LADRC的学习——寻找实际被控对象传函(验证调参效果)

一、前文总结

  这篇文章主要寻找英文论文,然后提取里面实际被控对象的物理模型,用LADRC控制器进行控制,然后用三种方法验证其中的控制效果。 这里引用的参考文献为:

[1] Bingwei Gao,Junpeng Shao,Xiaodong Yang. A compound control strategy combining velocity compensation with ADRC of electro-hydraulic position servo control system[J]. ISA Transactions,2014,53(6).
[2] Caifen Fu,Wen Tan. Tuning of linear ADRC with known plant information[J]. ISA Transactions,2016,65.
[3] Chunqiang LIU,Guangzhao LUO,Zhe CHEN,Wencong TU,Cai QIU. A linear ADRC-based robust high-dynamic double-loop servo system for aircraft electro-mechanical actuators[J]. Chinese Journal of Aeronautics,2019.

二、进行验证

1、第一个模型

  这里引用参考的文章为 A compound control strategy combining velocity compensation with
ADRC of electro-hydraulic position servo control system.这是关于电液位置伺服控制系统的模型,其中结构框图为:

  可以通过结构图观察到,这个系统由伺服放大器,伺服阀,不对称液压缸,位移传感器组成。通过对电液位置伺服控制系统建模得到传递函数为:

  这次搭建的仿真模型为LADRC的标准形式,如图所示:

  然后调整参数以后,其中参数为:b0 = 0.91, omega_c = 1.14, omega_0 = 4.0. 从而得到仿真图像为:

  进行时域分析得到,上升时间为3.0029,调节时间为5.8036,没有超调。但是存在的问题是,在阶跃的一个短时间内出现高频振荡上升,但是很快就稳定了下来。

  接下来要验证调节的参数是否达到要求,以下有三种方法进行验证:
  1.扩张状态观测器(ESO)通过u,y作为输出;z1,z2,z3分别用来估计输出y,输出的一阶导数y‘,总扰动 f ,所以把z1和y进行比较,z2和y’进行比较,看参数调节情况。
  2.当调节好参数以后,被控对象即被等效为两个积分器串联,因此被控对象换为两个积分器串联,看控制效果。
  3.在噪音那里的位置换为阶跃信号,然后原阶跃信号那里换为常数为0的输入,如果参数调节够好,被控对象之外的部分相当于存在了弥补阶跃信号的效果,如果在u之前加入阶跃信号,y可以很快的变为0.
  下面将对各个系统进行一一验证。

a、方法一,二进行验证

  下面的四个图像是分为两个时序的图像的。第一次的四个图像是,系统在调节好参数以后,对各个部分进行观察分析。第二次的四个图像是,把 Gp 换为两个积分器串联,在原定参数下,对系统各个部分进行分析观察。第一幅图像为 设定值与输出值 的比较;第二幅图像为 观测器输出z1(估计y)与输出值y 的比较; 第三幅图像为 观测器z3的输出(估计扰动值); 第四副图像为 观测器的输出z2(估计y‘)


  下面的图像为 u ,u0 ,u0 + f 的图像。

b、方法三进行验证

  按照之前方法三进行搭建,仿真图像为:

  对阶跃信号和输出信号进行观察,看系统输出是否快速趋近于0,图像如下:

  第一幅图像为 阶跃值(设定值)与输出值 的比较;第二幅图像为 观测器输出z1(估计y)与输出值y 的比较; 第三幅图像为 观测器z3的输出(估计扰动值); 第四副图像为 观测器的输出z2(估计y‘)。 通过对第一幅图像进行观察,看到满足之前方法三的假定结果,因此参数调节相对良好。

2、第二个模型

  这里引用参考的文章为Tuning of linear ADRC with known plant information.其中传递函数为:

  调节参数,参数为 b0 = 11.6, omega_c = 0.34, omega_0 = 8, 得到图像为:

  其中时域分析参数为,上升时间为13.1751,调节时间为22.4043,无超调。接下来开始分析参数调节情况。

a、方法一,二进行验证

  按照之前说的方法进行设置,看图像变化情况。

  下面的四个图像是分为两个时序的图像的。第一次的四个图像是,系统在调节好参数以后,对各个部分进行观察分析。第二次的四个图像是,把 Gp 换为两个积分器串联,在原定参数下,对系统各个部分进行分析观察。第一幅图像为 设定值与输出值 的比较;第二幅图像为 观测器输出z1(估计y)与输出值y 的比较; 第三幅图像为 观测器z3的输出(估计扰动值); 第四副图像为 观测器的输出z2(估计y‘)。 可以看出Gp换为两个积分器以后得到的图像有幅值较大的抖动,因为要么是参数没有调节太好,要么就是原系统有较大的抑制抖动的效果,但是终值都趋于一个稳定值,因此参数调节基本满足要求。

b、方法三进行验证

  对阶跃信号和输出信号进行观察,看系统输出是否快速趋近于0,图像如下:

  第一幅图像为 阶跃值(设定值)与输出值 的比较;第二幅图像为 观测器输出z1(估计y)与输出值y 的比较; 第三幅图像为 观测器z3的输出(估计扰动值); 第四副图像为 观测器的输出z2(估计y‘)。 通过对第一幅图像进行观察,看到满足之前方法三的假定结果,但是出现了较大的峰值超调波动,因此可以判断出参数调节基本满足要求但是不是太好。

3、第三个模型

  这里引用参考的文章为Control of unstable processes with time delays via ADRC,其中传递函数为:

  通过调节参数,参数为,b0 = 0.98, omega = 0.25, omega_0 = 8.11, 调节以后得到的图像为:

  在时域上分析得到参数为,上升时间为7.3653, 调节时间为 27.8227.对于有延迟环节的三阶系统有较好的调节效果,但是在这个过程中不免存在一些震荡。

a、方法一进行验证

  通过方法一进行验证,得到图像为:

  可以看出,调节参数效果良好。

b、方法二进行验证


  可以看出,换为两个积分器以后,系统变为发散了,但是通过不断地实验,得出一个结论。第二种方法验证延迟系统调参作用不大。

c、方法三进行验证

  通过第三种方法进行验证,得到图像为:

  通过对第一幅图像进行观察,看到满足之前方法三的假定结果,但是出现了较大的峰值超调波动,因此可以判断出参数调节基本满足要求。

4、第四个模型

  这里引用参考的文章为Control of unstable processes with time delays via ADRC,其中传递函数为:A linear ADRC-based robust high-dynamic double-loop servo system for aircraft electro-mechanical actuators.其中传递函数为:

  这里选择第二个式子进行调参测试。其中 xi = 0.7, omega_n = 5.然后LADRC参数为:b0 = 96,omega_c = 3.6, omega_0 = 16.8. 仿真图像为:

  其中时域参数为,上升时间为:1.1447, 调节时间为:4.2327,无超调,可以看出,二阶LADRC三阶ESO对二阶系统控制效果挺好的。接下来开始验证。

a、方法一,二进行验证

  第一个图像:

  第二个图像:

  其中用第二种方法的时候,图像是发散的,观察系统极点是稳定的。这里需要解决,存在疑问。

c、方法三进行验证

  通过第三种方法进行验证,得到图像为:

  通过对第一幅图像进行观察,看到满足之前方法三的假定结果,但是出现了较大的峰值超调波动,因此可以判断出参数调节基本满足要求。

三、分析总结

  通过对以上系统进行分析,用了三种方法进行验证,发现比起PID的按照经验调参更有依据,可以让调节参数更优。但是对第二种方法存在疑问,它对哪些系统可以有用,这里还需要进行验证,了解。现在存在一个很大的疑问,状态观测器如何设计和扩张,这里是依旧存在的一个问题。

LADRC的学习——寻找物理模型被控对象(验证调参效果)相关推荐

  1. 【算法竞赛学习】心跳信号分类预测-建模与调参

    Task4 建模与调参 此部分为零基础入门数据挖掘之心电图分类的 Task4 建模调参部分,带你来了解各种模型以及模型的评价和调参策略,欢迎大家后续多多交流. 赛题:零基础入门数据挖掘 - 心电图分类 ...

  2. PCL库学习(8)_点云调参系统之环境搭建QT5.7.0+VS2013+PCL1.8.0配置

    功能1:单帧点云的加载与可视化: 功能2:多帧点云的加载与可视化:(未实现,可提供源码) 功能3:点云滤波,包括但不限于直通滤波.体素栅格滤波.半径滤波等等: 功能4:地面点检测,包括但不限于Lego ...

  3. LADRC的学习——换被控对象进行仿真测试

    LADRC控制器的检验--用不同的被控对象测验 一.前文总结   这篇文章主要根据清华大学的硕士陈星写的论文:自抗扰控制器参数整定方法及其热工过程中的应用 进行学习. 参考文献为: [1] Zhiqi ...

  4. LADRC的学习——用simulink搭建仿真模型

    作者:墨心: 时间:2019.7.25 用simulink搭建仿真模型 前面两篇博客主要讲了ADRC的相关概念和知识,并且尝试着搭建模型和仿真,之后学习了PID的相关知识,了解了Kp,Ki,Kd三个参 ...

  5. PHP中的MySQLi扩展学习(五)MySQLI_STMT对象操作

    PHP中的MySQLi扩展学习(五)MySQLI_STMT对象操作 就像 PDO 中的 PDO_Statment 对象一样,MySQLI_STMT 对象也是一个预处理语句所形成的对象,专门用来操作 M ...

  6. 【算法竞赛学习】金融风控之贷款违约预测-建模与调参

    Task4 建模与调参 此部分为零基础入门金融风控的 Task4 建模调参部分,带你来了解各种模型以及模型的评价和调参策略,欢迎大家后续多多交流. 赛题:零基础入门数据挖掘 - 零基础入门金融风控之贷 ...

  7. 调参侠的自我修养——深度学习调参秘籍

    这是一篇写给萌新的"科学炼丹"手册 前言 近期在订阅号后台和文章评论区review了一下大家的问题,发现很多小伙伴现在已经把机器学习.深度学习的理论基础打好了,但是真正要解决一个现 ...

  8. DL之CNN优化技术:学习卷积神经网络CNN的优化、实践经验(练习调参)、从代码深刻认知CNN架构之练习技巧

    DL之CNN优化技术:学习卷积神经网络CNN的优化.调参实践.从代码深刻认知CNN架构之练习技巧 目录 卷积神经网络CNN调参学习实践 练习技巧 1.练习攻略一 2.VGG16练习攻略二 卷积神经网络 ...

  9. 谷歌大脑深度学习调参(炼丹)指南出炉,Hinton点赞,一天收获1500星

    本文来源  机器之心编辑部 「大量的实践经验已被提炼成这份强大的深度学习模型调参指南.」--Geoffrey Hinton. 众所周知,AI 的超参数决定着模型学习效果和速度.相比普通机器学习任务,深 ...

最新文章

  1. Android MVC,MVP,MVVM模式入门——重构登陆注册功能
  2. IntelliJ IDEA 常用设置 1
  3. c++:MFC _cstring.h库常用函数
  4. % 在C语言中的用法
  5. Hadoop2.6集群动态添加和删除数据节点
  6. android webview url scheme,Android Webview ERR_UNKNOWN_URL_SCHEME错误
  7. 英语(10)---脱口而出的英语
  8. Eclipse在线安装SVN插件
  9. AIR-Android开发外部数据访问与存储
  10. windows下编译Chrome浏览器
  11. mysql 导出 客户端_Mysql 数据库攻击面
  12. 深入了解DSP和ARM的关系(相同与区别)
  13. 地铁综合监控系统网络方案,简化工作轻松应对客流高峰
  14. vim中实现大小写转换
  15. 【Unity】Obi插件系列(三)—— Collisions
  16. 运用设计模式实现Sql语句动态转换
  17. 利用人性弱电的互联网服务
  18. dp交换机命令_DP 交换机
  19. 2022软件测试工程师的简历怎么写?
  20. JS — 声明与引入

热门文章

  1. event事件的坐标 offsetWidth client scroll
  2. JAVA魔法堂:折腾Mybatis操作SQLite的SQLException:NYI异常
  3. redis 配置文件翻译
  4. 全民 Transformer (二): Transformer在深度学习和NLP中如何发挥作用
  5. [HDU 2096] 小明A+B
  6. VMware中让虚拟机支持虚拟化
  7. 【不积跬步,无以致千里】linux下如何查看自己的外网IP
  8. 转载--数据库sql取整操作
  9. ubuntu iptables设置
  10. 问题六十九:阴影(Shadow)——原理和C++实现