自适应控制的研究.docx

自适应控制的应用研究仰涛，研162班，21116020300 引言 经典的反馈控制可以用来精确地控制绝大部分运动状况，某些情况下加上前馈控制还可以达到减少输入扰动影响的目的。但是现实中很多控制对象有很大的不确定性、时变性、受外部扰动、非线性系统，用简单的反馈控制系统效果不理想。长期以来，这是自动控制领域所面对的一个极具挑战性的问题。为了克服这个问题，自适应控制被提出了。其基本思想是通过及时修正自己的特性以适应对象和扰动的动态特性变化，使得整个控制系统始终获得满意的性能。自适应控制起初适用于航空航天领域，由于其理论方法不成熟，因此遭遇了一些失败，但是有人看到了它的应用价值，不断研究，终将其推广到其他工业部门；并且随着计算机技术的发展，自适应控制技术也取得了重大进展，在众多领域中得到成功应用，包括光学跟踪望远镜、化工、冶金、机加工和核电；此后，自适应控制应用的到大幅扩展，在医疗领域和航天领域都得到应用。本文介绍自适应控制原理，并且总结自适应控制在国内外的应用研究概况。1 自适应控制概述自适应控制概述主要从自适应控制的基本概念、解决的问题、发展及分类三个方面阐述。1.1 自适应控制基本概念自适应控制系统研究的对象是不确定性的系统，此系统的被控对象及其环境的数学模型不是完全确定的。学术界对自适应控制系统有不同的定义，大部分定义是和自适应控制系统类型相联系的。一下是两个比较流行的定义。1962年Gibson1提出一个比较具体的自适应控制定义：一个自适应控制系统必须提供初被控对象当前状态的连续信息，也就是辨识对象；它必须将当前系统性能与期望的货最优的性能相比较，并作出使系统趋向期望或最优性能的决策；最后，它必须对控制器进行适当的修正，以驱使系统走向最优状态。这三方面的功能是自适应控制系统所必须具备的功能。1974年法国学者Landau2也提出了一个针对模型参考自适应控制系统的自适应控制定义：一个自适应系统，将利用其中的可调系统的各种输入状态和输出来度量某个性能指标；将所测得的性能指标与规定的性能指标相比较；然后，由自适应机构来修正可调系统的参数货产生一个辅助的输入信号，以保持系统的性能指标接近于规定的指标。定义中提出的可调系统一般由被控对象和调节器组成，可以通过修改它的内部参数货输入信号来调整期性能。 综合以上定义可知，自适应控制系统应该有如下功能：（1）在线进行系统结构和参数的辨识或系统性能指标的度量，以得到系统当前状态的改变情况；（2）按一定的规律确定当前的控制策略；（3）在线修改控制器的参数货可调系统的输入信号。图1为自适应控制系统原理图。图1 自适应控制的基本原理1.2 自适应控制系统的分类1.2.1 前馈自适应控制借助于过程扰动信号的测量1，通过自适应机构来改变控制器的状态，从而达到改变系统特性的目的。前馈自适应结构图如图2所示。 图2 前馈自适应结构图由图可知，当扰动不可测时，前馈自适应控制系统的应用就会受到严重的限制。1.2.2 反馈自适应控制除原有的反馈回路之外，反馈自适应控制系统中新增加的自适应机构形成了另一个反馈回路。反馈自适应结构图如图3所示。图3 反馈自适应结构图1.2.3 模型参考自适应控制(MRAC)在这种系统中主要采用一个模型参考的辅助模型4，它是一个可调系统。参考模型的输出或状态用期望的性能指标设计。主要用来对比系统实际输出和期望输出的误差，从而对系统进行调整，直到误差趋近于零。其系统示意图如图4所示。 图4模型参考自适应结构图1.2.4自校正控制通过采集的过程输入、输出信息，实现过程模型的在线辨识和参数估计。在获得的过程模型或估计参数的基础上，按照一定的性能优化准则，计算控制系统，使得闭环系统能够达到最优的控制品质。自校正控制系统结构图如图5所示。图5 自校正控制结构图2 人工神经网络自适应控制人工神经网络52就是模拟生物神经系统的工作原理而建立的一种信息处理系统，具有自学习功能、联想储存功能、高速寻找优化解功能。人工神经网络由多个人工神经元组成，它是人们根据人类神经元的结构而构造出来的，多个人工神经元就构成了人工神经网络。人工神经元是一个多输入、单输出的非线性器件其结构如图6所示。图中，（j=1,2，n）为输入信号； 为输出信号； 为神经元内部状态； 为神经元阈值； 为外部输入； 为 输入信号的权重。上述模型可表达为 （1）当神经元没有内部状态时，可令，。图6 人工神经元模型根据映射 的不同可以有不同的神经元作用方式，常用神经元非线性特性有预制型、分线段性型、S型。在人工神经网络系统中有如下的特点：(1) 学习的存储与处理是合二为一的，即信息的存储体现在神经元互联的分布上，并以大规模并行分布方式处理为主，比串行离散符号处理的现代数字计算机优越。(2) 人工神经网络具有很强的鲁棒性和容错性，善于联想、概括、类比和推广，任何局部的损伤不会影响整体结果。(3) 具有很强的自学习能力，系统可在学习过程中不断完善自己，具有创新的特点。(4) 它是一种大规模自适应非线性动力学系统，具有集体运算能力。人工神经网络按连接方式划分有前馈网络、反馈型网络。前馈网络的信号从前一层网络传输向后一层，没有反馈信号。反馈型网络顾名思义每个节点都可以接受输入并向外界输出，每个节点斗鱼其他所有节点有权重相连。神经网络的工作过程主要由两个阶段组成，第一个是学习阶段，此时各计算单元状态不变，各节点之间的极值可以修改。另一个阶段是工作期，此时各节点之间的极值固定，计算单元的状态变化，以求达到稳定状态。有事学习期和工作期是同时进行的。按学习的方式可将网络分为两类：(1) 无教师学习类型。它是指训练前没有标准的样本，而是边工作边学习，最终达到一定目的。(2) 有教师学习类型。它是指通过学习样本，纠正网络的偏差，使之与期望的结果相接近。神经网络结构多种多样，应用者要根据自己研究内容选择最合适的网络。应用领域较广的网络模型有，反向传播（BP）网络、Hopfield网络、自适应共振理论（ART）模型。BP网络用于语言综合、自适应控制器，Hopfield网络可解决优化问题，ART模型用于模式识别。2.2人工神经网控制器的构造图7为人工神经网络(ANN)控制系统图。ANN控制器的输入为系统当期时刻和前n个刻的输出，神经网络根据这些值按照一定的非线性映射关系，给出对应的下一时刻的控制量。ANN被控对象r +-uy图7 ANN 控制系统图在ANN控制器中，我们采用了前馈网络BP模型，构成一种可训练的自适应控制器。这是针对多层网络提出的，有输入节点、输出节点和隐节点。隐节点可以是一层或多层，输入信号经输入节点向前传播到隐节点。经过作用函数后，隐节点的输出信息在传播到输出节点并输出结果。作用函数通常选择为Sigmoid型函数，即S型函数，如 （2）BP算法的学习过程包括正向传播和反向传播两种过程。在正向传播过程中，输出信息从输入层经隐节点逐层处理，传向输出层，每次神经元的状态只影响下一层神经元的状态。如果输出结果不能达到期望值，则将误差沿原来的通路反向传播回来，并逐个修改神经元的权值。学习的最终目的是是网络输出与期望值间的误差最小。设含n个节点的BP网络，其各节点的特性为S型。网络只有一个输出y，任一节点i的输出为Oi。又设有N个样本 ，k=1,2,N,对某一输入 ，网络的期望输出为 ，而实际输出为 ，节点i的输出为 ，下一节点j的输为 其中 使用误差平方准则函数 通过一系列计算，最终的到如下公式 设网络有M层，第M层仅含一个输出节点，第1层为输入节点，第1层为输入节点，则BP算法的计算步骤如下：(1) 选定初始权职，置n=1；(2) 计算，,和；(3) 用梯度法修正权值，即， 0 (4) 置 ，转到第(2)步直到收敛。在BP算法的权值训练迭代计算过程中，通常采用试错法确定补偿，太大的步长会使算法收敛太慢。为了加速收敛速度，可引入前一次权值修正量及加速因子a进行修正，于是有, 0 , 通过上述人工神经网络控制，可以对非线性系统进行控制。印度布巴内斯瓦尔技术学院电气工程学院的Nithin V. George和Ganapati Panda提出了用级联自适应非线性滤波6主动降噪，他们讲FLANN-FsLMS(function link artificial neural network filtered-s least mean square)和LeNN-FILMS(Legendre neural network filtered-I least mean square)和前两种方法的级联三种神经网络自适应控制方法来降噪，发现都起到了良好的降噪效果，级联方法降噪效果最好，LeNN-FILMS方法最简单。3总结自适应虽控制有很大的优越性，但是经过了几十年的推广应用还很有限，主要是由于其通用性和开放性严重不足。在今后一段时间里，简单的反馈、前馈和其他成熟的控制技术仍将继续显示出优点，但是现在已经能设计出安全、稳定、快速、有效、对现场工作人员无过高要求的自适应系统。将神经技术、模糊逻辑、知识库和专家系统等人工智能技术与自适应控制结合，其工程前进将会有很大的飞跃，结合后将会对PID控制等传统方法取得压倒性优势。在人工智能作为国家发展大方向的当下，自适应控制技术方兴未艾。参考文献1 Gibson J E. Nonlinear Automatic Control. Mcgraw-Hill, 19622 Landau I D. A survery of model reference adaptive techniques (theory and application). Automaticia, 1974. 10(4);353-3793 Sahin, S., Learning Feedback Linearization Using Artificial Neural Networks. Neural Processing Letters, 2016. 44(3): p. 625-637.4 Moon, J.W. and S.K. Jung, Development of a thermal control algorithm using artificial neural network models for improved thermal comfort and energy efficiency in accommodation buildings. Applied Thermal Engineering, 2016. 103: p. 1135-1144.5 Salimiasl, A. and A. Ozdemir, Analyzing the performance of artificial neural network (ANN)-, fuzzy logic (FL)-, and least square (LS)-based models for online tool condition monitoring. Inter