线性自抗扰控制器自整定研究

来源 :华北电力大学(北京) | 被引量 : 0次 | 上传用户:chenhua99
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在工业过程控制中,控制器的自整定被认为是一个提高控制系统自动化程度的有效方法。控制器自整定的一般过程就是通过激励信号获取系统输出数据,其次利用这些简单的采样数据获取系统重要的特征参数,最后利用这些特征参数快速获得控制器参数。目前ABB、Siemens、Honeywell等公司都已经将PID自整定技术用在了自己的产品中,效果不错。然而调查研究表明,PID虽在工业现场使用极其普遍,但效果也不一定总是很好的,由于PID自身结构的限制(误差反馈),对于大迟延和非线性对象,PID效果不佳也是一个事实。线性自抗扰控制(LADRC)是一种结合PID和现代控制理论技术发展起来的新型控制方法,将内部不确定性和外部扰动视为总扰动,通过扩张状态观测器估计总扰动并通过状态反馈进行实时补偿,从而消除扰动。可以看到LADRC是一种“升级版”的PID,因此研究LADRC的自整定也是十分重要的。本文首先介绍了几种常用的辨识方法,通过比较和综合考虑,最后选用操作简便、易于实施的继电反馈辨识方法和阶跃响应两点法作为本文LADRC自整定的基础辨识方法。其次分析了 LADRC的内部结构,发现LADRC的“积分”包含在ESO的广义扰动的估计中,进而说明了 PID与LADRC之间的关系,然后研究了 LADRC参数与PID参数之间的相互转化问题,主要提出了二阶LADRC实际上可以用实际PID去近似的思路,并给出了具体的近似公式。紧接着本文利用曲线拟合的方式推出了两个自整定公式:基于继电反馈的LADRC自整定公式和基于阶跃响应的LADRC的自整定公式。公式只和继电反馈实验或阶跃响应实验特征参数有关,即只要对被控对象做一次继电或阶跃实验,就可以“一键”获取LADRC参数值。仿真结果和实验结果表明本文所提出的两个自整定公式具有很好的控制效果效果,有很好的实际应用价值,并且为LADRC的参数自整定提供了一个很好的理论基础。
其他文献
共享单车在2016年出现后,在很短时间内实现了大规模的投放和使用。同时共享单车具有优秀的低碳减排属性,缓解了大城市的拥堵现象,提高了出行效率,拥堵时间明显缩短。与此同时,共享单车更能和地铁等公共交通工具配合使用,满足市民公交通勤全流程的衔接,给人们提供了绿色安全便捷出行的新选择。但共享单车的快速增长也带来了负面影响,车辆投放总量严重过剩,同时存在企业现场运维薄弱等问题,各大城市逐步开始共享单车总量
车辆雾计算(Vehicular Fog Computing,VFC)的快速发展为车辆带来了诸多益处,如对计算资源的低时延访问。然而,安全与隐私威胁、信息不完全及用户车辆任务数据排队时延和切换成本的长期约束等限制了其发展。本文基于区块链和智能合约提出了一个保护用户隐私、确保安全性和公平性的任务卸载方案。具体来说,用哈希树和智能合约实现“计算量证明”,进而减少“双重索偿”攻击、“搭便车”攻击和赖账攻击
随着无线技术的广泛应用,毫米波通信成为近年来研究的热点,信道测试、建模与仿真技术在毫米波通信系统设计中起到重要作用。与此同时,遗传算法(Genetic Algorithm,GA)与机器学习中支持向量机(Support Vector Machine,SVM)算法的结合能够克服高维数据处理复杂度高、冗余数据处理对算力要求高等传统信道研究难题。而灰色理论的引入可以使模型面向小样本数据,增加模型的预测精度
深度学习方法以其特征提取和非线性数据建模的优势,受到越来越多研究者的关注。卷积神经网络作为深度学习中一种典型的结构,被广泛应用于化工、生物和语音识别等领域。卷积神经网络局部连接、权重共享等特点,使其可以有效地降低网络的复杂度,减少训练参数的数量,增强模型的容错能力。近年来中国电力工业中新能源占比越来越高,正在逐步构建高比例新能源电力系统,因此风速的精准预测对风电并网下提高电力系统的稳定性有重要意义
近年来,经济持续快速发展,人民生活质量得到显著提升,消费需求也在持续扩大。乘用汽车作为人民出行重要的交通工具,市场需求量也在不断增长。乘用汽车消费需求的不断扩大驱动了汽车物流行业的进步。铁路运输作为汽车物流的运输方式之一也实现了快速发展。在发展的过程中,铁路运输的固有属性使其具备了长距离、大批量、可靠性强等优势。基于铁路的优势特征以及汽车物流的特殊性,铁路运输逐渐发展成为了乘用汽车物流的主要运输方
多机器人编队问题是多智能体协作研究的重要问题,是机器人控制的一个重要分支,也是当前研究的热点,机器人编队已经应用在军事搜索,潜艇编队,无人机编队等复杂任务中,通过多个机器人相互协作进行编队能够完成多种复杂的任务,能提高工作效率,减少能源消耗成本,提高任务完成的成功率。本文以轮式移动机器人为研究对象,采用领导者-跟随者编队的编队模式,通过用滑模变结构控制来对该非线性系统进行控制,对多机器人编队控制进
随着日常生活和生产过程中智能平台的广泛应用,越来越多的智能平台搭载云台相机作为其获取有效视觉信息的重要手段。为了充分发挥云台相机的优良特性,研究云台相机的位姿控制策略具有重要意义。本文针对云台相机位姿控制,研究基于传统PID方法结合群智能算法以及深度强化学习的相机位姿控制算法。论文的主要工作如下:首先,简介强化学习和深度强化学习的基本概念,对比分析了基于值函数、基于策略梯度和演员-评论家三种强化学
随着互联网技术的发展,互联网上的信息量每天都在爆发性的增长。如今云计算凭借其高可靠性、高可扩展性以及计费灵活等特点,在高效处理海量信息方面越来越受到人们的关注。云计算本质上是一种分布式计算,用户可以根据自已情况,随时随地按需获得服务。随着用户规模的不断扩大,云平台需要处理的任务也逐渐增多,因此当前研究的重点在于任务调度算法的设计和改进。蚁群算法(Ant Colony Optimization,AC
卷积神经网络在大量的传统机器学习任务上的表现超越传统方法,在实际生产生活中正得到广泛的运用,例如:图像分类、目标识别和生成模型等。然而,当前的先进网络往往具有较大的计算量,这限制了其在大量低成本、低功耗的边缘场景中的使用。同时,将面向复杂数据的模型直接应用到较小的数据集上,会不同程度地增加网络模型的冗余,甚至会因过拟合影响模型的泛化性能。网络压缩领域中的网络剪枝方法能以结构化的方式移除模型中的冗余
当前的工业过程控制系统中,线性控制器仍占绝大部分。然而真实的工业系统都是非线性的,工况切换,设备老化等等实际工业问题都对传统控制器带来挑战。研究更加智能的,具有自学习能力的控制算法具有重要意义。随着机器学习算法的不断发展,以深度学习、机器学习为基础的强化学习算法使得非线性系统自适应控制出现了新的研究方向。强化学习是具有自我决策能力的控制算法,通过探索与试错拥有类似人类的学习能力,通过学习不断改善自