17774

17774

كنترل پيش‌بين مدل‌ مبناي غيرخطي عصبي - تطبيقي با قابليت حذف خطاي حالت ماندگار

دكتري

كنترل

مرداد ماه 1396

دكتر محمد فرخي

برق

در اين رساله، به مساله رديابي و حذف اغتشاش با استفاده از كنترل‌كننده پيش‌بين غيرخطي با رويكرد حذف خطاي حالت ماندگار پرداخته ‌شده است. اغتشاش‌هاي درنظرگرفته ‌شده به دو دسته اغتشاش داخلي كه ناشي از تغيير در پارامترهاي سيستم هستند، و اغتشاش‌هاي خارجي تقسيم مي‌شوند. هدف اصلي، تحليل عملكرد سيستم حلقه‌بسته از طريق تضمين پايداري سيستم در حضور اغتشاش و رفتار بدون خطاي حالت ماندگار است. با توجه به خاصيت تقريب‌ عمومي شبكه‌هاي عصبي و قابليت آن‌ها در مدل‌سازي سيستم‌هاي غيرخطي بر اساس داده‌هاي ورودي- خروجي، از شبكه‌ عصبي پرسپترون چندلايه به‌عنوان مدل پيش‌بين استفاده شده است. با مرور روش‌هاي مختلفي كه با ديدگاه رديابي بدون خطاي حالت ماندگار در مراجع وجود دارند، از ويژگي تطبيقي‌بودن مدل براي رسيدن به اين هدف استفاده شده است چرا كه مدل تطبيقي، تغييرات سيستم را در هر گام زماني آموزش مي‌بيند. سپس، براي تضمين پايداري سيستم حلقه‌بسته در حضور اغتشاش، رويكرد محدودكردن قيدهاي سيستم از طريق كران اغتشاش و با استفاده از ثابت ليپشيتزِ مدل تطبيقي پيشنهادشده است. اين رويكرد، پايداري ورودي-به-حالت (ISS) سيستم حلقه‌بسته را در حضور اغتشاش‌هايي از جنس پله برآورده مي‌كند. براي شامل‌شدن اغتشاش‌هاي غيرپله به‌خصوص اغتشاش شيب، ساختار تركيبي كنترل‌پيش‌بين با جبران‌ساز پيشرو پيشنهاد شده است كه مبتني بر استفاده از رويت‌گر اغتشاش است. اين ساختار اين قابليت را به سيستم حلقه‌بسته اضافه مي‌كند كه بتوان طراحي كنترل‌ پيش‌بين براي عملكرد مناسب رديابي را مستقل از طراحي جبرانساز پيشرو براي حذف اغتشاش انجام داد. در حضور اغتشاش‌هاي بزرگ، ممكن است ساختار تركيبي كنترل پيش‌بين-پيشرو بهينه‌‌بودن سيگنال كنترل را برهم‌زده و يا قيود سيگنال كنترل را برآورده نسازد. براي برطرف ساختن اين مشكل، اغتشاش به‌عنوان ورودي در ساختار مدل پيش‌بين واردشده و به‌طور مستقيم از طريق مساله بهينه‌سازي كنترل‌ پيش‌بين، سعي در حذف اثر اغتشاش از سيستم حلقه‌بسته شده است. در تمامي مراحل پيشنهادي، پايداري سيستم حلقه‌بسته و رفتار بدون خطاي حالت ماندگار آن به‌صورت تحليلي بررسي شده است. همچنين با مثال‌هاي شبيه‌سازي و عملي بر روي سيستم‌هاي غيرخطي متنوع، به راستي‌آزمايي و مطالعه مقايسه‌اي روش‌هاي پيشنهادي پرداخته شده است.

1396/06/05

1/1/1900 12:00:00 AM

In this thesis, an adaptive nonlinear model predictive control method is proposed to achieve offset-free behavior in the reference tracking and disturbance rejection. The uncertainties in the system parameters (i.e. internal disturbances) are considered as well as external disturbances. Since the neural networks are general approximators and can model any Lipschitz nonlinear systems using input-output data of the system, neural network model is utilized as the predictor model. Adaptive models can consider the system changes in each time step, therefore the adaptive neural network model is used and this helps to achieve offset-free tracking. To guarantee the closed-loop stability in the presence of disturbances, a constraint tightening approach based on the bounds of the disturbances and the Lipschitz constant of the adaptive model is proposed. This approach guarantees the Input-to-State Stability (ISS) of the closed-loop system in the presence of the step disturbances. To eliminate the effect of non-step disturbances such as ramp, a hybrid predictive control with feed-forward control based on disturbance observer is proposed. The important feature of this structure is that the design of predictive control for reference tracking can perform independent of the design of feed-forward control for disturbance rejection. However, in the presence of big disturbances, this structure may deteriorate the optimality of the control signal and/or not satisfy the constraints on the control signal. To solve this problem, estimation of disturbance is introduced to the neural network model as one of its inputs and the effect of disturbance is rejected in the closed-loop system via optimization problem of the predictive control. The effectiveness of the proposed methods is eva​luated in the simulation and experimental studies and is compared with the recently reported methods in literature.