论文部分内容阅读
基于数据驱动的反馈控制系统打破了传统控制方法对于精确数学模型的依赖,顺应信息时代的发展规律,具备效率高等特点。由于所处理的对象往往具有复杂特性且很难通过机理分析得到准确的对象数学模型,如何有效利用被控对象的输入输出或状态数据实现反馈控制成为亟待解决的问题。基于数据驱动的自学习反馈控制起源于决策领域,需要在算法计算量和调节效果之间寻求良好平衡,根据调节类型可分为两种情况。一方面能够利用输入输出数据估计过程的低阶等价模型,并在此基础上根据在线查表给出调节参数;另一方面直接通过测量被控系统的输入和状态数据以及经过处理得到的信息来设计反馈控制器,无需使用受控系统的数学模型信息,这种解决思路面临的首要问题就是算法实时性和计算量。针对当前未知线性对象的调节控制问题,近似动态规划提供良好的解决手段,本文针对PID参数自整定技术和基于输入状态数据的近似动态规划技术开展研究,主要工作和成果如下:1.本文梳理总结基于开环测试和闭环测试的PID自整定算法并加以实现,结合仿真实验对比分析PID自整定技术的适用场合和应用条件,同时对量测噪声引入对自整定参数的影响进行了分析。为克服量测噪声带来的干扰,仿真实验在反馈通道加入巴特沃斯滤波器,并取得对过程控制对象良好的跟踪控制效果。2.针对参数未知的线性系统,本文将矩阵迭代方程转化为线性方程组并采用高斯约当消元法来求解代价矩阵和反馈控制矩阵,改进了近似动态规划的策略迭代算法,同时分析了权重矩阵和初值选取对反馈调节矩阵的结果。对集中式和分布式系统的分别仿真结果表明,采用改进方案能够减少迭代次数,降低学习过程中引入的激励信号幅值,有利于闭环系统平稳运行。3.选取FOC交流调速系统作为实验平台,验证本文提出的改进近似动态规划算法的控制性能。首先收集闭环条件下输入输出数据并进行预处理,对交流调速系统进行动态建模得到其两阶状态空间模型,将辨识得到的模型作为近似动态规划算法的学习对象,根据学习得到的反馈控制器增益实施电机转速闭环控制。异步电机设定值输出响应表明在学习算法给出的控制器参数下,转速输出比默认参数和人工整定参数下的输出更平稳,超调量更小。