（控制理论与控制工程专业论文）基于闭环系统响应特征的自适应控制.pdf

摘要 时变或不确定性系统的控制一直是控制领域的难题，因此自适应控制的研究具有很 高的理论价值和现实意义。经过近半个世纪的发展，各种自适应控制方法在理论上已经 得到了广泛的研究。但是应用在实际中的却只有多模型自适应控制和增益调度自适应控 制等开环自适应控制方法，一些闭环自适应控制方法如极点配置自适应、模型参考自适 应控制由于其过分依赖精确的对象模型，始终没有在实际中得到广泛应用。因此只有基 于近似的对象模型或完全不依赖于对象模型的自适应控制方法才有可能被应用到实际 中。 本论文提出了一种基于闭环系统响应特征的自适应控制方法。主要研究内容包括闭 环系统特征的提取和基于特征的整定方法。主要研究成果概括为以下几点： ( 1 ) 针对现有的自适应控制方法过分依赖精确的对象模型的问题，提出了一种基 于闭环系统响应特征的自适应控制方法。与经典的自适应控制方法相比，该方法不需要 知道对象的结构或结构参数，更不需要知道对象的精确模型。同时不仅能够自适应控制 参数时变的对象，而且能够自适应控制结构时变的对象。 ( 2 ) 提出了通过辨识闭环系统的通用模型来提取闭环系统的响应特征。本文辨识 的目的并非是要辨识精确的闭环系统模型，而是通过辨识来提取闭环系统的响应特征。 根据根轨迹理论可知，反馈作用使得闭环系统的极点分离为主导极点和非主导极点。因 此闭环系统的响应特征主要是由主导极点的数量和位置所决定的，所以本文根据主导极 点的数量来确定闭环系统模型的结构。通过理论分析和仿真得出：对于各种阶跃响应为 s 型或j 型的对象与p i d 控制器组成的闭环系统，都可以利用三阶模型来识别其响应特 征，因此三阶模型被称为通用模型。 ( 3 ) 利用提取到的闭环系统特征，提出了基于神经网络的自适应控制方法。首先 利用神经网络拟合了闭环系统特征与对象参数变化率之间的函数关系，从而实现了基于 特征量的自适应控制。为了扩展神经网络的适用范围，提出了用多个典型对象的样本来 训练神经网络的方法。在与其他自适应控制方法的对比中发现：本文提出的方法使用简 单、无需对象模型、适用范围较广且易于改进。对于无法建立准确的对象模型，或对象 的结构发生时变的情况，使用本文提出的方法效果较好。 ( 4 ) 提出了基于整定规则的自适应控制。利用专家经验和遗传规划分别实现了比 例系数和积分时间常数的整定规则，该规则不仅简单，而且具有很强的通用性。通过比 较神经网络与整定规则这两种整定方法可知：神经网络在精度方面要优于整定规则，而 整定规则在泛化能力上要强于神经网络。最后还针对样本更加复杂的p i 控制系统，提 出了参数时变的整定规则。 ( 5 ) 提出了时变积分对象的自适应p i p 控制。通过分析现有的针对积分对象的p i d 控制器设计方法，指出现有的p i d 控制器设计方法大都只是片面的强调了在某个方面的 优越性，并没有完整的考虑到实际中存在的各种问题。对此提出了p i p 的控制结构，与 其他的p i d 控制结构相比，当系统中存在定值输入、负载干扰和噪声的情况下，p ip 控 制器能够得到较好的综合品质。同时仍然可以利用三阶通用模型来识别积分对象闭环系 统的响应特征，并利用整定规则实现了参数或结构时变的积分对象的自适应控制。 器 关键词：自适应控制，响应特征识别，神经网络，基于规则，积分对象，p i d 控制 a b s t r a c t p r o c e s s e sw h i c ha r eu n c e r t a i na n dn o n l i n e a ra r ea l w a y sd i 伍c u l tt ob ec o n t r o l l e d , a n d t h e r e f o r er e s e a r c ho fa d a p t i v ec o n t r o li so fi m p o r t a n tt h e o r e t i c a lv a l u ea n dr e a l i s t i c s i g n i f i c a n c e d u r y i n gl a s t5 0y e a r s ，a l lk i n d so fa d a p t i v ec o n t r o lm e t h o d sh a v eb e e n e x t e n s i v e l ys t u d i e dt h e o r e t i c a l l y b u to n l ys e v e r a lo p e n - l o o pa d a p t i v ec o n t r o lm e t h o d s s u c ha s m u l t i p l em o d e la d a p t i v ec o n t r o la n dg a i ns c h e d u l i n ga d a p t i v ec o n t r o lm e t h o d sh a v eb e e n a p p l i e dt op r o c e s sc o n t r 0 1 h o w e v e r , c l o s e d - l o o pa d a p t i v ec o n t r o lm e t h o d ss u c ha sp o l e p l a c e m e ma d a p t i v ec o n t r o la n dm o d e lr e f e r e n c ea d a p t i v ec o n t r o ld o n ta l w a y sb eu s e di n p r o c e s sc o n t r o l ，b e c a u s et h e s em e t h o d sr e l yh e a v i l yo na c c u r a t ep r o c e s sm o d e l s ot h e a d a p t i v ec o n t r o lm e t h o d sw h i c ha r ed e p e n d e n to na p p r o x i m a t i o np r o c e s sm o d e lo rd o n tn e e d p r o c e s sm o d e lm a y b ea p p l i e dt op r o c e s sc o n t r 0 1 a na d a p t i v ec o n t r o lm e t h o db a s e do nr e s p o n s ef e a t u r e so fc l o s e d - l o o ps y s t e mi s p r o p o s e di nt h i st h e s i s t h em a i n w o r ki n c l u d eh o w t oe x t r a c tf e a t u r e so fc l o s e d l o o ps y s t e m a n dh o wt oa d j u s tc o n t r o l l e rb a s e do nf e a t u r e s t h em a i nc o n t r i b u t i o n so ft h i st h e s i sa s u m m a r i z e da sf o l l o w i n g ： ( 1 ) b e c a u s ee ) 【i s t i n ga d a p t i v ec o n t r o lm e t h o d sa r ea l m o s tc o m p l e t e l yd e p e n d e n to ne x a c t p r o c e s sm o d e l ，a na d a p t i v ec o n t r o lm e t h o db a s e do nr e s p o n s ef e a t u r e so fc l o s e d - l o o ps y s t e m i sp r o p o s e d i nc o n t r a s tw i t hc l a s s i c a la d a p t i v ec o n t r o lm e t h o d s ，t h ep r o p o s e dm e t h o dd o e s n t e v e nn e e dp r i o rk n o w l e d g ea b o u tp r o c e s ss t r u c t u r e ，n o tt om e n t i o np r e c i s ep r o c e s sm o d e l i n a d d i t i o n , t h ep r o p o s e dm e t h o dc a l la d a p t i v e l yc o n t r o lp r o c e s s e sw h o s ep a r a m e t e r sa n d s t r u c t u r ea l et i m e - v a r y i n g ( 2 ) r e s p o n s ef e a t u r e sa r ee x t r a c t e db yu s i n gg e n e r a lm o d e lt oi d e n t i f yc l o s e d l o o p s y s t e m t h eg o a lo fi d e n t i f i c a t i o ni nt h i st h e s i si sn o tt oi d e n t i f ya c c u r a t ec l o s e d - l o o ps y s t e m m o d e l ，b u tt or e c o g n i z er e s p o n s ef e a t u r e so fc l o s e d l o o ps y s t e m a c c o r d i n gt or o o tl o c u s t h e o r y , f e e d b a c kc a l lm a k ep o l e so fc l o s e d l o o ps y s t e mt ob ed i v i d e dt od o m i n a n tp o l e sa n d n o n - d o m i n a n tp o l e s t h e r e f o r er e s p o n s ef e a t u r e so f c l o s e d - l o o ps y s t e ma r ed e t e r m i n e db yt h e n u m b e ra n dl o c a t i o no fd o m i n a n tp o l e s ，s om o d e ls t r u c t u r eo fc l o s e d l o o ps y s t e mc a nb e d e t e r m i n e db yt h en u m b e ro fd o m i n a n tp o l e s a n a l y s i sa n ds i m u l a t i o ns h o wt h a tf o rk i n d so f c l o s e d - l o o ps y s t e m sc o m p o s e do fp i dc o n t r o l l e r a n dc o n t r o l l e dp r o c e s s e sw h o s es t e p r e s p o n s ei sst y p eo rjt y p e ，t h i r d - o r d e rm o d e lc a nb ea p p l i e dt or e c o g n i z et h e i rr e s p o n s e f e a t u r e s ，s ot h i r d o r d e rm o d e li sc a l l e dg e n e r a lm o d e li nt h i st h e s i s ( 3 ) a na d a p t i v ec o n t r o lm e t l l o du s i n gn e u r a ln e t w o r ki sp r e s e n t e db a s e do nr e s p o n s e f e a t u r e s f i r s t l y , t h er e l a t i o nb e t w e e nf e a t u r e sa n dv a r y i n gr a t eo fp r o c e s sp a r a m e t e r si s i n a p p r o x i m a t e db yn e u r a ln e t w o r k , s ot h ea d a p t i v ec o n t r o lb a s e do nf e a t u r e si so b t a i n e d i n o r d e rt oe x t e n ds c o p eo fa p p l i c a t i o n , n e u r a ln e t w o r ki st r a i n e dw i t hs e v e r a lt y p i c a lp r o c e s s e s s a m p l e s b yc o n t r a s tw i t ho t h e ra d a p t i v ec o n t r o lm e t h o d s ，i ti sf o u n dt h a tt h ep r o p o s e d m e t h o di sc o n v e n i e n tt ob eu s e da n di m p r o v e d ，谢mn on e e df o rp r o c e s sm o d e l ，a n di th a s b r o a da p p l i c a b l es c o p e w h e ni t i sd i f f i c u l tt om o d e la c c u r a t ep r o c e s sm o d e lo rp r o c e s s s t r u c t u r ei st i m e - v a l y i n g ，t h ep r o p o s e dm e t h o dc a l lo b t a i nb e t t e rp e r f o r m a n c et h a no t h e r c l a s s i c a la d a p t i v ec o n t r o lm e t h o d s ( 4 ) a na d a p t i v ec o n t r o lm e t h o db a s e do nt u n i n gr u l e si sp r e s e n t e d a d a p t i v et u n i n gr u l e s o fp r o p o r t i o n a lg a i na n di n t e g r a lt i m ea r es e p a r a t e l yg i v e nu s i n ge x p e r t se x p e r i e n c ea n d g e n e t i cp r o g r a m m i n g t h et u n i n gr u l e sa l en o to n l ys i m p l e ，b u ta l s op o s s e s se x t e n s i v er a n g e o fa p p l i c a t i o n b yc o m p a r i n gt w oa d a p t i v et u n i n gm e t h o d s ，n e u r a ln e t w o r ka n dr u l e s ，i ti s s h o w nt h a tn e u r a ln e t w o r ki sm o r ep r e c i s et h a nm n i n gr u l e sa n dt u n i n gr u l e sh a v eb e t t e r g e n e r a l i z a t i o na b i l i t yt h a nn e u r a ln e t w o r k s f i n a l l y , t h et u n i n gr u l e sw h o s ep a r a m e t e ri s t i m e v a r y i n ga l ep r o p o s e df o rp ic o n t r o ls y s t e mw h i c hh a sm o r ec o m p l i c a t e ds a m p l e s ( 5 ) a na d a p t i v ep i pc o n t r o l l e ri sp r e s e n t e df o rt i m e - v a l y i n gi n t e g r a t i n gp r o c e s s e s v a r i o u sp i dc o n t r o l l e rs t r u c t u r e sf o ri n t e g r a t i n gp r o c e s s e sa r ea n a l y z e d ，a n da ne s s e n t i a l s h o r t c o m i n gi sn o t e dt h a te x i s t i n gp i dc o n t r o l l e r sf o ri n t e g r a t i n gp r o c e s s e sd o n ta l m o s th a v e a c o m p r e h e n s i v ec o n s i d e r a t i o nf o rk i n d so fp r a c t i c a ls i t u a t i o n s ，b u to n l yd e s i g nc o n t r o l l e rf o r s p e c i f i e dc i r c u m s t a n c e s ，s op i - pc o n t r o l l e ri sp r e s e n t e df o ri n t e g r a t i n gp r o c e s s e s b yc o n t r a s t w i t ho t h e rp i dc o n t r o l l e rs t r u c t u r e ，p i pc o n t r o l l e rc a l lo b t a i nb e t t e rs y s t e mp e r f o r m a n c e u n d e rs e tp o i n ti n p u t ，l o a dd i s t u r b a n c ea n dn o i s e f u r t h e r m o r et h i r d - o r d e rm o d e li su s e dt o r e c o g n i z er e s p o n s ef e a t u r e so fc l o s e d - l o o ps y s t e mc o m p o s e do fi n t e g r a t i n gp r o c e s s e sa n d p i pc o n t r o l l e r , a n dt u n i n gr u l e sa r ed e s i g n e dt ob ea p p l i e dt oa d a p t i v ec o n t r o lf o ri n t e g r a t i n g p r o c e s s e sw h o s ep a r a m e t e r so rs t r u c t u r ea l et i m e v a r y i n g k e y w o r d s ：a d a p t i v ec o n t r o l ，r e c o g n i t i o n r u l e b a s e d , i n t e g r a t i n gp r o c e s s ，p i dc o n t r o l l e r i v 东南大学博士学位论文 p 4 壤 ( ) 野 叫 a p p c a g p c a r x l 墟 m 匕垣 符号及缩写说明 = 互五，三阶模型两个时间常数的比，是无量纲的特征量 l = 霉互，是一种无量纲的特征量 对象的时间常数变化率 对象的增益变化率 由p i 控制器与阶次n 1 2 或t t 1 5 的自平衡对象或积分对象组成 的闭环系统集合 ( 瓯，4 ) = 矽( f ，l ，) ，对象参数变化率与特征量之间的函数关系 刀阶惯性自平衡或积分对象与p i 或p i d 控制器所组成的闭环系统中 提取的样本 用样本群训练得到的神经网络 f o p d t 或f o i p d 对象与p i 或p i d 控制器所组成的闭环系统中提取 的样本，其中t i t 中，f 为对象时延，r 为对象的时间常数 用样本p 二腰训练得到的神经网络 r l 阶惯性自平衡或积分对象与最优p i 或p i d 控制器所组成的闭环系统中 提取的闭环系统最优特征量 f o p d t 或f o i p d 对象与最优p i 或p i d 控制器所组成的闭环系统中提取 的闭环系统最优特征量 = 【爵，群，e 2 ，畔一，砖，呓j 】，多个典型对象样本的集合 用样本训练得到的多结构样本神经网络，也称为通用神经网络 a d a p t i v ep o l ep l a c e m e n tc o n t r o l ，自适应极点配置控制 a d a p t i v eg e n e r a l i z e dp r e d i c t i v ec o n t r o l ，自适应广义预测控制 a u t o - r e g r e s s i o nw i t he x t r am p u t s i n t e g r a la b s o l u t ee r r o r ，积分绝对值误差 m e a na b s o l u t ee l l o r ，平均绝对值误差 v f 叫d 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过 的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并 表示了谢意。 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内 容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可 以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研 究生院办理。 研究生签名： 至丕熬导师签名：鏖竺垒日 期： 川气气 第一章绪论 第一章绪论 1 1 课题研究背景及意义 在实际的生产与控制过程中，由于工作条件的变化、运行时间的推移，很多被控对 象的特性会发生变化，也就是说都具有一定程度的不确定性和时变性，如： 1 ) 对象特性受外部或工作条件的影响而变化 外部环境的变化，可能会引起对象特性的变化，例如p h 控制或化学反应器控制中 随着定值变化，对象的特性也会发生改变。又如大型汽轮发电机组的动态参数随负荷变 化而变化等等。 2 ) 系统自身发生变化 飞行器本身的重量和质心位置随燃料消耗而改变；造纸过程中，不断的卷纸使得卷 纸筒的惯性不断的变化，以及随着设备损坏，系统的切换等都会改变对象的性能。因此 需要不断的校正控制器参数，才能得到满意的控制效果。 同时，实际中系统都会带有非线性特性，存在建模的误差等，都会导致常规的时不 变调节器无法取得满意的控制品质。为此，需要设计自适应控制系统来及时地补偿被控 对象特性发生的变化，以便获得较满意的控制效果。 自适应控制系统首先由d r a p e r 和l i 1 】在1 9 5 1 年提出，他们介绍了一种能使性能不 确定的内燃机达到最优性能的控制系统。这类控制能自动地达到最优的操作点，所以称 为最优控制或者极值控制。自适应这一名词是在1 9 5 4 年由t s i e n 【2 】在工程控制论中 提出的。而自适应控制系统发展的重要标志是1 9 5 8 年美国麻省理工学院的w h i t a k e r 3 教授及其同事设计了一种自适应飞机控制系统。该系统利用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，这种系统被称为模型参考自 适应控制系统( m r a s ) 。在1 9 7 3 年，a s t r o m 和w i t t e n m a r k 【4 】提出了另外一种自适应控制 方法，即自校正调节器( s t r ) 。c l a r k e 和g a w t h r o p 5 】在1 9 7 6 年提出了广义最小方差自校 正控制器，它克服了自校正调节器不能用于非最小相位系统的缺点。同年e d m u n d s d 提 出了极点配置自校正控制技术。从模型参考自适应控制方法被提出到极点配置自校正方 法的出现，经典的自适应控制理论基本成形。 自适应控制经过不断发展，其鲁棒性问题直到上世纪8 0 年代初期才被r o h r s i t j 提出， 此后自适应控制的鲁棒性便成为了自适应控制研究的热点，相继出现了自适应玩控制 嗍、鲁棒自适应控制【9 】等提高自适应控制鲁棒性的方法。随着线性对象自适应控制理论 的逐步完善，人们将视野扩展到非线性自适应控制，k o k o t o v i c 等于19 9 1 年提出了后推 法( b a e k s t e p p i n g ) 的设计方法，掀起了非线性对象自适应控制的热潮【lo 1 1 】。随着神经网络 东南大学博士学位论文 和模糊控制的发展，其特有的自学习能力和非线性函数逼近能力也被应用到自适应控制 中，例如神经网络自适应控制【1 2 1 和模糊自适应控制【1 3 】等。同时人们注意到现有的自适应 控制方法在启动和对象突变时动态响应过程较差，因此多模型自适应控制也得到了广泛 的研究【1 4 1 。另外由于现有的自适应控制方法与实用还有一定的距离，为了更加适合在实 际中使用，各种监督自适应控制的方法也开始出现【1 5 1 。 虽然自适应控制已经经历了半个世纪的发展，也一直是一个热门的研究课题。然而 除了需要确切预知对象变化特性才可以使用的开环自适应控制外，这些应用研究都是基 于仿真或小规模的实验，真正可长期运行在实际中的闭环自适应控制系统寥若晨星u 6 1 。 现有的自适应控制理论无法得到实际应用的原因很多，例如结构复杂，操作人员难 以掌握和性价比不高等，但最重要的原因主要有以下几点： 1 ) 认为过程的动态特性完全可由结构确定的模型所描述，假设数学模型的一些关 键的结构参数( 如阶次和时延等) 在设计自适应控制器时已知； 化学、冶金、电力等工业过程，大多是复杂的、非线性的、时变的和有约束的过程。 对于这些过程，人们现有的知识远远不够用准确的语言和精确的数学模型来描述和分 析。无论是利用理论分析法还是利用实验分析法得到的数学模型都只能是简化的模型， 它不能正确的描述系统的时变和随机的动态特性。未被描述的那部分动态特性称为未建 模动力学特性，当未建模特性超出一定范围时，按已知结构参数设计的自适应控制器就 无法正常工作。 2 _ ) 过程噪声或扰动的统计特性远远比设想的情况要复杂。噪声会极大的影响辨识 模型的结果，导致辨识结果无法收敛到真值； 3 ) 为了满足控制算法收敛性和全局稳定性要求，往往对对象模型施加一些严格的 限制条件，如噪声模型的严格正实条件、全局稳定性、输入多项式和输出多项 式的互质条件及最小相位条件等等。 由于过程参数的在线辨识性质，在整个控制过程的每一步都要求参数多项式互质和 最小相位是不现实的，因为，传递函数分子多项式在辨识过程中的任何微小摄动都会引 起零点位置的剧烈变化。实际上，系统只需在工作范围内动态稳定，无须全局稳定，所 以，为得到全局收敛性和稳定性而对过程所施加的限制条件相对于过程的实际情况来说 是太苛刻了。 d e s b o r o u g h 和m i l l e r i r 7 】在2 0 0 2 年的一次统计报告中表明，在接受调查的1 8 个工厂 里有超过1 1 ，6 0 0 个p i d 结构的控制器，有超过9 7 的反馈回路仍然采用了p i d 控制算 法。但其中有2 3 的p i d 控制器达不到满意的控制效果，究其原因就是由于对象的不确 定或时变所造成的。由此可见，现有的自适应控制方法对模型的依赖和其他一些苛刻的 条件，使得自适应控制理论无法在实际中得到真正的应用，因此研究一种不依赖于对象 模型，并能够应用在实际中的自适应控制方法具有十分重要的意义。 2 第一章绪论 1 2 自适应控制现状 自适应控制根据是否辨识对象的模型或者特性，可以分为开环自适应控制和闭环自 适应控制。开环自适应控制的前提是必须确切的知道对象特性变化范围，同时能够比较 容易获得反映对象特性变化的特征量，例如飞行高度，电厂负荷或p h 设定值1 1 8 】等，从 而可以根据特征量来调整控制器，但这些都需要大量的先验知识才可以实现。开环自适 应控制的典型代表有多模型自适应控制【1 4 】和增益调度控制【1 9 】等。 闭环自适应控制是在对象变化范围未知的情况下，通过实时辨识对象的模型或特性 变化来调整控制器，也是本章主要研究的问题。现有的闭环自适应控制可以分为两类： 模型参考自适应控制和自校正控制。 1 2 1 模型参考自适应控制系统 图1 。1 模型参考自适应控制结构图 m r a s ( m o d e l r e f e r e n c ea d a p t i v es y s t e m ) 的突出特点是它本身附加了一个参考模型， 这个模型体现了人们对控制系统的要求。模型参考自适应控制系统总是根据被控对象的 状态( 或者输出) 与参考模型的状态( 或者输出) 之间的偏差，实时地进行调整，使得在某 种指标下，控制系统的动态特性与参考模型特性尽量接近。这样不管实际被控对象的不 确定因素如何影响，它总能保证理想的特性【2 0 】。 m r a s 所用的优化算法主要有梯度法、共轭梯度法和变尺度法等。美国的麻省理工 学院( m t t ) 于1 9 5 8 年提出的m r a s 就是用梯度法实现的，人们也称这种方法是m i t 型 的m r a s 。但是利用梯度法设计m r a s 时并未考虑系统的稳定性，因此提出了用李雅 普诺夫理论设计m r a s ，该方法不仅考虑到了系统的稳定性而且参数可在较大范围变化 2 h o 当m r a s 采用固定的参考模型时，比较适合于控制不确定性比较小的对象。当对 象特性与参考模型差别大时，求出的控制量往往在物理上无法实现。此外，m r _ a s 仅对 定值变化作出响应，对随机扰动缺乏相应的自适应能力。 3 东南大学博士学位论文 1 2 2 自校正控制系统 图1 2 自校正控制系统结构图 自校正控制系统是实际应用较广的、与系统辨识技术联系最为紧密的一类自适应控 制系统。它是将在线辨识技术和最优设计方法相结合产生的一种控制方法。整个控制系 统由两个环构成，内环由被控对象和常规的反馈控制器组成，控制器参数通过外环来实 现，其方法是通过在线递推参数估计和控制器的在线设计来实现。 递推参数估计可以采用递推最小二乘法( r l s ) 、预测误差法( p e ) 、辅助变量法( i 等实时在线参数估计方法。控制器的参数设计可以采用最小方差控制、线性二次型最优 控制、极点配置或者广义最小方差控制等吲。 1 3 自适应控制的鲁棒性研究 1 9 8 2 年，r d h r s 【7 】通过分析m r a s 自适应控制的性能，指出当激励不充分，存在未 建模动态或扰动时，系统参数会产生严重的漂移( p a r a m e t e rd r i i t ) ，从而导致系统的不稳 定。这些问题的发现，引发了对自适应控制鲁棒性的广泛研究，并取得了大量关于自适 应控制鲁棒性的研究结果1 2 3 。如1 9 8 2 年由p e t e r s o n 和n a r e n d m l 2 4 j 提出的加死区和相对 死区( d e a dz o n e s ) 的方法。由于有界扰动或未建模动态都会引起参数漂移，倘若建模误差 或外扰的上界已知，则可在自适应控制算法中设置一个死区，只有当跟踪误差超出了这 个死区，才产生自适应作用，否则就中断自适应作用。其缺点在于需要事先知道建模误 差的上界。p r a l y 2 5 】利用归一化参数估计来使回路信号保持在归一化信号意义下的有界， 该方法能够克服由于回归量的增值而引起的参数估计失效的情况。为防止估计参数因外 扰和建模误差而引起的漂移，在参数估计的每一步都将参数投影到一个包含真实参数的 有界凸域中，即所谓的参数投影法( p a r a m e t e rp r o j e c t i o n ) 1 2 6 1 。为了避免无持续激励时参数 的漂移，i o a n o u 和k o k o t o v i c l 2 7 1 于1 9 8 3 年提出了盯修正( 仃- m o d i f i c a t i o n ) 法。在无持续 激励时，可使参数不漂移到不稳定区，同时抑制外界干扰和建模误差对闭环系统稳定性 的影响。该方法的缺点是当误差很小时会造成参数趋近于零。n a r e n d r a 和a n n a s w a m y l 2 8 4 第一章绪论 于1 9 8 7 年提出了改进的岛一修正方法，可以避免当误差很小时，参数向零漂移。还有一 种人为附加持续激励的方法，即所谓的衰减激励法，该方法是在系统信号不具备充分激 励条件时，由外部产生持续激励信号，以达到充分激励对象各种模态特征的目的。但是 由于干扰信号的存在会抵消激励信号，所以在干扰存在的情况下，如何选择满足持续激 励条件的附加激励信号是该方法的难点。 以上的方法都是在现有的自适应控制的基础上进行改进，以便提高其鲁棒性。另外 的思路就是改进自适应控制器的设计方法。例如对偶控制、将自适应控制与鲁棒控制结 合和广义预测控制等。 1 对偶控$ l j ( d u a lc o n t r 0 1 ) 6 0 年代f e l d b a u m l 2 9 j 提出的随机最优控制策略具有双重功能，因此又称对偶控制。 对偶控制表现了两种不同的作用趋势：一方面，由于参数估计的不确定性的影响，控制 作用较参数已知时的情况更为“保守 ，以免带来更大的控制误差，这是控制信号的谨 慎性质；另一方面，为了尽可能快地降低参数不确定性的影响，控制策略又能主动引入 激励信号，以丰富控制信号的频谱，激发各种不确定性模态，有利于提高参数估计的精 度幽j 。这样就有效的避免了传统自适应控制系统，由于控制信号过分谨慎或缺乏充分激 励所引起的“终止 和“猝发 现象。 2 自适应级控制 尽管鼠最优控制器设计的成果不断增加l 3 l 】，但理论与应用之间仍存在许多问题有 待解决。首先就是计算量问题，由于玩最优控制器一般都结构复杂且阶次较高，因此 在现有的技术条件下给实现带来了极大困难 2 3 1 。另外，三乙最优控制器一般都要求较精 确的过程数学模型，在过程参数未知、部分未知或时变的情况下，难以应用在线辫识的 思想和方法。为此，g d m b l e 倒和l ：沁a k e m 盟k 【3 3 1 等人通过谱因子分解的方法将一般的e 。 优化问题约化为相应的广义l q g 问题，引入自适应辩识与控制机制，利用l q g 和自适 应控制已有的成熟结果，成功地给出了一种实现简单、计算量小、可在线辩识过程模型 的自适应玩鲁棒控制器。 3 广义预测控制( g p c ，g e n e r a l m e dp r e d i c t i v ec o n t r 0 1 ) 为了克服最小方差控制的弱点，有必要汲取预测控制中的多步预测优化策略，这样 可以增强算法的适应性和鲁棒性。因此1 9 8 7 年c l a r k e 【3 4 】等在以广义最小方差为基础的 自适应控制中引入多步预测机制和滚动优化策略，提出了广义预测控制。g p c 与广义最 小方差控制相比，抗负载扰动、随机噪声、时延变化等能力显著提高，有较强的鲁棒性， 适用于有纯时延、开环不稳定的非最小相位系统，同时在模型失配情况下仍能获得良好 的控制性能。文【3 5 】中当对象模型不准确时，通过对比自适应广义预测控制与自适应极 点配置的控制效果，表明白适应广义预测控制有着良好的鲁棒性。 4 变结构自适应控制 将变结构控制与自适应控制有机结合起来的变结构自适应控制策略，是解决参数不 5 东南大学博士学位论文 确定或时变参数系统控制问题的一种新型控制理论。主要包括两种方式 3 6 1 ：变结构模型 参考自适应控制s m r a c ) 和变结构自校正控制( v s s t c ) 3 ，但v s s t c 近十年来的 文献相对较少。变结构模型参考自适应控制本质上是一种将变结构控制所具有的鲁棒性 和过渡过程的快速性等特点与模型参考系统在期望的性能指标和控制结构上的优势相 结合的尝试。但是由于变结构控制一般要求系统状态是可以得到的，而m r a c 的一个 基本假设就是被控对象仅输入输出可测，因此很难将二者结合。1 9 8 9 年h s u 和c o s t a f 3 明 提出了一种完全基于输入输出信息的v s m r a c 方案，使得变结构模型参考自适应控制 的研究有所突破。自8 0 年代末以来，v s m r a c 取得了非常大的进展例。但仍然存在 一些问题有待于进一步研究【3 6 j ：变结构自适应控制存在一定的稳态误差，这在各种自适 应智能滑模控制中尤其突出，而误差的存在会造成许多问题，如抖振加重等。 5 非线性系统自适应控制 近年来，非线性系统的自适应控制己成为控制界研究的一个热点，并取得了一些有 价值的理论成果。而对非线性系统的自适应控制研究具有里程碑意义的成果当数 k a n e l l a k o p o u l o s 和k o k o t o v i c 4 0 1 等于1 9 9 1 年提出的后推法( b a e k s t e p p i n g ) 的设计方法。后 推设计方法的基本思想是将非线性系统分解成不超过系统阶数的子系统，然后为每一个 子系统设计一个l y a p u n o v 函数以及相应的虚拟控制器，直至完成整个控制器的设计。 该方法使得控制器的设计结构化、系统化，并且消除经典无源设计中相对度为一的限制， 同时还能够获得较好的瞬态响应性能。近年来，人们对非线性系统鲁棒自适应控制的研 究倾注了极大的热情，大部分的成果都是在反推自适应的基础上得到的 1 0 , 4 1 j 。 6 自适应神经网络控制 由于神经网络具有优秀的非线性映射能力、自学习能力和容错性、鲁棒性。目前， 神经网络已经被广泛的应用在非线性自适应控制中。但是由于神经网络的高度非线性也 使得基于神经网络的控制系统的动态性能难以研究，特别是在线调整控制器的参数时问 题尤为突出。许多学者己相继提出了能够保证学习算法收敛性及闭环系统稳定性的神经 网络控制方案【4 2 】，但这些结果均要求神经网络具有很小的建模误差。 神经网络对非线性系统建模时，不可避免地存在着网络建模误差，通常称之为未建 模动态。已有许多文献针对如何消除网络建模误差的影响，保证非线性控制系统的鲁棒 性开展了研究，如文【4 3 】在假设系统不确定界已知的条件下，提出了基于动态r b f 网络 的自适应控制方案，利用滑模控制技术消除网络逼近误差的影响，从而保证了闭环系统 的全局稳定性。以上的理论分析均假设网络建模误差的上界存在且已知，然而这个假没 在实际应用中一般不易满足，针对这一缺陷，文 4 4 ，4 5 分别研究了网络建模误差的上界 函数未知和部分已知的情况，所提出的方案可以保证闭环系统稳定。 7 自适应模糊控制 所谓自适应模糊逻辑系统是指具有参数自适应学习算法的模糊逻辑系统。自适应模 糊控制器与传统的自适应控制器相比最大的优越性在于：自适应模糊控制器可以利用操 6 第一章绪论 作人员提供的语言性模糊信息，而传统的自适应控制器则不能。在自适应模糊控制的稳 定性方面。王立新 4 6 1 基于l y a p u n o v 综合法，对自适应模糊逻辑系统的稳定性给出了系 统的分析。但算法为保证闭环系统渐近稳定，需要引入一个监督控制项。由于监督控制 项取值较大，这给实际控制带来了困难。同时闭环系统渐近稳定的条件是逼近误差平方 可积。在存在外界干扰的情况下，算法的性能也无法保证。侈绍成一7 】提出一种“d 一控制 补偿器来取代监督项，使闭环系统稳定性分析中取消了要求逼近误差平方可积的条件。 文【4 8 】基于一种新的l y a p u n o v 函数设计了控制器，所给方案不仅能够保证闭环系统的稳 定性，而且可使跟踪误差收敛到原点的小邻域内。 综上所述，鲁