自适应控制论文综述

自适应控制系统综述摘要：本文首先介绍了自动控制的基本理论及其发展阶段，然后提出自适应控制系统，详细介绍了自适应控制系统的特点。最后描述的是自适应控在神经网络的应用和存在的问题。关键字：自适应控制神经网络一、引言1.1控制系统的定义自动控制原理是指在没有人直接参与的情况下，利用外加的设备或装置，使机器，设备或生产过程的某个工作状态或参数自动地按照预定的规律运行。在不同的控制系统中，可能具有各种不同的系统结构、被控对象，并且其复杂程度和环境条件也会各不相同，但他们都具有同样的控制目地：都是为了使系统的状态或者运动轨迹符合某一个预定的功能性能要求。其中，被控对象的运动状态或者运动轨迹称为被控过程。被控过程不仅与被控系统本身有关，还与对象所处的环境有关。控制理论中将控制系统定义为由被控系统及其控制器组成的整体成为控制系统。1.2控制理论的发展阶段控制理论发展主要分为三个阶段：一：20世纪40年代末-50年代的经典控制理论时期，着重解决单输入单输出系统的控制问题，主要数学工具是微分方程、拉氏变换、传递函数；主要方法是时域法、频域法、根轨迹法；主要问题是系统的稳、准、快。二：20世纪60年代的现代控制理论时期，着重解决多输入多输出系统的控制问题，主要数学工具是以此为峰方程组、矩阵论、状态空间法主要方法是变分法、极大值原理、动态规划理论；重点是最优控制、随即控制、自适应控制；核心控制装置是电子计算机。三：20世纪70年代之后的先进控制理时期，先进控制理论是现代控制理论的发展和延伸。先进控制理论内容丰富、涵盖面最广，包括自适应控制、鲁棒控制、模糊控制、人工神经网络控制等。二、自适应控制系统2.1自适应控制的简介在反馈控制和最优控制中，都假定被控对象或过程的数学模型是已知的，并且具有线性定常的特性。实际上在许多工程中，被控对象或过程的数学模型事先是难以确定的，即使在某一条件下被确定了的数学模型，在工况和条件改变了以后，其动态参数乃至于模型的结构仍然经常发生变化。在发生这些问题时，常规控制器不可能得到很好的控制品质。为此，需要设计一种特殊的控制系统，它能够自动地补偿在模型阶次、参数和输入信号方面非预知的变化，这就是自适应控制。自适应控制的研究对象是具有一定程度不确定性的系统，这里所谓的“不确定性”是指描述被控对象及其环境的数学模型不是完全确定的，其中包含一些未知因素和随机因素。任何一个实际系统都具有不同程度的不确定性，这些不确定性有时表现在系统内部，有时表现在系统的外部。从系统内部来讲，描述被控对象的数学模型的结构和参数，设计者事先并不一定能准确知道。作为外部环境对系统的影响，可以等效地用许多扰动来表示。这些扰动通常是不可预测的。此外，还有一些测量时产生的不确定因素进入系统。面对这些客观存在的各式各样的不确定性，如何设计适当的控制作用，使得某一指定的性能指标达到并保持最优或者近似最优，这就是自适应控制所要研究解决的问题。自适应控制和常规的反馈控制和最优控制一样，也是一种基于数学模型的控制方法，所不同的只是自适应控制所依据的关于模型和扰动的先验知识比较少，需要在系统的运行过程中去不断提取有关模型的信息，使模型逐步完善。具体地说，可以依据对象的输入输出数据，不断地辨识模型参数，这个过程称为系统的在线辩识。随着生产过程的不断进行，通过在线辩识，模型会变得越来越准确，越来越接近于实际。既然模型在不断的改进，显然，基于这种模型综合出来的控制作用也将随之不断的改进。在这个意义下，控制系统具有一定的适应能力。比如说，当系统在设计阶段，由于对象特性的初始信息比较缺乏，系统在刚开始投入运行时可能性能不理想，但是只要经过一段时间的运行，通过在线辩识和控制以后，控制系统逐渐适应，最终将自身调整到一个满意的工作状态。再比如某些控制对象，其特性可能在运行过程中要发生较大的变化，但通过在线辩识和改变控制器参数，系统也能逐渐适应。常规的反馈控制系统对于系统内部特性的变化和外部扰动的影响都具有一定的抑制能力，但是由于控制器参数是固定的，所以当系统内部特性变化或者外部扰动的变化幅度很大时，系统的性能常常会大幅度下降，甚至是不稳定。所以对那些对象特性或扰动特性变化范围很大，同时又要求经常保持高性能指标的一类系统，采取自适应控制是合适的。但是同时也应当指出，自适应控制比常规反馈控制要复杂的多，成本也高的多，因此只是在用常规反馈达不到所期望的性能时，才会考虑采用。2.2自适应控制的特征一个自适应控制系统必然具有三个基本特征：(a)过程信息的在线积累在线积累过程信息的目的，是为了降低受控系统原有的不定性。为此可用系统辨识的方法在线辨识受控系统的结构和参数，直接积累过程信息；也可通过量测能反映过程状态的某些辅助变量，间接积累过程信息。在系统辨识中，结构辨识比参数估计困难得多。(b)可调控制器可调控制器是指它的结构、参数或信号可以根据性能指标要求进行自动调整。这种可调性要求是由受控系统的不定性决定的，否则就无法对过程实现有效的控制。(c)性能指标的控制性能指标的控制可分为开环控制方式和闭环控制方式两种。若与过程动态相关联的辅助变量可测，而且此辅助变量与可调控制器参数之间的关系又可根据物理学的知识和经验导出，这时就可通过此辅助变量直接调整可调控制器，以期达到预定的性能指标。这就是性能指标的开环控制，它的特点是没有根据系统实际达到的性能指标再作进一步的调整。与开环控制方式不同，在性能指标的闭环控制中，还要获取实际性能与预定性能之间的偏差信息，将其反馈后修改可调控制器，直到实际性能达到或接近预定性能为止。如何提高控制系统的自适应速度，如何优化自适应控制的过程以及如何既能保证性能而又简化算法是自适应控制的一个重要问题。在其算法的研究中主要是控制策略的参数化问题；它通常研究的问题是如下三个方面：如何使控制结构尽可能的简单；怎样减少对系统所要求的先验知识以及尽可能的使系统所要求的先验知识有其物理意义；如何减少要辨识的参数的个数。从参数估计的角度，自适应控制分为间接自适应控制和直接自适应控制。在间接自适应控制系统中，控制对象的参数被实时估计，并通过解Diophantine方程计算出控制器的参数应用于下一时刻的控制规律中。直接自适应控制的核心思想是将估计模型按控制器的参数重新参数化，它不需要解Diophantine方程而直接在线估计控制器参数以及其它附加参数。相比较而言，间接自适应控制虽然估计参数较少，但是需要在线解Diophantine方程；而直接自适应控制器的计算相对简单，可以提供更快的自适应调节。因此更加适合实时地控制对象。由于本课题的被控对象传递函数的特点，重新参数化比较简单。所以拟定选用直接自适应控制方法设计给予确定性等价准则的传统自适应极点配置控制器，并在此基础上设计谨慎和双重特性的修正三、自适应控制的应用及存在的问题3.1自适应控制在神经网络的应用在现实生活中，任何一个实际系统都具有不同程度的不确定性，这些不确定性表现在被控过程或对象的特性时刻发生变化，变化规律难以掌握，同时还有各种各样的随机干扰作用在系统上，这些影响通常是不可预测的。如何设计适当的控制作用，通过输入、输出信息，实时的掌握被控对象和系统误差的动态特性，并根据其变化情况及时掌握调节控制量，使系统性能指标达到并保持最优或者近似最优，这就是自适应控制所要研究解决的问题。人工神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论，它通过大量神经元的简单处理单元构成非线性动力学系统，对人脑的形象思维、联想记忆等进行模拟和抽象，实现与人脑相似的学习、识别、记忆等信息处理能力，其特点包括具有很强的自学习性、自组织性、容错性、高度非线性、高度鲁棒性、联想记忆功能推理意识功能等。自适应控制系统本质上是一个非线性随机控制系统，很难为其找到合适的数学模型，传统的方法难以对其进行控制。由于神经网络已被证明具有很强适应能力和逼近任意连续有界非线性函数的能力，它在解决高度非线性和严重不确定系统的控制方面显示出它强大的优越性，神经网络自适应控制是基于自适应的基本原理，利用神经网络的特点和理论设计而成的，发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了一种新方法。它与自适应控制的完美结合，使控制领域的发展迈向了一个新的台阶。神经网络自适应控制从本质上讲，实际上是基于神经网络理论的自校正控制或模型参考自适应控制。自校正控制根据对系统正向和(或)逆模型辨识结果，直接按自适应规律调节控制器结构参数，使系统满足既定的性能指标。而在模型参考自适应控制中，闭环控制系统的期望性能则有一个稳定而优良的参考模型来描述，其控制目标是使被控对象的输出响应y(t)一致渐近地趋于参考模型的输出响应dy(t)，即神经网络用于自适应控制主要有两种方式：一种是利用人工神经网络的逼近能力，描述被控对象的数学模型；二是充当控制器，其控制作用的调整依赖于网络权系数的改变，通过网络训练，完成将信号从网络输入端到输出端的映射，为被控对象提供适当的控制量。神经网络自适应控制与一般自适应方法的区别在于：（1）在模型参考控制中，参考模型由神经网络代替。与常规自适应控制比较自适应控制理论的目标是设计一个灵活的控制器，它能够考虑未知参数的变化，自动调节控制器的增益。而常规的自适应控制器为了获得良好的控制效果，需要在系统中加入白噪声信号，辨识过程往往会出现饱和麻痹现象，影响辨识效果和跟踪速度。利用了神经网络则可解决这一问题。因为神经网络具有自学习、受训练的特点，它可以正确地提取受控对象的模型参数，并具有较强的抗干扰能力和容错能力，提高控制器的性能。3.2神经网络自适应控制存在的问题1.稳定性问题稳定性是控制系统设计的基本准则，但是神经自适应控制系统的稳定性分析难度极大。这是因为要处理的非线性对象的模型一般是具有严重非线性和不确定性的复杂系统，而神经网络本身又是一个大规模非线性系统，由它们按一定方式组织起来的神经控制系统具有更为复杂的动力学特性。目前已有的神经网络自适应控制研究的主要问题是：基于lyapunov函数来证明神经网络自适应控制系统的稳定性的方法，已经被应用于一些简单的非线性系统，即仿射非线性系统之中，但是，在工程中遇到的非线性系统大多是非仿射的。2.鲁棒性问题在自适应控制系统的设计中，根据鲁棒性要求所设计的系统比单纯按收敛性和稳定性指标所设计的系统具有更好的控制效果。目前，对于非线性控制系统的鲁棒性已有许多研究结果，一般是针对一类仿射非线性系统进行的，对于系统的条件限制较严，目前的研究成果很难应用于实际的非线性控制系统中去，故其鲁棒性研究具有重要的理论和应用意义。3.控制的实时性问题神经网络自适应控制是采用先离线辨识，再在线控制的方式，这样比在线建模方式控制效果好，但实时性较差。同时，神经网络的学习速度一般都比较慢，为满足实时控制需要，必须研究快速的学习算法，使其能同时保证实时性与控制效果,这仍是一个难题。三、总结自适应控制已经提出半个多世纪了，在各个领域得到了广泛的应用，本文提到的神经网络自适应控制系统，就是其中的一个应用。参考文献[1]袁震东.自适应控制的存在问题与发展趋势.电气自动化，1997[5][2]刘霞，王德民，王秀红.自适应控制发展概述.油气田地面工程，2004.1[1][3]郭涛，王巍.自适应控制方法研究与发展.安阳师范学院学报，2009:81-84[4]董宁.自适应控制.北京：北京理工大学出版社，2009[5]吴振顺.自适应控制理论与应用.哈尔滨：哈尔滨工业大学出版社，2005[6]谢新民，丁峰.自适应控制系统.北京：清华大学出版社，2003[7]张秀玲.神经网络自适应控制的进展及进展[J].工业仪表与自动化装置.2002:10-14