.17)自适应调整法则的情况下可以保证观测误差一致最终有界(UUB);
证明:我们考虑了Lyapunov函数;
对V1求导可得;
因为|ε1,2|≤∈1,2,|u|≤max{|umin|,|umax|},因此可得B(ε1+ε2u)≤Υ,其中;
Υ=∈1+∈2·max{|umin|,|umax|} (4.21);
利用Young不等式,可得;
考虑如下的类Riccati代数不等式;
其中Q为正定矩阵。将式(4.22)代入式(4.20)可得;
将权值调整法则带入可得满足如下关系;
所以当状态估计误差;
或者权值估计误差;
时;
可以确保通过以上的分析,可以得到一致最终有界(UUB);
步骤四无约束的输出反馈控制建模;
定义参考轨迹其中yd为输出跟踪设定曲线,这里设计控制器如下;
其中K=[k1,k2,…,kρ]T为控制器反馈增益,满足Hurwitz条件,将控制器(4.26)代入(4.16)可得闭环动态方程为;
其中Ac=A-BKT,求方程(4.27),可得;
由定理4.1得知,对(4.28)等式两端求绝对值,因此可得;
其中m和α为满足不等式的正定常数;
上面的控制器的设计没有将控制输入存在的位置和速率饱和约束问题考虑进去,通过抗饱和策略调节参考设定值yd,从而确保输出跟踪设定值保持在一个合理的范围里面,以保证控制量能一直维持在饱和范围里;
步骤五约束控制器的设计;
考虑输入约束式(4.7),则式(4.26)变换为如下控制器;
后面将设计ζ。约束函数Cons(.)的动力学方程表示如下:
其中Satr(·),Satm(·)函数定义如下:
重新定义输出跟踪误差为:
其中:
(4.35)就是动态抗饱和补偿器,定义式(4.35)又可以写成如下表达式;
其中
A1表示为一个稳定的矩阵,即sρ+κρsρ-1+…+κ1满足严格的Hurwitz条件,设计由式(4.34)、式(4.35)和控制律(4.30),可以得到如下:
其中;
对式(4.36)和式(4.38)求解得到如下;
定义等式两边求绝对值后得:
其中:mi和αi为正值,满足,约束闭环控制***为跟踪误差信号为UUB。
备注4.1:严格来说,会出现倒数不存在的情况(即,是病态的或者奇异的)。因此,在本发明的研究中,引入代替控制律(4.30)中的其中o>0的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407074.6A CN106054594B (zh) | 2016-06-12 | 2016-06-12 | 基于控制输入饱和的无模型自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407074.6A CN106054594B (zh) | 2016-06-12 | 2016-06-12 | 基于控制输入饱和的无模型自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106054594A true CN106054594A (zh) | 2016-10-26 |
CN106054594B CN106054594B (zh) | 2018-12-11 |
Family
ID=57169846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610407074.6A Expired - Fee Related CN106054594B (zh) | 2016-06-12 | 2016-06-12 | 基于控制输入饱和的无模型自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106054594B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647271A (zh) * | 2016-12-23 | 2017-05-10 | 重庆大学 | 基于神经网络理论的非线性***自适应比例积分控制方法 |
CN106681141A (zh) * | 2016-12-26 | 2017-05-17 | 北京四方继保自动化股份有限公司 | 一种机组模型多变不确定情况下的汽温控制方法 |
CN107045285A (zh) * | 2017-04-26 | 2017-08-15 | 浙江工业大学 | 一种带有输入饱和的伺服***自适应参数辨识与控制方法 |
CN107390518A (zh) * | 2017-07-27 | 2017-11-24 | 青岛格莱瑞智能控制技术有限公司 | 一种基于局部权值学习及元自增减的神经自适应控制方法 |
CN107479390A (zh) * | 2017-10-16 | 2017-12-15 | 厦门大学 | 一种适用于非线性***的模型在线修正方法 |
CN108471142A (zh) * | 2018-03-14 | 2018-08-31 | 西安电子科技大学 | 一种分布式电网频率同步及有功功率分配控制方法 |
CN108734649A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 神经网络训练机构 |
CN109375637A (zh) * | 2018-09-05 | 2019-02-22 | 哈尔滨工程大学 | 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 |
CN110231822A (zh) * | 2019-06-04 | 2019-09-13 | 哈尔滨工程大学 | 一种舰船用变输出约束式无模型自适应航向控制方法 |
CN111027235A (zh) * | 2020-01-07 | 2020-04-17 | 湖南工业大学 | 一种具有输入饱和的重载列车滑模跟踪控制方法 |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
CN112034707A (zh) * | 2020-08-25 | 2020-12-04 | 大连理工大学 | 无模型自适应控制的改进方法 |
CN112558470A (zh) * | 2020-11-24 | 2021-03-26 | 中国科学技术大学 | 一种执行器饱和多智能体***最优一致性控制方法和装置 |
CN110635686B (zh) * | 2019-11-14 | 2021-10-01 | 东北电力大学 | 一种基于切换***的升压电路的控制及故障检测方法 |
CN115185178A (zh) * | 2022-06-23 | 2022-10-14 | 江南大学 | 一种基于虚拟传感器的离散非线性***的mfac容错控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8838257B1 (en) * | 2007-10-04 | 2014-09-16 | Marvell International Ltd. | Controller and design support apparatus |
CN104049537A (zh) * | 2014-06-19 | 2014-09-17 | 金陵科技学院 | 非仿射非线性飞控***鲁棒自适应容错控制*** |
CN104570740A (zh) * | 2015-01-21 | 2015-04-29 | 江南大学 | 一种输入饱和机械臂***的周期自适应学习控制方法 |
-
2016
- 2016-06-12 CN CN201610407074.6A patent/CN106054594B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8838257B1 (en) * | 2007-10-04 | 2014-09-16 | Marvell International Ltd. | Controller and design support apparatus |
CN104049537A (zh) * | 2014-06-19 | 2014-09-17 | 金陵科技学院 | 非仿射非线性飞控***鲁棒自适应容错控制*** |
CN104570740A (zh) * | 2015-01-21 | 2015-04-29 | 江南大学 | 一种输入饱和机械臂***的周期自适应学习控制方法 |
Non-Patent Citations (2)
Title |
---|
ERIC N. JOHNSON,ANTHONY J. CALISE: "Neural Network Adaptive Control of Systems with Input Saturation", 《AMERICAN CONTROL CONFERENCE》 * |
李俊方,李铁山: "考虑输入饱和的直接自适应神经网络跟踪控制", 《应用科学学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647271B (zh) * | 2016-12-23 | 2019-07-26 | 重庆大学 | 基于神经网络理论的非线性***自适应比例积分控制方法 |
CN106647271A (zh) * | 2016-12-23 | 2017-05-10 | 重庆大学 | 基于神经网络理论的非线性***自适应比例积分控制方法 |
CN106681141A (zh) * | 2016-12-26 | 2017-05-17 | 北京四方继保自动化股份有限公司 | 一种机组模型多变不确定情况下的汽温控制方法 |
CN106681141B (zh) * | 2016-12-26 | 2019-09-24 | 北京四方继保自动化股份有限公司 | 一种机组模型多变不确定情况下的汽温控制方法 |
CN108734649A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 神经网络训练机构 |
CN107045285A (zh) * | 2017-04-26 | 2017-08-15 | 浙江工业大学 | 一种带有输入饱和的伺服***自适应参数辨识与控制方法 |
CN107390518A (zh) * | 2017-07-27 | 2017-11-24 | 青岛格莱瑞智能控制技术有限公司 | 一种基于局部权值学习及元自增减的神经自适应控制方法 |
CN107479390A (zh) * | 2017-10-16 | 2017-12-15 | 厦门大学 | 一种适用于非线性***的模型在线修正方法 |
CN108471142A (zh) * | 2018-03-14 | 2018-08-31 | 西安电子科技大学 | 一种分布式电网频率同步及有功功率分配控制方法 |
CN108471142B (zh) * | 2018-03-14 | 2021-05-18 | 西安电子科技大学 | 一种分布式电网频率同步及有功功率分配控制方法 |
CN109375637A (zh) * | 2018-09-05 | 2019-02-22 | 哈尔滨工程大学 | 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 |
CN109375637B (zh) * | 2018-09-05 | 2022-03-18 | 哈尔滨工程大学 | 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 |
CN110231822A (zh) * | 2019-06-04 | 2019-09-13 | 哈尔滨工程大学 | 一种舰船用变输出约束式无模型自适应航向控制方法 |
CN110231822B (zh) * | 2019-06-04 | 2022-04-05 | 哈尔滨工程大学 | 一种舰船用变输出约束式无模型自适应航向控制方法 |
CN110635686B (zh) * | 2019-11-14 | 2021-10-01 | 东北电力大学 | 一种基于切换***的升压电路的控制及故障检测方法 |
CN111027235A (zh) * | 2020-01-07 | 2020-04-17 | 湖南工业大学 | 一种具有输入饱和的重载列车滑模跟踪控制方法 |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
CN111152225B (zh) * | 2020-01-15 | 2021-04-06 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
CN112034707A (zh) * | 2020-08-25 | 2020-12-04 | 大连理工大学 | 无模型自适应控制的改进方法 |
CN112558470A (zh) * | 2020-11-24 | 2021-03-26 | 中国科学技术大学 | 一种执行器饱和多智能体***最优一致性控制方法和装置 |
CN115185178A (zh) * | 2022-06-23 | 2022-10-14 | 江南大学 | 一种基于虚拟传感器的离散非线性***的mfac容错控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106054594B (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106054594A (zh) | 基于控制输入饱和的无模型自适应控制方法 | |
Kang et al. | An adaptive PID neural network for complex nonlinear system control | |
Tanaka et al. | A practical design approach to stabilization of a 3-DOF RC helicopter | |
Zhang et al. | Neural-network-based constrained optimal control scheme for discrete-time switched nonlinear system using dual heuristic programming | |
Gadewadikar et al. | Parameterization of all stabilizing H∞ static state-feedback gains: application to output-feedback design | |
Yin et al. | Adaptive back-stepping pitch angle control for wind turbine based on a new electro-hydraulic pitch system | |
Bakka et al. | Bond graph modeling and simulation of wind turbine systems | |
CN105182743A (zh) | 一种基于鲁棒h无穷的变增益解耦控制方法 | |
Wang et al. | Adaptive fuzzy dynamic surface control for a class of nonlinear systems with fuzzy dead zone and dynamic uncertainties | |
Azimi et al. | Tool position tracking control of a nonlinear uncertain flexible robot manipulator by using robust H 2/H∞ controller via T–S fuzzy model | |
CN109581868A (zh) | 基于评判辨识结构的可重构机器人分散神经最优控制方法 | |
Liu et al. | Neurofuzzy network modelling and control of steam pressure in 300 MW steam-boiler system | |
CN106774379A (zh) | 一种智能超螺旋强鲁棒姿态控制方法 | |
Pang et al. | Observer-based passive control for polynomial fuzzy singular systems with time-delay via sliding mode control | |
Palanimuthu et al. | TS fuzzy sliding mode control for double-fed induction generator-based wind energy system with a membership function-dependent H∞-approach | |
CN105911865A (zh) | 一种pid控制器的控制方法 | |
Guo et al. | Chaos control of small-scale UAV helicopter based on high order differential feedback controller | |
Farbood et al. | Fuzzy model predictive MPPT control of interconnected wind turbines drivetrain | |
Xu et al. | Robust observer design and fuzzy optimization for uncertain dynamic systems | |
Danh et al. | Comparison of estimator-based compensation schemes for hydrostatic transmissions with uncertainties | |
CN106371321A (zh) | 一种焦化炉炉膛压力***模糊网络优化pid控制方法 | |
CN107168066A (zh) | 一种温室环境自适应控制方法 | |
Sarkar et al. | Real time swing up and stabilization of rotary inverted pendulum system | |
Wang et al. | Extended dimension fuzzy adaptive control for nonlinear uncertain stochastic systems with actuator constraints | |
Hu | Research on fuzzy control of stepper motor based on adaptive neuro-fuzzy inference system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200511 Address after: No.81, zhuangpai Road, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province Patentee after: Nanjing Jiefeng Industry Co.,Ltd. Address before: No. 99 Jiangning Road, Nanjing District hirokage 210000 cities in Jiangsu Province Patentee before: JINLING INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181211 |
|
CF01 | Termination of patent right due to non-payment of annual fee |