数据驱动的非线性系统扰动观测器及自学习控制方法
发布时间：2021-01-03 17:01
本论文针对实际控制过程中遇到的外部扰动、随机测量噪声、初始条件变化等问题,提出了一系列迭代学习观测器和基于观测器的数据驱动迭代学习控制方案,讨论和分析了所提出方法的稳定性,给出了严格的数学证明与仿真验证。论文的主要创新点总结如下:第一,在数据驱动设计和分析的框架下,针对具有非重复外部扰动的线性系统,为了达到对扰动进行估计的目的,设计了两种基于数据驱动的迭代学习扰动观测器（ILADOB）,即,针对状态可测系统的基于状态的ILADOB和针对状态不可测系统的基于输出的ILADOB方法。所提出的两种方法都是在有限时间间隔内沿着迭代方向进行估计的,可以利用以前迭代操作中的系统数据对扰动进行估计。所得结果进一步扩展到了非线性非仿射系统。理论分析和仿真结果都证明了两种迭代学习扰动观测器的有效性和适用性。第二,针对带有非重复外部扰动的可重复非线性非仿射系统,提出了基于扰动观测器的数据驱动迭代学习控制方法,以提高控制器在非重复扰动影响下的控制效果。通过引入迭代学习扰动观测器对外部扰动引起的系统总扰动进行估计,并作为补偿用于迭代学习控制器中。从而,所提出的方法能够有效的减少非重复扰动对系统的影响,提高系统...
【文章来源】：青岛科技大学山东省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
系统状态的估计性能Figure2-1Theestimationperformanceofsystemstates
数据驱动的非线性系统扰动观测器及自学习控制方法20图2-2状态估计误差的收敛性Figure2-2Theconvergenceofstateestimationerror为了进行比较，应用了针对非重复线性系统的传统基于状态扰动观测器[30]，d(t)=Kx(t)z(t)(1)()((())()()()())nzt+=zt+KAtIxt+Btut+dt其中，A(t)和B(t)为系统状态转移矩阵，1diag{,...,}nK=KK，1,1,2,,iK<i=n。传统基于状态扰动观测器与所提出方法的区别在于所提出的方法可以通过使用之前迭代的数据来增强对扰动的估计效果。选择与所提出基于状态的ILADOB相同的参数K=diag{0.9,0.7}。沿时间轴的状态估计误差的绝对值如图2-3至2-4所示。图2-3至2-4表示基于状态的ILADOB与传统DOB估计误差的对比，x轴表示时间常数，黑色虚线表示传统DOB的估计误差，蓝色“+”虚线、绿色“o”虚线、紫色“*”虚线、红色“x”虚线分别表示基于状态的ILADOB在第15、30、45、80次迭代的估计误差。可以看出，传统DOB在迭代过程中没有学习能力，并且状态估计误差的分布在迭代过程之间保持不变。另外，所提出的基于状态的ILADOB方法可以从以前的迭代中的I/O数据中学习，并且状态估计误差会随着迭代次数的增加而减少。当系统状态不可测时，使用基于输出的ILADOB(2-8a)-(2-8e)。选择参数1η=1，1μ=1，Γ=diag{0.1,0.3}，=V[11]，K=diag{0.9,0.7}，nM=I。系统输出的估计性能和最大输出估计误差分别如图2-5和2-6所示。
青岛科技大学研究生学位论文21图2-3状态估计误差1xe的收敛性Figure2-3Theprofileofstateestimationerror1xe图2-4状态估计误差2xe的收敛性Figure2-4Theprofileofstateestimationerror2xe图2-5展示了在第4、10、30、80次迭代基于输出的ILADOB的输出估计曲线，x轴表示时间常数，黑色“+”实线和蓝色“*”实线表示实际系统输出，红色“o”虚线和紫色“x”虚线表示系统输出的估计，随着迭代次数的增加，估计效果越来越好。图2-6表示每次迭代最大估计误差曲线，x轴表示迭代次数，可以看出，随着迭代次数的增加，基于输出的ILADOB的估计误差越来越小，显然，基于输出
【参考文献】：
期刊论文
[1]Observer-based Iterative and Repetitive Learning Control for a Class of Nonlinear Systems[J]. Sheng Zhu,Xuejie Wang,Hong Liu. IEEE/CAA Journal of Automatica Sinica. 2018(05)
[2]非线性时变系统开闭环P型迭代学习控制的收敛性[J]. 皮道映,孙优贤. 自动化学报. 1999(03)
[3]非线性系统的PD型迭代学习控制[J]. 孙明轩,黄宝健,张学智. 自动化学报. 1998(05)
本文编号：2955169
【文章来源】：青岛科技大学山东省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
系统状态的估计性能Figure2-1Theestimationperformanceofsystemstates
数据驱动的非线性系统扰动观测器及自学习控制方法20图2-2状态估计误差的收敛性Figure2-2Theconvergenceofstateestimationerror为了进行比较，应用了针对非重复线性系统的传统基于状态扰动观测器[30]，d(t)=Kx(t)z(t)(1)()((())()()()())nzt+=zt+KAtIxt+Btut+dt其中，A(t)和B(t)为系统状态转移矩阵，1diag{,...,}nK=KK，1,1,2,,iK<i=n。传统基于状态扰动观测器与所提出方法的区别在于所提出的方法可以通过使用之前迭代的数据来增强对扰动的估计效果。选择与所提出基于状态的ILADOB相同的参数K=diag{0.9,0.7}。沿时间轴的状态估计误差的绝对值如图2-3至2-4所示。图2-3至2-4表示基于状态的ILADOB与传统DOB估计误差的对比，x轴表示时间常数，黑色虚线表示传统DOB的估计误差，蓝色“+”虚线、绿色“o”虚线、紫色“*”虚线、红色“x”虚线分别表示基于状态的ILADOB在第15、30、45、80次迭代的估计误差。可以看出，传统DOB在迭代过程中没有学习能力，并且状态估计误差的分布在迭代过程之间保持不变。另外，所提出的基于状态的ILADOB方法可以从以前的迭代中的I/O数据中学习，并且状态估计误差会随着迭代次数的增加而减少。当系统状态不可测时，使用基于输出的ILADOB(2-8a)-(2-8e)。选择参数1η=1，1μ=1，Γ=diag{0.1,0.3}，=V[11]，K=diag{0.9,0.7}，nM=I。系统输出的估计性能和最大输出估计误差分别如图2-5和2-6所示。
青岛科技大学研究生学位论文21图2-3状态估计误差1xe的收敛性Figure2-3Theprofileofstateestimationerror1xe图2-4状态估计误差2xe的收敛性Figure2-4Theprofileofstateestimationerror2xe图2-5展示了在第4、10、30、80次迭代基于输出的ILADOB的输出估计曲线，x轴表示时间常数，黑色“+”实线和蓝色“*”实线表示实际系统输出，红色“o”虚线和紫色“x”虚线表示系统输出的估计，随着迭代次数的增加，估计效果越来越好。图2-6表示每次迭代最大估计误差曲线，x轴表示迭代次数，可以看出，随着迭代次数的增加，基于输出的ILADOB的估计误差越来越小，显然，基于输出
【参考文献】：
期刊论文
[1]Observer-based Iterative and Repetitive Learning Control for a Class of Nonlinear Systems[J]. Sheng Zhu,Xuejie Wang,Hong Liu. IEEE/CAA Journal of Automatica Sinica. 2018(05)
[2]非线性时变系统开闭环P型迭代学习控制的收敛性[J]. 皮道映,孙优贤. 自动化学报. 1999(03)
[3]非线性系统的PD型迭代学习控制[J]. 孙明轩,黄宝健,张学智. 自动化学报. 1998(05)
本文编号：2955169
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2955169.html
