Online Decentralized Dynamic Event-triggered Control of Unknown Large-scale Interconnected Systems
-
摘要: 针对一类系统动态未知且受互联项影响的非线性互联大规模系统, 提出一种新的在线分散式动态事件触发控制(Dynamic event-triggered control, DETC)方案. 首先, 构建基于神经网络的辨识器来重构互联系统的未知内部动态. 其次, 使用自适应评判网络在事件触发机制下学习近似最优控制策略. 在所设计的动态事件触发控制机制下, 各子系统独立地设计自己的控制策略, 且各控制策略的更新是异步进行的. 也就是说, 各个分散式事件触发条件和控制器仅依赖于各自子系统的局部状态信息, 而无需频繁获取相邻子系统的信息, 从而规避通过通信网络在子系统间传递状态信息的需求. 然后, 借助李雅普诺夫稳定性定理, 从理论上证明所提出的闭环控制系统状态和评判网络权值估计误差都是最终一致有界的. 最后, 通过一个数值仿真示例和一个实际工程示例验证了所提出的动态事件触发控制方法的有效性和实用性.Abstract: This article introduces a novel online decentralized dynamic event-triggered control (DETC) scheme designed for a class of nonlinear interconnected large-scale systems whose system dynamics are unknown and influenced by interconnections. Firstly, we utilize a neural network-based identifier to reconstruct these unknown internal dynamics. Secondly, we develop an adaptive critic network to learn the approximate optimal control policies under a dynamic event-triggered mechanism. In this mechanism, the control policies for each subsystem are designed independently, and the update of the control policies is completed asynchronously. In other words, each decentralized event trigger condition and controller only rely on the local state information of their respective subsystems, and there is no need to frequently obtain information from adjacent subsystems, thus circumventing the need to transfer state information between subsystems through communication networks. Furthermore, by employing Lyapunov theorem, we demonstrate that both the closed-loop control system states and the critic network weights estimation errors are ultimately uniformly bounded. Finally, the effectiveness and feasibility of the developed dynamic event-triggered control method are validated through both a numerical example and a real-world application.
-
黑体, 作为红外设备的高精度定标源, 采用非接触式的辐射测温方法, 具有不破坏被测物体的优点, 需要快速高稳定的控制温度[1-2]. 黑体辐射源应用于机载红外成像系统, 校正红外制导系统, 同时也是现场红外校准的主要定标源[3]. 黑体温度控制的好坏(例如温度稳定性、升降温响应速度、抗干扰能力等)直接影响了红外设备的标定, 进而影响了其他的应用领域.
目前, 在工控领域, PID仍占据主导地位[4-5], 采用传统的单一的PID控制, 需根据不同的黑体设备由人工调节 PID参数, 无法达到快速的, 高精确, 高稳定的控制. 也有很多文献试图寻找更好的控制策略[6-10], 基本上都是在相关的特定场合进行控制. 黑体控制系统其实质为温度控制系统, 这类系统一般具有扰动性、滞后性且具有较难的系统建模, 是属于比较难的控制问题. 一些先进的控制方法不断出现, 例如模型预测控制、滑模控制、自适应控制等[11-14], 由于黑体温度控制的特殊性质使得这些方法未曾有效的应用. 下面分析一般的具有纯滞后的单回路反馈控制系统, 其控制传递函数为
$$ \Phi(s) = \frac{Y(s)}{R(s)} = \frac{D(s)G(s)}{1+D(s)G(s)e^{-\tau{s}}}{\rm{e}}^{-\tau{s}}$$ (1) 式(1)分母中含有
${\rm{e}}^{-\tau{s}}$ 滞后环节, 降低了系统的稳定性, 影响了控制质量, 从而大大降低了闭环系统的控制品质. 系统辨识理论的发展, 被控对象参数的精确辨识使得系统建模更加准确[15-17], 这使得Smith预估器进行补偿的方法变得更加切实可行. 但由于黑体型号众多, 且黑体温度控制系统具有非线性、时变性, 故想采用单一的模型去匹配多种对象, 是无法达到稳定的控制目的. 采用Smith预估器的方法不是很理想, 它对模型的误差十分敏感, 抗干扰能力也比较差. 即便采用了Smith预估器, 仍需要工程师根据不同的黑体对象来调整PID参数. 时变系统一般会采用自适应的控制方式[18-19], 本文根据这种思想, 结合黑体加热器的特性, 对于环境温度变化较小的, 提出了一种自适应的方法来控制黑体温度[20-21]; 对于环境变化较大的, 通过自整定方式[22] 获得当前参数, 提高系统的控制能力. 系统整体的控制见图1的所示.总体来说是以PID控制为核心, 进行一些相关的扩展. 自整定模块负责PID参数的自动整定. 经过整定的参数需要与模糊算法的输出进行相关运算后, 进入PID运算环节. 模糊算法的加入, 进一步优化了黑体的温度控制性能. PID运算完成后, 针对黑体加热器具有加热和制冷双路输出的特点, 系统根据当前的状态进行动态分配输出.
$ {\rm{SV}} $ 为设定值, S为选通开关, 当自整定开启后, 旁路PID输出. FUZZY模糊算法, CO为相关系数. OP是对自整定的参数与模糊算法进行运算. ALLOC为双路分配算法, 然后经过SCAL模块进行重映射.1. 继电器法推演及黑体PID参数自整定
1.1 黑体温控系统建模
黑体(
$ G_2 $ )的温度、加热器($ G_1 $ )的输入与黑体($ G_2 $ )本身的散热之间的关系如图2所示.$ G_1 $ 为加热器,$ G_2 $ 为黑体系统,$ i $ 为加热器驱动信号,$ Q_i $ 为黑体从加热器获得热量,$ Q_o $ 为黑体在空气中散失的热量. 下面分别求得$ G_1 $ 和$ G_2 $ . 一般的, 我们认为加热器是一阶系统, 其传递函数为$$ G_{1}(s) = \frac{k_{1}}{\tau _{1}s+\alpha _{1}} $$ (2) 然后分析黑体温度与能量的关系. 由图2得知, 黑体的能量变化为
$$ Q_{i}-Q_{o} = \frac{{\rm d} {Q}}{{\rm d} {t}} $$ (3) 根据热力学中的比热容公式可得
$$ {Q_{i}-Q_{o}} = {cm}\frac{{\rm d} {T} }{{\rm d} {t}} $$ (4) 式中,
$ c $ 为黑体材料的比热容,$ m $ 为黑体的质量,$ T $ 为黑体的温度. 散失能量$ Q_o $ 分为电磁辐射热交换和黑体空气流动热交换. 由于电磁辐射热交换能量较小, 此处仅考虑空气流动热交换, 所以$ Q_o $ 约等于黑体的散热$$ {Q_{0}\approx hA(T-T_{c})} $$ (5) 式中,
$ h $ 为热交换系数,$ A $ 为黑体与空气接触的表面积,$ T $ 为黑体当前温度,$ T_c $ 为空气当前温度. 将式(5)代入式(4)得到$$ {Q_{i}-hA(T-T_{c}) = cm}\frac{{\rm d} {T}}{{\rm d} {t}} $$ (6) 两边求Laplace变化
$$ {Q_{i}(s)-hAT(s) = cmsT(s)} $$ (7) 整理可得黑体传递函数为
$$ {G}_{2}{(s) = \frac{T(s)}{Q_{i}(s)} = \frac{1}{cms+hA}} $$ (8) 结合加热器, 得到整个黑体温控系统的传递函数
$G(s) = $ $ G_{1}(s)\times G_{2}(s){\rm{e}}^{-\tau{s}}$ 为$$ {G(s)} = \frac{{k}_{1}}{{\tau}_{1}{cms}^{2}+({\tau}_{1}{hA}+{\alpha}_{1}{cm}){s}+{\alpha}_{1}{hA}}{{\rm{e}}}^{{-\tau{s}}} $$ (9) 式中,
${\rm{e}}^{-\tau{s}}$ 为延迟时间, 由此可得, 黑体温控系统为二阶迟滞系统, 其传递函数与黑体本身的比热容, 质量, 面积以及加热器功率等条件相关. 为了验证上述传递函数的建模是否正确, 结合实际黑体, 通过阶跃响应辨识法[23-24], 实测黑体的阶跃响应后, 估算出实验黑体的传递函数. 为了便于分析与推导, 将式(9)改写成式(10)的简单形式$$ {G(s)} = \frac{{k}}{{s}^{2}+{as+b}}{{\rm{e}}^{-\tau s}} $$ (10) 式中,
$ k = k_{{1}}/\tau_{1}cm $ ,$ \alpha = (\tau_1 hA+\alpha_1 cm)/\tau_1 cm $ ,$b = $ $ \alpha_1hA/\tau_1cm $ . 将式(10)写成时域模式$$ \frac{{\rm d^{2}}{y(t)} }{{\rm d} {t}^{2}}+{a\frac{{\rm d} y(t)}{{\rm d} t}+by(t) = kx(t-\tau )+e(t)} $$ (11) 假定阶跃响应的输入信号
$ x(t) = hu(t) $ ,$ h $ 为阶跃信号的幅值,$ y(t) $ 为黑体的温度输出数据.$ \tau $ 为延时,$ e(t) $ 为噪声. 该系统初始状态为非零, 将该非零状态作为未知数, 一共引入6个未知变量, 若采用两次积分, 则无法完全求解, 故对式(11)进行三次积分[25], 令$ t>\tau $ , 得到$$ \begin{split} \int {y(t)} =\;& -b\iiint{y(t)}-a\iint{y(t)}+kh\frac{t^{3}}{6}+\\& \left(-kh\tau+\frac{{\rm d}y(0)}{{\rm d}t}+ay(0)\right)\frac{t^{2}}{2}+\\& \left (y(0)+\frac{kh\tau^{2}}{2}\right)t-kh\frac{\tau^{3}}{6}+\iiint{e(t)} \end{split} $$ (12) 令初始状态
$ c_0 = y(0) $ ,$ c_1 = \dfrac{{\rm d} y(0)}{{\rm d} t} $ , 则可将式(12)改写成式(13)的形式$$ \begin{split} \int y (t) = &\left[ {\begin{array}{*{20}{c}} { - \displaystyle\iiint {y(t)} }\;\;{ -\displaystyle \iint {y(t)} }\;\;{\dfrac{{{t^3}}}{6}}\;\;{ - \dfrac{{{t^2}}}{2}}\;\; t \;\;{ - 1} \end{array}} \right]*\\ &\left[ {\begin{array}{*{20}{c}} b\\ a\\ {kh}\\ {kh\tau - {c_1} - a{c_0}}\\ {{c_0} + \dfrac{{kh{\tau ^2}}}{2}}\\ {kh\dfrac{{{\tau ^3}}}{6}} \end{array}} \right]\\[-50pt] \end{split} $$ (13) 式(13)中共6个未知数, 令
$$\begin{split} &{\boldsymbol{\phi}} (t) = \left[ {\begin{array}{*{20}{c}} { - \iiint {y(t)} }\;\;{ - \iint {y(t)} }\;\;{\dfrac{{{t^3}}}{6}}\;\;{ - \dfrac{{{t^2}}}{2}}\;\; t \;\; { - 1} \end{array}} \right]\\ &{\boldsymbol{\theta}} = {\left[ {\begin{array}{*{20}{c}} b \;\; a \;\; {kh} \;\; {kh\tau - {c_1} - a{c_0}} \;\; {{c_0} + \dfrac{{kh{\tau ^2}}}{2}} \;\; {kh\dfrac{{{\tau ^3}}}{6}} \end{array}}\right]^{\rm{T}}}\end{split} $$ 根据所采集的
$ N $ 个采样点组成如下线性方程组$$ {\boldsymbol \Gamma}(t) = {\boldsymbol \Phi}(t){\boldsymbol \theta} +\xi(t) $$ (14) 采样点必须满足
$ mT_s>\tau $ . 式中，$$ {\boldsymbol{\Gamma }}(t) = \left[ {\begin{array}{*{20}{c}} {\int_0^{m{T_s}} y (t){\rm{d}}t}\\ {\int_0^{(m + 1){T_s}} y (t){\rm{d}}t}\\ {\vdots}\\ {\int_0^{(m + N){T_s}} y (t){\rm{d}}t} \end{array}} \right] $$ $$ {\boldsymbol{\Phi }}(t) = \left[ {\begin{array}{*{20}{c}} {{\boldsymbol{\phi}} (m{T_s})}\\ {{\boldsymbol{\phi}} ((m + 1){T_s})}\\ {\vdots}\\ {{\boldsymbol{\phi}} ((m + N){T_s})} \end{array}} \right] \hspace{5pt}$$ $ \xi(t) $ 为零均值相关噪声, 对系统的识别影响很小, 很多情况下能满足实际需要[24]. 对式(14)进行运算, 使用最小二乘法估计参数得到$$ {\boldsymbol \theta} = ({\boldsymbol \Phi} ^{{\rm T}}(t){\boldsymbol \Phi} (t))^{-1}{\boldsymbol \Phi} ^{{\rm T}}(t){\boldsymbol \Gamma}(t) $$ (15) 在得到
$ {\boldsymbol \theta} $ 后, 便可以知道系统的传递函数了. 下面针对实验室的一台黑体, 进行阶跃响应(输入阶跃信号为10 %)的数据采集. 将这些采样点, 根据式(15)的计算结果, 得到黑体的传递函数为$$ G(s) = \frac{0.0003183}{s^{2}+0.1738s-0.0004992}{\rm{e}}^{-10s} $$ (16) 式(16)为阶跃响应识别得到的传递函数, 图3为传递函数的理论阶跃响应与实际阶跃响应曲线, 识别的阶跃响应几乎与实际阶跃响应相重合.
由式(16)得知, 实验黑体温控系统的传递函数为一个二阶低通滤波器, 输入信号为方波时, 其输出信号能将方波的高频部分滤除, 得到低频部分的波形. 在输入方波信号的频率分量中, 基波占据较大能量, 所以继电器法仅采取基波分量作为运算.
1.2 继电器法描述
根据上一节分析建立的系统模型, 当输入脉冲信号时, 频域乘机, 时域是卷积. 单脉冲信号与
$ h(t) $ 卷积, 得到一个震荡衰减. 若加入一个负反馈, 使得输入变为周期信号, 则输出也会是一个周期信号. 输出输入的基波比值, 可理解为PID中与比例相关的部分. 继电器法的实现如图4所示.$ E = SV-PV $ . 根据$ E $ 的变化, 可得到$ Y $ 的输出:$$ \begin{split} Y = \;&Y_{\max}\frac{1+{\rm sign}(E-\varepsilon {\rm sign}(\dot{E}))}{2}+ \\&Y_{\min}\frac{1-{\rm sign}(E-\varepsilon {\rm sign}(\dot{E}))}{2} \end{split} $$ (17) 式中,
${\rm{sign}}(x) = \left\{ {\begin{aligned}&{1,}&{x \ge 0}\\&{ - 1,}&{x < 0}\end{aligned}} \right.$ .$ Y_{\max} $ 与$ Y_{\min} $ 为硬件输出上下限,$ \varepsilon $ 为滞回区间. 结合上述黑体传递函数, 该方法相当于引入负反馈, 使系统处在一个稳定的振荡状态.1.3 继电器法推演
假定继电器法的输入信号为图5所示.
方波的函数表达式为
$$ f(t) = \frac{h}{2}{\rm sign}\left(\sin\left(\frac{2{\text{π}} }{T}t\right)\right) $$ (18) 式中, sign为符号函数,
$ T $ 为方波周期. 分别求得傅里叶级数:$$ \left\{ {\begin{aligned} &{{a_n} = \frac{1}{{\text{π}} }\int_{ - {\text{π}} }^{\text{π}} f (x)\cos (nx){\rm{d}}x,}&{n = 0,1,2,\cdots}\\ &{{b_n} = \frac{1}{{\text{π}} }\int_{ - \pi }^{\text{π}} f (x)\sin (nx){\rm{d}}x,}&{n = 1,2,3,\cdots} \end{aligned}} \right. $$ (19) $$ \begin{split} a_{n} =\;& \frac{2}{T}\int_{-\frac{T}{2}}^{0}\left [ -\frac{h}{2} \right ]\cos(n\omega _{0}t){\rm d}t\;+\\ &\frac{2}{T}\int_{0}^{\frac{T}{2}}\left [ \frac{h}{2} \right ]\cos(n\omega _{0}t){\rm d}t = 0 \end{split} \hspace{50pt} $$ (20) $$ \begin{split} b_{n} =\;& \frac{2}{T}\int_{-\frac{T}{2}}^{0}\left [ -\frac{h}{2} \right ]\sin(n\omega _{0}t){\rm d}t\;+ \\& \frac{2}{T}\int_{0}^{\frac{T}{2}}\left [ \frac{h}{2} \right ]\sin(n\omega _{0}t){\rm d}t= \\ &\frac{h}{n\omega _{0}T}\left [ 2-2\cos(n{\text{π}} ) \right ] \end{split}\hspace{55pt} $$ (21) 即
$$ {b_n} = \left\{ \begin{aligned} &\frac{{2h}}{{n{\text{π}} }},\;\;\;\;n\text{为奇数}\\ &0,\;\;\;\;\;\;\;n\text{为偶数} \end{aligned} \right. $$ (22) 根据第1.2节描述, 输出波形为正弦波, 假定正弦波的周期是
$ T $ , 峰峰值为$ a $ . 其傅里叶级数如下求得:$$ \left\{ {\begin{aligned} &{{a_n} = \frac{2}{T}\int_0^T {\frac{a}{2}} \sin ({\omega _0}t)\cos (n{\omega _0}t){\rm{d}}t,\;\;n = 0,1,2,\cdots}\\ &{{b_n} = \frac{2}{T}\int_0^T {\frac{a}{2}} \sin ({\omega _0}t)\sin (n{\omega _0}t){\rm{d}}t,\;\;\;n = 1,2,3,\cdots} \end{aligned}}\\ \right. $$ (23) 根据三角函数的正交性
$$ \int_{-{\text{π}} }^{{\text{π}} }\cos(mx)\sin(nx) = 0,\;\;\;m,n = 1,2,3,\cdots $$ (24) $$ \int_{ - {\text{π}} }^{\text{π}} {\sin } (mx)\sin (nx) = \left\{ {\begin{aligned} &0,&{m \ne n}\\ &{\text{π}},&{m = n} \end{aligned}} \right. \hspace{33pt}$$ (25) 上述级数其余分量都为0, 仅
$ b_1 $ 为$$ \begin{split} b_{1} =\;& \frac{1}{T}\int_{0}^{T}a\sin(\omega_{0}t)\sin(\omega_{0}t){\rm d}t =\\ & \frac{1}{\omega _{0}T}\int_{0}^{\omega _{0}T}a\sin^{2}x{\rm d}x \end{split} $$ (26) 因为
$ \omega_o = \dfrac{2{\text{π}} }{T} $ , 由此得到:$$ b_{1} = \frac{a}{2{\text{π}} }\int_{0 }^{2{\text{π}} }\sin^{2}(x){\rm{d}}x = \frac{a}{2} $$ (27) 输入波形的基波分量除以输出波形的基波分量结果即为临界增益
$$ K_{{\rm{pcrit}}} = \frac{2h}{{\text{π}} }\div \frac{a}{2} = \frac{4h}{{\text{π}} a} $$ (28) 式中,
$ h $ 为输入方波的峰峰值,$ a $ 为输出正弦波的峰峰值. 通过检测输入方波或输出正弦波的周期, 即为临界周期$T_{{\rm{crit}}}$ . 自此得到了临界增益$ K_{{\rm{pcrit}}} $ 与临界周期$ T_{{\rm{crit}}} $ . 将此值代入Ziegler-Nichols整定法则如表1所示, 即可得到相应的PID参数.表 1 Ziegler-Nichols整定法则Table 1 Ziegler-Nichols setting rule控制器类型 Kp Tn Tv Ki Kd P 0.5· Kpcrit — — — — PD 0.8· Kpcrit — 0.12 Tcrit — Kp × Tv PI 0.45· Kpcrit 0.85 Tcrit — Kp/Tn — PID 0.6· Kpcrit 0.5 Tcrit 0.12 Tcrit Kp/Tn Kp × Tv 图6为是实测黑体的数据. IN为控制板输出给黑体的信号, OUT是控制板采集的黑体温度.
从原始数据中可分析得到临界状态,
$ T_{{\rm{crit}}} $ = 32.599998,$ h $ = 150.00,$ a $ = 0.518509. 将临界值代入式(28), 得到临界增益$ K_{{\rm{pcrit}}} $ ≈386.3368. 根据表1中所列的Ziegler-Nichols整定法则, 本文采用PID方式控制, 得到PID 3个参数,$ K_p $ = 231.80208,$ K_i $ = 14.2210,$ K_d $ = 906.8097. 实际系统为ADC采样, 采样时间$ T_{{\rm{adc}}} $ = 0.392 s, 将其离散化后$DK_p = $ $ K_p*T_{{\rm{adc}}} $ = 90.8664,$ DK_i = T_{{\rm{adc}}}*DK_p/T_n $ = 2.1853,$ DK_d = DK_p\cdot T_v/T_{{\rm{adc}}} $ = 906.8097. 以上便是实验黑体的自整定PID参数, 按照0.392 s为周期, 进行运算.2. 改进黑体温度控制
经过上述实验, 已经得到PID相关参数, 但这仅仅是获得了基本参数, 为了能更快、更稳地控制黑体温度, 结合黑体系统本身的特性来改进性能.
2.1 自适应动态双路输出
实验黑体具有两路输入: 一路加热, 一路制冷. 从上述黑体传递函数的推导中获知, 黑体温度的控制与散热及环境温度相关, 是一个非线性时变系统. 为了减少环境的影响以及快速的稳定调节, 本文描述了一种动态双路输出算法, 包括评估器与动态分配算法两部分, 其基本原理框图如图7所示.
评估因子只是影响动态分配的功率大小, 评估因子越大, 其最后动态分配的功率越大. 为了加快评估器的运行效率, 外部独立输入
$ E(t) $ , d$E(t)/$ d$ t $ ,$SV{\text{,}}$ $ T_b,\;T_e $ 值, 它们分别表示PID误差输入、误差的导数、设定值、黑体温度反馈以及环境温度. 在一般温差变化不大环境中,$ T_e $ 可以采用系统默认值, 不做动态跟随. 衰减因子由黑体加热器和制冷器的功率决定. 评估器的输出为归一化输出, 经过动态分配后, 变成符合黑体要求的信号.$ {\rm PID}_{{\rm{out}}} $ 为当前PID输出.评估器根据所给定的误差、误差变化速度、当前设定值以及环境温度等参数, 给出归一化的输出, 限定值与衰减因子. 当误差较大时, 评估器满负荷输出, 结合误差变化率, 若误差变化率大, 则评估器输出减小, 这些操作都与当前温度以及环境温度有关. 即同样的条件下, 若当前黑体温度远大于环境温度, 则需要考虑黑体散热导致的输出功率补偿. 当误差达到一定程度时, 根据评估因子的给定, 会开启双路输出, 双路输出的目的是为了消减环境造成的影响, 降低环境因素. 黑体离环境温度越高, 这种制冷补偿需要越大; 同理离环境温度越低, 加热补偿需要越大. 在环境温度附近时, 最容易被干扰, 需要提升双路输出值. 评估器包含一系列规则的总结, 给出一个合理的输出. 各因子关系为
$$ f(n) = \left\{ {\begin{aligned} &0,\qquad\quad\;\,{\left| {e(n)} \right| > \theta }\\ &{y(n)},\qquad\,{\left| {e(n)} \right| > \theta\;\;\;\; \text{且}\;\left| {e(n - 1)} \right| < \theta }\\ &\text{保持},\qquad{\left| {e(n)} \right| < \theta } \end{aligned}} \right. $$ (29) $$ \begin{split} H_{{\rm{out}}} =\;& \eta _{h}(f(n),y(n)-y(n-1))*\\ &\lambda_{h}\left(SV,T_{e},e(n),\frac{\Delta e(n)}{\Delta n}\right) \end{split} \hspace{42pt}$$ (30) $$ \begin{split} C_{{\rm{out}}} =\;& \eta _{c}(f(n),y(n)-y(n-1))*\\ &\lambda_{c}\left(SV,T_{e},e(n),\frac{\Delta e(n)}{\Delta n}\right) \end{split} \hspace{47pt} $$ (31) $$ H_{{\rm{out}}}+C_{{\rm{out}}} = \varepsilon (f(n),SV,T_{e}) \hspace{66pt}$$ (32) 式中,
$ y(n) $ 为单次PID输出,$ \theta $ 为相关因子,$ e(n) $ 为当前归一化后的误差. 所以, 最后的动态输出与误差、误差变化率及$ f(n) $ 有关, 总是保持着一种动态的平衡. 双路输出具有抗环境扰动的能力. 假定环境干扰因素为$ \alpha $ , 若仅采用单路加热输出, 假定输出因数为$ \beta $ , 那么环境对当前调节的影响为$ \alpha/\beta $ . 若采用双路方式, 假定当前制冷为$\gamma$ , 制冷的扰动影响为$ \Delta \gamma $ , 则最终的影响为$ (\alpha +\Delta \gamma )/((\beta +\gamma )+\gamma ) $ . 对这两个影响值进行比较为$ \mu $ , 该值越小, 表明环境对黑体的影响越小,$ \mu $ 的表达式为$$ \begin{split} \mu =\;& \frac{(\alpha +\Delta \gamma )/(\beta +2\gamma )}{\alpha /\beta }=\\ & \frac{(1+\Delta \gamma /\alpha )}{(1+2\gamma /\beta )} \propto\frac{\Delta \gamma /\alpha }{2\gamma /\beta } = \frac{\Delta \gamma /\gamma }{2\alpha /\beta } \end{split} $$ (33) 式中,
$ \Delta \gamma /\gamma $ 制冷导致的扰动,$ \alpha /\beta $ 为环境扰动影响(包括热交换能力和环境温度), 由于制冷输出以及制冷器的设计是满足黑体精度需求的, 所以此处的$ \Delta \gamma /\gamma \ll {\rm 2}\alpha /\beta $ , 故$ \mu<1 $ , 可以得出制冷$ \gamma $ 的加入, 能提高黑体温控系统的抗环境扰动性能, 从式(33)中看出制冷量$ \gamma $ 越大, 环境扰动影响值$ \mu $ 越小. 同理, 若处于制冷状态, 加热器的输出可作为扰动补偿. 图8中H曲线表示加热, C曲线表示制冷. 图8(a)中, 开始是稳定状态, 当设定一个阶跃值时, 加热100 %, 制冷为0 %; 当快接近目标温度时, 开始动态分配; 最后稳定时, 两个输出趋于稳定.2.2 模糊算法
模糊算法[7]的本质是通过判定误差以及误差的微分, 根据一定的规则, 动态修正当前PID参数. 模糊算法的引入, 大幅度提高了系统的调节速度, 阶跃响应获得较小的过冲. 在常规的模糊算法基础上, 本文做出了适当修改, 即在常规模糊算法给出的修正系数基础上, 结合当前加热制冷的功率以及温度的区间, 乘以一个相关系数(图9), 使得系统更加稳定.
模糊控制器的输入为误差(
$ E(t) $ )和误差的变化率(${\rm{d}} E(t)/{\rm{d}} t $ ), 并不关心当前设定值($ SV $ ). 本文结合黑体特性, 对模糊控制器的输出进行一个相关因子的运算, 二次修正模糊控制器的输出. 黑体实测温度越高时, 需要相关因子系数越大. 下面给出三个系数的模糊规则, 将比例、积分、微分的规则合并在一个表中, 如表2所示.表 2 比例积分微分模糊规则Table 2 Proportional integral differential fuzzy ruleP, I, D NB(EC) NM(EC) NS(EC) ZO(EC) PS(EC) PM(EC) PB(EC) NB(E) PB, NB, PS PB, NB, NS PM, NM, NB PM, NM, NB PS, NS, NB ZO, ZO, NM ZO, ZO, PS NM(E) PB, NB, PS PB, NB, NS PM, NM, NB PS, NS, NM PS, NS, NM ZO, ZO, NS NS, ZO, ZO NS(E) PM, NB, ZO PM, NM, NS PM, NS, NM PS, NS, NM ZO, ZO, NS NS, PS, PS NS, PS, ZO ZO(E) PM, NM, ZO PM, NM, NS PS, NS, PS ZO, ZO, NS NS, NS, NS NM, NM, NS NM, NM, ZO PS(E) PS, NM, ZO PS, NS, ZO ZO, ZO, ZO NS, PS, ZO NS, PS, ZO NM, PM, ZO NM, PB, ZO PM(E) PS, ZO, PB ZO, ZO, NS NS, PS, PS NM, PS, PS NM, PM, PS NM, PB, PS NB, PB, PB PB(E) ZO, ZO, PB ZO, ZO, PM NM, PS, PM NM, PM, PM NM, PM, PS NB, PB, PS NB, PB, PB 3. 实测数据
对上述理论通过实际验证. 主要是从不同条件下的阶跃响应、抗扰度、精度三个方面的实验数据进行对比. 实验数据采用绝对误差积分
$ (IAE = $ $ \int_{0}^{\infty }\left | e(t) \right |{\rm d}t) $ , 时间乘积绝对误差积分$ (ITAE = $ $ \int_{0}^{\infty }t\left | e(t) \right |{\rm d}t) $ , 系统过冲$ (PV = \max(y_{n})-T) $ , 输出波动总和$(TV = \sum\nolimits _{n = 0}^{N}\left | y_{n+1}-y_{n} |\right)$ , 最大绝对误差$ (DEL = \max(\left | y_{n} -T\right |)) $ , 绝对精度$ (AA = DEL/T) $ , 均方差$(STD = \sqrt{\frac{1}{N-1}\sum\nolimits _{n = 1}^{N}\left | y_{n} -\mu \right |^{2}})$ 等方面进行比较, 上述公式中的$ \mu $ 为均值,$ T $ 为实验目标值. 根据不同的实验, 会采用上述不同的参数标准进行评判. 对比的实验条件进行如下约定:1）条件S: 控制系统只有单路输出, 即无第2.1节所描述的功能.
2）条件D: 控制系统双路输出, 即增了第2.1节所描述的功能.
3）条件SF: 在条件S的基础上增加了第2.2节所表述的模糊功能.
4）条件DF:在条件D的基础上增加了第2.2节所描述的模糊功能.
对每个实验, 做一个简单的综合指标, 即将分立指标相加, 再对条件S取归一化运算.
3.1 阶跃响应及抗扰度
先设定黑体温度为50 ℃, 稳定后, 再将温度设定为55 ℃, 观察输出曲线. 不同条件下的曲线, 如图10(a)所示, STEP为给定阶跃响应值. 黑体稳定运行时, 人为加入一个4 s的扰动信号, 如图10(b)所示. 从图10可以看出, 未做出任何改进的单路输出性能最差, 双路要优于单路. 同时, 模糊算法的加入使得系统超调量变小. 性能最好的DF曲线, 几乎没有过冲, 且调节振荡比其他3种情况都小. 阶跃响应的综合性能由优到劣依次为
$DF \gg D \gg SF \gg $ $ S$ , 抗扰动的综合性能由优到劣依次为${\rm{D}}{{\rm{F}}_{{\rm{int}}}} \gg {{\rm{D}}_{{\rm{int}}}} \gg $ $ {\rm{S}}{{\rm{F}}_{{\rm{int}}}} \gg {{\rm{S}}_{{\rm{int}}}}$ . 从中也可以看出, 双路算法性能优于模糊算法. 根据原始数据, 依次计算$ IAE $ , 该值反映阶跃收敛振动的强烈程度. 为了显著起见, 从阶跃跳变点开始计算.$ ITAE $ 值反映收敛程度,$ PV $ 反映过冲强度,$ TV $ 输出波动总和. 在同一条件下,$ TV $ 也可以作为阶跃响应的比较性能. 对4种情况进行比较, S条件性能最差. 为了有统一的比较准则, 将所有实验数据在S条件下做归一化运算. 阶跃响应(抗扰性能)如表3所示.表 3 阶跃响应(抗干扰)性能指标Table 3 Step response (anti-interference) performance index条件 IAE ITAE PV TV 综合1 (综合2) S 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000) D 0.847483 (0.723668) 0.562693 (0.678478) 0.442698 (0.805442) 0.762998 (0.907009) 0.653968 (0.778649) SF 0.943743 (0.992518) 0.807751 (1.004470) 0.633536 (0.944839) 0.851171 (1.013720) 0.809050 (0.988887) DF 0.843329 (0.520340) 0.525302 (0.432016) 0.042592 (0.806038) 0.642354 (0.805883) 0.513394 (0.641069) 3.2 稳定精度
在黑体温度控制稳定以后, 采集一段数据进行观察并分析. 图11所示为温度轴放大后的温度采集数据.
从表4的统计中可以看出, 双路的精度优于单路, 其均方差也是优于单路. 模糊算法的加入使得精度变差, 但仍属于同一数量级的改变, 综合考虑, 精度的损失不足以影响实际黑体控制(即DF的精度已远远满足黑体控制的需求).
$ TV $ 表示输出波动总和, 对S项进行归一, 可以看出双路输出的波动性能明显优于单路.表 4 稳定精度测试(55 ℃)Table 4 Stability accuracy testing (55 ℃)条件 绝对误差 (℃) 绝对精度 均方差 TV 综合3 S 0.003979 0.0000723455 0.00163144 1.000000 1.000000 D 0.002308 0.0000419636 0.000764468 0.846146 0.844462 SF 0.003132 0.0000569455 0.00125763 0.954824 0.953850 DF 0.002628 0.0000477818 0.000786771 0.885582 0.884021 3.3 性能总结
通过上述三个方面的性能指标, 可以看出双路优于单路以及模糊算法的加入对阶跃响应和抗扰度有较好的性能提升, 但稳定性并无太大改进. 将上述综合指标进行加权, 得到最终的性能指标, 如表5所示.
表 5 性能指标Table 5 Performance index条件 综合1 综合2 综合3 性能指标 S 1.000000 1.000000 1.000000 1.000000 D 0.653968 0.778649 0.844462 0.759026 SF 0.809050 0.988887 0.953850 0.917262 DF 0.513394 0.641069 0.884021 0.679495 综合考虑各个性能指标, 并以S为参考, 值越小, 性能越好. 双路加模糊算法(DF)的性能最好, 其次是双数输出(D), 再次是单路带模糊算法(SF), 最后是单路输出(S). 实验结果与理论推导及设计思想保持一致.
4. 结论
针对黑体这种具有迟滞特性的温度控制系统, 通常的做法是通过Smith预估器来弥补系统的延时, 但对现场的被控设备无法做到精确的数学建模. 同时, 黑体温度控制体统本身就是一个非线性时变系统, 无法用实验获得模型进行替代. 本文结合黑体的物理模型, 进行理论建模. 根据阶跃响应法得出系统传递函数, 然后分析继电器法的实现, 再结合Ziegler-Nichols整定规则, 得到不同黑体的PID参数, 减少现场工程师手动整定PID参数的难度. 针对黑体环境因素带来的时变性, 环境变化较大的采用自整定方式解决, 环境扰动较小的采用双路动态输出法来弥补. 最后, 通过对实际黑体的实验测量, 分析数据, 并对相关性能指标进行归一化后, 验证了本文所述方法对黑体温度控制系统的性能有较大改进和提升.
-
图 1 三阶互联系统(67)控制过程
Fig. 1 The control process of the three-order interconnected systems (67)
图 2 三阶互联系统(67)控制过程中的辨识器权值和评判网络权值
Fig. 2 Identifier weights and critic NN weight of the three-order interconnected systems (67)
图 3 三阶互联系统(67)控制过程事件触发误差与触发阈值之间的关系
Fig. 3 The relationship between event-triggered error and triggering threshold in the control process of the three-order interconnected systems (67)
图 4 三阶互联系统(67)子系统1、2和3的触发时刻
Fig. 4 For the three-order interconnected systems (67), the triggering instants for subsystems 1, 2 and 3
图 6 三机互联电力系统(68)控制过程中的辨识器权值和评判网络权值
Fig. 6 Identifier weights and critic NN weight of the three-machine power interconnected systems (68)
图 7 三机互联电力系统(68)控制过程事件触发误差与触发阈值之间的关系
Fig. 7 The relationship between event-triggered error and triggering threshold of the three-machine power interconnected systems (68)
-
[1] 葛泉波, 王远亮, 李宏. 基于改进舰尾流模型和多层耦合分析的机载雷达测量建模. 自动化学报, 2024, 50(3): 617−639Ge Quan-Bo, Wang Yuan-Liang, Li Hong. Airborne radar measurement modeling based on improved carrier air wake model and multi-layer coupling analysis. Acta Automatica Sinica, 2024, 50(3): 617−639 [2] Zhang Y Y, Huang Y, Huang C, Huang H L, Nguyen A T. Joint optimization of deployment and flight planning of multi-UAVs for long-distance data collection from large-scale IoT devices. IEEE Internet of Things Journal, 2024, 11(1): 791−804 doi: 10.1109/JIOT.2023.3285942 [3] Liu Z, Wei H S, Wang H Y, Li H A, Wang H S. Integrated task allocation and path coordination for large-scale robot networks with uncertainties. IEEE Transactions on Automation Science and Engineering, 2022, 19(4): 2750−2761 doi: 10.1109/TASE.2021.3111888 [4] Zhang H, Chen X Y L, Lu H M, Xiao J H. Distributed and collaborative monocular simultaneous localization and mapping for multi-robot systems in large-scale environments. International Journal of Advanced Robotic Systems, 2018, 15(3): 1−20 [5] Devlin-Hill B, Calinescu R, Cámara J, Caliskanelli I. Towards scalable multi-robot systems by partitioning the task domain. In: Proceedings of the 23rd Annual Conference on Towards Autonomous Robotic Systems. Culham, UK: Springer, 2022. 282−292 [6] 王本斐, 张荣辉, 冯国栋, Manandhar Ujjal, 郭戈. 基于事件触发的直流微电网无差拍预测控制. 自动化学报, 2024, 50(3): 475−485Wang Ben-Fei, Zhang Rong-Hui, Feng Guo-Dong, Manandhar Ujjal, Guo Ge. Event-triggered deadbeat predictive control for DC microgrid. Acta Automatica Sinica, 2024, 50(3): 475−485 [7] 王睿, 孙秋野, 张化光. 信息能源系统的信物融合稳定性分析. 自动化学报, 2023, 49(2): 307−316Wang Rui, Sun Qiu-Ye, Zhang Hua-Guang. Stability analysis of cyber-physical fusion in cyber-energy systems. Acta Automatica Sinica, 2023, 49(2): 307−316 [8] 王澄, 刘德荣, 魏庆来, 赵冬斌, 夏振超. 带有储能设备的智能电网电能迭代自适应动态规划最优控制. 自动化学报, 2014, 40(9): 1984−1990Wang Cheng, Liu De-Rong, Wei Qing-Lai, Zhao Dong-Bin, Xia Zhen-Chao. Iterative adaptive dynamic programming approach to power optimal control for smart grid with energy storage devices. Acta Automatica Sinica, 2014, 40(9): 1984−1990 [9] Byun H. Learning-based adaptive feedback control for tracking optimisation in wireless sensor actuator networking systems. IET Communications, 2022, 16(3): 218−226 doi: 10.1049/cmu2.12332 [10] Chen C H, Lin M Y, Tew W P. Wireless fieldbus networking with precision time synchronization for a low-power WSAN. Microprocessors and Microsystems, 2022, 90: Article No. 104509 doi: 10.1016/j.micpro.2022.104509 [11] Park H S, Moon S, Kwak J, Park K J. CAPL: Criticality-aware adaptive path learning for industrial wireless sensor-actuator networks. IEEE Transactions on Industrial Informatics, 2023, 19(8): 9123−9133 doi: 10.1109/TII.2022.3217471 [12] Vu V P. A polynomial decentralized controller design for a large-scale nonlinear system: SOS approach. IEEE Access, 2022, 10: 44008−44022 doi: 10.1109/ACCESS.2022.3169898 [13] Sarbaz M, Zamani I, Manthouri M, Ibeas A. Decentralized robust interval type-2 fuzzy model predictive control for Takagi-Sugeno large-scale systems. Automatika, 2022, 63(1): 49−63 doi: 10.1080/00051144.2021.2003113 [14] Sun Y F, Mao Y, Yu H S, Liu H B. (Q, S, R)-Dissipativity analysis of large-scale networked systems. IEEE Transactions on Circuits and Systems Ⅱ: Express Briefs, 2023, 70(12): 4424−4428 doi: 10.1109/TCSII.2023.3282972 [15] Zhang J, Li S, Ahn C K, Xiang Z R. Decentralized event-triggered adaptive fuzzy control for nonlinear switched large-scale systems with input delay via command-filtered backstepping. IEEE Transactions on Fuzzy Systems, 2022, 30(6): 2118−2123 doi: 10.1109/TFUZZ.2021.3066297 [16] Zhang S C, Zhao B, Liu D R, Zhang Y W. Event-triggered decentralized integral sliding mode control for input-constrained nonlinear large-scale systems with actuator failures. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2024, 54(3): 1914−1925 doi: 10.1109/TSMC.2023.3331150 [17] Wei J, Wu Q W, Li C B, Huang S, Zhou B, Chen D W. Hierarchical event-triggered MPC-based coordinated control for HVRT and voltage restoration of large-scale wind farm. IEEE Transactions on Sustainable Energy, 2022, 13(3): 1819−1829 doi: 10.1109/TSTE.2022.3172933 [18] Wu Z Y, Zhang A B, Yu T, Li Y M, Xiong J L, Xie M. Dynamic probability-density-dependent event-triggered L∞ LFC for power systems subject to stochastic delays. IEEE Transactions on Network Science and Engineering, 2024, 11(1): 453−462 doi: 10.1109/TNSE.2023.3300876 [19] Zhang J, Zhang H G, Gao Z Y, Sun S X. Time-varying formation control with general linear multi-agent systems by distributed event-triggered mechanisms under fixed and switching topologies. Neural Computing and Applications, 2022, 34(6): 4277−4294 doi: 10.1007/s00521-021-06539-w [20] Zhao F Y, Gao W N, Liu T F, Jiang Z P. Event-triggered robust adaptive dynamic programming with output feedback for large-scale systems. IEEE Transactions on Control of Network Systems, 2023, 10(1): 63−74 doi: 10.1109/TCNS.2022.3186623 [21] Bi W S, Wang T. Adaptive fuzzy decentralized control for nonstrict feedback nonlinear systems with unmodeled dynamics. IEEE Transactions on Systems, Man, and Cybernetic: Systems, 2022, 52(1): 275−286 doi: 10.1109/TSMC.2020.2997703 [22] Gao Z F, Shen K H, Sha X Q, He J Q. Decentralized adaptive PI fault tolerant tracking control for strong interconnected nonlinear systems subject to unmodeled dynamics and actuator faults. Nonlinear Analysis: Hybrid Systems, 2023, 50: Article No. 101394 doi: 10.1016/j.nahs.2023.101394 [23] Zhang T P, Tang H L, Xia X N, Yi Y. Decentralized adaptive output feedback dynamic surface control for stochastic nonstrict-feedback interconnected nonlinear systems with actuator failures and input quantization via command filter. International Journal of Robust and Nonlinear Control, 2022, 32(12): 6739−6766 doi: 10.1002/rnc.6165 [24] Cheng Y, Niu B, Zhao X D, Zong G D, Ahmad A M. Event-triggered adaptive decentralised control of interconnected nonlinear systems with Bouc-Wen hysteresis input. International Journal of Systems Science, 2023, 54(6): 1275−1288 doi: 10.1080/00207721.2023.2169845 [25] Su H G, Zhang H G, Liang X D, Liu C. Decentralized event-triggered online adaptive control of unknown large-scale systems over wireless communication networks. IEEE Transactions on Neural Networks and Learning Systems, 2020, 31(11): 4907−4919 doi: 10.1109/TNNLS.2019.2959005 [26] 王鼎, 穆朝絮, 刘德荣. 基于迭代神经动态规划的数据驱动非线性近似最优调节. 自动化学报, 2017, 43(3): 366−375Wang Ding, Mu Chao-Xu, Liu De-Rong. Data-driven nonlinear near-optimal regulation based on iterative neural dynamic programming. Acta Automatica Sinica, 2017, 43(3): 366−375 [27] Wang D, Fan W Q, Li M H, Qiao J F. Decentralised tracking control based on critic learning for nonlinear disturbed interconnected systems. International Journal of Systems Science, 2023, 54(5): 1150−1164 doi: 10.1080/00207721.2023.2168143 [28] Zhang Q C, Zhao D B, Zhu Y H. Event-triggered H∞ control for continuous-time nonlinear system via concurrent learning. IEEE Transactions on Systems Man, and Cybernetics: Systems, 2017, 47(7): 1071−1081 doi: 10.1109/TSMC.2016.2531680 [29] Zhao B, Wang D, Shi G, Liu D R, Li Y C. Decentralized control for large-scale nonlinear systems with unknown mismatched interconnections via policy iteration. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 48(10): 1725−1735 doi: 10.1109/TSMC.2017.2690665 [30] Li Y, Zhang H, Wang Z P, Huang C, Yan H C. Data-driven decentralized control for large-scale systems with sparsity and communication delays. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2023, 53(9): 5614−5624 doi: 10.1109/TSMC.2023.3274292 [31] Hu C H, Zou Y Y, Li S Y. Adaptive dynamic programming-based decentralized event-triggered control of large-scale nonlinear systems. Asian Journal of Control, 2022, 24(4): 1542−1556 doi: 10.1002/asjc.2662 [32] Wang Y J, Wang T, Yang X B, Yang J E. Decentralized optimal tracking control for large-scale nonlinear systems with tracking error constraints. International Journal of Adaptive Control and Signal Processing, 2021, 35(7): 1388−1403 doi: 10.1002/acs.3248 [33] Tan L N, Tran H T, Tran T T. Event-triggered observers and distributed H∞ control of physically interconnected nonholonomic mechanical agents in harsh conditions. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2022, 52(12): 7871−7884 doi: 10.1109/TSMC.2022.3177043 [34] Tan L N, Gupta N, Derawi M. Adaptive dynamic programming and zero-sum game-based distributed control for energy management systems with internet of things. IEEE Internet of Things Journal, 2023, 10(24): 22371−22385 doi: 10.1109/JIOT.2023.3303448 [35] 罗彪, 欧阳志华, 易昕宁, 刘德荣. 基于自适应动态规划的移动机器人视觉伺服跟踪控制. 自动化学报, 2023, 49(11): 2286−2296Luo Biao, Ouyang Zhi-Hua, Yi Xin-Ning, Liu De-Rong. Adaptive dynamic programming based visual servoing tracking control for mobile robots. Acta Automatica Sinica, 2023, 49(11): 2286−2296 [36] Wei Q L, Liu D R, Liu Y, Song R Z. Optimal constrained self-learning battery sequential management in microgrid via adaptive dynamic programming. IEEE/CAA Journal of Automatica Sinica, 2017, 4(2): 168−176 doi: 10.1109/JAS.2016.7510262 [37] Zhang J C, Zhao X W, Wei X. Reinforcement learning-based structural control of floating wind turbines. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2022, 52(3): 1603−1613 doi: 10.1109/TSMC.2020.3032622 [38] Wang Z Y, Wei Q L, Liu D R. A tracking control method based on event-triggered adaptive dynamic programming. In: Proceedings of the 38th Chinese Control Conference. Guangzhou, China: IEEE, 2019. 2454−2459 [39] Peng Z A, Zhang Z Q, Luo R, Kuang Y Q, Hu J P, Cheng H, et al. Event-triggered optimal control of completely unknown nonlinear systems via identifier-critic learning. Kybernetika, 2023, 59(3): 365−391 [40] Wang D, Mu C X, Liu D R, Ma H W. On mixed data and event driven design for adaptive-critic-based nonlinear H∞ control. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(4): 993−1005 doi: 10.1109/TNNLS.2016.2642128 [41] Dahal R, Kar I. Event-triggered adaptive dynamic programming based guaranteed cost tracking controller for uncertain nonlinear systems. In: Proceedings of the 8th Indian Control Conference (ICC). Chennai, India: IEEE, 2022. 206−211 [42] Zhong X N, He H B. An event-triggered ADP control approach for continuous-time system with unknown internal states. IEEE Transactions on Cybernetics, 2017, 47(3): 683−694 doi: 10.1109/TCYB.2016.2523878 [43] Vamvoudakis K G, Lewis F L. Online actor critic algorithm to solve the continuous-time infinite horizon optimal control problem. In: Proceedings of the International Joint Conference on Neural Networks. Atlanta, USA: IEEE, 2009. 3180−3187 [44] Su H G, Zhang H G, Jiang H, Wen Y L. Decentralized event-triggered adaptive control of discrete-time nonzero-sum games over wireless sensor-actuator networks with input constraints. IEEE Transactions on Neural Networks and Learning Systems, 2020, 31(10): 4254−4266 doi: 10.1109/TNNLS.2019.2953613 [45] Su H G, Luan X Y, Zhang H G, Liang X D, Yang J Z, Wang J W. Decentralized optimal control of large-scale partially unknown nonlinear mismatched interconnected systems based on dynamic event-triggered control. Neurocomputing, 2024, 568: 127013 doi: 10.1016/j.neucom.2023.127013 [46] Sahoo A, Xu H, Jagannathan S. Near optimal event-triggered control of nonlinear discrete-time systems using neurodynamic programming. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(9): 1801−1815 doi: 10.1109/TNNLS.2015.2453320 [47] Vamvoudakis K G. Event-triggered optimal adaptive control algorithm for continuous-time nonlinear systems. IEEE/CAA Journal of Automatica Sinica, 2014, 1(3): 282−293 doi: 10.1109/JAS.2014.7004686 [48] Vamvoudakis K G. An online actor/critic algorithm for event-triggered optimal control of continuous-time nonlinear systems. In: Proceedings of the American Control Conference. Portland, USA: IEEE, 2014. 1−6 [49] Wang D, Mu C X, He H B, Liu D R. Event-driven adaptive robust control of nonlinear systems with uncertainties through NDP strategy. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2017, 47(7): 1358−1370 doi: 10.1109/TSMC.2016.2592682 -
下载:
下载:
计量
- 文章访问数: 168
- HTML全文浏览量: 102
- PDF下载量: 23
- 被引次数: 0
