在线优化参数的多变量无模型预测线性自抗扰控制

针对时变参数的多变量线性模型上叠加非线性的系统,采用具有辅助向量的多变量偏格式动态线性化方法逼近该系统,在多变量线性状态观测器中加入辨识的线性模型,提高状态观测精度。在多变量线性跟踪微分器和状态观测器分别引入超前参考输入与输出预测值,使多变量线性自抗扰控制器具有预测控制性能。运用非线性递推最小二乘法在线优化多变量线性自抗扰控制器的参数,给出在线优化参数的多变量无模型预测线性自抗扰控制算法。结果表明:无参数优化时的响应曲线,超调大,调节时间约1 s,无稳偏;有参数优化时的响应曲线,超调较小,调节时间约0.65 s,无稳偏,控制算法的响应优良。

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。

在线优化参数的无模型预测神经网络自抗扰控制

关于难以建模的非线性系统的控制问题,提出具有辅助变量的全格式动态线性化方法逼近非线性系统模型,基于其构建系统的预测模型,给出采用直接极小化指标函数自适应优化算法的参数估计算法,在扩张状态观测器中引入控制输入的微分项,并将控制输入和其微分的系数改进为关于观测状态的函数,因其未知,使用RBF神经网络逼近,利用非线性递推最小二乘法同时优化RBF神经网络参数和自抗扰控制器参数,综上研究提出在线优化参数的无模型预测神经网络自抗扰控制算法。仿真研究验证了上述研究的合理性和有效性,系统响应精度高。

基于模型改进的LADRC在废液焚烧系统中的应用

针对废液焚烧系统强耦合、强干扰及非线性所带来的控制瓶颈,提出一种基于理想模型的改进型线性自抗扰控制(linear active disturbance rejection control,LADRC)策略。首先针对焚烧过程建立其理想模型,并设计相应的LADRC,然后将该控制器分别作用于理想模型和实际系统,根据两者的输出偏差建立PID(proportial-integral-derivative)神经网络补偿器,利用该补偿器对LADRC进行改进,以改善观测器受系统自身限制所带来的观测及抗扰能力不足的问题。仿真结果表明改进后的LADRC相比于PID控制和传统的线性自抗扰控制具有更强的抗扰能力以及更好的鲁棒性。