基于U模型的非线性控制研讨.ppt

* * * * * * * * * * * * * * * * * * * * * * * 4. 3 多步最优预测输出（1） 当预测时域步长 从 到 时，多步最优预测输出由式（13）和式（19）递推得： （13） （19） 4. 3 多步最优预测输出（2） 具有矩阵形式的最优预测输出可用下式表示： （20） 4. 4 最优控制律计算（1） （20） （14） 根据式（14）和（20），矩阵形式的未来预测输出 可以表示为： 其中， （21） 4. 4 最优控制律计算（2） 广义预测控制依据性能指标函数形式： 将式（21）代入（22）中可以表示为： （21） （22） （23） 4. 4 最优控制律计算（3） 将式（23）对未来控制量求导，并令其为零： 求解得： （24） （23） 4. 4 最优控制律计算（4） 控制器在 时刻的输出值 可由下式获得： 是系统的伪输入，若要计算系统的实际输入 ，用牛顿-拉夫逊迭代算法求解式（9）的非线性方程得： （25） （9） 图3 基于U模型的广义预测控制输出 4.5 实例 实例2：一个非线性化学动力学模型描述： 5. 鲁棒性研究 鲁棒性的重要性在于算法具有扰动的一致估计误差，小扰动会导致小辨识误差。U模型看成适应的鲁棒性分析不涉及关于信号和噪声的任何信息，分析的结果是将获得学习速度。从广义上讲，鲁棒性可以被认为是辨识误差能量 与噪声或者扰动能量 的比例，被确保为一个有界的正常数。 （26） 5.1 基于鲁棒性的最优学习速度（1） 定义一个压缩映射 到 ， ，表明输出能量不会超过输入能量。将 和先验误差向量 在 时的欧几里德范数与 和扰动误差的欧几里德范数进行比较，等效误差迭代方程为： 其中， （27） 5.1 基于鲁棒性的最优学习速度（2） 变换 得出学习速度决定能量界限的公式：， （28-a） （28-b） （28-c） 5.1 基于鲁棒性的最优学习速度（3） 式(28-a)和式(28-b)表明，若学习速度为 ，则从 到 的映射为压缩映射，由局部能量有限可推得迭代更新过程的鲁棒性。这个能量界限指出，无论 和参数误差向量的值是多少，能量值 总是小于或等于能量值 ，从而算法表现为存在噪声扰动和负载变化时的鲁棒性，当式为（28-c）的情况时，自适应算法损耗了它的鲁棒性。 5.2 反馈结构（1） 式（28）给出的界限说明了一种建立反馈结构的方式。 对式（29）求平方范数，整理得： 即 式（31）给出的能量比适用于所有可能的学习速率，即从信号 到信号 的映射 是无损的。 （29） （30） （31） 5.2 反馈结构（2） 对U模型的输出 应用均值定理得： 对于点 ，在辨识步骤中顺着连接部分 和 得到： 式（33）显示了一个反馈结构。利用小增益定理分析反馈结构的稳定性，即一个有限能量输出噪声序列 被映射为无限能量的先验误差序列 。 （32） （33） 5.2 反馈结构（3） 使用小增益定理获得最优的学习速度，定义在反馈环的增益为： 其中， 为在 之间最大反馈环的绝对增益。 假定为无损的情况，则前馈映射的范数等于1，反馈映射的范数定义为 。所以如果保持范数乘积小于1，至少要求 。学习速度设置为 ，并保证界限： 即保证U模型参数迭代序列的稳定性，也保证了快速收敛性。 （34） （35） 5.3 总结与展望（1） 基于U模型的控制系统设计应首先确定非线性对象模型，包括SISO和MIMO非线性系统。 在非线性模型结构和参数已知的情况下，非线性对象U模型的多项式表达式可以通过迭代方法实时获得，并在此基础上进行控制器的设计。 参数已知的非线性对象是针对可以精确建模的非线性系统，因而其应用具有一定的局限性。当非线性模型的结构和参数为随机函数时，可采用辨识获得随机U模型的参