多模型自适应控制方法的研究
多模型自适应控制方法的研究
王昕李少远
(上海交通大学自动化研究所上海200030)
wangxin26@https://www.360docs.net/doc/8b15576903.html,
摘要：本文针对多模型自适应控制方法进行了详尽的分析和论述，包括间接多模型，直接多模型和加权多模型自适应控制，同时介绍了多模型自适应控制在工业中的应用实例，最后对多模型自适应控制的发展进行了展望。
关键词：多模型控制，自适应控制，工业应用
Research on Multiple Models Adaptive Control
Xin Wang Shaoyuan Li
(Institute of Automation, Shanghai Jiaotong University, Shanghai 200030)
wangxin26@https://www.360docs.net/doc/8b15576903.html,
Abstract: Multiple models adaptive control (MMAC) algorithms are discussed in this paper, including indirect multiple models adaptive control algorithm, direct multiple models adaptive control algorithm and weighted multiple models adaptive control algorithm. The applications of multiple models adaptive control to industrial process are introduced. Finally, the future tendency of MMAC is pointed out.
Keyword: Multiple models control, Adaptive control, Industrial application
1 引言
对于复杂的工业过程，当被控系统模型参数未知或发生缓慢时变时，可以采用常规自适应方法进行控制器设计[1-3]。所谓常规自适应控制方法，就是将控制器的设计和模型的辨识有机地结合起来，在对被控系统进行辨识的基础上实时调节控制器参数以尽可能地降低模型不确定性带来的影响，使得控制系统拥有一定程度的适应能力。而适应能力的好坏，除了取决于控制器的设计方法外，还取决于辨识算法的收敛速度。当辨识算法的参数初值选择得距离参数真值很近时，可以得到令人满意的控制效果。但在复杂工业过程中，边界条件改变、子系统故障、外界干扰等多种因素常常导致被控系统从一个工作点变到另一个工作点，这时，系统参数往往发生大范围跳变，导致辨识算法的收敛速度减慢，无法得到令人满意的控制效果。为了解决上述问题，可以采用多模型自适应控制方法设计控制器进行控制。
多模型控制的思想可以追溯到七十年代。从1971年https://www.360docs.net/doc/8b15576903.html,iniotis提出的基于后验概率加权的多模型控制器[4-6]，到目前基于切换指标的多模型自适应控制器[7-10]，已经经历了三十多年的发展。近几年来在多模型集的建立、模型集的优化、多模型控制器的结构和设计以及闭环系统的稳定性、全局收敛性等方面的研究，取得了大量的成果，分别在IEEE Transactions on Automatic Control，Automatica，International Journal of System Science，System & Control Letters 等国际杂志和IFAC，CDC，ACC等国际会议上发表了大量文章。特别是1999年International Journal of Control将7、8、两期合刊出版了多模型控制专刊以及专著《Multiple Model Approaches to Modeling and Control》[11]的出版，极大地推动了多模型控制的发展，使之成为自适应控制的最新研究方向之一[12]。
2 多模型自适应控制器设计
多模型自适应控制器采用多个不同模型构成模型集覆盖系统参数变化的可能范围，针对每一个模型分别设计控制器，然后依据一定的切换准则选择最优控制器进行控制。多模型自适应控制方法按照控制器的选取方式不同，可以分为三种方式，下面分别予以介绍：
2.1 间接多模型自适应控制方法
间接多模型自适应控制方法首先采用多个不同的模型构成多模型集覆盖系统参数变化
的可能范围，然后在每一个采样时刻将控制输入分别输入到各个模型中，计算出每个模型的切换指标，选取使切换指标最小的模型做为最优模型，最后据此设计控制器进行控制。即，
m s J J s j ,,2,1min L == (1)
j u u = (2)
式中，表示第个模型的切换指标，u 为系统的控制输入，表示根据第个模型设计的控制输入。以后我们用s J s j u j m s J j s ,,2,1min arg L ==表示第个模型使切换指标最小。
j 间接多模型自适应控制方法是由Middleton 和Goodwin 等首先提出的[13]。1988年，Middleton 和Goodwin 等在进行线性系统的鲁棒控制器设计时，采用多个模型覆盖系统的参数变化区间，根据切换指标选取最优控制器进行切换控制。
1994年，Narendra 等为了提高线性系统的暂态性能，采用多个初值不同的自适应模型构成多模型集实行切换控制[14]。该算法首先构造多个初值不同的自适应模型，分别设计多个不同的控制器，然后根据切换指标选出最优模型，进而选出与之相对应的控制器作为系统的控制器。该控制器在系统首次发生跳变时可以提高系统的暂态性能，但当多个初值不同的自适应模型收敛到同一邻域时，会退化成常规自适应控制器而丧失了多模型的优点。
为了解决上述问题，文[15]采用多个固定参数模型构成多模型集覆盖系统参数变化的可能范围，但由于固定参数模型不具有自适应能力而无法消除系统的稳态误差。
Narendra 在上述多个固定参数模型的基础上加入一个自适应模型共同构成多模型集解决了上述问题，同时给出了全局收敛性证明[16]。为了进一步加快系统的辨识速度，提高系统的暂态性能，文[17]在上述模型集的基础上，再加入一个可重新赋值的自适应模型。该自适应模型的参数值可被重新赋值为最优模型的参数值以加快系统的辨识速度，同时给出全局收敛性证明。但以上方法都是针对连续时间系统。
1998年，Narendra 将上述方法推广到离散时间系统[18]，并在文[19]给出了完整的全局收敛性证明。但以上结果都是限于单变量最小相位系统。
文[20,21]采用迟滞切换算法解决多模型控制器切换过于频繁的问题，根据设定的切换误差限，只有当系统输出误差超过误差限时才进行控制器切换，并给出了全局收敛性证明。Morse 等则进一步研究了多模型控制的结构，提出了基于逻辑切换的多模型控制器[22-24]。
在上述线性系统的多模型控制器设计的基础上，文[25,26]采用神经网络建立多模型集或者实现控制器的设计，使得多模型方法得以在非线性系统推广。文[27]建立四个神经网络表示被控系统的四个工作状态，分别设计相应的神经网络控制器。针对一个非线性系统，根据切换准则，从四个工作状态中选取系统当前工作状态，并选取相应的神经网络控制器实现控制。当系统的工作状态发生变化时，可以动态添加神经网络模型以反应这种变化。
2.2 直接多模型自适应控制方法
直接多模型自适应控制方法首先根据被控系统模型参数建立多个模型，然后对于每个模型分别设计稳定的控制器，并将这些控制器按顺序进行编号，根据切换指标判断当前控制器是否能保证被控系统稳定，否则按编号顺序切换到下一个控制器进行控制。即，
1+=j u u ， 当)()1(t J t J >+时 (3)
式中，j 为当前采用的控制器编号，为时刻系统的切换指标。
)(t J t 1986年，Fu 等针对连续时间状态空间模型，构造多个不同的状态反馈建立多模型集，按编号顺序从小到大进行控制器切换，成功地去掉了传统自适应控制中要求的最小相位、系
统高频增益符号等假设条件，同时保证闭环系统是指数稳定的[28]。但由于采用了顺序切换方式，导致系统的过渡过程很差，难以在实际中得到应用。
文[29]将以上结果推广到多变量连续时间最小相位系统。虽然增加了最小相位系统的假设，但给出了采用了顺序切换方式保证闭环系统指数稳定所需要的最小模型数，该最小模型数与系统的阶次和相对阶无关。
为了解决系统过渡过程差的问题，Zhivoglyadov 等针对连续时不变系统提出了Localization 技术。该技术在切换过程中，每次根据性能指标动态减少待选模型集的数量，虽然仍然采用顺序切换方式保证闭环系统是指数稳定的，但减少了系统的切换时间，逐步改善了系统的过渡过程[30]。文[31,32]将Localization 技术推广到线性时变系统和离散时间系统。
2.3 加权多模型自适应控制方法
加权多模型自适应控制方法首先根据被控系统模型参数建立多个模型，然后对于每个模型分别设计相应的控制器，最终控制器的输出是每个控制器输出的加权和，而不像前两种方法那样切换到某一个控制器上。即，
m s u u s s ,,2,1,L ==α (4)
式中，s α表示第个模型的加权系数，表示第个模型的控制输入。该方法由于采用控制器输出的加权和形式，本质上相当于一种软切换，因而切换过程比较平滑，对系统的执行机构损害小，系统的输出也不会在切换时出现大的跳跃，易于在实际工业过程中使用，但也正因为采用控制器输出的加权和形式，因而很难得到稳定性和收敛性的证明。
s s u s 1984年，Badr 等针对离散时间系统提出加权多模型控制器结构，每个控制器采用二次型最优指标进行设计，控制器输出采用加权和形式[33]。该文对加权多模型控制器的概念、构成和算法设计进行了详细的介绍，但没有给出算法分析和仿真实例。文[34]将上述结果推广到多输入多输出系统，通过引入辅助输入进一步减少系统的输出误差，并对控制算法的性质进行了讨论。为了进一步减少切换干扰，文[35]按照在性能指标中每个模型的指标数值占总指标数值的比例作为加权系数进行控制，并给出了与间接多模型控制器的仿真比较。文[36]将上述结果应用到非线性电加热炉中，在每个工作点处分别对非线性被控系统进行分段线性化，进而构成线性多模型集，实现了对于温度和湿度的随动控制。但以上均采用固定参数模型集，而且固定参数模型集中包含被控系统模型的真值，因而具有一定的局限性。
1992年，Nagib 等采用定性推理自学习算法与并行切换、串行切换相结合设计多模型控制器，该控制器即使对于较少的系统先验知识，如系统参数的不确定性区域、参数的阶次等，也能得到很好的控制效果[37]。文[38]将上述方法与滑模变结构控制相结合，用于补偿系统变化和干扰造成的影响。
3 在实际工业过程中的应用
多模型控制方法虽然发展时间不长，却在实际工业过程中得到了广泛的应用。除了以上列举的部分的应用外，多模型控制方法还在化工领域、飞行器控制、机器人控制和医学领域中得到应用。
化工过程一般为多变量高阶强非线性过程，很难建立一个精确的数学模型予以描述。对于发酵过程，为了划分不同的工作区域，文[39] 设计多个神经网络模型分别辨识多个不同工作区域，工业实验结果优于采用先验知识和自组织映射神经网络划分不同工作区域的方法。文[40]采用多个模型代表发酵过程的不同操作工序，切换指标采用模糊判断规则，针对不同
的操作工序，采取不同的控制器进行控制。对于一个复杂的非线性异分子聚合反应过程，文[41]采用分段线性化的方法，构造多个线性模型逼近非线性过程，并在实际工业过程得到应用。文[42]在不同的工作点采用多个非线性模型实现对PH值中和过程的建模和控制，得到很好的实际应用效果。
在飞行器控制中，一方面难以建立飞行器精确的非线性数学模型，另一方面，建成的飞行器数学模型的高频段由于受到模型参数变化、执行机构非线性等因素的影响，常常伴有不确定的动态特性。而采用多模型控制器，由于可以考虑不同的时延和带宽，因而可以得到较好的控制效果[43,44]。文[45]为了实现对战斗机的大攻角控制，设计两个线性鲁棒控制器用来覆盖整个系统的动态变化区间，采用模糊神经网络实现切换控制，得到满意的仿真试验结果。文[46]构造多个初始值不同的位置估计器，采用多模型自适应估计器估计当前的飞行高度，改善飞行性能。文[47]构造多模型状态估计器，对飞行器的执行器、传感器故障进行检测。
机器人的跟踪控制是机器人控制中的一个难题，这主要是因为机器人系统的动力学模型可以近似为一个强耦合、高度非线性的关于关节变量的2阶常微分方程组，具有很多非线性动态[48,49]。文[50,51] 采取了多模型自适应控制方法，提高了系统的暂态性能，减少了随动时间，实验室研究结果证明了算法的有效性。
在医学领域中，采用输入药物的方式治疗患者的疾病，因此可将患者视为被控系统，系统的控制输入为各种药物流量，输出值为期望的医疗指标。但由于病人的体质不同，对药物的敏感程度不同，因此对于输入药物的病理反映也不尽相同，即被控系统的模型参数不同。为了取得好的控制效果（医疗指标），必须为每一个被控系统（患者）配备一名医生实时调节控制器参数（各种药物流量），浪费大量人力。为了节约医疗费用，文[52]针对心血管疾病患者分别构造多模型集，采用广义预测控制器控制患者的动脉血压和血液输出。仿真试验结果表明该控制器具有较强的鲁棒性。为了实现对患者的血压控制，文[53,54] 针对不同患者分别构造多模型集，对每个模型采用PID控制器，最终控制器的输出是多个模型控制器输出的加权和形式，仿真实验研究表明控制效果优于常规PID控制器。
4 存在问题及展望
虽然基于“分而治之”思想的多模型自适应控制方法在实际工业过程中得到了成功的应用，但随着理论研究的深入和工业过程控制精度的提高，也存在着一些尚未解决的问题：1. 多固定参数模型集的覆盖
为了提高被控系统的暂态性能，多固定参数模型集必须完全覆盖系统参数的可能变化范围。否则的话，极端的情况可能是多模型集中自适应模型始终被选中，多模型控制器就退化成常规自适应控制器，但多个固定参数模型带来的巨大计算负担反而使它在采样周期的选择上不如常规自适应控制器。另一方面，如果未能实现完全覆盖，则在开始阶段虽然固定参数模型被选中会暂时提高系统的暂态性能，但由于系统未被完全激励反而在辨识速度上不如常规自适应控制器。
2. 固定参数模型数量的精简
多模型自适应控制之所以能够提高系统的暂态性能，主要是由于数目巨大的固定参数模型的引入。即使系统仅有一个参数变化时，也需要大量的固定参数模型构成多模型集，而对于多变量、多参数变化的系统，固定参数模型的数目会急剧增加。如何减少固定参数模型的数量一直是多模型控制的核心问题。
3. 多模型计算量的精简
由于采用数目庞大的多个模型同时进行计算，因而多模型自适应控制器的计算量非常大，而计算量的增加直接影响被控系统采样周期的选择，进而影响工业过程的控制精度。如何简化控制算法以减轻多模型控制器的计算量是多模型自适应控制另一个需要解决的问题。
参考文献
[1] Goodwin G C, Sin K S. Adaptive Filter Prediction and Control [M], New Jersey, USA: Prentice Hall Inc., 1984.
[2] Narendra K S, Annaswamy A M. Stable Adaptive Systems [M], New Jersey, USA: Prentice Hall Inc., 1989.
[3] Sastry S, Bodson M. Adaptive Control: Stability, Convergence, and Robustness [M], New Jersey, USA: Prentice Hall Inc., 1989.
[4] Lainiotis D G. Optimal adptive estimation structure and parameter adaption [J], IEEE Transactions on Automatic Control, 1971, 16(2): 160-170.
[5] Lainiotis D G, Deshpande J G,Upadhyay T N. Optimal adaptive control: a non-linear separation theoriem [J]. International Journal of Control, 1972, 15(5): 877-888.
[6] Lainiotis D G. Partitioning a unifying framework for adaptive system. I: estimation [J], Proceedings of the IEEE, 1976, 64(8): 1126-1143.
[7] Anderson B D O, Brinsmead T S, De Bruyne F, Hespanha J, Liberzon D, Morse A S. Multiple model adaptive control. Part 1: Finite controller coverings [J], International Journal of Robust and Nonlinear Control, 2000, 11(10): 909-929.
[8] Hespanha J, Liberzon D, Morse A S, Anderson B D O, Brinsmead T S, De Bruyne F. Multiple model adaptive control. Part 2: Switching [J], International Journal of Robust and Nonlinear Control, 2001, 11(5): 479-496. [9] Karimi A, Landau, I D. Robust adaptive control of a flexible transmission system using multiple models [J], IEEE Transactions on Control Systems Technology, 2000, 8(2): 321-331.
[10] Chang M H, Davison E J. Adaptive switching control of LTI MIMO systems using a family of controllers approach [J], Automatica, 1999, 35(3): 453-465.
[11] Smith R M, Johansen T A. Multiple Model Approaches to Modelling and Control [M], London: Taylor&Frances, 1997.
[12] Narendra K S. Parameter adaptive control-the end...or the beginning [A]? In Proceeding of the 33rd Conference on Decision and Control [C], Vista, FL, USA, 1994: 2117-2125.
[13] Middleton R H, Goodwin G C, Hilland D J, Mayne D Q. Design issues in adptive control [J], IEEE Transactions on Automatic Control, 1988, 33(1): 50-58.
[14] Narendra K S. Balakrishnan J. Improving transient response of adaptive control systems using multiple models and switching [J], IEEE Transactions on Automatic Control, 1994, 39(9): 1861-1866.
[15] Balakrishnan J, Narendra K S. Intelligent control using fixed and adaptive models [A], In Proceeding of the 1995 American Control Conference [C], Seattle, WA, USA, 1995: 597-601.
[16] Narendra K S, Balakrishnan J. Intelligent control using fixed and adaptive models [A], In Proceeding of the 33rd Conference on Decision and Control [C], Vista, FL, USA, 1994:1680-1685.
[17] Narendra K S, Balakrishnan J. Adaptive control using multiple Models [J], IEEE Transactions on Automatic Control, 1997, 42(2): 171-187.
[18] Narendra K S, Xiang C. Adaptive control of discrete_time system using multiple models [A], In Proceeding of the 37th Conference on Decision and Control [C], Tampa. Florida, USA, 1998: 3978-3983.
[19] Narendra K S, Xiang C. Adaptive control of discrete-time systems using multiple models [J], IEEE Transactions on Automatic Control, 2000, 45(9): 1669-1686.
[20] Morse A S, Mayne D Q, Goodwin G C. Applications of hysteresis switching in parameter adaptive control [J]. IEEE Transactions on Automatic Control, 1992, 37(9): 1343-1354.
[21] Weller S R, Goodwin G C. Hysteresis switching adaptive control of linear multivariable systems [J]. IEEE Transactions on Automatic Control, 1994, 39(7): 1360-1375.
[22] Morse A S. Control using logic-based switching [A], in Trends in Control. A European Perspective [M]. Isidori
A ed, Berlin,Germany: Springer-Verlag, 1995: 69-113.
[23] Hespanha J P, Liberzon D, Morse A S. Logic-based switching control of a nonholonomic system with parametric modeling uncertainty [J], Systems & Control Letters, 1999, 38(3): 167-77.
[24] Liberzon D, Morse A S. Basic problems in stability and design of switched systems [J], IEEE Control Systems Magazine, 1999, 19(5): 59-70.
[25] Chen L, Narendra K S. Nonlinear adaptive control using neural networks and multiple models [J]. Automatica, 2001, 37(8):1245-1255.
[26] Hespanha J, Morse A S. Supervision of families of nonlinear controllers [A], In Proceeding of the 35th IEEE Conference on Decision and Control [C], Kobe, Japan, 1996: 3772-3773.
[27] Narendra K S, Balakrishnan J, Ciliz M K. Adaptation and learning using multiple models, switching and tuning
[J], IEEE Control System Magazine, 1995, 15(3): 37-51.
[28] Fu M Y, Barmish B R. Adaptive stabilization of linear systems via switching control [J], IEEE Transactions on Automatic Control, 1986, 31(12): 1097-1103.
[29] Fu M Y. Minimum switching control for adaptive tracking [A],In Proceeding of the 35th Conference on Decision and Control [C], Kobe, Japan, 1996: 3749-3754.
[30] Zhivoglyadov P V, Middleton R H, Fu M. Adaptive stabilization of uncertain discrete-time systems via switching control: the method of localization [A], In Adaptive Control Systems: Advanced Techniques For Practical Application [M], Feng G, Lozano R. eds, Oxford: Newnes, 1998.
[31] Zhivoglyadov P V, Middleton R H, Fu M Y. Localozation based switching adaptive control for time-varying discrete-time system [A], In Proceeding of the 36th IEEE Conference on Decision and Control [C], San Diego, 1997: 4151-4156.
[32] Zhivoglyadov P V, Middleton R H, Fu M. Localization based switching adaptive control for time-varying discrete-time systems [J], IEEE-Transactions on Automatic Control. 2000, 45(4): 752-755.
[33] Badr A, Binder Z, Hagras AN, Perret R. A multi-model tracking controller for distributed control systems [A]. In Proceeding of the 9th World Congress of IFAC [C]. Budapest, Hungary. 1984: 2823-2828.
[34] Aly G, Badr A, Binder Z. Multi-model control of MIMO systems: location and control algorithms [J], International Journal of Systems Science, 1988, 19(9): 1687-1698.
[35] Badr A, Binder Z, Rey D. Weighted multi-model control [J], International Journal of Systems Science, 1992, 23(1): 145-149.
[36] Badr A, Binder Z, Rey D. Application of tracking multimodel control to a nonlinear thermal process [J]. International Journal of Systems Science, 1990, 21(9): 1795-1803.
[37] Nagib G, Gharieb W, Binder Z. Qualitative multi-model control using a learning approach [J], International Journal of Systems Science, 1992, 23(6): 855-869.
[38] Badr A, Gharieb W, Binder Z. Multimodel variable structure control system [A], In Proceeding of the 30th Conference on Decision and Control [C], Brighton, UK, 1991: 2068-73.
[39] Bernhard E, Nazmul K M. Process identification with multiple neural networks models [J], International Journal of Control, 1999, 72(7): 576-590.
[40] Konstaintinov K B, Yoshida T. A knowledge-based pattern recognition approach for real-time diagnosis and control of fermentation processes as variable structure plants [J], IEEE Transaction on Systems, Man and Cybernetics, 1994, 24(4): 908-914.
[41] Pottmann M, Unbehauen H, Seborg D E. Application of a general multi-model approach for identification of highly nonlinear processes-a case study [J], International Journal of Control, 1993, 57(1): 97-120.
[42] Banerjee A, Arkum Y, Ogunnaike B, Pearson R. Estimation of nonlinear using linear multiple models [J], AICHE Journal Chemical Engineering Research and Development, 1997, 43(5): 1204-1225.
[43] Athans M, et al., The stochastic control of the F-8C aircraft using a multiple model adaptive control (MMAC) method part I: equilibrium flight [J], IEEE. Transaction on Automatic Control, 1977, 22(5): 768-780.
[44] Boskovic J D, Mehra R K. Stable multiple model adaptive flight control for accommodation of a large class control effector failures [A], In Proceeding of the 1999 American Control Conference [C], San Diego, California, 1999: 1920-1924.
[45] Wang J L, Zhang W Q. Neural-fuzzy scheduling of H infinity robust controllers for a high performance fighter aircraft under a Herbst-like manoeuvre [J], International Journal of Control, 1999, 72(7): 740-754.
[46] Mealy G L, Tang W. Application of multiple model estimation to a recursive terrain height correlation system [J], IEEE Transaction on Automatic Control, 1983, 28(3): 323-331.
[47] Lane D W, Maybeck P S. Multiple model adaptive estimation a lied to the lambda URV for failure detection and identification [A], In Proceeding of the 33rd Conference on Decision and Control [C], Lake Buena Vista FL, 1994: 678-683.
[48] Tzafestas S G. Intelligent Robotic Systems [M], NewYork: Marcel Dekker Inc., 1991.
[49] 王灝，毛宗源. 机器人的智能控制方法 [M]，北京:国防工业出版社，2002.
[50] Ciliz M K, Narendra K S. Multiple model based adaptive control of robotic manipulators [A], In Proceeding of the 33rd Conference on Decision and Control [C]. Lake Buena Vista, FL, 1994: 1305-1310.
[51] Ciliz M K, Narendra K S. Adaptive control of robotic manipulators using multiple models and switching [J], International Journal of Robotics Research, 1996, 15(6): 592-610.
[52] He W G, Kaufman H, Roy R. Multiple model adaptive control procedure for blood pressure control [J], IEEE Transactions on Biomedical Engineering, 1986, 33(1): 10-19.
[53] Martin J F, Schneider A M, Smith N T. Multiple-model adaptive control of blood pressure using sodium nitroprusside [J], IEEE Transactions on Biomedical Engineering, 1987, 34(8): 603-611.
[54 Yu C, Roy R J, Kaufman H, Bequette B W. Multiple-model adaptive predictive control of mean arterial pressure and cardiac output [J], IEEE Transactions on Biomedical Engineering, 1992, 39(8): 765-778.
自适应控制综述
自适应控制文献综述 卢宏伟 （华中科技大学控制科学与工程系信息与技术研究所 M200971940） 摘要：文中对自适应控制系统的发展、系统类型、控制器类型以及国内外自适应控制在工业和非工业领域的应用研究现状进行了较系统的总结。自适应控制成为一个专门的研究课题已超过50年了，至今，自适应控制已在很多领域获得成功应用，证明了其有效性。但也有其局限性和缺点，导致其推广应用至今仍受到限制，结合神经网络、模糊控制是自适应控制今后发展的方向。 关键字：自适应控制鲁棒性自适应控制器 1.自适应控制的发展概况 自适应控制系统首先由Draper和Li 在1951年提出，他们介绍了一种能使性能特性不确定的内燃机达到最优性能的控制系统。而自适应这一专门名词是1954年由Tsien在《工程控制论》一书中提出的，其后，1955年Benner 和Drenick也提出一个控制系统具有“自适应”的概念。 自适应控制发展的重要标志是在1958午Whitaker“及共同事设计了一种自适应飞机飞行控制系统。该系统利用参考模型期望特性和实际飞行特性之间的偏差去修改控制器的参数，使飞行达到最理想的特性，这种系统称为模型参考自适应控制系统(MRAC系统)。此后，此类系统因英国皇家军事科学院的Parks利用李稚普诺夫(Lyapunov)稳定性理论和法国Landau利用Popov 的超稳定性理论等设计方法而得到很大的发展，使之成为—种最基本的自适应控制系统。1974年，为了避免出现输出量的微分信号，美国的Monopli 提出了一种增广误差信号法，因而使输入输出信号设汁的自适应控制系统更加可靠地应用与实际工程中。 1960年Li和Wan Der Velde提出的自适应控制系统，他的控制回路中用一个极限环使参数不确定性得到自动补偿，这样的系统成为自振荡的自适应控制系统。 Petrov等人在1963年介绍了一种自适应控制系统，它的控制数如有一个开关函数或继电器产生，并以与参数值有关的系统轨线不变性原理为基础来设计系统，这种系统称为变结构系统。 1960到1961年Bellman和Fel`dbaum分别在美国和苏联应用动态规划原理设计具有随机不确定性的控制系统时，发现作为辨识信号和实际信号的控制输入之间存在对偶特性，因而提出对偶控制。 Astrom和Wittenmark对发展另一类重要的自适应控制系统，即自校正调节器(STR)作出了重要的贡献。这种调节器用微处理机很容易实现。这一有创见的工作得到各国学者普遍的重视，并且把发展各种新型的STR和探索新的应用工作推向新的高潮，使得以STR方法设计的自适应控制系统在数量上迢迢领先。在这些发展中以英国的Clarker和Gawthrop在1976年提出的广义最小方差自校正控制器最受重视。它克服了自校正调节器不能用于非最小相位系统等缺点。为了既保持自校正调节器实现简单的优点，又有拜较好的
模型参考自适应控制
10．自适应控制 严格地说，实际过程中的控制对象自身及能所处的环境都是十分复杂的，其参数会由于种种外部与内部的原因而发生变化。如，化学反应过程中的参数随环境温度和湿度的变化而变化（外部原因），化学反应速度随催化剂活性的衰减而变慢（内部原因），等等。如果实际控制对象客观存在着较强的不确定，那么，前面所述的一些基于确定性模型参数来设计控制系统的方法是不适用的。 所谓自适应控制是对于系统无法预知的变化，能自动地不断使系统保持所希望的状态。因此，一个自适应控制系统，应能在其运行过程中，通过不断地测取系统的输入、状态、输出或性能参数，逐渐地了解和掌握对象，然后根据所获得的过程信息，按一定的设计方法，作出控制决策去修正控制器的结构，参数或控制作用，以便在某种意义下，使控制效果达到最优或近似更优。目前比较成熟的自适应控制可分为两大类：模型参考自适应控制（Model Reference Adaptive Control）和自校正控制（Self-Turning）。 10.1模型参考自适应控制 10.1.1模型参考自适应控制原理 模型参考自适应控制系统的基本结构与图10.1所示：
10.1模型参考自适应控制系统 它由两个环路组成，由控制器和受控对象组成内环，这一部分称之为可调系统，由参考模型和自适应机构组成外环。实际上，该系统是在常规的反馈控制回路上再附加一个参考模型和控制器参数的自动调节回路而形成。 在该系统中，参考模型的输出或状态相当于给定一个动态性能指标，（通常，参考模型是一个响应比较好的模型），目标信号同时加在可调系统与参考模型上，通过比较受控对象与参考模型的输出或状态来得到两者之间的误差信息，按照一定的规律（自适应律）来修正控制器的参数（参数自适应）或产生一个辅助输入信号（信号综合自适应），从而使受控制对象的输出尽可能地跟随参考模型的输出。 在这个系统，当受控制对象由于外界或自身的原因系统的特性发生变化时，将导致受控对象输出与参考模型输出间误差的增大。于是，系统的自适应机构再次发生作用调整控制器的参数，使得受控对象的输出再一次趋近于参考模型的输出（即与理想的希望输出相一致）。这就是参考模型自适应控制的基本工作原理。 模型参考自适应控制设计的核心问题是怎样决定和综合自适应律，有两类方法，一类为参数最优化方法，即利用优化方法寻找一组控制器的最优参数，使与系统有关的某个评价目标，如：J=?t e2(t)dt，达到最小。另一类方法是基于稳 o 定性理论的方法，其基本思想是保证控制器参数自适应调节过程是稳定的。如基于Lyapunov稳定性理论的设计方法和基于Popov超稳定理论的方法。 系统设计举例 以下通过一个设计举例说明参数最优化设计方法的具体应用。 k，其中K可变，要例10.1设一受控系统的开环传递函数为W a(s)= s (+ )1 s
无模型自适应(MFA)控制
无模型自适应（MFA）控制 无模型自适应控制的概念和意义 无模型自适应控制系统应具有如下属性或特征： ? 无需过程的精确的定量知识； ?系统中不含过程辨识机制和辨识器； ?不需要针对某一过程进行控制器设计； ? 不需要复杂的人工控制器参数整定； ? 具有闭环系统稳定性分析和判据，确保系统的稳定性。 下面结合燃烧过程的控制详细讨论以下五个问题，阐述无模型自适应控制理论的精髓： 过程知识 大多数先进控制技术都需要对过程及其环境有较深的了解，一般用拉普拉斯变换或动态微分方程来描述过程动态特性。然而在过程控制领域，许多系统过于复杂，或者其内在规律难以了解，因此很难得到过程的定量知识，这通常称为“黑箱”问题。 在许多情况下，我们可能掌握了一些过程知识但是不知道这些知识是否精确。在包括燃烧控制的过程控制中，经常碰到进料的波动，燃料类型和热值的改变，下游需求不可预测的变化以及产品尺寸、配方、批次和负荷等频繁的切换。这些就导致一个问题：即无法确定所掌握的过程知识的精确程度。这种现象通常被叫做“灰箱”问题。 如果能掌握过程的大量知识，那就是一个“白箱”问题。在这种情况下，基于对过程的了解，利用成熟的控制方法及工具设计控制器就容易多了。 尽管无模型自适应控制器可以解决黑箱、灰箱和白箱问题，但更适用于灰箱问题，事实上大多数工业过程都是灰箱问题。 过程辨识 对于传统的自适应控制方法，如果不能获得过程的定量信息，一般需要采用某种辨识机制，以在线或离线的方式获得系统的动态特性。由此产成了以下一些难以解决的问题： ? 需要离线学习； ?辨识所需的不断的激励信号与系统平稳运行的矛盾； ?模型收敛和局部最小值问题； ? 系统稳定性问题。 基于辨识的控制方法不适用于过程控制的主要原因是控制和辨识是一对矛盾体。好的控制使系统处于一个稳定状态，这种情况下设定值（SP）、控制器输出（OP）和过程变量（PV）在趋势图中显示出来的都是直线。任何稳定系统都会达到另一个稳定状态，而其中的过程动态特性的变化却不能被察觉，因此通常需要施加激励信号来进行有效的过程辨识。然而，实际生产过程很难容许这样做。 MFA控制系统中没有辨识环节因此可以避免上述问题。一旦运行，MFA控制器就可立刻接管控制。MFA控制器中
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 Applications XXX (Department of Automation, Beijing University of Chemical Technology Beijing 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．
自适应控制的情况总结与仿真
先进控制技术大作业
自适应控制技术综述及仿真 1自适应控制系统综述 1.1自适应控制的发展背景 自适应控制器应当是这样一种控制器，它能够修正自己的特性以适应对象和扰动的动特性的变化。这种自适应控制方法应该做到：在系统运行中，依靠不断采集控制过程信息，确定被控对象的当前实际工作状态，优化性能准则，产生自适应控制规律，从而实时地调整控制器结构或参数，使系统始终自动地工作在最优或次最优的运行状态。自从50年代末期由美国麻省理工学院提出第一个自适应控制系统以来，先后出现过许多不同形式的自适应控制系统。模型参考自适应控制和自校正调节器是目前比较成熟的两类自适应控制系统 模型参考自适应控制系统发展的第一阶段(1958年～1966年)是基于局部参数最优化的设计方法。最初是使用性能指标极小化的方法设计MRAC，这个方法是由Whitaker等人于1958年在麻省理工学院首先提出来的，命名为MIT规则。接着Dressber，Price，Pearson等人也提出了不同的设计方法。这个方法的主要确点是不能确保所设计的自适应控制系统的全局渐进稳定；第二阶段(1966～1974年)是基于稳定性理论的设计方法。Butchart和Shachcloth、Parks、Phillipson等人首先提出用李亚普诺夫稳定性理论设计MRAC系统的方法。在选择最佳的李亚普诺夫函数时，Laudau采用了波波夫超稳定理论设计MRAC系统；第三阶段(1974-1980年)是理想情况(即满足假定条件)下MRAC系统趋于完善的过程。美国马萨诸塞大学的Monopoli提出一种增广误差信号法，当按雅可比稳定性理论设计自适应律时，利用这种方法就可以避免出现输出量的微分信号，而仅由系统的输入输出便可调整控制器参数；针对一个控制系统控制子系统S进行研究，通常现代控制理论把大型随机控制系统非线性微分方程组式简化成一个拥有已知的和具有规律变化性的系统数学模型。但在实际工程中，被控对象或过程的数学模型事先基本都难以仅采用简单的数学模型来确定，即使在某一特定条件下确定的数学模型，在条件改变了以后，其动态参数乃至于模型的结构仍然可能发生变化。为此，针对在大幅度简化后所形成的拥有已知的和预先规律变化性的系统数学模型，需要设计一种特殊的控制系统，它能够自动地补偿在模型阶次、参数和输入信号方面未知的变化，
自适应控制中PID控制方法
自适应PID 控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述: '()((),(),,) ()((),(),,)x t f x t u t t y t h x t u t t θθ== (1-1) 其中x(t),u(t),y(t)分别为n,p,m 维列向量。假设上述方程能线性化、离散化,并可得出在扰动与噪音影响下的方程: (1)(,)()(,)()()()(,)()() X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ (1-2) X(k),X(k),U(k),Y(k),V(k)分别为n,n,p,m,m 维列向量;(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。那么自适应控制就就是研究:在矩阵(,)k θΦ,(,)k ρθ,(,)H k θ中的参数向量,随机 {()k ω},{v(k)}的统计特性及随机向量X(0)的统计特性都未知的条件下的控制问题,也就就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下,设计控制序列u(0),u(1),…,u(N- 1),使得指定的性能指标尽可能接近最优与保持最优。 自适应控制就是现代控制的重要组成部分,它同一般反馈控制相比有如下突出特点: (l)一般反馈控制主要适用于确定性对象或事先确知的对象,而自适应控制主要研究不确定对象或事先难以确知的对象。
(2)一般反馈控制具有抗干扰作用,即它能够消除状态扰动引起的系统误差,而自适应控制因为有辨识对象与在线修改参数的能力,因而不仅能消除状态扰动引起的系统误差,还能消除系统结构扰动引起的系统误差。 (3)自适应控制就是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 1、1模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成。此系统的主要特点就是具有参考模型,其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种:局部参数最优法,如梯度算法等,该方法的局限性在于不一定能保证调节过程总就是稳定的;基于稳定性理论的设计方法,如Lyapunov稳定性理论与Popov超稳定性理论的设计方法。 1、2自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分。此控制器的主要特点就是具有在线测量及在线辨识环节,其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为:最小方差自校正控制,其特点就是算法简单、易理解、易实现,但只适用于最小相位系统,对靠近单位圆的零点过于灵敏,而且扰动方差过大时调节过程过于猛烈;广义最小方差自校正控制,可用于非逆稳系统,但难以实现;基于多步预测的自适应控制,适用于不稳定系统等,具有易实现、鲁棒性强的优点;自校正极点配置控制,具有动态性能好、无控制过激现象的特点,但静态干扰特性差;自校正PID控制,具有算法简单、鲁棒性强、待定参数少的特点;增益调度控制,优点就是参数适应快,缺点就是选择合适的列表需要大量的仿真实验,另外离线的计算量大。
侯忠生教授无模型自适应控制程序
%以下是侯忠生教授无模型自适应控制中的一个简单例子，在网上找了很多参考程序没找到，故而自己简单写了下，运行没问题，欢迎探讨。 clc,clear for k=1:1000 if k<=300 ys(k)=0.5*(-1)^round(k/100); elseif 300
基于特征模型的快速模糊自适应控制器的设计及应用
第 42 卷增刊 1 中南大学学报(自然科学版) V ol.42 Suppl. 1 2011 年 9 月 Journal of Central South University (Science and Technology) Sep. 2011 基于特征模型的快速模糊自适应控制器的设计及应用 邓建球 1, 2 ，张正霞 2 ，黎江 3 ，罗熊 3 (1. 清华大学 计算机科学与技术系, 北京，100084； 2. 海军航空工程学院，山东 烟台，264001； 3. 北京科技大学 计算机与通信工程学院, 北京，100083) 摘要：模糊动态特征建模是将特征建模与模糊逻辑相结合设计的一类智能建模方法，它既具有与特征建模类似的 工程化实际应用方便的特点，又能根据需求保证较高的控制精度。本文针对此类方法，从提高实际应用中的时间 性能出发，基于模糊动态特征建模方法的描述框架，通过有效划分模糊状态区域空间，缩减辨识参数取值的限制 范围，提高辨识算法的效率，提出了一类基于特征模型的快速模糊自适应控制器设计方法。仿真控制试验验证了 方法的有效性。 关键词：特征模型；模糊控制；参数辨识 中图分类号：TP273 文献标志码：A 文章编号：1672?7207(2011)S1?0085?05 Design for fast fuzzy adaptive controller based on characteristic model DENG Jian-qiu 1,2 , ZHANG Zheng-xia 2 , LI Jiang 3 , LUO Xiong 3 (1. Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China? 2.Naval Aeronautical Engineering Institute, Yantai264001, China? 3.School of Computer and Communication Engineering, University of Science and Technology, Beijing 100083, China) Abstract:Fuzzy dynamic characteristic modeling is an approach which combines fuzzy logic and characteristic modeling method. It is easy to be used in engineering field which is similar to characteristic modeling method. Meanwhile, it can ensure the control of high precision according to the practical demand. In order to improve the efficiency of identify algorithm, under the architecture of fuzzy dynamic characteristic modeling method, with the help of dividing fuzzy state space to reduce the range of identification parameters, a novel design method for fuzzy adaptive controller based on characteristic modeling is proposed. Simulation experiment verifies the effectiveness of the proposed method. Key words: characteristic model? fuzzy control? parameter identification 目前， 在智能自适应控制方法的实际工程应用中， 往往存在着需要人为调试或估计的参数个数较多、参 数估计收敛难以保证等问题。产生这一问题的一个主 要原因是现有建模和控制理论以精确动力学分析为基 础，建模与控制要求分开来考虑 [1] 。为克服这一困难， 国内学者提出了基于对象特征模型描述的智能自适应 控制方法， 结合对象动力学特征和控制性能要求建模， 而不是仅以对象精确的动力学分析来建模，它从工程 化建模角度出发，为智能控制器设计和一些高阶对象 进行PID等低阶控制器设计提供了理论依据，是目前 一种比较有前途的建模和控制方法 [1] 。不过，对于一 些复杂非线性系统，当使用特征建模方法处理整个系 统时，需要将原系统对应的高价模型的有关信息都压 缩到几个特定参量中，这对高维复杂系统来说有一定 收稿日期：2011?04?15；修回日期：2011?06?15 基金项目：国家自然科学基金资助项目(61004021，61074066) 通信作者：邓建球(1974?)， 男， 湖南常德人， 博士研究生， 从事计算机网络控制系统研究； 电话： 010-51537385； E-mail: djq06@https://www.360docs.net/doc/8b15576903.html,
PID自适应控制学习与Matlab仿真
PID自适应控制学习与Matlab仿真 0 引言 在P ID控制中，一个关键的问题便是P I D参数整定。传统的方法是在获取对象数学模型的基础上，根据某一整定原则来确定PID参数。然而实际的工业过程往往难以用简单的一阶或二阶系统来描述，且由于噪声、负载扰动等因素的干扰，还可以引起对象模型参数的变化甚至模型结构的政变。这就要求在P I D 控制中。不仅PID参数的整定不依赖于对象数学模型，而PID参数能在线阐整，以满足实时控制的要求。 1 自适应控制的概念及分类 控制系统在设计和实现中普通存在着不确定性，主要表现在：①系统数学模型与实际系统间总是存在着差别，即所谓系统具有末建模的动态特性；②系统本身结构和参数是未知的或时变的；③作用在系统上的扰动往往是随机的，且不可量测；④系统运行中，控制对象的特性随时间或工作环境改变而变化，且变化规律往往难以事先知晓。 为了解决控制对象参数在大范围变化时，一般反馈控制、一般优控制和采用经典校正方法不能解决的控制问题。参照在日常生活中生物能够遏过自觉调整本身参数改变自己的习性，以适应新的环境特性。为此，提出自适应控制思想。 自适应控制的概念 所谓自适应控制是指对于控制对象的动态信息了解得不够充分对周围环境变化尚掌握不够明确的情况下控制系统对控制器的参数进行积极的自动调节。 自适应控制方法应该做到：在系统远行中，依靠不断采集控制过程信息，确定被控对象的当前实际工作状态，优化性能准则，产生自适应控制规律，从而实时地调整控制器结构或参数，使系统始终自动地工作在最优或次最优的运行状态下。 作为较完善的自适应控制应该具有以下三方面功能： (1)系统本身可以不断地检测和处理理信息，了解系统当前状态。 (2)进行性能准则优化，产生自适应校制规律。 (3)调整可调环节(控制器)，使整个系统始终自动运行在最优或次最优工作状态。 自适应控制是现代控制的重要组成部分，它同一般反馈控制相比较有如下突出特点： (1) 一般反馈控制主要适用于确定性对象或事先确知的对象，而自适应控制主要研究不确定对象或事先难以确知的对象。 (2) 一般反馈控制具有强烈抗干扰能力，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而能消除状态扰动引起的系统误差，而且还能消除系统结构扰动引起的系统误差。 (3) 一般反馈控制系统的设计必须事先掌握描述系统特性的数学模型及其环境变化状况，而自适应控制系统设计则很少依赖数学模型全部，仅需要较少的验前知识，但必须设计一套自适应算法，因而将更多地依靠计算机技术实现。 (4) 自适应控制是更复杂的反馈控制，它在一般反调控制的基础上增加了自适应控制机构或辨识器，还附加一个可调系统。 自适应控制系统的基本结构与分类 通常，自适应控制系统的基本结构有两种形式，即前馈自适应控制和反馈自适应控制。 1.2.1 前馈自适应控制结构 前馈自适应控制亦称开环自适应控制，它借助对作用于过程信号的测量。并通过自适应机构按照这些测量信号改变控制器的状态，从而达到改变系统特性的目的。没有“内”闭
模型参考自适应控制
第九章 模型参考自适应控制（Model Reference Adaptive Control ）简称MRAC 介绍另一类比较成功的自适应控制系统，已有较完整的设计理论和丰富的应用成果（驾驶仪、航天、电传动、核反应堆等等）。 §9 —１MRAC 的基本概念 系统包含一个参考模型，模型动态表征了对系统动态性能的理想要求，MRAC 力求使被控系统的动态响应与模型的响应相一致。与STR 不同之处是MRAC 没有明显的辨识部分，而是通过与参考模型的比较，察觉被控对象特性的变化，具有跟踪迅速的突出优点。 设参考模型的方程为 式(9-1-1) 式(9-1-2) 被控系统的方程为 式(9-1-3) 式(9-1-4) 两者动态响应的比较结果称为广义误差,定义输出广义误差为 e = y m – y s 式(9-1-5)； X A X Br y CX m m m m m ? =+= X A B r y CX S S S S S ? =+=
状态广义误差为 ε = X m – X s 式(9-1-6)。 自适应控制的目标是使得某个与广义误差有关的自适应控制性能指标J 达到最小。J 可有不同的定义，例如单输出系统的 式 (9-1-7) 或多输出系统的 式(9-1-8) MRAC 的设计方法目的是得出自适应控制率，即沟通广义误差与被控系统可调参数间关系的算式。有两类设计方法：一类是“局部参数最优化设计方法”，目标是使得性能指标J 达到最优化；另一类是使得自适应控制系统能够确保稳定工作，称之为“稳定性理论的设计方法。 §9 —2 局部参数最优化的设计方法 一、利用梯度法的局部参数最优化的设计方法 这里要用到非线性规划最优化算法中的一种最简单的方法—— J e d t = ?20 ()ττ J e e d T t = ?()()τττ
模型参考自适应控制—MIT法
一 原理及方法 模型参考自适应系统，是用理想模型代表过程期望的动态特征，可使被控系统的特征与理想模型相一致。一般模型参考自适应控制系统的结构如图1所示。 图1 一般的模型参考自适应控制系统 其工作原理为，当外界条件发生变化或出现干扰时，被控对象的特征也会产生相应的变化，通过检测出实际系统与理想模型之间的误差，由自适应机构对可调系统的参数进行调整，补偿外界环境或其他干扰对系统的影响，逐步使性能指标达到最小值。 基于这种结构的模型参考自适应控制有很多种方案，其中由麻省理工学院科研人员首先利用局部参数最优化方法设计出世界上第一个真正意义上的自适应控制律，简称为MIT 自适应控制，其结构如图2所示。 图2 MIT 控制结构图 系统中，理想模型Km 为常数，由期望动态特性所得，被控系统中的增益Kp 在外界环境发生变化或有其他干扰出现时可能会受到影响而产生变化，从而使其动态特征发生偏离。而Kp 的变化是不可测量的，但这种特性的变化会体现在广义误差e 上，为了消除或降低由于Kp 的变化造成的影响，在系统中增加一个可调增益Kc ，来补偿Kp 的变化，自适应机构的任务即是依据误差最小指标及时调整Kc ，使得Kc 与Kp 的乘积始终与理想的Km 一致，这里使用的优化方法为最优梯度法，自适应律为： ??+=t m d y e B Kc t Kc 0)0()(τ Yp Ym e +__ + R 参考模型 调节器被控对象 适应机构 可调系统 ———kmq(s) p(s) Kc Kp q(s)-----p(s)适应律 R ym yp e +-
MIT 方法的优点在于理论简单，实施方便，动态过程总偏差小，偏差消除的速率快，而且用模拟元件就可以实现；缺点是不能保证过程的稳定性，换言之，被控对象可能会发散。 二 对象及参考模型 该实验中我们使用的对象为： 1 22) ()()(2 ++= =s s s p s q K s G p p 参考模型为： 1 21) ()()(2 ++= =s s s p s q K s G m m 用局部参数最优化方法设计一个模型参考自适应系统，设可调增益的初值Kc(0)=0.2，给定值r(t)为单位阶跃信号，即r(t)=A ×1(t)。A 取1。 三 自适应过程 将对象及参考模型离散化，采样时间取0.1s ，进而可得对象及参考模型的差分方程分别为： )2(0044.0)1(0047.0)2(8187.0)1(8079.1)(-+-+---=k r k r k y k y k y m )2(0088.0)1(0094.0)2(8187.0)1(8097.1)(-+-+---=k u k u k y k y k y p p p 其中u 为经过可调增益控制器后的信号。编程进行仿真，经大量实验发现，取修正常数B 为0.3，可得较好的动态过度过程，如下图3所示：
无模型自适应技术MFA中文版(非常好的学习资料)
无模型自适应（MFA）控制技术 摘 要 MFA… 关键字：无模型自适应控制MFA …
目 录 无模型自适应（MFA）控制技术 (1) 单回路MFA控制系统 (1) MFA控制器结构 (2) SISO MFA控制算法 (3) MFA与PID (4) MFA控制系统的要求 (4) SISO MFA控制器设置 (5) 非线性MFA控制器（Nonlinear MFA） (5) 非线性MFA控制器设置 (6) MFA pH控制器（MFA pH） (6) MFA pH控制器设置 (7) 前馈MFA控制器（Feedforward MFA） (8) 前馈MFA控制器设置 (8) 抗滞后MFA控制器（Anti-delay MFA） (9) 鲁棒MFA控制器（Robust MFA） (10) 鲁棒MFA控制器设置 (11) 时变MFA控制器（Time-varying MFA） (12) 时变MFA控制器设置 (12) 抗滞后MFA pH控制器（Anti-delay MFA pH） (13) 多变量MFA控制器（MIMO MFA） (13) 两输入两输出MFA控制系统 (13) 2×2MFA控制器参数 (14) MIMO MFA控制器应用指南 (15) MFA控制方法论 (15) 总结 (16) 简易的解决方案 (16) 利用所有的过程信息 (16) 不依赖于信息的精确程度 (16) 将合适的技术应用于相应的场合 (16) 参考文献 (17)
无模型自适应（MFA）控制技术 无模型自适应（MFA）控制技术，顾名思义，是一种无需建立过程模型的一种自适应控制方法。MFA控制系统具有以下五点属性： 1. 不依赖于精确的过程知识； 2. 系统不含过程辨识机制； 3. 对一实际过程无需进行控制器设计； 4. 没有复杂的控制器参数整定过程； 5. 有稳定性分析和判据，保证闭环系统稳定。[1-3] 基于MFA核心控制技术，针对特殊的控制问题，设计了多种MFA控制器：[4-14] 标准MFA控制器（SISO MFA）－取代PID，免去了复杂的控制器参数整定； 非线性MFA控制器（Nonlinear MFA）－控制极端非线性过程； MFA pH控制器－控制pH过程； 前馈MFA控制器（Feedforward MFA）－抑制可测的扰动； 抗滞后MFA控制器（Anti-delay MFA）－控制大滞后过程； 鲁棒MFA控制器（Robust MFA）－迫使过程变量维持在预定的范围； 时变MFA控制器（Time-varying MFA）－控制大惯性、滞后时间不确定的过程； 抗滞后MFA pH控制器（Anti-delay MFA pH）－控制大滞后的pH过程； MIMO MFA控制器（多变量MFA）－控制多变量过程。 MFA控制器能很方便地嵌入于各种设备，并且越来越多的平台已经能提供这些先进的控制器，包括楼宇控制器、单回路控制器、可编程逻辑控制器（PLC）、混合式控制器、过程自动控制器（PAC），以及控制软件和集散控制系统（DCS）等。 单回路MFA控制系统 如图1所示，单回路MFA控制系统包括一个单输入单输出（SISO）过程，一个SISO MFA控制器和一个反馈回路。MFA控制器的控制目标是通过产生合理的控制作用()t u，()t y 迫使过程变量在设定值变化，存在扰动和过程动态特性改变的情况下仍然能跟踪设
无模型自适应控制
这种新的自适应控制技术用来应付各种控制的挑战PID 回路控制着大部分工业装置中的自动化过程。比例-积分-微分算法简单、可靠，50年来被广泛用于成千上万个控制回路。 然而，并不是所有工业过程都可以用PID回路来控制。例如，多变量、非线性和时变等过程都需要用更先进的控制技术。曾几何时，这些技术只出现在学术界的实验室和航天领域，价廉物美的计算机平台的出现使得那些晦涩难解的算法接近了工业用户。 一 自适应控制就是这样的例子。早在1970年代，学术界和工业界的研究人员一直在研究能够自己学习和适应被控过程特性渐变的反馈控制器。 诚然，就迫使过程的输出调整到操作人员所需要的值来讲，所有的过程控制器都是‘自适应的’。然而大多数控制器是根据控制器开始工作之前由操作人员设计（至少是调整）好的算法运行的。操作员会定期地调整常规控制器的参数，在一般情况下，只有在控制器性能由于某种原因恶化后才由人工进行这种调整。真正的自适应控制器，即使过程的特性发生了变化，也能够在运行中自己调整参数以保持其最佳性能。这相当于自动改变控制器的整个策略以适应过程新的特性。例如，一个原先调好用于控制迟缓过程的自适应控制器，当它发现过程对控制作用的响应变得敏感时，就会采用比较保守的整定参数。而固定参数的常规控制器则会继续过度地控制该过程，造成过程的输出严重振荡。 自适应控制器的形式大小各异，也许最常见的是能够自己产生整定参数的自整定PID。1980年代推出的那些按指令或可连续整定PID参数的方法在单回路控制器中到处可见。许多自整定控制器采用专家系统来解决自身P、I、D参数的刷新问题。它们试图仿效控制专家的思维过程，按照一组旨在改善回路闭环性能的、复杂的经验规则来整定参数。当被控过程比较简单并且可以预测时，这种方法很奏效。许多专家自整定控制器都假设过程的动态特性可以完全用增益、滞后时间和时间常数加以量化。控制器无需知道这三个参数的值，但它假定控制器提供的过程输入与由此而生的过程输出之间的关系不受任何其它过程动态特性的影响。 当过程的动态特性变得复杂时问题就会出现。专家系统的规则可能会产生虚假的结果，因为它们并没有收录对付更复杂过程的经验。 在投运新回路时，专家自整定控制器会经历一段痛苦的历程。它们的规则一般被设计成用于处理过程动态特性的逐渐变化或用于校正已有的整定参数。在启用控制器时，一般需人工设定一组控制器的初始参数。 基于模型的自适应控制提供了比专家系统启发式逼近更为精确的控制算法。其控制决策建立在对过程的经验模型上，把输入输出的关系量化为一个微分方程。在连续控制过程的同时，它也能根据最新的输入输出数据提炼模型。 假定最新的模型可以保持到不久的将来，控制器就可以预测未来的过程变化并决定采取何种控制作用拨正其运行方向。考虑到意外因素或时变系统会影响控制作用的未来结果，控制器必须不断地更新自己的过程模型。 据本人的经验，这种方法比起基于规则的控制器，可以适应更广范的过程动态特性。基于模型的自适应控制器可以利用各种已开发出来的整定公式将模型参数转化成控制器参数，如P、I、D值。事实上，我推测这就是在线建模如此受宠
无模型自适应动态规划及其在多智能体协同控制中的应用
无模型自适应动态规划及其在多智能体协同控制中的应用 智能控制系统通过模拟人类获取知识的学习过程,可以有效弥补传统控制理论的不足,并且为克服复杂工业过程的技术难题提供新思路。自适应动态规划方法融合了神经网络、强化学习、自适应评价设计等思想,在应用于求解复杂系统的最优控制问题时可以避免动态规划算法中“维数灾难”问题。本文在自适应动态规划理论的基础研究上,对学习算法的收敛性和闭环系统的稳定性进行了深入探讨,并将 自适应动态规划应用于分布式多智能体协同控制。本文的主要工作如下:(1)借鉴优化问题的迭代寻优算法,将连续时间动态系统的最优控制问题描述为三个子问题,在此基础上提出了基于汉密尔顿泛函的理论框架。该理论框架从几何角度给出了最优控制问题迭代求解算法收敛的充要条件。最后利用李雅普诺夫理论证明了在该理论框架下闭环系统的稳定性。(2)针对离散时间动态系统的鲁棒控制问题,首先将该问题转化为辅助标称系统的最优控制问题,并从理论上给出了这种问题转化等价性的充分条件。然后仅利用系统在线运行数据,提出了一种基于数据的无模型自适应动态规划算法,解决了最优控制问题的求解依赖系统模型这一约束。同时也给出了无模型自适应动态规划算法收敛性和闭环系统稳定性证明。(3)针对领航者带有未知控制输入的异构多智能体系统输出同步控制问题,提出了无模型自适应动态规划,解决了目前已有方法对系统模型的依赖,设计了分布式输出同步控制律。此外,已有的多智能体输出同步控制律设计仅考虑了输出同步误差的渐近稳定性,本文提出的无模型自适应动态规划方法考虑了输出
同步误差的暂态性能,因而保证了该分布式输出同步控制律的最优性。 (4)针对具有多个领航者的异构多智能体系统的包含控制问题,利用 无模型自适应动态规划,设计了完全分布式的最优包含控制律。目前 已有的分布式控制律设计大多依赖于多智能体系统的全局拉普拉斯 矩阵特征值信息,而本文提出的分布式最优包含控制律设计解决了这 一问题,从而实现了真正意义上的完全分布式。最终给出了该算法的 收敛性和稳定性分析。
自适应控制的分类_自适应控制的主要类型
自适应控制的分类_自适应控制的主要类型 什么是自适应控制1、自适应控制所讨论的对象，一般是指对象的结构已知，仅仅是参数未知，而且采用的控制方法仍是基于数学模型的方法。 2、但实践中我们还会遇到结构和参数都未知的对象，比如一些运行机理特别复杂，目前尚未被人们充分理解的对象，不可能建立有效的数学模型，因而无法沿用基于数学模型的方法解决其控制问题，这时需要借助人工智能学科，也就是智能控制。 3、自适应控制与常规的控制与最优控制一样，是一种基于数学模型的控制方法。 4、自适应控制所依据的关于模型的和扰动的先验知识比较少，需要在系统的运行过程中不断提取有关模型的信息，使模型愈来愈准确。 5、常规的反馈控制具有一定的鲁棒性，但是由于控制器参数是固定的，当不确定性很大时，系统的性能会大幅下降，甚至失稳。 自适应控制的原理框图 自适应控制的分类自从50年代末由美国麻省理工学院提出第一个自适应控制系统以来，先后出现过许多不同形式的自适应控制系统。比较成熟的自适应控制系统有下述几大类。（1）可变增益自适应控制系统 这类自适应控制系统结构简单，响应迅速，在许多方面都有应用。其结构如图1所示，调节器按被控过程的参数的变化规律进行设计，也就是当被控对象（或控制过程）的参数因工作状态或环境情况的变化而变化时，通过能够测量到的某些变量，经过计算而按规定的程序来改变调节器的增益，以使系统保持较好的运行性能。另外在某些具有非线性校正装置和变结构系统中，由于调节器本身对系统参数变化不灵敏。采用此种自适应控制方案往往能去的较满意的效果。 （2）模型参考自适应控制系统（Model Reference Adaptive System，简称MRAS） 模型参考自适应控制系统由以下几部分组成，即参考模型、被控对象、反馈控制器和调整控制器参数的自适应机构等部分组成，如图2所示
自适应控制中PID控制方法
自适应控制中P I D控 制方法 -CAL-FENGHAI.-(YICAI)-Company One1
自适应PID 控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述: '()((),(),,) ()((),(),,)x t f x t u t t y t h x t u t t θθ== （1-1） 其中x(t)，u(t)，y(t)分别为n,p,m 维列向量。假设上述方程能线性化、离散化,并可得出在扰动和噪音影响下的方程: (1)(,)()(,)()()()(,)()() X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ （1-2） X(k)，X(k)，U(k)，Y(k)，V(k)分别为n ，n ，p ，m ，m 维列向量；(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。那么自适应控制就是研究:在矩阵(,)k θΦ，(,)k ρθ，(,)H k θ中的参数向量，随机{()k ω},{v(k)}的统计特性及随机向量X(0)的统计特性都未知的条件下的控制问题，也就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下，设计控制序列u(0)，u(1)，…，u(N- 1)，使得指定的性能指标尽可能接近最优和保持最优。 自适应控制是现代控制的重要组成部分，它同一般反馈控制相比有如下突出特点： (l)一般反馈控制主要适用于确定性对象或事先确知的对象,而自适应控制主要研究不确定对象或事先难以确知的对象。
(2)一般反馈控制具有抗干扰作用，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而不仅能消除状态扰动引起的系统误差，还能消除系统结构扰动引起的系统误差。 (3)自适应控制是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成。此系统的主要特点是具有参考模型，其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种：局部参数最优法,如梯度算法等，该方法的局限性在于不一定能保证调节过程总是稳定的；基于稳定性理论的设计方法，如Lyapunov稳定性理论和Popov超稳定性理论的设计方法。 自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分。此控制器的主要特点是具有在线测量及在线辨识环节，其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为：最小方差自校正控制，其特点是算法简单、易理解、易实现，但只适用于最小相位系统，对靠近单位圆的零点过于灵敏，而且扰动方差过大时调节过程过于猛烈；广义最小方差自校正控制，可用于非逆稳系统，但难以实现；基于多步预测的自适应控制，适用于不稳定系统等，具有易实现、鲁棒性强的优点；自校正极点配置控制，具有动态性能好、无控制过激现象的特点，但静态干扰特性差；自校正PID控制，具有算法简单、鲁棒性强、待定参数少的特点；增益调度控制，优点是参数适应快，缺点是选择合适的列表需要大量的仿真实验，另外离线的计算量大。