一種大時滯系統的無模型自適應控制改進算法
2012-04-29 00:00:00陳琛何小陽
計算技術與自動化 2012年3期
摘要：利用無模型自適應控制（Modelfree adaptive control，MFAC）方法僅需要被控對象輸入和輸出數據，而不需要其他任何信息的優點。針對工業生產過程中普遍存在的大時間滯后的特點，提出針對未知模型的大時滯對象的無模型自適應控制改進算法（Improved MFAC on Large Time—delay System，LTDSIMFAC）。在改進算法中，在基本無模型自適應控制算法的基礎上引入了帶有滯后時間的輸入變化率的約束項，以此來減小大時間滯后對整個控制過程的影響。通過MATLAB仿真試驗證明了改進算法對于大時滯系統的控制具有較好的有效性。
關鍵詞：大時滯；無模型自適應控制；改進算法；MATLAB仿真
中圖分類號：TP273 文獻標識碼：A
An Improved Algorithm of Modelfree Adaptive Control for Large Timedelay System
CHEN Chen，HE Xiaoyang
（ College of Electrical Engineering，Guangxi University，Nanning530004，China）
Abstract：The modelfree adaptive control（MFAC）is only using I/O data of the controlled system，and doesn''t include any system model information.According to the common characteristics of the controlled object with large time—delay in the industrial production process，an improved algorithm of modelfree adaptive control for large timedelay system（LTDSIMFAC）is presented.A constraint entry of the rate of change of the input with large timedelay to reducing the impact of the controlled plant with large timedelay is introduced.The MATLAB simulation results show that the improved algorithm has better validity.
Key words：large timedelay；modelfree adaptive control；improved algorithm；MATLAB simulation
1引言
一般情況下，復雜的受控系統難以建立起精確的數學模型，其過程大多具有非線性、大時滯、強耦合和時變等特點[1]。對于這些復雜的控制過程，系統的各種反饋信息的傳送過程是否存在滯后，我們能不能及時得到這些信息無疑是一個重要的問題[2]。目前針對大時滯系統的大多數自適應控制的理論成果均依賴于系統精確的數學模型，文獻[3—5]提出了無模型自適應控制理論，并證明了基于緊格式線性化的無模型自適應控制算法的穩定性和收斂性。文獻[6—8]在周期性和高階等對象的控制方面豐富并發展了無模型自適應控制的相關理論。
本文根據受控對象具有大的時間滯后的特點對MFAC算法作出適當地改進，提出針對大時間滯后系統的改進無模型自適應控制算法（LTDSIMFAC），并選取了大時滯對象進行仿真實驗。實驗表明，改進算法與其基本形式相比，具有更好的控制性能和更快的響應速度。
2基本的MFAC算法
我們考慮一般離散時間非線性系統[4]：
y（k+1）=f（y（k），y（k—1），…y（k—ny），
u（k），u（k—1），…，u（k—nu），） （1）
其中y（k），u（k）分別表示系統k 時刻的輸入與輸出，u（k）∈Rl或u（k）∈Rp，ny，nu分別表示系統階數。對系統（1）式，基于一般離散時間非線性系統的緊格式線性化方法使得系統（1）式表示為：
Δy（k+1）=φ（k）Δu（k）（2）
其中|φ（k）|≤b，b是一個常數，φ（k）稱之為偽偏導數（pseudopartialderivatives）。由（2）式可見，該線性化方法結構非常簡單，它將一個復雜的非線性系統轉化為一個帶有單參數線性時變系統。
計算技術與自動化2012年9月
第31卷第3期陳琛等：一種大時滯系統的無模型自適應控制改進算法
我們考慮輸入準則函數：
J（u（k））=[y*（k+1）—y（k+1）]2+
λ[u（k）—u（k—1）]2（3）
以及偽偏導數φ（k）估計準則函數：
J（φ（k））={y0（k）—y（k—1）—φ（k）[Δu（k—
1）]2}+μ[φ（k）—（k—1）]2 （4）
其中y*（k+1）是系統的期望輸出，y0（k）表示系統的真實輸出，ρk，ηk是步長序列，λ，μ是權重系數。
結合緊格式線性化方法，我們得到了MFAC算法，描述如下：
（k）=（k—1）+ηkΔu（k—1）μ+[Δu（k—1）]2×
[Δy（k）—（k—1）Δu（k—1）]
（k）=（1），若（k）≤ε或|Δu（k—1）|≤ε，
u（k）=u（k—1）+ρkφ（k）λ+φ（k）2[y*（k+1）—y（k）]
其中ηk，ρk∈（0，2），ε是一個充分小的正數。權重系數λ限制了輸入變化量的變化，從而限制了偽偏導數的變化，避免了算法中分母部分可能出現零的情況。μ的存在則限制了參數φ（k）的變化。
3改進的MFAC算法
考慮滯后時間常數τ對大時滯系統的影響，對上述MFAC算法改進，以更好地控制大時滯對象。在上述算法基礎上，特別地針對大時間滯后系統，將滯后時間常數τ引入算法，在控制輸入準則函數中選取帶間隔滯后時間τ的兩組輸入值之間的變化率作為輸入準則中的一個重要的約束參數，即稱之為帶有滯后時刻的輸入變化率的約束項：[u（k）—u（k—1—τ）T]2，其中T為采樣周期，則改進的輸入準則函數如下式：
J（u（k））=|y*（k+1）—y（k+1）|2+
η|u（k）—u（k—1—τ）T|2+λ|u（k）—u（k—1）|2 （5）
在偽偏導數估計準則函數中，為了適應輸入準則函數中約束項的引入，對應地將Δu（k—1）項變化成間隔滯后時間τ的兩組輸入值之間的變化作為偽偏導數估計準則中新的約束項，即帶有滯后時間的輸入變化約束項：[u（k—1）—u（k—2—τ）]，則改進的偽偏導數估計準則函數描述如下：
J（φ（k））={y0（k）—y（k—1）—φ（k）[u（k—1）—
u（k—2—τ）]}2+μ[φ（k）—（k—1）]2 （6）
將（2）式分別代入（5）式和（6）式，并分別對u（k）和φ（k）求導可得LTDSIMFAC算法，描述如下：
（k）=（k—1）+ηk[u（k—1）—u（k—2—τ）]μ+[u（k—1）—u（k—2—τ）]2×
{Δy（k）—[u（k—1）—u（k—2—τ）]（k—1）}
（k）=（1），若（k）≤ε或|Δu（k—1）|≤ε，
u（k）=u（k—1）+ηT2λ+φ（k）2+ηT2[u（k—1—τ）—
u（k—1）]+ρkφ（k）λ+φ（k）2+ηT2[y*（k+1）—y（k）]
其中y*（k+1）是系統的期望輸出，y0（k）表示系統的真實輸出，T為采樣時間，ρk，ηk是步長序列，ηk，ρk∈（0，2），η，λ，μ是權重系數。ε是一個充分小的正數。η限制了我們提出的滯后輸入變化率的變化，在改進算法中和λ一起影響偽偏導數的變化，是一個十分重要的參數，仿真過程也表明了η可以影響系統動態。
4仿真研究
為了驗證改進算法的有效性，分別使用LTDSIMFAC算法、基本MFAC算法和積分分離PID控制算法或增量式PID控制算法等數字PID控制方法進行仿真實驗比較研究。選取大時滯對象只是進行仿真實驗，并沒有利用被控對象的其他任何信息，僅利用其I/O數據，符合MFAC算法的特點。在上述各算法的參數選取過程中使用穩定邊界法和試湊法反復調節算法中的參數，使系統能夠得到良好的動態性能，并記錄最終的最優參數，這里限于篇幅，只給出改進算法的相關參數。
仿真算例一：一階大時滯對象[9]：G（s）=e—80s60s+1，使用LTDSIMFAC算法，各參數取ηk=1.21，ρk=1.97，λ=11.0，μ=1.0，η=2.0，則LTDSIMFAC算法、基本MFAC算法和積分分離PID控制算法的MATLAB仿真結果如圖1所示：
圖1一階大時滯對象仿真結果圖
仿真實驗表明，在一階大時滯對象中，LTDSIMFAC和MFAC方法都能較好地對對象進行控制，LTDSIMFAC算法的響應和跟蹤性能都更快更好，使用PID控制算法會產生明顯的振蕩。
仿真算例二：二階大時滯對象：G（s）=s—1s2+4s+5e—0.35s，使用LTDSIMFAC算法，各參數取ηk=1.0，ρk=1.98，λ=0.5，μ=10，η=0.095，則LTDSIMFAC算法、基本MFAC算法和增量式PID控制算法的MATLAB仿真結果如圖2所示：圖2二階大時滯對象仿真結果圖二階對象選取得比較特殊，含有非最小相位比例環節，控制的難度較大，仿真實驗表明，LTDSIMFAC算法具有較明顯的優勢，具有較快地響應速度和良好地跟蹤性能，優于MFAC算法，使用PID控制算法則會產生較明顯的振蕩。
仿真算例三：三階大時滯對象：G（s）=5s3+6s2+10s+8e—0.5s，使用LTDSIMFAC算法，各參數取ηk=0.45，ρk=1.75，λ=5.0，μ=1.2，η=0.017，則LTDSIMFAC算法、基本MFAC算法和增量式PID控制算法的MATLAB仿真結果如圖3所示：
圖3三階大時滯對象仿真結果圖
仿真實驗表明，在三階大時滯對象中，使用增量式PID算法仍會產生較大的振蕩，需要更長的時間才能達到穩定狀態，而LTDSIMFAC算法則能很好地控制對象，控制性能明顯優于MFAC算法。
算例一、算例二和算例三選取的對象是工業生產中常見的過程，實驗過程中首先要將對象離散化，再進行算法的控制仿真，符合MFAC算法的研究對象是離散系統的要求。
仿真算例四：非線性大時滯對象[10]：
y（k）=y（k—1）y（k—2）1+y2（k—1）+y2（k—2）
+u（k—6）+1.5u（k—7）
使用LTDSIMFAC算法，各參數取ηk=1.45，ρk=2.5，λ=0.065，μ=2.5，η=2.05，而PID控制算法對選取的非線性大時滯對象不能很好地控制，LTDSIMFAC算法、基本MFAC算法的MATLAB仿真結果如圖4所示：仿真實驗表明，在非線性大時滯對象中，PID控制算法已不能滿足控制要求，而LTDSIMFAC算法則能較好地控制對象，具有更快的響應速度，能較好地適應對象非線性的特點，控制效果優于MFAC算法。
圖4非線性大時滯對象仿真結果圖
5結論
本文選取了四個具有典型特點的大時滯系統作為研究對象進行仿真實驗，簡要地介紹了無模型自適應控制方法，推導了基于大時滯特點的改進無模型自適應控制算法，應用LTDS—IMFAC算法、基本MFAC算法和PID控制算法等方法對選取的對象進行了仿真實驗，并對結果進行了對比研究，實驗結果表明了對無模型自適應算法的改進比較成功，能很好地適應大時滯的特點，對高階和非線性大時滯對象也十分有效。
參考文獻
[1]廖維國.大時滯系統控制方法的研究[D]. 黑龍江：黑龍江大學，2009.
[2]中國自動化學會.控制理論發展研究[M]. 北京：中國科學技術出版社，2011.
[3]HOU Z.S，HUANG W.H.The ModelFree Learning Adaptive Control of a Class of SISO Nonlinear Systems[C].New Mexico： Proceedings of the American Control Conference，1997：343—344.
[4]侯忠生.非參數模型及其自適應控制理論[M].北京：科學出版社，1999.
[5]HOU Z S，HUANG W.H.The ModelFree Learning Adaptive Control of a Class of NonLinearDiscrete—Time Systems[J]. Control Theory and Application，1998， 15（6）：893—899.
[6]TAN.K.K，S.N.HUANG，T.H.Lee，et al. AdaptivePredictive PI Control of a Class of SISO Systems[C].San Diego，California： Proceedings of the American Control Conference，1999：3848—3852.
[7]CHI R.H，HOU Z.S.ModelFree Periodic Adaptive Control for a Class of SISO NonLinear DiscreteTime Systems[J].IEEE：Inter national Conference on Control and Automation ，2010：1623—1628.
[8]JIN S.T，HOU Z.S，CHI R.H.HigherOrder ModelFree Adaptive Control for a Class of DiscreteTime SISO nonlinear systems[J].IEEE：Chinese Control and Decision Conference，2011：2614—2619.
[9]劉金琨.先進PID控制及其MATLAB仿真[M].北京：電子工業出版社，2003.
[10]張燕，陳增強，袁著祉. 基于遞歸神經網絡的大滯后非線性系統預測控制[J].工業儀表與自動 化裝置，2003，6：3—8.
