针对一类具有测量扰动的离散时间非线性系统,提出一种基于集中式卡尔曼滤波干扰观测器的无模型自适应控制方法。利用动态线性化方法构造被控系统的线性化数据模型;根据线性化数据模型和传感器的测量数据,设计最优集中式卡尔曼滤波干扰观测器;并利用观测器的输出在线调整伪偏导数,提出系统的控制更新方案。该方案的设计和分析不依赖于除输入输出数据的任何模型信息,可避免常规无模型自适应控制方法容易受测量扰动的影响。仿真结果表明:与基于单个传感器卡尔曼滤波干扰观测器的无模型自适应控制方法相比,提出的基于多传感器最优集中式卡尔曼滤波干扰观测器的无模型自适应控制方法具有更好的跟踪性能和更大的数据信噪比。

大多数液压锚杆钻机转速控制主要依赖于工程技术人员的现场经验,在人工钻进不同岩层时,多采用固定转速,导致作业效率低、设备故障率高。本研究提出了钻机转速的无模型自适应控制算法。该算法仅利用系统的I/O数据,而不需要系统的精确机理模型信息,其可适应钻孔过程中岩层的变化以及快速性的要求。文中分别对无外界干扰和存在外部扰动两种情况进行仿真验证,结果表明:本研究所提出的无模型自适应控制方法能够实现对期望转速的快速跟踪,相比于PID控制,具有更好的控制性能和较强的鲁棒性。

数控机床位置伺服系统在加工过程中受负载、摩擦和电路系统响应特性等因素影响,很难精确建立其加工过程动力学模型。针对批量零件加工过程中的重复执行过程,设计了一种数据驱动的无模型自适应迭代学习控制方案。该方案借助沿迭代轴的动态线性化方法,将数控机床位置伺服系统加工动力学过程等价转化成一个虚拟的迭代数据模型,并根据设计的迭代学习控制律和参数估计律构建数控机床位置伺服系统的无模型自适应迭代学习控制方案。仿真结果表明:该迭代学习控制方案基于数控机床重复运行的特点,仅利用位置和电机电流信息,完成了对零件加工过程的改善,提高了加工精度。

数控机床位置伺服系统受加工环境、零件形状和机床机电特性等变化因素的影响,其零件加工是一个典型的非线性、时变和不确定动力学变化过程,因此,建立其精确机制模型很困难。针对相同零件批量加工过程呈现的重复运行特点,基于被控对象的等价数据模型,提出一种基于数据驱动的自适应迭代学习控制方法。所提控制方法采用沿迭代轴的动态线性化方法,通过最小化控制目标函数,仅利用数控机床位置伺服系统的输入输出数据,实现学习控制增益的自适应更新,克服传统P型迭代学习控制方法固定增益的问题,并经过严格理论分析保证了该方法的收敛特性。仿真结果表明:提出的数据驱动自适应迭代学习控制方法,相比传统P型迭代学习控制方法,平均绝对误差和最大绝对误差分别减小了46%和56%。