自适应控制-控制器设计部分-Part1

自适应控制

12-随机自适应控制系统

一、概述

1. 应用对象：

   • Figure:

     

   • 参数未知的（线性/非线性）定常系统；

   • （线性/非线性）“慢”时变系统。

2. 确定性等价原则，将问题分解成两步：

   • 依据系统模型的未知参数推导出（最优）控制规律；
   • 应用实时获得的系统信息对未知参数进行在线估计，并用估计值实时取代（最优）控制律中的未知参数。

3. 分离原理：

   • 对参数未知的控制对象，可用参数的“实时估计”代替最优控制中“参数的真值”，使估计和控制分开进行。

4. 间接/直接自适应算法：

   • 间接自适应算法：估计“被控对象参数，通过估计出来的被控对象的参数来更新控制器参数；
   • 直接自适应算法：直接更新控制器参数。

5. 自校正调节器（Self-tuning Regulators）=“最小二乘估计算法”+“最小方差”控制规律

   • Figure
   
   • 不同的辨识方法（参数估计和状态估计）+不同的设计方法=多种自适应方案；
   • 设计时没有基于稳定性的考虑，缺乏“从顶至下”的整体设计方案。

二、最小方差控制问题

​ 目的：
$$\begin{gathered} Minimize(V) \\ V=E{\left[y(k+d)-y_r\right]}^2 \end{gathered}$$
式中：
$$\begin{array}{rl}y(k+d)& :k+d步后的实际输出，d与系统阶数n有关；\\ y_r& :参考输入（系统的期望输出）。\end{array}$$

三、最优预测问题

1. SISO系统模型：

$$\begin{gathered} y(k)+a_{1}y(k-1)+\cdots +a_{n}y(k-n) \\ =b_{0}u(k-d)+b_{1}u(k-d-1)+\cdots +b_{n}u(k-d-n)+\lambda \left[\epsilon (k)+c_1\epsilon (k-1)+\cdots +c_n\epsilon (k-n)\right] \end{gathered}$$

​ 其中：
$$\begin{array}{rl}\epsilon (k)& ：噪声干扰，方差为1的白噪声序列；\\ \lambda >0& ：常数，决定噪声的强度；\\ d& ：最快的控制输入在前d步加入，即有d步延迟。\end{array}$$
​ 矩阵形式：
$$A(z^{-1})y(k)=z^{-d}B(z^{-1})u(k)+\lambda C(z^{-1})\epsilon (k)$$
​ 其中：
$$\begin{array}{l}A(z^{-1})=1+a_1{z}^{-1}+\cdots +a_n{z}^{-n}\\ B(z^{-1})=b_0+b_1{z}^{-1}+\cdots +b_n{z}^{-n}\\ C(z^{-1})=1+c_1{z}^{-1}+\cdots +c_n{z}^{-n}\end{array}$$

2. 最优预测问题的描述：

$$E{\left[y(k+d)-{\hat{y}}^{\ast }(k+d/k)\right]}^2\le E{\left[y(k+d)-\hat{y}(k+d/k)\right]}^2$$

​ 其中：
$$\begin{array}{rl}\hat{y}(k+d/k)& ：以当前k时刻对d步之后系统输出的预测值；\\ {\hat{y}}^{\ast }(k+d/k)& ：以当前k时刻对d步之后系统输出的最优预测值。\end{array}$$

3. 将被控对象模型进行整理，利用多项式的代数分解，将干扰分成两个部分：
   $$\begin{gathered} C(z^{-1})=A(z^{-1})F(z^{-1})+z^{-d}G(z^{-1}) \\ F(z^{-1})=1+f_1{z}^{-1}+\cdots +f_{d-1}{z}^{-d+1} \\ G(z^{-1})=g_0+g_1{z}^{-1}+\cdots +g_{n-1}{z}^{-n+1} \end{gathered}$$
   于是有 $y(k+d)$ 和 $y(k)$ 的关系：
   $$y(k+d)=\frac{G(z^{-1})}{C(z^{-1})}y(k)+\frac{B(z^{-1})F(z^{-1})}{C(z^{-1})}u(k)+\lambda F(z^{-1})\epsilon (k+d)$$
   不考虑控制输入 $u(k)$ 的推导过程：
   $$\begin{array}{rl}S1& :C=AF+z^{-d}G⟶\frac{C}{A}=F+z^{-d}\frac{G}{A}\\ S2& :不考虑控制输入，y(k)=\lambda C\epsilon (k)\\ S3& :y(k+d)=\lambda \frac{C}{A}\epsilon (k+d)=\lambda \left[F+z^{-d}\frac{G}{A}\right]\epsilon (k+d)=\lambda \frac{G}{A}\epsilon (k)+\lambda F\epsilon (k+d)\\ S4& :由于，\lambda \epsilon (k)=\frac{A}{C}y(k)\\ S5& :y(k+d)=\frac{G}{A}\left[\frac{A}{C}y(k)\right]+\lambda F\epsilon (k+d)=\frac{G}{C}y(k)+\lambda F\epsilon (k+d)\end{array}$$

4. 最优预测值：

$${\hat{y}}^{\ast }(k+d/k)=\frac{G(z^{-1})}{C(z^{-1})}y(k)+\frac{B(z^{-1})F(z^{-1})}{C(z^{-1})}u(k)$$

5. 预测误差的方差：

$$E{\left[\tilde{y}(k+d)\right]}^2={\lambda }^{2}E{\left[\epsilon (k+d)+f_1\epsilon (k+d-1)+\cdots +f_{d-1}\epsilon (k+1)\right]}^2={\lambda }^2\left(1+f_1^2+\cdots +f_{d-1}^2\right)$$

四、最小方差控制

1. 指标函数：
   $$\begin{array}{rl}J& =E\left[y(k+d)-y_r\right]\\ & =E{\left[{\hat{y}}^{\ast }(k+d/k)+\lambda F(z^{-1})\epsilon (k+d)-y_r\right]}^2\\ & =E{\left[{\hat{y}}^{\ast }(k+d/k)-y_r\right]}^2+2\lambda \cdot E\left[\left({\hat{y}}^{\ast }(k+d/k)-y_r\right)\left(F(z^{-1})\epsilon (k+d)\right)\right]+E{\left[\lambda F(z^{-1})\epsilon (k+d)\right]}^2\end{array}$$

2. 令 ${\hat{y}}^{\ast }(k+d/k)-y_r=0$ ，得最小方差控制：
   u ∗ ( k ) = C ( z − 1 ) B ( z − 1 ) F ( z − 1 ) y r − G ( z − 1 ) B ( z − 1 ) F ( z − 1 ) y ( k ) u^*(k)= \frac{C(z^{-1})}{B(z^{-1})F(z^{-1})}y_r- \frac{G(z^{-1})}{B(z^{-1})F(z^{-1})}y(k) u∗(k)=B(z−1)F(z−1)C(z−1)​y