侯忠生教授无模型自适应控制程序

格式：docx
大小：26.40 KB
文档页数：1

下载文档原格式

/ 1

无模型自适应控制方法的应用研究

无模型自适应控制方法的应用研究XXX（北京化工大学自动化系，北京100029）摘要：概述了一种新型的控制方法无模型自适应控制。

目的是对当前无模型自适应控制有一个总体的认识, 它是一种无需建立过程模型的自适应控制方法。

与传统的基于模型的控制方法相比，无模型控制既不是基于模型也不是基于规则，它是一种基于信息的控制方法。

无模型控制器作为一种先进的控制策略，具有很强的参数自适应性和结构自适应性。

基于以上背景，首先介绍了无模型自适应控制的性质及特征，结合对北京化工大学405仿真实验室三级液位控制系统的仿真研究，并将其与PID控制器的效果进行了对比。

仿真表明, 无模型控制器具有良好的抗干扰能力、参数自适应性和结构自适应性。

关键字：无模型；自适应；控制；Model Free Adaptive Control Theory and its ApplicationsXXX(Department of Automation, Beijing University of Chemical TechnologyBeijing 100029)Abstract: A new kind of control method model-free adaptive control is given. The purpose is to make MFA to be understood. Model free adaptive control(MFAC)theory is an adaptive control method which does not need to model the industrial process．Compared with traditional control methods based on modeling，MFAC is an advanced control strategy which based on information of Input／Output Data．It has parameter adaptability and structure adaptability．Based on the background，First the property and character of MFA are introduced, Then Combining 405 Simulation Laboratory of Beijing University of Chemical technology three- level control system simulation．The simulation results show that MFAC controller has excellent robustness，anti-jamming capability, parameter and structure adaptability．1 引言PID调节器规律简单、运行可靠、易于实现,目前仍然是工业生产过程控制系统中应用较广泛的一类控制器。

无模型自适应控制改进算法的性能仿真分析

无模型自适应控制改进算法的性能仿真分析作者：陈琛何小阳来源：《计算技术与自动化》2013年第04期摘要：在基于紧格式线性化方法的无模型自适应控制算法（Model-free Adaptive Control Based on Tight Format Linearization，TFL-MFAC）的基础上，针对大时间滞后的特点，提出针对大时滞对象的MFAC改进算法（Improved MFAC on Large Time-delay System，LTDS-MFAC）。

构造了大时滞对象并通过MATLAB仿真实验对改进MFAC算法的鲁棒性、抗干扰能力和跟踪能力进行分析。

仿真实验表明了改进MFAC算法对大时滞系统控制具有更好的控制性能。

关键词：无模型自适应控制；改进算法；仿真性能分析中图分类号：TP273 文献标识码：A1 引言上世纪九十年代，侯忠生教授给出一套新的非参数动态线性化方法[1，2]，并基于该套线性化方法提出了相关的非参数模型学习自适应控制算法，初步探讨了自适应系统的对称相似结构理论，进而提出相应的无模型自适应控制理论[3]，奠定了无模型自适应控制算法的基础。

文献[4]和[5]介绍了MFAC算法，并深入研究分析了MFAC的技术特点、发展现状和应用前景；阐明了控制方法与其他控制理论与方法的区别和联系，控制理论的历史就是从简单的不需要数学模型的调节器、PID控制、基于传递函数模型的经典控制理论、基于状态空间模型的现代控制理论、到现在的为了摆脱对受控系统数学模型依赖的智能控制理论的发展过程。

MFAC算法的理论基础是利用一个新引入的伪偏导数的概念，在受控系统轨线附近用一系列的动态线性时变模型来替代一般非线性系统，并仅用受控系统的I/O数据在线估计系统的伪偏导数，从而实现非线性系统的自适应控制[6]。

众所周知，大时滞过程是控制系统的较难控制的过程之一，且大时滞在工业成产过程中普遍存在[7，8]。

本文根据被控对象的大时滞特点对MFAC算法进行改进，提出针对大时滞系统的改进MFAC算法（LTDS-MFAC），构造了大时滞对象对改进算法的鲁棒性、抗干扰能力以及跟踪性能进行仿真实验分析。

基于自抗扰理论的欠驱动AUV_无模型自适应路径跟踪控制

基于自抗扰理论的欠驱动AUV无模型自适应路径跟踪控制付少波, 关夏威, 张　昊(武汉第二船舶设计研究所, 湖北武汉, 430205)摘要: 面向自主水下航行器(AUV)精准回收的任务需求, 针对AUV运动中模型不确定性、易受环境干扰导致的路径跟踪精度不足的问题, 从无模型控制的角度出发, 提出了一种适用于AUV的基于自抗扰控制理论的无模型自适应控制(ADRC-MFAC)算法。

该算法针对2阶系统模型特性, 结合视线角制导重新设计控制输入准则函数对无模型自适应控制(MFAC)进行了改进, 解决了MFAC只适用于自衡系统的问题。

引入跟踪微分器对期望信号进行指令平滑, 考虑未知复合干扰的影响设计了线性扩张状态观测器, 在控制器中对估计扰动进行补偿, 并证明了所提控制器的稳定性, 提升了系统鲁棒性。

在同样的干扰情况下, 文中控制方案相比传统比例-积分-微分控制器抗干扰能力提升了42.37%, 控制精度提高了45%, 表明ADRC-MFAC能够明显改善AUV的抗干扰性能, 提高路径跟踪精度。

关键词: 自主水下航行器; 无模型自适应控制; 路径跟踪; 自抗扰中图分类号: TJ63; U674 文献标识码: A 文章编号: 2096-3920(2024)02-0328-09DOI: 10.11993/j.issn.2096-3920.2023-0120Model-Free Adaptive Path Tracking Control Based on Active DisturbanceRejection Control for AUVsFU Shaobo,　GUAN Xiawei,　ZHANG Hao(Wuhan Second Ship Design and Research Institute, Wuhan 430205, China)Abstract: In view of the task requirements of accurate recovery of autonomous undersea vehicles(AUVs), a model-free adaptive control based on the active disturbance rejection control(ADRC-MFAC) algorithm was proposed from the perspective of model-free control, so as to improve the insufficient path tracking accuracy caused by model uncertainty and vulnerability to environmental interference in AUV motion. According to the characteristics of the second-order model system and line-of-sight guidance, the MFAC was improved by redesigning the control input criterion function, solving the problem that MFAC was only applicable to the self-balancing system. A tracking differentiator was introduced to smooth the desired signal, and a linear extended state observer was designed by considering the influence of unknown compound interference. The estimated disturbance was compensated for in the controller. The stability of the controller was verified, and system robustness was improved. Under the same interference, the proposed control scheme could improve the anti-interference ability and control precision by 42.37% and 45%, compared with the traditional proportional-integral-differential controller. The result shows that ADRC-MFAC can significantly improve the anti-interference performance of AUVs and enhance path tracking accuracy. Keywords: autonomous undersea vehicle; mode-free adaptive control; path tracking; active disturbance rejection收稿日期: 2023-10-10; 修回日期: 2023-12-02.基金项目: 湖北省青年拔尖人才基金资助.作者简介: 付少波(2000-), 男, 硕士, 主要研究方向为自主水下航行器导航与控制技术.第 32 卷第 2 期水下无人系统学报Vol.32 N o.2 2024 年 4 月JOURNAL OF UNMANNED UNDERSEA SYSTEMS Apr. 2024[引用格式] 付少波, 关夏威, 张昊. 基于自抗扰理论的欠驱动AUV无模型自适应路径跟踪控制[J]. 水下无人系统学报, 2024, 32(2): 328-336.0　引言海洋是人类赖以生存和发展的空间, 蕴藏着丰富资源[1]。

数据驱动控制理论及方法的回顾和展望

的条件下, 实现对生产过程和设备的优化控制、预报和评价, 已成为控制理论界迫切需要解决的问题. 因此, 发展数据驱动控制理论与方法是新时期控制理论发展与重大应用的必然要求, 具有重要的理论与现实意义.
1 数据驱动控制的定义与相关问题
1.1 数据驱动控制的定义
数据驱动控制 (Data-driven control) 最早来源于计算机科学领域, 控制领域出现这个概念是近几年的事情, 相关的少量研究虽已存在但使用的名词却不尽相同, 如 Data-based control、Modelless control、Model-free control、IFT (Iterative feedback tuning) 、VRFT (Virtual reference feedback tuning) 和 ILC (Iterative learning control) 等. 严格地讲, Data-driven control 和 Data-based control 是有一些区别的, 数据驱动控制讲的是 “控制的出发点和归宿都是数据” , 是一种 “闭环” 方式, 而 Databased control 则仅是出发点, 是一种“开环”方式. Data-based control 比 Data-driven control 内容要广泛, 但目的性强调不够. 虽然数据驱动控制的研究还仅处于萌芽阶段, 但已得到了国内外控制理论界的高度重视. 美国 University of Minnesota 的 Institute for Mathematics and Its Applications (IMA) 在 2002 年专门召开了一个为期 3 天的学术研讨会, 会议的名称为 “IMA Hot Topics Workshop: Data-driven Con-

神经网络模糊非参数模型自适应控制及仿真

也可用符号函数 sign ( ∂y (k + 1) )来取代。 ∂u(k )
∂u(k )
因此 BP 神经网络 NN 输出层的加权系数计算公式为
∆ω
(3) i
(k
+ 1)
=
ηδ
o (3) (2) i
(k)
+
α∆ω
(3) i
(k ),
δ (3) = e(k + 1)sign( ∂y (k + 1) ) × ∂u(k ) g ′[net (3) (k )].
别表示系统的阶数，
∆y(k +1) = y(k +1) − y(k), (3)
∆u(k) = u(k) − u(k −1),
φ(k) 为基于紧格式线性化的伪偏导数。这种控制方案只需要
受控系统的 I/O 数据[1-3]，与系统的模型结构、系统阶数无关。
收稿日期：2005-04-05
修回日期：2006-03-03
3) 神经网络 NN：根据系统的运行状态，调整控制器的
参数-伪偏导数φ(k) ，以达到某种性能指标的最优化。即输出层神经元的输出状态对应于伪偏导数φ(k) ，通过神经网络
的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的非参数模型自适应控制器的参数。
学习算法
模糊化
NN
+ r(k+1)
Abstract: A fuzzy non-parameter model adaptive control based on neural networks (FNN-NPMAC) was proposed. It is a result of the comprehensive combination of fuzzy control, neural networks, and NPMAC by only using system I/O data. Simulations prove that this controller has good adaptability and robustness to models and environments. Key words: neural networks; fuzzy control; non-parameter model adaptive control; pseudo-partial-derivative

基于模型控制和基于数据驱动控制

基于模型控制和基于数据驱动控制前⾔：将控制技术进⾏分类⼀说到控制，我想⼤多数⼈的第⼀反应就是PID控制，⽽⼯程上还有学术圈还有很多类型的控制，但为什么PID控制这么流⾏，主要原因就是鲁棒性好，易于在程序上进⾏实现，以⾄于到⽬前依旧宝⼑不⽼。

但控制离不开被控对象，因此选择控制算法要依据被控对象以及⼯作环境的特点进⾏选择，就像多⼤号脚就要穿多⼤号鞋⼀样，选择了合适的鞋⼦，脚穿上了才会舒服，控制效果才会事半功倍。

本篇⽂章就是从鞋⼦和脚的关系上向⼤家强调解基于模型控制和基于数据驱动控制的重要性，以更⼴的学术维度去看待你所要解决的问题，这样才会找到合适的解决⽅案。

其实对控制算法的分类还可以分成经典控制、现代控制以及智能控制。

⼤家还听到过什么⾃适应控制，其实⾃适应控制可以分为两派：⼀派是利⽤什么遗传算法、蚁群算法、粒⼦群算法、爬⼭算法、退⽕算法这种优化算法去优化控制器参数的⾃适应控制，它们本⾝并不是控制器，只是⽤这种算法去优化控制器的参数，如PID控制器参数；另⼀种则是以神经⽹络算法或深度学习算法为代表的动态演化算法，简单说就是你确定⼀组理想输出数据，然后利⽤神经⽹络算法或深度学习算法去不断学习让输出结果去逼近这组样本数据，在完成输出数据逼近后在智能算法中⼀定会存在⼀组使得输出数据满⾜理想数据集的关键参数。

也就是说神经⽹络能够根据⽬标输出⾃动配置好⾃⼰的控制参数，当然在实际操作上会⽐较复杂。

1. 基于模型控制基于模型的控制是⽤相对精确的数学表达式对受控⽬标的物理⼯作特性进⾏描述，通过对受控⽬标的数学描述⽅便对其进⾏相应的算法控制。

因此在基于模型验证下所得到的控制器转化成实际控制器的作⽤效果是⼀致的。

总的来说，基于模型控制是在对⽬标模型已知或能够建⽴的前提下设计控制器以及进⾏参数整定。

被控对象模型的建⽴可以通过参数辨识法或根据被控对象所具有的相关物理参数结合⽬标的物理定理推导出来，图1为基于模型控制的研究流程图。

无模型自适应控制讲稿

2）、学习控制，包括迭代学习控制(iterative learning contro1)和重复控制；
3）、去伪控制(unfalsified contro1) 美国的Michael G.Safonov在l995年提出一种称为是去伪控制的无模型控制方法，该种方法的基本思想是首先构造一个满足性能规格的可行控制器参数集合，然后基于量测到的新数据迭代地判别是否满足此性能规格。当新量测到的数据否定掉目前使用的控制器之后，则控制器便会自动地切换到新的控制器。当所使用控制器满足性能规格未被所量测到的数据否定掉，则设计一个优化算法缩小可行控制器的可行区域。此种无模型控制方法本质上是一种切换控制。 4）、无模型自适应控制（MFAC：model free adaptive control)
从控制律算法(6)式中可以看出，此类控制律与受控系统参数数学模型结构、系统阶次无关，仅用系统输入输出（I/O）数据设计。
2、伪偏导数的辨识
控制律算法(6)式中，在当前时刻k未知的变量是伪偏导数与控制量u(k)。由定理2.1知，满足假设2.1～2.3的任何非线性系统均可以由带有时变参数的动态时变线性系统(3)式来表示，显然，任何的时变参数估计算法，如最小二乘算法等都能估计。这里采用与控制律算法相对应的算法，由准则函数可以求出的估计值。
假设2.2非线性函数f(…)关于系统当前的控制输入信号u( k)具有连续的偏数。假设2.3系统(1)式是广义Lipschits(利普希茨)的，即满足对任意的k和Δu(k-1)≠0
其中 b是常数。
假设2.1是对受控系统的一条基本假设，如果它不满足，对这样的系统进行控是不可能的。假设2.2包括一大类非线性系统。假设2.3是对系统输出变化量的一限制，即有界的输入能量变化产生有界的输出能量变化，显然它包括一类非线性统。

基于BP算法的无模型自适应迭代学习控制

基于BP算法的无模型自适应迭代学习控制
李佳
【期刊名称】《微型机与应用》
【年(卷),期】2010(029)022
【摘要】为了改善针对一般非线性离散时间系统的控制性能,引入"拟伪偏导数"概念,给出了般非线性离散时间系统沿迭代轴的非参数动态线性化形式,并综合BP神经网络以及模糊控制各自的优点,提出了基于BP算法无模型自适应迭代学习控制方案.仿真结果表明,该控制器对模型有较强的鲁棒性和跟踪性.
【总页数】3页(P83-85)
【作者】李佳
【作者单位】青岛科技大学,自动化与电子工程学院,自主导航与智能控制研究所,山东,青岛,266042
【正文语种】中文
【中图分类】TP273
【相关文献】
1.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 [J], 金尚泰;侯忠生;池荣虎;柳向斌
2.考虑数据量化的改进无模型自适应迭代学习控制算法 [J], 朱盼盼; 卜旭辉; 梁嘉琪; 闫帅明
3.数控机床位置伺服系统的无模型自适应迭代学习控制 [J], 梁建智;谢祥强;杨铭;李廷彦;秦永振
4.下肢辅助运动装置无模型自适应迭代学习控制 [J], 刘仁学;耿直
5.环卫车辆轨迹跟踪系统的无模型自适应迭代学习控制 [J], 姚文龙;庞震;池荣虎;邵巍
因版权原因，仅展示原文概要，查看原文内容请购买。

四旋翼飞行器的无模型自适应预测控制方法研究

学校代码：10004 密级：公开北京交通大学硕士学位论文四旋翼飞行器的无模型自适应预测控制方法研究Model Free Adaptive Predictive Control Method For QuadrotorAircraft作者姓名：郭媛学号：17120197导师姓名：侯忠生职称：教授学位类别：工学学位级别：硕士学科专业：控制科学与工程研究方向：数据驱动控制北京交通大学2020年6月致谢时光飞逝，转眼间三年的研究生生活接近尾声，在此期间我学会了许多，也收获了许多。

不仅扎实了本专业理论知识，也提高了编程能力与解决问题的能力，培养了自己严谨踏实、勇于创新的精神。

在此，我向这段学习期间给我无私帮助和老师、同学及家人朋友们表达我诚挚的谢意！首先要特别感谢我的导师侯忠生教授。

在攻读硕士期间，无论是在科研上，还是在生活中，侯老师都给予了我很大的关心和帮助。

侯老师不仅在学习的研究方向上做出了及时准确的指导，让我有了明确的研究方向，更是通过自身对学术的专业和严谨的治学态度影响着我，让我在学习科研中更加踏实认真。

在侯老师的悉心指导下，我在论文撰写过程中对论文的整体框架有了更加清晰的认识，对于研究内容也有了更加深刻的理解，在此衷心的感谢侯老师对我的帮助与指导。

另外，金尚泰老师和殷辰堃老师在学习生活中也给了我极大的帮助和影响，在此衷心感谢两位老师的关心和指导。

同样感谢刘世达、熊双双、余弦、任叶、于寒松、雷霆、刘根峰等诸位博士师兄师姐在学习和生活上的指导和帮助，特别是刘世达师兄，在毕设论文和小论文上给予我莫大的帮助。

感谢董煦宸、段莉、宋瑞雪、王浩军、刘靖邦、郝旭欢等实验室的同窗好友和师弟师妹们在论文的整个写作过程中给我提出了很多建议和宝贵的意见。

另外，还要感谢我的两位舍友段莉和宋瑞雪，谢谢你们的陪伴和带来的美好时光。

最后，感谢我的家人和朋友对我的支持与理解，在我的十几年求学历程里，离不开父母的鼓励和支持，是他们辛勤的劳作，无私的付出，为我创造良好的学习条件，我才能顺利完成学业，克服困难迎难而上，希望你们健康快乐，万事胜意。

无模型自适应控制

五、有待研究的问题
• 参数、、对、控制性能的影响；
• 控制律的设计,参数估计算法设计；
• 稳定性的证明，
谢谢
•
感谢阅
读感谢阅
读
从控制律算法 6 式中可以看出,此类控制律与受控系统参数数学模型结构、系统阶次无关,仅用系统输入输出 I/O 数据设计，
2、伪偏导数的辨识
控制律算法 6 式中,在当前时刻k未知的变量是伪偏导数与控制量u k ，由定理2.1知,满足假设2.1～2.3的任何非线性系统均可以由带有时变参数的动态时变线性系统 3 式来表示,显然,任何的时变参数估计算法,如最小二乘算法等都能估计，这里采用与控制律算法相对应的算法,由准则函数可以求出的估计值，
采用离散化仿真方法,采样周期Ts=10s，当参数选择如下时,
mu=0.1; lamta=0.016; ibuxi=0.1; rou=0.1;
PID控制和MFAC控制的阶跃响应曲线如下：在t=2000s时加入扰动信号，
2、二阶系统仿真
1 G(s)s2 s1
采样周期为0.01,采样离散化仿真方法； MFAC和PID控制器的参数都进行手工调整，
2 、学习控制,包括迭代学习控制 iterative learning contro1 和重复控制；
3 、去伪控制 unfalsified contro1 美国的Michael G.Safonov在l995年提出一种称为是去伪控制的无模型控制方法,该种方法的基本思想是首先构造一个满足性能规格的可行控制器参数集合,然后基于量测到的新数据迭代地判别是否满足此性能规格，当新量测到的数据否定掉目前使用的控制器之后,则控制器便会自动地切换到新的控制器，当所使用控制器满足性能规格未被所量测到的数据否定掉,则设计一个优化算法缩小可行控制器的可行区域，此种无模型控制方法本质上是一种切换控制， 4 、无模型自适应控制 MFAC：model free adaptive control

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。