写在前面 对于初步接触控制算法的工程师或者科研人员来说,往往会迷失于种类繁多、名称各异的控制理论/算法和浩瀚的文献中,相关资料越看越迷茫(除非是找到了和自己的问题完全匹配的文献),有时会占用大量的时间。到底我该选用哪种控制算法?我选择了一种我认为合适的控制算法,是不是还有更好的的算法被我忽略掉了?某种算法很流行/热门,很高级,我是不是也用在我的项目中?我想学习这类控制算法该从何处着手?
写在前面 工业实践中,一般希望所设计的控制算法尽可能地简单,直观,需要调节整定的参数尽可能的少。这一方面缩短了控制算法设计、调试时间,另一方面也保证了控制算法的可靠性(复杂往往带来可靠性的下降),降低了应用和维护门槛。因此,长期以来,PID控制器在工业自动化中得到了广泛应用。然而,无论在学术研究还是工业中高端应用场合,控制算法复杂化是一个十分明显的趋势。控制算法的这种复杂化趋势,使得工程
写在前面 首先应该明确,稳定性分析的对象是动力学系统。人们需要知道某一动态变化的系统在给定条件下的行为(如不同外界激励/干扰、不同初始状态、自身参数/条件变化时)是否能够保持在某一范围内。否则,可能会出现系统严重震荡、‘跑飞’或者‘失控’等一些列不稳定行为。如图1所示,这些动力学系统既可以是被控对象本身(无控制输入,受到假想外界扰动时,是否能够回到原来的平衡位置),可以是包含被控对象和控
写在前面 在现实中,一个常见的情境是工程师或者初步接触控制算法设计的同学们看见某控制算法在特定应用领域取得了惊艳的效果后,于是倍加推崇。往往会直接套用到自己的问题中,经过一番折腾,发现效果并不理想,甚至还不如PID好,于是又回到控制理论无用论和PID万能论中去。这其中的原因在于工程师或初学者通常并不理解每种控制算法背后的基本假设和所要解决的一类数学问题,导致了控制算法泛化的风险;比如自抗
写在前面: 在设计控制算法时,工程师通常面临着许多困惑: 名称各异、种类繁多的控制算法,到底选用哪一种算法或哪一种算法适合我的应用场合? 我是否有必要一一掌握这些控制算法?以便用到的能够随时运用,但控制理论看起来都是一大堆复杂的数学公式,看起来很枯燥,而且学不下去。 即使我学了这些控制算法,在实际中是否能够真正用到?说不定还是PID好用。 针对以上问题,先说下作者个人的观点: 没有一种控制
工业自动化控制中,通常面临着一类问题:对于给定的参考输入或者控制目标(假设参考输入已知,求解参考输入的规划问题另外单独讨论),如何设计控制器使得被控对象的输出自动跟随参考输入。取决于被控对象,参考输入或控制目标可能是使机器运动到某一位置或以某一轨迹运动、输出特定的力/力矩或者某个部位达到设定温度等;如图1所示,典型工业自动控制系统一般由控制器(硬件及算法)、被控对象以及传感器等组成,其中传感器将
如控制算法手记-自动整定方法初步中所述,自动整定方法(auto-tuning method)通过整定实验和整定算法自动计算出有效乃至最优的控制器参数,使得被控系统达到目标性能。传统Z-N(Ziegler-Nichols)类自动整定方法基于简化机理模型(如积分+延迟环节、一阶环节+延迟环节、两个一阶环节+延迟环节等),从整定实验中得到系统模型或特征参数后,通过查表法(查询表格根据规定
自动化控制系统中,在控制器类型/结构已经确定的情况下,如何设计控制器的参数以保证系统控制性能被称为控制器整定(Controller Tuning)问题。整定得到的控制器参数直接决定了控制性能的优劣。实际应用中,人们期望通过简单的实验和算法自动整定(auto-tuning)出一组有效乃至最优的控制器参数,使得系统达到目标控制性能,从而大幅缩短现场调试时间和设备开发周期。为实现这一目的,如何设计整定
在介绍了几种数据驱动控制算法(比例-积分-微分控制PID、迭代学习控制ILC、无模型自适应控制MFAC)后,本文试图探讨这么一个问题:针对处于给定应用场景下的被控对象,如何选择合适的动态控制方法以保证优异的控制系统性能?为限定讨论的范围,这里动态控制指在参考输入(Reference Input)已知的情况下,控制方法根据内部观测和被控对象信息计算出控制输入指令(Control Input)使得被
如何在不依赖被控系统机理模型的前提下,充分利用系统输入输出数据完成对底层控制系统有效乃至最优的控制?这是摆在数据驱动控制(Data-driven Control)算法的面前一个基础问题。传统PID在闭环控制的框架下根据当前时刻和相邻时刻偏差的线性组合计算出控制指令;而迭代学习控制在预设同样工况下重复执行同样任务的基础上,通过系统、深入(以至冗余)地利用历史控制输入和偏差信息直接计算控制指令,以实
‘任何事情,重复做一万次,你也会成为专家。’ 这并不是鸡汤,而是一类重要的数据驱动控制方法-迭代学习控制ILC(Iterative Learning Control)背后的基本思路。重复并不意味着完全和以前一样,而是每次都能从之前的经验中学习并改进,循序渐进,臻于完美。在工业自动化中,存在着在同样的条件下重复执行同一个任务的场合(如机器臂重复定位-抓取,晶圆运动平台、数控加工中心、注塑机压力控制
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信