CN113472242A - 基于多智能体的抗干扰自适应模糊滑膜协同控制方法 - Google Patents

基于多智能体的抗干扰自适应模糊滑膜协同控制方法 Download PDF

Info

Publication number
CN113472242A
CN113472242A CN202110759034.9A CN202110759034A CN113472242A CN 113472242 A CN113472242 A CN 113472242A CN 202110759034 A CN202110759034 A CN 202110759034A CN 113472242 A CN113472242 A CN 113472242A
Authority
CN
China
Prior art keywords
control
sliding mode
adaptive fuzzy
axis
agent
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
Application number
CN202110759034.9A
Other languages
English (en)
Other versions
CN113472242B (zh
Inventor
许德智
张伟明
杨玮林
潘庭龙
殷展翔
陈友芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202110759034.9A priority Critical patent/CN113472242B/zh
Publication of CN113472242A publication Critical patent/CN113472242A/zh
Application granted granted Critical
Publication of CN113472242B publication Critical patent/CN113472242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P5/00—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0007—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using sliding mode control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P5/00—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors
    • H02P5/46—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors for speed regulation of two or more dynamo-electric motors in relation to one another
    • H02P5/50—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors for speed regulation of two or more dynamo-electric motors in relation to one another by comparing electrical values representing the speeds

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于多智能体的抗干扰自适应模糊滑膜协同控制方法，包括以下步骤：S1、获取多台智能体给定速度
Figure DDA0003148544320000011
反馈速度χi.1、反馈电流信号χi.2和χi.3；S2、整合多台智能体定速度
Figure DDA0003148544320000012
和反馈速度χi.1的偏差zi.1，同时对多个智能体进行扰动观测，得到补偿控制信号
Figure DDA0003148544320000013
S3、将偏差zi.1和补偿控制信号
Figure DDA0003148544320000014
进行虚拟控制得到q轴控制电流信号
Figure DDA0003148544320000015
将d轴控制电流信号
Figure DDA0003148544320000016
选取为0；S4、控制电流信号
Figure DDA0003148544320000017
和
Figure DDA0003148544320000018
与反馈电流信号χi.2和χi.3通过自适应模糊滑模控制得到q轴和d轴的控制电压信号ui.q和ui.d。本发明基于多智能体的抗干扰自适应模糊滑模协同控制方法，提高多台智能体同步追踪精度，能够实现多台智能体协同控制。

Description

基于多智能体的抗干扰自适应模糊滑膜协同控制方法
技术领域
本发明涉及多智能体协同控制方法技术领域，尤其是指一种基于多智能体的抗干扰自适应模糊滑膜协同控制方法。
背景技术
近年来，针对传统同步控制策略的不足，一些学者提出了多智能体一致理论和结构对多电机***进行研究。在多智能体***中，一致性问题一直是研究的重点。所谓多智能体***的一致性是指两个或两个以上智能体的速度、距离等状态变量，在随时间变化过程中维持相对关系不变，最终趋于同步的现象。
Olfati-Saberder等人针对多智能体一致性问题，***地给出了同步一致性协议的基本理论框架。将每个智能体视为有向图中的一个节点，相邻智能体之间的信息传递视为一条边，运用代数图论、矩阵论的知识，实现了多智能体的一致性控制。之后Ren和Atkins对于二阶多智能体***进行了研究，给出了一致性控制协议。为了实现理论与实际的相结合，一些学者开始将多智能体技术应用实际工程中，主要包括智能机器人、无人机、多电机、水下航行器等领域。
现有技术中，将多台智能体集成设置在智能机器人、无人机、多电机、水下航行器中，多台智能体的实际控制精度仍然存在一定的误差，并且多台智能体之间会出现互相干扰的问题。
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中多智能体之间同步精度存在一定误差及互相干扰的情况，提供一种基于多智能体的抗干扰自适应模糊滑模协同控制方法，来提高多台智能体同步追踪精度，能够实现多台智能体协同控制。
为解决上述技术问题，本发明提供了一种基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：包括以下步骤：S1、获取多台智能体给定速度
Figure BDA0003148544300000021
反馈速度χi.1、反馈电流信号χi.2和χi.3；S2、整合多台智能体定速度
Figure BDA0003148544300000022
和反馈速度χi.1的偏差zi.1，同时对多个智能体进行扰动观测，得到补偿控制信号
Figure BDA0003148544300000023
S3、将偏差zi.1和补偿控制信号
Figure BDA0003148544300000024
进行虚拟控制得到q轴控制电流信号
Figure BDA0003148544300000025
将d轴控制电流信号
Figure BDA0003148544300000026
选取为0；S4、控制电流信号
Figure BDA0003148544300000027
和
Figure BDA0003148544300000028
与反馈电流信号χi.2和χi.3通过自适应模糊滑模控制得到q轴和d轴的控制电压信号ui.q和ui.d。
在本发明的一个实施例中，在S2中通过多智能通讯整合多台智能体定速度
Figure BDA0003148544300000029
和反馈速度χi.1的偏差zi.1，所述多智能通讯基于有向通讯拓扑理论，以有向通讯拓扑图在每台多智能体的控制器之间建立有向通讯，包括以下步骤：S21、定义一个有向图G＝(V，Y，A)，以此表示多台电机的通讯拓扑，其中V＝{v1，v2，…，vn}表示节点集，
Figure BDA00031485443000000212
表示边的集合，A＝[aij]n×n代表邻接矩阵，在有向图中，(vi，vj)表示节点j可以从i处获取信息；S22、利用邻接矩阵A＝[aij]n×n来描述多智能体***中的信息传输关系，若(vj，vi)∈Y，则aij＝1；若
Figure BDA00031485443000000213
则aij＝0。
在本发明的一个实施例中，将通讯拓扑图的输出领域同步误差作为偏差zi.1，所述领域同步误差的表达式为：
Figure BDA00031485443000000210
其中，其中ei.1和ej.1分别表示第i台智能体和第j台智能体的转速跟踪误差；，bi为B＝diag(b1，b2，…，bn)对角矩阵中的元素，代表跟随者和领导者的通讯情况。
在本发明的一个实施例中，步骤S2中的扰动观测基于超扭曲算法，引入第i台电机的反馈转速xi.1和q轴和d轴的反馈电流xi.2和xi.3来估计电机出现的扰动，并输出补偿控制信号
Figure BDA00031485443000000211
进行补偿，以此提高***的抗干扰能力。
在本发明的一个实施例中，在步骤S3中虚拟控制基于反推控制的思想，包括以下步骤：S31、搭建智能体的数学模型、构建Lyapunov函数，通过数学模型反推得到虚拟控制律；S32、根据有限时间稳定性条件，使用二阶滑模微分器在有限时间内逼近虚拟控制律的导数。
在本发明的一个实施例中，在上述步骤S32中引入指令滤波补偿，通过指令补偿误差，减少了二阶滑模微分器产生的误差，同时保证误差补偿信号
Figure BDA0003148544300000031
的有限时间收敛性。
在本发明的一个实施例中，在步骤S4中自适应模糊滑模控制基于积分滑模面和自适应模糊控制，保证***稳定的Lyapunov函数中引入积分滑模面，兼顾***的鲁棒性。
在本发明的一个实施例中，所述积分滑模面从改进滑模趋近律角度出发，采用Sigmoid函数取代传统sign函数作为滑模面切换函数，削减滑模抖振现象。
在本发明的一个实施例中，所述自适应模糊控制是控制器的控制规律，以q轴和d轴的滑模面为基础选取适用的自适应律，通过自适应律运用模糊逻辑***求出函数逼近算子来逼近***的非线性部分，对动态模型中非线性部分的模糊化。
为解决上述技术问题，本发明还提供了一种基于多智能体的抗干扰自适应模糊滑膜协同控制***，所述***能够实现上述控制方法，所述***包括用于实现多智能体通讯的多智能体通讯器、用于实现扰动观测为扰动观测器、用于实现虚拟控制的虚拟控制器和指令滤波补偿器以及用于实现自适应模糊滑模控制的q轴自适应模糊滑模控制器和d轴自适应模糊滑模控制器。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，将多电机***视为一个多智能体***，使用有向通信拓扑来描述相邻电机之间的信息传输模式，并通过数值关系中定义的邻域同步误差来表示该模式；引入扰动观测器估计电机运行过程中的负载扰动，减小了外部干扰对协同控制性能的影响，提高了转速同步精度；使用模糊逻辑***中的非线性函数，解决了电机的高阶非线性问题，并简化了控制器的结构；并且自适应技术与模糊逻辑***相结合，从而使***具备自适应学习能力，更好的解决***中出现的参数不确定问题；所设计控制策略中的所有误差信号都被证明是有限时间稳定的。
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，其中
图1是本发明的基于多智能体的抗干扰自适应模糊滑膜协同控制方法的步骤流程图；
图2是本发明的基于多智能体的抗干扰自适应模糊滑模协同控制方法结构图；
图3是多智能体通讯拓扑图；
图4是指令滤波补偿器结构图；
图5是q轴和d轴自适应模糊滑模控制器结构图；
图6是基于多智能体的抗干扰自适应模糊滑模协同控制***的结构图。
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。
参照图1和图2所示，本发明的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，包括以下步骤：S1、获取多台智能体给定速度
Figure BDA0003148544300000041
反馈速度χi.1、反馈电流信号χi.2和χi.3；S2、整合多台智能体定速度
Figure BDA0003148544300000042
和反馈速度χi.1的偏差zi.1，同时对多个智能体进行扰动观测，得到补偿控制信号
Figure BDA0003148544300000043
S3、将偏差zi.1和补偿控制信号
Figure BDA0003148544300000044
进行虚拟控制得到q轴控制电流信号
Figure BDA0003148544300000045
将d轴控制电流信号
Figure BDA0003148544300000046
选取为0；S4、控制电流信号
Figure BDA0003148544300000047
和
Figure BDA0003148544300000048
与反馈电流信号χi.2和χi.3通过自适应模糊滑模控制得到q轴和d轴的控制电压信号ui.q和ui.d；本实施例中，将多电机***视为一个多智能体***，使用有向通信拓扑来描述相邻电机之间的信息传输模式，并通过数值关系中定义的邻域同步误差来表示该模式；引入扰动观测器估计电机运行过程中的负载扰动，减小了外部干扰对协同控制性能的影响，提高了转速同步精度；使用模糊逻辑***中的非线性函数，解决了电机的高阶非线性问题，并简化了控制器的结构；并且自适应技术与模糊逻辑***相结合，从而使***具备自适应学习能力，更好的解决***中出现的参数不确定问题；所设计控制策略中的所有误差信号都被证明是有限时间稳定的。
参照图3所示，在S2中通过多智能通讯整合多台智能体定速度
Figure BDA0003148544300000052
和反馈速度χi.1的偏差zi.1，所述多智能通讯基于有向通讯拓扑理论，将单个智能体比作一个点，多个智能体之间的信息传输视为一条边，运用图论理论可以有效的研究多智能体之间的各种行为。
以有向通讯拓扑图在每台多智能体的控制器之间建立有向通讯，包括以下步骤：S21、定义一个有向图G＝(V，Y，A)，以此表示多台电机的通讯拓扑，其中V＝{v1，v2，…，vn}表示节点集，
Figure BDA0003148544300000051
表示边的集合，A＝[aij]n×n代表邻接矩阵，在有向图中，(vi，vj)表示节点j可以从i处获取信息；S22、利用邻接矩阵A＝[αij]n×n来描述多智能体***中的信息传输关系，若(vj，vi)∈Y，则αij＝1；若
Figure BDA0003148544300000053
则aij＝0。
在本方法中，假设aii＝0总是成立的，如果每两个智能体之间都存在路径，则称该图是强连通的，定义拉普拉斯矩阵为：
L＝[lij]n×n＝D-A (1)：
与此同时，每个跟随者与领导者的通讯情况可以用对角矩阵B＝diag(b1，b2，…，bn)表示：若跟随者节点i与领导者存在通讯，则bi＝1，反之bi＝0。
如图3所示：存在四台电机，将每台电机视为一个智能体，在有向图中表示一个节点，节点0代表领导者，节点1～4表示的四台智能体代表跟随者。因此从图3可以看出，智能体1和领导者之间存在通讯，同时可以接受智能体2反馈的信息，而智能体2同时可以获得智能体1和智能体3的信息，智能体3可以获得智能体2或者智能体4的信息，智能体4可以获得智能体3的信息，从而实现***中每台子电机***的有向通讯。
多智能体***中信息传输模式用一种数值关系表示至关重要。本发明基于多智能体***一致性协议，提出一种针对多电机***的协同跟踪问题的邻域同步误差的概念。定义如下：
Figure BDA0003148544300000061
其中ei.1和ej.1分别表示第i台智能体和第j台智能体的转速跟踪误差；[aij]n×n为建立的有向通讯拓扑图的邻接矩阵，bi为B＝diag(b1，b2，…，bn)对角矩阵中的元素，代表跟随者和领导者的通讯情况。
可见领域同步误差包含着有向图中各节点的连接关系和信息传输方式，因此将领域同步误差作为输入信号给入控制器中，使其能够稳定收敛，则可以实现多电机***的协同控制。
由于每台电机都被一个智能体，
Figure BDA0003148544300000062
为整个多电机控制***的目标转速，故第i个智能体的跟踪误差为：
Figure BDA0003148544300000063
智能体之间的信息传输是通过建立的有向拓扑完成的，基于多智能体技术中领导者跟随者一致性原理，对多电机牵引***进行分析，设计一个领域同步误差来实现多台电机的响应一致性。对于第i个智能体，定义的领域同步误差zi.1为：
Figure BDA0003148544300000064
具体地，步骤S2中的扰动观测基于超扭曲算法，引入第i台电机的反馈转速xi.1和q轴和d轴的反馈电流xi.2和xi.3来估计电机出现的扰动，并输出补偿控制信号
Figure BDA0003148544300000065
进行补偿，以此提高***的抗干扰能力。扰动观测器的结构设计如下：
Figure BDA0003148544300000071
具体地，参数值α1d和α2d设置越大，观测误差收敛速度越快。但是过大的参数值可能引起剧烈的抖动，因此扰动观测器参数的选取是个权衡的过程，需要经过多次试验才能获取最佳值。
具体地，在步骤S3中虚拟控制基于反推控制的思想，包括以下步骤：S31、搭建智能体的数学模型、构建Lyapunov函数，通过数学模型反推得到虚拟控制律；S32、根据有限时间稳定性条件，使用二阶滑模微分器在有限时间内逼近虚拟控制律的导数；
根据领域同步误差的概念，便可以通过一种数值关系来表示通讯拓扑网络中的信息传输模式。选取Lyapunov函数为：
Figure BDA0003148544300000072
根据电机状态空间表达式和式(4)，对Vi.1求导得：
Figure BDA0003148544300000073
选取虚拟控制律
Figure BDA0003148544300000074
为：
Figure BDA0003148544300000075
如图4所示：通过针对电机的数学模型，运用反推法设计控制器。根据反推法的推导步骤，需要构建Lyapunov函数对每一阶子***设计虚拟控制律。对虚拟控制律的直接进行求导运算，计算过程复杂，还会出现“微分膨胀”问题。为了解决上述问题，在设计控制器时，将虚拟控制及其导数通过指令滤波器逐级逼近，避免了复杂的高阶导数，解决了“微分膨胀”的问题。
考虑实际中输入饱和，可以使用受限指令滤波器，使虚拟控制器的导数可以从积分环节得到，避免对虚拟控制器解析求导，降低控制的计算量对虚拟控制律的反复求导会造成计算量激增问题，导致最后的控制器出现输入饱和的现象，即控制器产生的信号由于执行器物理输出的限制无法被完全执行，这会导致电机转速跟踪误差不断扩大。因此引入二阶滑模微分器代替受限指令滤波器，其不仅具有传统指令滤波器的优点，即实现对虚拟控制律及其导数的逼近和解决微分膨胀的问题，同时还能保证了误差补偿信号的有限时间收敛性，输出信号具有更快的逼近速度。二阶滑模微分器设计为：
Figure BDA0003148544300000081
其中
Figure BDA0003148544300000082
和
Figure BDA0003148544300000083
都为正常数，
Figure BDA00031485443000000815
为二阶滑模微分器的输入信号，即上述设计的虚拟控制律
Figure BDA0003148544300000084
和
Figure BDA0003148544300000085
为二阶滑模微分器的输出信号，分别为虚拟控制律和其导数的逼近值。通过合理选取
Figure BDA0003148544300000086
和
Figure BDA0003148544300000087
的值，即可保证虚拟控制律的导数可以在有限时间内逼近。为减少逼近误差，设计补偿信号ξi：
Figure BDA0003148544300000088
其中ki.1和li都为正的设计参数。对跟踪误差进行改进为：
Figure BDA0003148544300000089
定义电流跟踪误差为：
Figure BDA00031485443000000810
其中xi.2为q轴电流参考值，xi.3＝0为d轴电流参考值；
对式(11)求导，并将电机状态空间表达式，式(8)，式(10)和式(11)代入得：
Figure BDA00031485443000000811
为了稳定误差
Figure BDA00031485443000000812
选取Lyapunov函数为：
Figure BDA00031485443000000813
对Vi.2求导，整理可得：
Figure BDA00031485443000000814
通过二阶滑模微分器和滤波补偿，避免了复杂的高阶导数，解决了“微分膨胀”的问题，同时，减少了指令滤波器产生的误差；此外，为兼顾***的鲁棒性，在保证全***稳定的Lyapunov函数中引入了积分滑模面。
如图5所示：尽管滑模控制是针对非线性***的一种有效的控制方法，但是实际应用时，由于***存在惯性、时间延迟等因素，因此滑模控制不可避免地会遇到抖振问题。抖振不仅影响控制精度，同时还会增加能量消耗，甚至使***失去稳定。本发明从改进滑模趋近律的角度出发，因为传统的滑模趋近率中还采取一般的符号函数sign(x)作为切换函数。可是sign(x)是个不连续的函数，因此符号函数的存在会进一步加剧抖振现象。本发明考虑采取Sigmoid函数，用sig(x)以此代替传统符号函数，削弱滑模抖振现象。函数sig(x)为：
Figure BDA0003148544300000091
其中常数Q＞0，从表达式可知Sigmoid函数是光滑连续的，将sig(x)运用到积分滑模面中，可以得到q轴和d轴的滑模趋近律为：
Figure BDA0003148544300000092
如图5所示：一般地，模糊逻辑***(FLS)主要由模糊化、模糊规则基、模糊推理和反模糊化组成。设a∈V＝[a1，a2，…，an]T表示模糊***输入，
Figure BDA0003148544300000093
表示***输出，则FLS形成一个由V到U的一个映射。为了实现对电机模型中非线性部分的逼近，以此降低控制器对被控对象模型的依赖性，简化控制器的结构，同时解决电机参数摄动的问题，主要应用了FLS的万能逼近特性。
由于推导过程中，包含了非常复杂的非线性函数，这会使反推控制器的设计过程变得较为困难，同时导致设计的q轴和d轴的控制器结构复杂。为了简化控制器的结构，更利于工程实际应用，本发明考虑使用模糊逻辑***作为函数逼近算子来逼近非线性函数f2(Z2)，以此避免控制器设计过程的繁琐性，且最后设计出的控制律结构简单；同时模糊逻辑***通过对动态模型中非线性部分的模糊化，解决了参数摄动的问题，不会因为实际运行中电机参数变化造成控制精度的下降。选取Lyapunov函数为：
Figure BDA0003148544300000101
对式(19)求导并将式(17)代入得：
Figure BDA0003148544300000102
其中Zi.2＝[xi.1，xi.2，xi.3]T，式(20)中的模糊逻辑***逼近非线性函数为：
Figure BDA0003148544300000103
根据模糊逻辑***可知，存在一个
Figure BDA0003148544300000104
存在如下关系：
Figure BDA0003148544300000105
其中
Figure BDA0003148544300000106
为逼近误差，且
Figure BDA0003148544300000107
根据杨氏不等式可得：
Figure BDA0003148544300000108
其中常数λi.2＞0，||Wi.2||是Wi.2的范数。将式(23)代入(20)可得如下不等式关系：
Figure BDA0003148544300000109
根据式(25)可知，q轴控制器的控制律ui.q应设计为：
Figure BDA00031485443000001010
其中
Figure BDA00031485443000001011
为未知量θi的估计值，将在后面确定，主要思想是将自适应技术与模糊逻辑***相结合，从而具备自适应学习能力，更好的解决***中出现的参数不确定问题。将式(25)代入(24)中得：
Figure BDA00031485443000001012
同理，可以设计出d轴的模糊逻辑***逼近非线性函数和控制器的控制律为：
Figure BDA0003148544300000111
通过设计，将自适应技术与模糊逻辑***相结合，从而使***具备自适应学习能力，更好地解决***中出现的参数不正确问题。最终通过推导得到自适应律为：
Figure BDA0003148544300000112
参照图6所示，本发明的一种基于多智能体的抗干扰自适应模糊滑膜协同控制***，所述***能够实现上述控制方法，所述***包括用于实现多智能体通讯的多智能体通讯器、用于实现扰动观测为扰动观测器、用于实现虚拟控制的虚拟控制器和指令滤波补偿器以及用于实现自适应模糊滑模控制的q轴自适应模糊滑模控制器和d轴自适应模糊滑模控制器；
具体地，所述多智能体通讯器整合多台智能体定速度
Figure BDA0003148544300000113
和反馈速度χi.1的偏差zi.1给虚拟控制器，同时扰动观测器对多个智能体进行扰动观测，得到补偿控制信号
Figure BDA0003148544300000114
给虚拟控制器补偿控制信号；所述虚拟控制器和指令滤波补偿器将偏差zi.1和补偿控制信号
Figure BDA0003148544300000115
进行虚拟控制得到q轴控制电流信号
Figure BDA0003148544300000116
将d轴控制电流信号
Figure BDA0003148544300000117
选取为0；控制电流信号
Figure BDA0003148544300000118
和
Figure BDA0003148544300000119
与反馈电流信号χi.2和χi.3通过q轴自适应模糊滑模控制器和d轴自适应模糊滑模控制器得到q轴和d轴的控制电压信号ui.q和ui.d。
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、***、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(***)、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。而由此所引伸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 (10)

1.一种基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：包括以下步骤：S1、获取多台智能体给定速度
Figure FDA0003148544290000011
反馈速度χi.1、反馈电流信号χi.2和χi.3；S2、整合多台智能体定速度
Figure FDA0003148544290000012
和反馈速度χi.1的偏差zi.1，同时对多个智能体进行扰动观测，得到补偿控制信号
Figure FDA0003148544290000013
S3、将偏差zi.1和补偿控制信号
Figure FDA0003148544290000014
进行虚拟控制得到q轴控制电流信号
Figure FDA0003148544290000015
将d轴控制电流信号
Figure FDA0003148544290000016
选取为0；S4、控制电流信号
Figure FDA0003148544290000017
和
Figure FDA0003148544290000018
与反馈电流信号χi.2和χi.3通过自适应模糊滑模控制得到q轴和d轴的控制电压信号ui.q和ui.d。
2.根据权利要求1所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：在S2中通过多智能通讯整合多台智能体定速度
Figure FDA00031485442900000112
和反馈速度χi.1的偏差zi.1，所述多智能通讯基于有向通讯拓扑理论，以有向通讯拓扑图在每台多智能体的控制器之间建立有向通讯，包括以下步骤：S21、定义一个有向图G＝(V，Y，A)，以此表示多台电机的通讯拓扑，其中V＝{v1，v2，…，vn}表示节点集，
Figure FDA0003148544290000019
表示边的集合，A＝[aij]n×n代表邻接矩阵，在有向图中，(vi，vj)表示节点j可以从i处获取信息；S22、利用邻接矩阵A＝[aij]n×n来描述多智能体***中的信息传输关系，若(vj，vi)∈Y，则aij＝1；若
Figure FDA00031485442900000110
则aij＝0。
3.根据权利要求2所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：将通讯拓扑图的输出领域同步误差作为偏差zi.1，所述领域同步误差的表达式为：
Figure FDA00031485442900000111
其中，其中ei，1和ej，1分别表示第i台智能体和第j台智能体的转速跟踪误差；，bi为B＝diag(b1，b2，…，bn)对角矩阵中的元素，代表跟随者和领导者的通讯情况。
4.根据权利要求1所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：步骤S2中的扰动观测基于超扭曲算法，引入第i台电机的反馈转速xi，1和q轴和d轴的反馈电流xi，2和xi，3来估计电机出现的扰动，并输出补偿控制信号
Figure FDA0003148544290000021
进行补偿，以此提高***的抗干扰能力。
5.根据权利要求1所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：在步骤S3中虚拟控制基于反推控制的思想，包括以下步骤：S31、搭建智能体的数学模型、构建Lyapunov函数，通过数学模型反推得到虚拟控制律；S32、根据有限时间稳定性条件，使用二阶滑模微分器在有限时间内逼近虚拟控制律的导数。
6.根据权利要求5所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：在上述步骤S32中引入指令滤波补偿，通过指令补偿误差，减少了二阶滑模微分器产生的误差，同时保证误差补偿信号
Figure FDA0003148544290000022
的有限时间收敛性。
7.根据权利要求1所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：在步骤S4中自适应模糊滑模控制基于积分滑模面和自适应模糊控制，保证***稳定的Lyapunov函数中引入积分滑模面，兼顾***的鲁棒性。
8.根据权利要求7所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：所述积分滑模面从改进滑模趋近律角度出发，采用Sigmoid函数取代传统sign函数作为滑模面切换函数，削减滑模抖振现象。
9.根据权利要求7所述的基于多智能体的抗干扰自适应模糊滑膜协同控制方法，其特征在于：所述自适应模糊控制是控制器的控制规律，以q轴和d轴的滑模面为基础选取适用的自适应律，通过自适应律运用模糊逻辑***求出函数逼近算子来逼近***的非线性部分，对动态模型中非线性部分的模糊化。
10.一种基于多智能体的抗干扰自适应模糊滑膜协同控制***，其特征在于：所述***实现上述权利要求1-9中任意一项控制方法，所述***包括用于实现多智能体通讯的多智能体通讯器、用于实现扰动观测为扰动观测器、用于实现虚拟控制的虚拟控制器和指令滤波补偿器以及用于实现自适应模糊滑模控制的q轴自适应模糊滑模控制器和d轴自适应模糊滑模控制器。
CN202110759034.9A 2021-07-05 2021-07-05 基于多智能体的抗干扰自适应模糊滑模协同控制方法 Active CN113472242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110759034.9A CN113472242B (zh) 2021-07-05 2021-07-05 基于多智能体的抗干扰自适应模糊滑模协同控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110759034.9A CN113472242B (zh) 2021-07-05 2021-07-05 基于多智能体的抗干扰自适应模糊滑模协同控制方法

Publications (2)

Publication Number Publication Date
CN113472242A true CN113472242A (zh) 2021-10-01
CN113472242B CN113472242B (zh) 2022-07-15

Family

ID=77878185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110759034.9A Active CN113472242B (zh) 2021-07-05 2021-07-05 基于多智能体的抗干扰自适应模糊滑模协同控制方法

Country Status (1)

Country Link
CN (1) CN113472242B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113949315A (zh) * 2021-10-27 2022-01-18 江南大学 基于有限时间扰动观测器的模糊滑模协同反推方法及***
CN115171492A (zh) * 2022-07-29 2022-10-11 梅查利·奥马尔 多智能体控制实验设备、控制方法及存储介质
CN115202216A (zh) * 2022-09-14 2022-10-18 沈阳工业大学 考虑输入约束的机械臂抗干扰有限时间控制方法
CN115296562A (zh) * 2022-08-16 2022-11-04 中铁工程装备集团盾构制造有限公司 基于扰动补偿的多电机滑模协同控制方法及***
CN118151523A (zh) * 2024-05-09 2024-06-07 天津工业大学 基于pid的多智能体***的输出滞后一致性控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103036496A (zh) * 2012-12-12 2013-04-10 西安理工大学 自适应反推控制的永磁同步电机dtc***及其控制方法
CN103401501A (zh) * 2013-04-15 2013-11-20 湖南大学 一种基于模糊自抗扰控制的pmsm伺服***控制方法
CN103412492A (zh) * 2013-08-28 2013-11-27 重庆大学 多机电***分布式智能同步控制装置及方法
CN109274314A (zh) * 2017-07-18 2019-01-25 发那科株式会社 机器学习装置、伺服电动机控制装置、伺服电动机控制***以及机器学习方法
US20190222155A1 (en) * 2016-12-27 2019-07-18 Shandong University Servo control strategy and system for simultaneously eliminating counter-electromagnetic force (cemf) and load torque disturbances
CN110289795A (zh) * 2019-05-29 2019-09-27 南京金崎新能源动力研究院有限公司 一种电动汽车用永磁同步电机控制***及控制方法
CN111694272A (zh) * 2020-07-22 2020-09-22 南京工程学院 基于模糊逻辑***的非线性多智能体的自适应控制方法及装置
CN112305918A (zh) * 2020-11-11 2021-02-02 南京航空航天大学 超螺旋观测器下的多智能体***滑模容错一致性控制算法
CN113037161A (zh) * 2021-03-25 2021-06-25 哈尔滨理工大学 一种基于超扭曲滑模算法的模型参考自适应永磁同步电机无位置传感器矢量控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103036496A (zh) * 2012-12-12 2013-04-10 西安理工大学 自适应反推控制的永磁同步电机dtc***及其控制方法
CN103401501A (zh) * 2013-04-15 2013-11-20 湖南大学 一种基于模糊自抗扰控制的pmsm伺服***控制方法
CN103412492A (zh) * 2013-08-28 2013-11-27 重庆大学 多机电***分布式智能同步控制装置及方法
US20190222155A1 (en) * 2016-12-27 2019-07-18 Shandong University Servo control strategy and system for simultaneously eliminating counter-electromagnetic force (cemf) and load torque disturbances
CN109274314A (zh) * 2017-07-18 2019-01-25 发那科株式会社 机器学习装置、伺服电动机控制装置、伺服电动机控制***以及机器学习方法
CN110289795A (zh) * 2019-05-29 2019-09-27 南京金崎新能源动力研究院有限公司 一种电动汽车用永磁同步电机控制***及控制方法
CN111694272A (zh) * 2020-07-22 2020-09-22 南京工程学院 基于模糊逻辑***的非线性多智能体的自适应控制方法及装置
CN112305918A (zh) * 2020-11-11 2021-02-02 南京航空航天大学 超螺旋观测器下的多智能体***滑模容错一致性控制算法
CN113037161A (zh) * 2021-03-25 2021-06-25 哈尔滨理工大学 一种基于超扭曲滑模算法的模型参考自适应永磁同步电机无位置传感器矢量控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DEZHI XU ET AL: "Model-Free Cooperative Adaptive Sliding-Mode-Constrained-Control for Multiple Linear Induction Traction Systems", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
LI ZHANG ET AL: "Adaptive Command-Filtered Fuzzy Nonsingular Terminal Sliding Mode Backstepping Control for Linear Induction Motor", 《APPLIED SCIENCES》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113949315A (zh) * 2021-10-27 2022-01-18 江南大学 基于有限时间扰动观测器的模糊滑模协同反推方法及***
CN115171492A (zh) * 2022-07-29 2022-10-11 梅查利·奥马尔 多智能体控制实验设备、控制方法及存储介质
CN115171492B (zh) * 2022-07-29 2023-12-15 梅查利·奥马尔 多智能体控制实验设备、控制方法及存储介质
CN115296562A (zh) * 2022-08-16 2022-11-04 中铁工程装备集团盾构制造有限公司 基于扰动补偿的多电机滑模协同控制方法及***
CN115296562B (zh) * 2022-08-16 2023-10-31 中铁工程装备集团盾构制造有限公司 基于扰动补偿的多电机滑模协同控制方法及***
CN115202216A (zh) * 2022-09-14 2022-10-18 沈阳工业大学 考虑输入约束的机械臂抗干扰有限时间控制方法
CN118151523A (zh) * 2024-05-09 2024-06-07 天津工业大学 基于pid的多智能体***的输出滞后一致性控制方法

Also Published As

Publication number Publication date
CN113472242B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN113472242B (zh) 基于多智能体的抗干扰自适应模糊滑模协同控制方法
Xiao et al. Observer-based adaptive consensus control for nonlinear multi-agent systems with time-delay
Peng et al. Leaderless and leader-follower cooperative control of multiple marine surface vehicles with unknown dynamics
Yang et al. Time-varying formation tracking control for high-order nonlinear multi-agent systems in fixed-time framework
CN113268083B (zh) 基于动态事件触发的多无人机***编队跟踪控制方法
CN114237041B (zh) 一种基于预设性能的空-地协同固定时间容错控制方法
CN112947086B (zh) 一种无人机和无人车组成的异构多智能体***编队控制中执行器故障的自适应补偿方法
CN111176312A (zh) 一种四旋翼无人机姿态自抗扰动态面控制方法及存储介质
Li et al. Event-triggered containment control of networked underactuated unmanned surface vehicles with finite-time convergence
Wang et al. Adaptive neural finite-time containment control for nonlower triangular nonlinear multi-agent systems with dynamics uncertainties
Lin et al. Adaptive neural inverse optimal tracking control for uncertain multi-agent systems
Fan et al. Distributed control for output-constrained nonlinear multi-agent systems with completely unknown non-identical control directions
Lin et al. Distributed adaptive cooperative control for uncertain nonlinear multi-agent systems with hysteretic quantized input
Derakhshannia et al. Disturbance observer-based sliding mode control for consensus tracking of chaotic nonlinear multi-agent systems
Wang et al. Udwadia-Kalaba approach based distributed consensus control for multi-mobile robot systems with communication delays
Lin et al. Event-triggered finite-time fuzzy control approach for fractional-order nonlinear chaotic systems with input delay
Yan et al. Fuzzy finite-time consensus control for uncertain nonlinear multi-agent systems with input delay
Hager et al. Adaptive Neural network control of a helicopter system with optimal observer and actor-critic design
Ji et al. Neural network-based distributed finite-time tracking control of uncertain multi-agent systems with full state constraints
Qiu et al. Distributed adaptive neural network consensus control of fractional-order multi-agent systems with unknown control directions
CN111694272B (zh) 基于模糊逻辑***的非线性多智能体的自适应控制方法及装置
Zhu et al. Decentralized adaptive formation control based on sliding mode strategy for a class of second‐order nonlinear unknown dynamic multi‐agent systems
Cui et al. Adaptive consensus tracking control for multiple autonomous underwater vehicles with uncertain parameters
Wang et al. Distributed containment control of the underactuated vessels with collision/obstacle avoidance and connectivity maintenance
CN114609915B (zh) 一种未知控制方向的时变多智能体协同控制方法

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