CN108958034A - 一种二级倒立摆动态修正控制方法 - Google Patents
一种二级倒立摆动态修正控制方法 Download PDFInfo
- Publication number
- CN108958034A CN108958034A CN201810848481.XA CN201810848481A CN108958034A CN 108958034 A CN108958034 A CN 108958034A CN 201810848481 A CN201810848481 A CN 201810848481A CN 108958034 A CN108958034 A CN 108958034A
- Authority
- CN
- China
- Prior art keywords
- value
- inverted pendulum
- control method
- correction
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种二级倒立摆动态修正控制方法；有前向控制过程和反馈调整过程；前向控制过程包括如下步骤：①获取传感器值；②基本计算；③修正计算；④修正控制；反馈调整过程包括如下步骤：①获取反馈值；②反向计算；③参数调整。本发明通过实时更新模型参数的方式，能够动态对外部影响进行修正，且无需考虑外部影响的具体类型及其力学模型，也能避免在投入使用前进行大量的物理数学分析建模的工作，可以数据堆积替代数学建模，从而极大的降低投入生产环境的前期研发成本。
Description
技术领域
本发明涉及一种二级倒立摆动态修正控制方法。
背景技术
如《空间多级倒立摆非线性控制方法研究》(张永立，2011年9月)提供了二级倒立摆的非线性控制方法，但是该控制方法是完全建立在数学建模的基础上，对于实际可能存在的其他外部影响并没有考虑进去，例如风阻、机械摩擦产生的阻力等。
发明内容
为解决上述技术问题，本发明提供了一种二级倒立摆动态修正控制方法，该二级倒立摆动态修正控制方法通过实时更新模型参数的方式，能够动态对外部影响进行修正。
本发明通过以下技术方案得以实现。
本发明提供的一种二级倒立摆动态修正控制方法；有前向控制过程和反馈调整过程；前向控制过程包括如下步骤：
①获取传感器值：读取两个摆杆的倾斜角度值及当前预期目标值；
②基本计算：将倾斜角度值和预期目标值的差值代入至二级倒立摆模型中，计算得到加速度控制量计算值；
③修正计算：将倾斜角度值及当前预期目标值代入至修正模型中，计算得到加速度控制量修正值；
④修正控制：将加速度控制量修正值叠加到加速度控制量计算值上得到加速度控制量最终值，将加速度控制量最终值输出，然后进入至反馈调整过程；
反馈调整过程包括如下步骤：
①获取反馈值：获取两个摆杆的当前倾斜角度值和N个时序前的预期目标值；
②反向计算：将两个摆杆的当前倾斜角度值和N个时序前的预期目标值的差值代入至调整模型中计算损失值；
③参数调整：根据损失值调整修正模型的参数，然后进入前向控制过程等待下一时序。
所述N为1、2或3。
当N个时序前的预期目标值不存在时，取N个时序前的预期目标值等于当前倾斜角度值。
每一个时序为1ms。
所述修正模型采用三隐层BP神经网络算法建模得到，隐层神经元个数分别为30～50、20～30、10～20。
所述传递函数为
Y＝w1(sinX)+w2(tanX)+w3X，其中X为两个摆杆的倾斜角度值及当前预期目标值合并而成的向量，Y为加速度控制量修正值，w1、w2和w3为参数。
所述调整模型是单隐层BP神经网络算法建模得到，隐层神经元个数为4～7。
所述根据损失值调整修正模型的参数，是采用神经网络反向传播的方式，以损失值作为误差值，对修正模型的参数进行更新。
本发明的有益效果在于：通过实时更新模型参数的方式，能够动态对外部影响进行修正，且无需考虑外部影响的具体类型及其力学模型，也能避免在投入使用前进行大量的物理数学分析建模的工作，可以数据堆积替代数学建模，从而极大的降低投入生产环境的前期研发成本。
具体实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
本发明提供的一种二级倒立摆动态修正控制方法，有前向控制过程和反馈调整过程，前向控制过程包括如下步骤：
①获取传感器值：读取两个摆杆的倾斜角度值及当前预期目标值；
②基本计算：将倾斜角度值和预期目标值的差值代入至二级倒立摆模型中，计算得到加速度控制量计算值；
③修正计算：将倾斜角度值及当前预期目标值代入至修正模型中，计算得到加速度控制量修正值，修正模型采用三隐层BP神经网络算法建模得到，隐层神经元个数分别为30～50、20～30、10～20，传递函数为Y＝w1(sinX)+w2(tanX)+w3X，其中X为两个摆杆的倾斜角度值及当前预期目标值合并而成的向量，Y为加速度控制量修正值，w1、w2和w3为参数；
④修正控制：将加速度控制量修正值叠加到加速度控制量计算值上得到加速度控制量最终值，将加速度控制量最终值输出，然后进入至反馈调整过程。
进一步地，本发明是对输出值进行修正，即对计算得到加速度控制量计算值进行修正。
上述过程，实质上是在《空间多级倒立摆非线性控制方法研究》中提供的控制方法基础上，附加一个由神经网络算法训练得到的模型，实现对环境变量作用于实际控制的影响进行修正。
采用神经网络算法来训练修正模型，可以在很大程度上避免对外部不可知附加力(如风阻、摩擦)进行复杂的分析并建立数学模型的过程。
反馈调整过程包括如下步骤：
①获取反馈值：获取两个摆杆的当前倾斜角度值和N个时序前的预期目标值，N为1、2或3，作为初始化的过程，当N个时序前的预期目标值不存在时，取N个时序前的预期目标值等于当前倾斜角度值；
②反向计算：将两个摆杆的当前倾斜角度值和N个时序前的预期目标值的差值代入至调整模型中计算损失值，调整模型是单隐层BP神经网络算法建模得到，隐层神经元个数为4～7；
③参数调整：根据损失值调整修正模型的参数，具体为采用神经网络反向传播的方式，以损失值作为误差值，对修正模型的参数进行更新，然后进入前向控制过程等待下一时序。
上述过程，实质上是通过将实际数据(即两个摆杆的当前倾斜角度值)作为修正模型中的Y，将预期目标值作为修正模型中的X，由此以神经网络反向传播的方式动态训练修正模型。由于是动态对修正模型进行调整，而并非常规的对整个控制模型进行调整，因此在反向传播过程中，输入值和输出值都和常规方式有所不同，而为了弥补这种不同，用一个调整模型对误差值(即两个摆杆的当前倾斜角度值和N个时序前的预期目标值的差值)进行调整，是利用数据堆积替代数学建模的一种有效方式。
每一个时序为1ms，采用系统定时器中断实现。
Claims (8)
1.一种二级倒立摆动态修正控制方法，其特征在于：有前向控制过程和反馈调整过程；前向控制过程包括如下步骤：
①获取传感器值：读取两个摆杆的倾斜角度值及当前预期目标值；
②基本计算：将倾斜角度值和预期目标值的差值代入至二级倒立摆模型中，计算得到加速度控制量计算值；
③修正计算：将倾斜角度值及当前预期目标值代入至修正模型中，计算得到加速度控制量修正值；
④修正控制：将加速度控制量修正值叠加到加速度控制量计算值上得到加速度控制量最终值，将加速度控制量最终值输出，然后进入至反馈调整过程；
反馈调整过程包括如下步骤：
①获取反馈值：获取两个摆杆的当前倾斜角度值和N个时序前的预期目标值；
②反向计算：将两个摆杆的当前倾斜角度值和N个时序前的预期目标值的差值代入至调整模型中计算损失值；
③参数调整：根据损失值调整修正模型的参数，然后进入前向控制过程等待下一时序。
2.如权利要求1所述的二级倒立摆动态修正控制方法，其特征在于：所述N为1、2或3。
3.如权利要求1所述的二级倒立摆动态修正控制方法，其特征在于：当N个时序前的预期目标值不存在时，取N个时序前的预期目标值等于当前倾斜角度值。
4.如权利要求1所述的二级倒立摆动态修正控制方法，其特征在于：每一个时序为1ms。
5.如权利要求1所述的二级倒立摆动态修正控制方法，其特征在于：所述修正模型采用三隐层BP神经网络算法建模得到，隐层神经元个数分别为30～50、20～30、10～20。
6.如权利要求5所述的二级倒立摆动态修正控制方法，其特征在于：所述传递函数为
Y＝w1(sinX)+w2(tanX)+w3X，其中X为两个摆杆的倾斜角度值及当前预期目标值合并而成的向量，Y为加速度控制量修正值，w1、w2和w3为参数。
7.如权利要求1所述的二级倒立摆动态修正控制方法，其特征在于：所述调整模型是单隐层BP神经网络算法建模得到，隐层神经元个数为4～7。
8.如权利要求1所述的二级倒立摆动态修正控制方法，其特征在于：所述根据损失值调整修正模型的参数，是采用神经网络反向传播的方式，以损失值作为误差值，对修正模型的参数进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810848481.XA CN108958034A (zh) | 2018-07-27 | 2018-07-27 | 一种二级倒立摆动态修正控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810848481.XA CN108958034A (zh) | 2018-07-27 | 2018-07-27 | 一种二级倒立摆动态修正控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108958034A true CN108958034A (zh) | 2018-12-07 |
Family
ID=64466093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810848481.XA Pending CN108958034A (zh) | 2018-07-27 | 2018-07-27 | 一种二级倒立摆动态修正控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108958034A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244561A (zh) * | 2019-06-11 | 2019-09-17 | 湘潭大学 | 一种基于干扰观测器的二级倒立摆自适应滑模控制方法 |
-
2018
- 2018-07-27 CN CN201810848481.XA patent/CN108958034A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244561A (zh) * | 2019-06-11 | 2019-09-17 | 湘潭大学 | 一种基于干扰观测器的二级倒立摆自适应滑模控制方法 |
| CN110244561B (zh) * | 2019-06-11 | 2022-11-08 | 湘潭大学 | 一种基于干扰观测器的二级倒立摆自适应滑模控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang | Distributed control of higher-order nonlinear multi-agent systems with unknown non-identical control directions under general directed graphs | |
| CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
| CN104391444B (zh) | 一种基于离散系统改进单神经元的pid整定方法 | |
| CN104932264B (zh) | 基于rbf网络的q学习框架仿人机器人稳定控制方法 | |
| JP2021503661A5 (zh) | ||
| CN104317195B (zh) | 一种基于改进极限学习机的非线性逆模型控制方法 | |
| Elhaki et al. | A novel model-free robust saturated reinforcement learning-based controller for quadrotors guaranteeing prescribed transient and steady state performance | |
| CN107193210B (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
| CN114800489A (zh) | 基于确定学习与复合学习联合的机械臂柔顺控制方法、存储介质及机器人 | |
| CN116627027A (zh) | 一种基于改进型pid最优鲁棒性控制方法 | |
| CN101871782A (zh) | 基于set2fnn的gps/mems-ins组合导航系统定位误差预测方法 | |
| CN101390024A (zh) | 运转控制方法、运转控制装置和运转控制系统 | |
| CN108121204A (zh) | 一种组合体航天器姿态无模型的自适应控制方法和系统 | |
| CN112904726B (zh) | 一种基于误差重构权重更新的神经网络反步控制方法 | |
| CN108363293A (zh) | 一种基于pid控制的交叉耦合控制算法和系统 | |
| CN114371618B (zh) | 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器 | |
| CN111399375A (zh) | 一种基于非线性系统的神经网络预测控制器 | |
| CN103544528A (zh) | 一种基于Hadoop的BP神经网络分类方法 | |
| Razmjooei et al. | Adaptive fast-finite-time extended state observer design for uncertain electro-hydraulic systems | |
| CN109389222A (zh) | 一种快速的自适应神经网络优化方法 | |
| CN104200022B (zh) | 一种连续系统模型的分布式交互方法 | |
| CN108958034A (zh) | 一种二级倒立摆动态修正控制方法 | |
| CN108181816A (zh) | 一种基于在线数据的同步策略更新最优控制方法 | |
| Parapari et al. | Solving nonlinear ordinary differential equations using neural networks | |
| CN107065559A (zh) | 一种工业机器人增量自适应控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |