精华内容
下载资源
问答
  • 模型参考自适应控制

    2018-10-13 20:57:55
    本书为模型参考自适应控制教材,可供有需求者下载学习。
  • 航空发动机模型参考自适应控制
  • 模型参考自适应仿真

    2015-11-10 15:23:00
    基于simulink的模型参考自适应仿真图,可以用它来进行自适应概念的理解
  • 模型参考自适应控制的MATLAB 实例程序,可供新手参考学习。
  • 模型参考自适应控制simulink仿真,写论文的时候自己搭的很基础的仿真。我参考的书是2003年刘兴堂编的《应用自适应控制》P218。 初学者可能最不明白的地方就是参考模型如何选取以及自适应律中的正定矩阵如何选取。...
  • 永磁同步电机无传感器模型参考自适应matlab仿真模型
  • 在分析基于无功功率的模型参考自适应的稳定性的基础上,提出一种基于改进反电动势的模型参考自适应转速辨识的新方法,即重新构造模型参考自适应转速辨识的误差信号,该信号包括反电动势的误差矢量与转子磁链矢量的叉乘...
  • 针对飞机单侧副翼舵机卡死故障的飞行问题,研究了基于模型参考自适应控制的大侧滑角飞行控制方法。首先给出进行大侧滑角直飞的级联式飞行控制方案,并对控制信号间的关系进行分析;其次对与侧滑角指令有关的姿态内环...
  • 针对典型的鲁棒模型参考自适应控制中瞬态性能无法得到保障的问题, 提出一种改进的鲁棒模型参考自适应控制器. 该控制器在标准的鲁棒自适应控制中加入??∞ 补偿器, 以抑制闭环自适应系统中参数估计误差和不确定扰动对...
  • 针对一类组合系统的模型参考自适应分散控制问题, 提出一种新的考虑问题的思路. 在选择参考模型时, 根 据系统所期望的性能指标, 考虑各子系统间的相互作用, 保留互联项; 基于L yapunov 稳定性理论, 给出了模型...
  • 考虑带有未知回滞驱动且以状态空间形式表示的连续时间线性动态系统, 给出了模型参考自适应控制设计方案.控制策略保证闭环系统的全局稳定性和期望的跟踪精度,有效地抑制回滞产生的不精确和振荡现象.数值仿真结果表明...
  • 针对电网不对称故障下的锁相问题,提出了基于模型参考自适应算法的三相锁相环系统。在建立三相电压系统动态模型的基础上,设计了具有频率自适应的状态观测器,采用李雅普诺夫稳定性理论设计了频率估计自适应率,使系统...
  • 的神经网络模型参考自适应控制器设计方案, 简化了基于神经网络的模型参考自适应控制系统的设计。 给出了统一的设计步骤, 它适用于任意非线性系统, 更接近于工程实际。理论分析和仿真结果证明了该 方案的...
  • 基于转子磁场定向坐标系下的永磁同步电机(PMSM)模型,提出一种PMSM的模型参考自适应反步控制方法.该方法采用线性参考模型来给出控制系统的性能规范,通过定义虚拟控制和选择适当的Lyapunov 函数来保证整个系统的稳定性...
  • 论文为双馈感应发电机提出一种基于模型参考自适应滑模观测器观测转子电流的无速度传感器控制策略。以电机本体作为参考模型,在双馈感应发电机d-q坐标模型的基础上构建转子电流估算模型。依据实转子实际电流和转子...
  • 在MRAS中的应用,以PMSM参数辨识为例在参考文献2中,可以看到本身模型参考自适应原理比较简单,只是对于控制器设计和稳定性证明比较麻烦,用到了Popov超稳定性理论来设计控制器。首先,参考模型选择与源模型相同,...

    符号说明

    与参考文献2中一致

    Popov超稳定性概述1

    对于连续时间线性定常系统,超稳定性成立的条件有两个:

    输入输出积分满足Popov积分不等式:

    math?formula=%5Cint_%7B0%7D%5E%7BT%7Du%5ET(t)y(t)dt%5Cleq%5Cdelta(%7C%7Cx(0)%7C%7C)sup_%7B0%5Cleq%20t%20%5Cleq%20T%7D%7C%7Cx(t)%7C%7C

    传递函数矩阵满足正实性。

    在MRAS中的应用,以PMSM参数辨识为例

    在参考文献2中,可以看到本身模型参考自适应原理比较简单,只是对于控制器设计和稳定性证明比较麻烦,用到了Popov超稳定性理论来设计控制器。

    首先,参考模型选择与源模型相同,构造了一误差系统,只要保证该误差系统的状态变量收敛到0,则电机参数即可估计出来。

    math?formula=%5Cdot%7Be%7D%3D(A%2BG)e%2B%5CDelta%20A%5Chat%7Bi%7D%2B%5CDelta%20Bu%2B%5CDelta%20C

    其中

    math?formula=e为误差矢量,

    math?formula=e%20%3D%20i%20-%20%5Chat%7Bi%7D%2C%20i%20%3D%20%5Cleft%5B%20%5Cbegin%7Bmatrix%7D%20i_d%20%26%20i_q%20%5Cend%7Bmatrix%7D%20%5Cright%5D%5ET%2C%20%5CDelta%20A%20%3D%20A%20-%20%5Chat%7BA%7D%2C%20%5CDelta%20B%20%3D%20B%20-%20%5Chat%7BB%7D%2C%20%5CDelta%20C%20%3D%20C%20-%20%5Chat%7BC%7D。取

    math?formula=w%20%3D%20-(%5CDelta%20A%5Chat%7Bi%7D%2B%5CDelta%20Bu%2B%5CDelta%20C),则有:

    math?formula=%5Cdot%7Be%7D%3D(A%2BG)e-w

    通过设计

    math?formula=G来保证系统传递函数矩阵严格正实3,设计

    math?formula=-w来保证满足输入输出Popov积分不等式。在该系统中,有

    math?formula=A%20%3D%20%5Cleft%5B%20%5Cbegin%7Bmatrix%7D%20-a%20%26%20w_e%5C%5C%20-w_e%20%26%20-a%20%5Cend%7Bmatrix%7D%20%5Cright%5D%2C%20%5Chat%7BA%7D%20%3D%20%5Cleft%5B%20%5Cbegin%7Bmatrix%7D%20-%5Chat%7Ba%7D%20%26%20w_e%5C%5C%20-w_e%20%26%20-%5Chat%7Ba%7D%20%5Cend%7Bmatrix%7D%20%5Cright%5D%2C%20B%20%3D%20%5Cleft%5B%20%5Cbegin%7Bmatrix%7D%20b%20%26%200%5C%5C%200%20%26%20b%20%5Cend%7Bmatrix%7D%20%5Cright%5D%2C%20%5Chat%7BB%7D%20%3D%20%5Cleft%5B%20%5Cbegin%7Bmatrix%7D%20%5Chat%7Bb%7D%20%26%200%5C%5C%200%20%26%20%5Chat%7Bb%7D%20%5Cend%7Bmatrix%7D%20%5Cright%5D%2C%20C%20%3D%20%5Cleft%5B%20%5Cbegin%7Bmatrix%7D%200%20%26%20-w_ec%20%5Cend%7Bmatrix%7D%20%5Cright%5D%5ET%2C%20%5Chat%7BC%7D%20%3D%20%5Cleft%5B%20%5Cbegin%7Bmatrix%7D%200%20%26%20-w_e%5Chat%7Bc%7D%20%5Cend%7Bmatrix%7D%20%5Cright%5D%5ET,取

    math?formula=%5Chat%7Ba%7D%2C%20%5Chat%7Bb%7D%2C%20%5Chat%7Bc%7D均为PI类型的控制器,有:

    math?formula=%5Chat%7Ba%7D%3D%5Cint_%7B0%7D%5E%7Bt%7Df_1(%5Ctau)d%5Ctau%20%2B%20f_2(t)%20%2B%20%5Chat%7Ba%7D(0)%20%5C%5C%20%5Chat%7Bb%7D%3D%5Cint_%7B0%7D%5E%7Bt%7Dg_1(%5Ctau)d%5Ctau%20%2B%20g_2(t)%20%2B%20%5Chat%7Bb%7D(0)%20%5C%5C%20%5Chat%7Bc%7D%3D%5Cint_%7B0%7D%5E%7Bt%7Dh_1(%5Ctau)d%5Ctau%20%2B%20h_2(t)%20%2B%20%5Chat%7Bc%7D(0)

    将上

    math?formula=%5Chat%7Ba%7D%2C%5Chat%7Bb%7D%2C%5Chat%7Bc%7D计算式带入到Popov积分不等式中,其中

    math?formula=u(t)即为误差系统中的

    math?formula=-w

    math?formula=y(t)则为误差系统中的

    math?formula=e,借助matlab符号运算,即可得到化简后的Popov积分不等式如下:

    math?formula=%5Cint_%7B0%7D%5E%7BT%7De_qw_e(c-%5Chat%7Bc%7D)%20%2B%20(e_q%5Chat%7Bi_q%7D%2Be_d%5Chat%7Bi_d%7D)(a-%5Chat%7Ba%7D)%20-%20(e_qu_q%20%2B%20e_du_d)(b-%5Chat%7Bb%7D)dt%20%5Cgeq%20-%5Cgamma_0%5E2%20%5C%5C%20%5CRightarrow%20%5C%5C%20%5Cint_%7B0%7D%5E%7BT%7De_qw_e(c-(%5Cint_%7B0%7D%5E%7Bt%7Dh_1(%5Ctau)d%5Ctau%20%2B%20h_2(t)%20%2B%20%5Chat%7Bc%7D(0)))dt%20%5C%5C%20%2B%20%5Cint_%7B0%7D%5E%7BT%7D(e_q%5Chat%7Bi_q%7D%2Be_d%5Chat%7Bi_d%7D)(a-(%5Cint_%7B0%7D%5E%7Bt%7Df_1(%5Ctau)d%5Ctau%20%2B%20f_2(t)%20%2B%20%5Chat%7Ba%7D(0)))dt%20%5C%5C%20-%20%5Cint_%7B0%7D%5E%7BT%7D(e_qu_q%20%2B%20e_du_d)(b-(%5Cint_%7B0%7D%5E%7Bt%7Dg_1(%5Ctau)d%5Ctau%20%2B%20g_2(t)%20%2B%20%5Chat%7Bb%7D(0)))dt%20%5C%5C%20%5Cgeq%20-%5Cgamma_0%5E2

    其中,

    math?formula=%5Cgamma_0为一误差系统中与系统变量(即误差

    math?formula=e)初值相关的量。

    math?formula=e_d%3Di_d-%5Chat%7Bi_d%7D%2Ce_q%3Di_q-%5Chat%7Bi_q%7D可以看到,要满足上式,即使:

    math?formula=%5Cint_%7B0%7D%5E%7BT%7De_qw_e(c-(%5Cint_%7B0%7D%5E%7Bt%7Dh_1(%5Ctau)d%5Ctau%20%2B%20h_2(t)%20%2B%20%5Chat%7Bc%7D(0)))dt%20%5Cgeq%20-%5Cgamma_1%5E2%20%5C%5C%20%5Cint_%7B0%7D%5E%7BT%7D(e_q%5Chat%7Bi_q%7D%2Be_d%5Chat%7Bi_d%7D)(a-(%5Cint_%7B0%7D%5E%7Bt%7Df_1(%5Ctau)d%5Ctau%20%2B%20f_2(t)%20%2B%20%5Chat%7Ba%7D(0)))dt%20%5Cgeq%20-%5Cgamma_2%5E2%20%5C%5C%20%5Cint_%7B0%7D%5E%7BT%7D(e_qu_q%20%2B%20e_du_d)(b-(%5Cint_%7B0%7D%5E%7Bt%7Dg_1(%5Ctau)d%5Ctau%20%2B%20g_2(t)%20%2B%20%5Chat%7Bb%7D(0)))dt%20%5Cgeq%20-%5Cgamma_3%5E2

    均满足即可。以上三式中第一个不等式为例,将其拆开,可以得到:

    math?formula=%5Cint_%7B0%7D%5E%7BT%7De_qw_e(c-%5Cint_%7B0%7D%5E%7Bt%7Dh_1(%5Ctau)d%5Ctau%20-%20%5Chat%7Bc%7D(0))dt%20%5Cgeq%20-%5Cgamma_%7B11%7D%5E2%20%5C%5C%20%5Cint_%7B0%7D%5E%7BT%7D-e_qw_eh_2(t)dt%20%5Cgeq%20-%5Cgamma_%7B12%7D%5E2

    均满足即可。对于上两式中的第一式,可以利用如下不等式:

    math?formula=%5Cint_%7B0%7D%5E%7BT%7D%5Cfrac%7Bdf(t)%7D%7Bdt%7Dkf(t)dt%3D%5Cfrac%7Bk%7D%7B2%7D%5Bf%5E2(T)-f%5E2(0)%5D%20%5Cgeq%20%5Cfrac%7Bk%7D%7B2%7Df%5E2(0)

    math?formula=%5Cfrac%7Bdf(t)%7D%7Bdt%7D%20%3De_qw_e%2C%20kf(t)%3Dc-%5Cint_%7B0%7D%5E%7Bt%7Dh_1(%5Ctau)d%5Ctau%20-%20%5Chat%7Bc%7D(0),则可以得到:

    math?formula=h_1(t)%3D-e_qw_eK_%7Bhi%7D%2CK_%7Bhi%7D%20%5Cgeq%200

    而对于上两式中的第二式,可以直接取

    math?formula=h_2(t)%3D-K_%7Bhp%7De_qw_e即可保证不等式成立:

    math?formula=h_2(t)%3D-K_%7Bhp%7De_qw_e%2CK_%7Bhp%7D%20%5Cgeq%200

    因此,对于

    math?formula=%5Chat%7Bc%7D的控制率可以选择:

    math?formula=%5Chat%7Bc%7D%3D-K_%7Bhi%7D%5Cint_%7B0%7D%5E%7Bt%7De_q(%5Ctau)w_ed%5Ctau%20-%20K_%7Bhp%7De_q(t)w_e%20%2B%20%5Chat%7Bc%7D(0)

    即可保证误差系统满足Popov超稳定性条件。使用同样的方法,即可得到

    math?formula=%5Chat%7Ba%7D%E4%B8%8E%5Chat%7Bb%7D的控制率如下:

    math?formula=%5Chat%7Ba%7D%3D-K_%7Bfi%7D%5Cint_%7B0%7D%5E%7Bt%7D(%5Chat%7Bi_d%7D(%5Ctau)e_d(%5Ctau)%2B%5Chat%7Bi_q%7D(%5Ctau)e_q(%5Ctau))d%5Ctau%20-%20K_%7Bfp%7D(%5Chat%7Bi_d%7D(%5Ctau)e_d(%5Ctau)%2B%5Chat%7Bi_q%7D(%5Ctau)e_q(%5Ctau))%20%2B%20%5Chat%7Ba%7D(0)%20%5C%5C%20%5Chat%7Bb%7D%3DK_%7Bgi%7D%5Cint_%7B0%7D%5E%7Bt%7D(u_d(%5Ctau)e_d(%5Ctau)%2Bu_q(%5Ctau)e_q(%5Ctau))d%5Ctau%20%2B%20K_%7Bgp%7D(u_d(t)e_d(t)%2Bu_q(t)e_q(t))%20%2B%20%5Chat%7Bb%7D(0)

    Note

    值得注意的是,文献2中利用MRAS同时辨识出三个电机参数,但实际上系统模型的阶数仅为两阶,因此个人觉得应该是有些许错误,在实际仿真时也印证了这一点:只有两个参数时辨识才准确,若三个参数同时辨识,结果将不准确。

    参考文献

    [2] Quntao An and Li Sun, "On-line parameter identification for vector controlled PMSM drives using adaptive algorithm," 2008 IEEE Vehicle Power and Propulsion Conference, Harbin, 2008, pp. 1-6, doi: 10.1109/VPPC.2008.4677634.

    [3] Xu Junfeng, Xu Yinglei, Xu jiangping, et al. “A new control method for permanent magnet synchronous machines with observer”, Aachen Germany: 35th IEEE Power Electronics Specialists Conference, 2004.

    附录

    matlab公式化简源码

    clc;

    clear all;

    syms a b c A B C Ag Bg Cg e dltA dltB dltC i ig we id iq idg iqg ag bg cg e ud uq u real

    A = [-a we;-we -a]

    Ag = [-ag we;-we -ag]

    B = [b 0;0 b]

    Bg = [bg 0;0 bg]

    C = [0;-we*c]

    Cg = [0;-we*cg]

    dltA = A - Ag

    dltB = B - Bg

    dltC = C - Cg

    i = [id;iq]

    ig = [idg;iqg]

    e = i - ig

    u = [ud;uq]

    clc

    -(dltA*ig + dltB*u + dltC)' * e

    展开全文
  • 离散时间直接模型参考自适应控制在高精度惯性稳定平台中的应用
  • 针对矿井下复杂状况,将模型参考自适应控制算法应用于煤矿井下探测机器人TUT-CMDR,构建直流电机传动系统的数学模型,采用波波夫超稳定性理论设计自适应控制器,并在Matlab/Simulink环境下建模仿真,结果表明系统在电机...
  • 针对永磁同步电机易受外界扰动而引起转速变化的问题,提出一种基于分数阶Lyapunov稳定性理论的模型参考自适应控制方法,对转速进行估计。首先以永磁同步电机的d-q轴电流方程建立参考模型和可调模型;其次利用参考模型和...
  • 基于模型参考自适应空间矢量调制的永磁同步电机矢量控制simulink仿真,只有仿真模型,没有说明文档
  • 梯度法、模型参考自适应方面很好的参考代码,仅供学习研究参考用,不得违规
  • 提出一种模型参考自适应控制系统. 该系统只要求知道对象阶次的上界, 不要求对象严格正实和最小相位, 并且允许存在建模误差和作用在对象任何部位的大幅值高频干扰. 系统的强鲁棒性来源于特殊的系统结构和对信号...
  • 基于神经网络的模型参考自适应控制
  • 针对任意复杂的具有最小相位,滞后环节和非最小相位特性的离散非线性系统,提出一种通用的直接神经网络模型参考自适应控制。采用具有在线学习功能的最近邻聚类算法训练RBF神经网络控制器,同时引入优化策略对聚类...
  • 基于模型参考自适应的超磁致伸缩微驱动控制算法,王雷,刘彦,超磁致伸缩材料具有较高的频率特性,伸缩响应时间优于1μs,但是由于磁滞效应的存在,驱动器工作在低频磁场作用下,在较高工作频�
  • 针对矿用电机车永磁同步电动机调速采用无传感器控制时存在转子位置角估计精度低、计算量大、稳定性和抗扰动性差等问题,提出了一种改进模型参考自适应法。该方法根据直轴电流为零简化自适应律,降低计算复杂程度;...
  • 基于RBF网络辨识的模型参考自适应控制系统分析与仿真论文资料
  • 内容包括:实例,文档分析,设计过程和MATLAB仿真程序。首先利用BP网络对以下非线性系统进行辨识,然后利用模型参考自适应方法,设计NNMARC控制器
  • 一、模型参考自适应 模型参考自适应是比较流行的自适应控制方式之一。模型参考自适应控制系统的设计主要有两大类方法:一种是基于局部参数最优化的设计方法;另一种是基于稳定性理论的设计方法,包括以下两种具体的...

    一、模型参考自适应

    模型参考自适应是比较流行的自适应控制方式之一。模型参考自适应控制系统的设计主要有两大类方法:一种是基于局部参数最优化的设计方法;另一种是基于稳定性理论的设计方法,包括以下两种具体的设计方法:

    • 基于Lyapunov稳定性理论的方法;
    • 基于Popov超稳定性理论和正实性概念的方法。

    早期的自适应控制大多采用局部参数最优化的设计方法,其主要缺点是在整个自适应过程中难以保证闭环系统的全局稳定性。而基于稳定性理论的设计方法,则从保证系统稳定性的角度出发来选择自适应规律, 因此易于保证系统的稳定性。

    1.1  模型参考自适应控制系统的典型结构

    系统由参考模型、可调系统、自适应机构三部分构成。

    • 可调系统包括被控对象、前置控制器和反馈控制器。
    • 对可调系统的特性要求,如超调量、阻尼性能、过渡时间和通频带等由参考模型规定,故参考模型实际上是一种理想控制系统,其输出代表了期望的性能。
    • 当参考模型与实际被控对象的输出有差异时,经比较器检测后,通过自适应机构做出决策,改变调节器(包括前置和反馈控制器)参数或生成辅助输入,以消除误差,使过程输出和参考模型输出一致。

    参考模型与可调系统两者性能之间的一致性,由自适应机构保证,所以自适应机构的设计十分关键,性能一致性程度由状态广义误差向量

                                                                                          e_{x}=x_{m}-x

    或输出误差向量

                                                                                          e_{y}=y_{m}-y

    度量,其中x_{m},y_{m}x,y分别为参考模型和可调系统的状态和输出。

    只要误差向量不为零,自适应机构就按减少误差方向修正或更新控制律,以使系统实际性能指标达到或接近希望的性能指标。具体实施时,可更新前置和反馈控制器的参数,也可直接改变加到对象输入端的信号。前者称为参数自适应方案,后者称为信号综合自适应方案

    1.2  模型参考自适应控制系统的结构类型

     

    注:在这三种结构中,并联型方案是最普遍的结构。尽管这三种结构的形式不同,但实际上对它们进行分析和综合的方法基本相同,故本节将限于讨论并联型模型参考自适应系统。

    • 关于模型参考自适应控制系统的假定

    1. 参考模型是时不变系统;
    2. 参考模型和可调模型是线性的,有时为了分析方便,还假设它们的阶次相同;
    3. 广义误差可测;
    4. 在自适应控制过程中,可调参数或辅助信号仅依赖于自适应机构。

    注:由于环境干扰引起的系统参数的变化相对于自适应调节速度要慢得多,故自适应速度快于对象参数的变化速度。假设4意味着自适应速度应大于被控对象参数的变化速度,否则就不可能实现渐进自适应。

    1.3  基于局部参数最优化的设计方法(MIT方案)

    局部参数最优化方法的设计思想:系统包含若干可调参数(如可调增益、反馈回路可调参数等),当被控对象的特性由于外界环境条件的改变或其他干扰的影响而发生变化时,自适应机构对这些可调参数进行调整,以补偿外界环境或其他干扰对系统性能的影响,从而逐步使得参考模型和控制对象之间的广义误差所构成的性能指标达到或接近最小值,因此它的设计原理就是构造一个由广义误差和可调参数组成的目标函数,并把它视为可调参数空间中的一个超曲面,利用参数最优化方法使这个目标函数逐渐减小,直到木目标函数达到最小或位于最小值的某个领域为止,从而满足可调系统与参考模型之间的一致性要求。

    额外两条假设

    • 可调系统参数已位于参考模型参数的某个邻域内;
    • 相对于系统的内部动力学时间尺度而言,可调参数的调节速度低,即自适应增益小。

    考虑具有一个可调增益的模型参考自适应控制系统,假设被控对象的传递函数为:


                                                                           W_{p}\left ( s \right )=\frac{N\left ( s \right )}{D\left ( s \right )}\cdot K_{p}

    其中,D\left ( s \right )N\left ( s \right )为已知的常系数多项式,K_{ p}> 0为对象的增益。

    问题的背景

    当系统受到干扰时,被控对象的增益K_{p}可能发生变化,使其动态特性与参考模型的动态特性之间发生偏离,K_{p}的变化是不可测量的。为了克服由K_{p}的漂移所造成的影响,在控制系统中设置一个可调增益K_{c},来补偿由K_{p}的变化所造成的影响,期望使得K_{c}K_{p}的乘积始终与模型的增益K_{m}相一致。那么,如何设计自适应机构来实时地调整K_{c},即如何设计K_{c}的自适应调整规律是需要解决的问题。

    解决方法

    构造理想参考模型的传递函数为:

                                                                          W_{m}\left ( s \right )=\frac{N\left ( s \right )}{D\left ( s \right )}\cdot K_{m}

    其中,增益K_{m}是常数,认为是已知的,通常由期望的动态响应决定。

    控制系统的结构图:

    定义广义输出误差e为:

                                                                                       e=y_{m}-y

    其中,y_{m}为理想参考模型的输出;y为被控系统的输出;e表示输入信号为r\left ( t \right )时,理想系统的响应与实际系统响应之间的偏离。

    设计目标:确定可调增益K_{c}\left ( t \right )的自适应调节律,使得下列性能指标J达到最小

                                                                                    J=\frac{1}{2}\int_{t_{0}}^{t}e^{2}\left ( \tau ,K_{c} \right )d\tau                                  (1.1)

    采用梯度法来寻求K_{c}\left ( t \right )的最优调节律。

    首先求JK_{c}的偏导数有:

                                                                                     \frac{\partial J }{\partial K_{c}}=\int_{t_{0}}^{t}e\frac{\partial e }{\partial K_{c}}d\tau

    根据梯度下降原理,K_{c}的变化量\Delta K_{c}应正比于函数J的负梯度方向,即取如下数值:

    其中,\eta > 0,则调整后的K_{c}为:

                                                K_{c}=\Delta K_{c}+K_{c0}=-\eta \frac{\partial J}{\partial K_{c}}+K_{c0}=-\eta \int_{t_{0}}^{t}e\frac{\partial e}{\partial K_{c}}d\tau +K_{c0}

    其中,K_{c0}为可调增益的初值。

    将上式两边分别对时间求导数后,得到K_{c}的变化率与广义误差e的关系为:
                                                                                          \dot{K}_{c}=-\eta e\frac{\partial e}{\partial K_{c}}                                        (1.2)

    上式表示了可调增益K_{c}\left ( t \right )的自适应调整规律,只要求出\frac{\partial e}{\partial K_{c}},增益调整律就可确定。为此,需要确定e关于K_{c}的函数关系。

    由系统结构图可知,参考输入R\left ( s \right )到输出偏差E\left ( s \right )的传递函数为:
                                                                       W_{e}\left ( s \right )=\frac{E\left ( s \right )}{R\left ( s \right )}=\left ( K_{m}-K_{c}K_{p} \right )\frac{N\left ( s \right )}{D\left ( s \right )}

    将上述拉普拉斯变换转化为微分方程描述的时域算子形式,即令:
                                                                         p=\frac{\mathrm{d} }{\mathrm{d} t},p^{2}=\frac{\mathrm{d^{2}} }{\mathrm{d} t^{2}},\cdots ,p^{n}=\frac{\mathrm{d^{n}} }{\mathrm{d} t^{n}}

    则可得到e所满足的微分方程为:
                                                                      D\left ( p \right )e\left ( t \right )=\left ( K_{m}-K_{c}K_{p} \right )N\left ( p \right )r\left ( t \right )

    上式两端对K_{c}求导数为:
                                                                            D\left ( p \right )\frac{\partial e}{\partial K_{c}}=-K_{p}N\left ( p \right )r\left ( t \right )                             (1.3)

    另一方面,考虑到参考模型的输出与输入之间满足下列关系:
                                                                           D\left ( p \right )y_{m}\left ( t \right )=K_{m}N\left ( p \right )r\left ( t \right )                               (1.4)

    令(1.3)式与(1.4)相除,并整理得:

                                                                                     \frac{\partial e}{\partial K_{c}}=-\frac{K_{p}}{K_{m}}y_{m}

    将此式代入(1.2)式有:
                                                                                      \dot{K}_{c}=\eta ey_{m}\frac{K_{p}}{K_{m}}

    K=\eta \frac{K_{p}}{K_{m}},则有:

                                                                                         \dot{K}_{c}=Key_{m}                                             (1.5)

    (1.5)式就是所求的可调增益K_{c}的调节律,也就是系统的自适应规律。这种自适应规律最先由麻省理工学院提出,故又称为MIT自适应规律。

    由(1.5)式可以看出,为实现这种自适应律,自适应机构由一个乘法器和一个积分器组成,具体实现的结构图如下:

    这样综合出来的模型参考闭环自适应系统的数学模型可用下列一组方程来描述:

                                                                       \left\{\begin{matrix} D\left ( p \right )e\left ( t \right )=\left ( K_{m}-K_{c}K_{p} \right )N\left ( p \right )r\left ( t \right )\\ D\left ( p \right )y_{m}\left ( t \right )=K_{m}N\left ( p \right )r\left ( t \right )\\ \dot{K}_{c}=Key_{m} \end{matrix}\right.

    其中, K> 0

    MIT方案的特点:

    • 该方案利用的是输出偏差e,而不是状态偏差,所以自适应律所需的信号都是容易获得的,这是MIT方案额的主要优点。
    • 这种设计方法在设计过程中并未考虑稳定性问题,不能保证所设计的自适应控制系统总是稳定的, 这是它的缺点。因此,在求得自适应规律后,尚需进行稳定性校验,以确保广义误差e在闭环回路中能收敛于某一允许的数值。

    【举例1】

    考虑一个一阶系统,其传递函数为G\left ( s \right )=\frac{K_{p}}{1+Ts}。根据MIT规则设计的闭环自适应控制系统的数学模型为:


                                                                             \left\{\begin{matrix} T\dot{e}+e=\left ( K_{m}-K_{c} K_{p}\right )r\\ T\dot{y}_{m}+y_{m}=K_{m}r\\ \dot{K}_{c}=K\cdot e\cdot y_{m} \end{matrix}\right.

    假定在t=t_{0}时,yy_{m}均为零,且K_{c}K_{p}\neq K_{m}。试考察该自适应控制系统的稳定性。

    【解】

    假定在t=t_{0}时给定系统输入一个幅度为R的阶跃信号,则t_{0}之后参考模型的输出为:


                                                                                 y_{m}=K_{m}R\left ( 1-e^{-t/T} \right )

    所以自适应调节律为:

                                                                              \dot{K}_{c}=KeK_{m}R\left ( 1-e^{-t/T} \right )

    对开环广义误差方程求导数得:

                                                                                   T\ddot{e}+\dot{e}=-K_{p}\dot{K}_{c}R

                                                                    T\ddot{e}+\dot{e}+K_{p}KK_{m}R^{2}e\left ( 1-e^{-t/T} \right )=0

    t\rightarrow \infty时,上式右端第三项e的系数趋于K_{p}KK_{m}R^{2},即有:

                                                                           T\ddot{e}+\dot{e}+K_{p}KK_{m}R^{2}e=0

    此系统方程是渐近稳定的,即t\rightarrow \infty时,有:e\rightarrow 0K_{c}\rightarrow \frac{K_{m}}{K_{p}}(根据劳斯判据)

    结论:
    对于一阶系统,按照MIT规则设计的闭环自适应系统总是稳定的。

    跟踪速度或自适应速度是按指数规律进行的。理论上说,仅当t\rightarrow \infty时,误差才趋于零,所以自适应速度是比较慢的。实际应用中,并不要求e完全等于0。当\left | e \right |\leq \delta\delta为一很小的选定值)时,就认为系统已跟上参考模型了。在此意义上,自适应调整时间还是有限的。

    【举例2】

    设一个被控对象的传递函数为W_{p}\left ( s \right )=\frac{K_{p}}{a_{2}s^{2}+a_{1}s+1},理想参考模型为W_{m}\left ( s \right )=\frac{K_{m}}{a_{2}s^{2}+a_{1}s+1}。根据MIT规则设计的闭环自适应控制系统的数学模型为:


                                                                   \left\{\begin{matrix} a_{2}\frac{\mathrm{d^{2}e} }{\mathrm{d} t^{2}}+a_{1}\frac{\mathrm{d} e}{\mathrm{d} t}+e=\left ( K_{m} -K_{p}K_{c}\right )r\\ \\ a_{2}\frac{\mathrm{d^{2}y_{m}} }{\mathrm{d} t^{2}}+a_{1}\frac{\mathrm{d} y_{m}}{\mathrm{d} t}+y_{m}=K_{m}r\\ \\ \frac{\mathrm{d}K_{c} }{\mathrm{d} t}=K\cdot e\cdot y_{m} \end{matrix}\right.

    假定在t=0时给系统输入一个幅度为A的阶跃信号,即r\left ( t \right )=A。我们来研究偏差e的稳定性。

    对上式偏差微分方程的两端求导,并整理得:
                                                            a_{2}\frac{\mathrm{d^{3}}e }{\mathrm{d} t^{3}}+a_{1}\frac{\mathrm{d^{2}}e }{\mathrm{d} t^{2}}+\frac{\mathrm{d} e}{\mathrm{d} t}=-K_{p}\frac{\mathrm{d} K_{c}}{\mathrm{d} t}A=-K_{p}Key_{m}A

    假设y_{m}\left ( t \right )的动态响应比e\left ( t \right )的自适应调整过程快得多。也就是说,在研究e\left ( t \right )的调节过程时,认为y_{m}\left ( t \right )已达到了它的稳定值K_{m}A,那么e\left ( t \right )的微分方程就可简化为:

                                                                  a_{2}\frac{\mathrm{d^{3}}e }{\mathrm{d} t^{3}}+a_{1}\frac{\mathrm{d^{2}}e }{\mathrm{d} t^{2}}+\frac{\mathrm{d} e}{\mathrm{d} t}+K_{m}K_{p}KA^{2}e=0

    利用劳斯(Routh)稳定性判断,易知当

                                                                                 K_{m}K_{p}KA^{2}\geq \frac{a_{1}}{a_{2}}

    时,系统不稳定。也就是说,当K_{p}满足条件上式时,输出偏差e将出现不稳定。

    上例说明,在应用局部参数最优化方法进行设计时,需要对整个系统的稳定性进行分析和检验,然而这一步工作往往是很麻烦的。

    n\leq 4时的劳斯判据:
    n=1时,特征方程为:a_{0}s+a_{1}=0,各系数为正。
    n=2时,特征方程为:a_{0}s^{2}+a_{1}s+a_{2}=0,各系数为正。

    n=3时,特征方程为:a_{0}s^{3}+a_{1}s^{2}+a_{2}s+a_{3}=0,各系数为正,且a_{1}a_{2}> a_{0}a_{3}

    n=4时,特征方程为:a_{0}s^{4}+a_{1}s^{3}+a_{2}s^{2}+a_{3}s+a_{4}=0,各系数为正,且\Delta _{2}=a_{1}a_{2}-a_{0}a_{3}> 0,\Delta _{2}> \frac{a_{1}^{2}a_{4}}{a_{3}}

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 524
精华内容 209
关键字:

模型参考自适应