针对一种适用于斜坡极点平衡的自平衡机器人,提出了一种递推最小二乘法参数辨识和模型预测控制(Recursive least squares and model predictive control, RLS-MPC)相结合的方法,以实现自平衡机器人在不同斜坡极点的静态平衡控制。该方...针对一种适用于斜坡极点平衡的自平衡机器人,提出了一种递推最小二乘法参数辨识和模型预测控制(Recursive least squares and model predictive control, RLS-MPC)相结合的方法,以实现自平衡机器人在不同斜坡极点的静态平衡控制。该方法使用递推最小二乘(Recursive least squares,RLS)法辨识系统状态参数,并与模型预测控制(Model predictive control, MPC)方法相结合,解决了自平衡机器人在斜坡极点平衡时状态参数未知的控制问题。同时,对闭环系统进行了基于Lyapunov的稳定性分析。最后通过与线性二次调节器(Linear quadratic regulator, LQR)和MPC方法进行数值仿真对比和性能指标对比,结果表明所提出的RLS-MPC控制方法相较于传统的LQR和MPC方法,不仅趋于稳定时间短,而且精度更高,能有效地改善自平衡机器人的控制性能。展开更多
针对常见控制策略在大型液压设备控制方面存在控制精度低与算法太复杂的问题,提出了基于线性扩张状态观测器(linear extended state observer,LESO)的线性时变模型预测控制(linear time-varying model predictive control,LTV-MPC)策略...针对常见控制策略在大型液压设备控制方面存在控制精度低与算法太复杂的问题,提出了基于线性扩张状态观测器(linear extended state observer,LESO)的线性时变模型预测控制(linear time-varying model predictive control,LTV-MPC)策略。通过起竖液压系统状态空间方程,设计了LESO实时估计系统当前状态;通过LTV-MPC输出比例阀电压信号的最优解。通过仿真与试验,验证所提方法的有效性。结果表明:无干扰时,相较于其他控制策略,LESO-LTV-MPC控制误差为0.014%,具有较高的控制精度;施加大干扰时,LESO-LTV-MPC控制误差为0.223%,具有较强的鲁棒性。因此,该控制策略能够有效提升起竖液压系统的性能。展开更多
文摘针对一种适用于斜坡极点平衡的自平衡机器人,提出了一种递推最小二乘法参数辨识和模型预测控制(Recursive least squares and model predictive control, RLS-MPC)相结合的方法,以实现自平衡机器人在不同斜坡极点的静态平衡控制。该方法使用递推最小二乘(Recursive least squares,RLS)法辨识系统状态参数,并与模型预测控制(Model predictive control, MPC)方法相结合,解决了自平衡机器人在斜坡极点平衡时状态参数未知的控制问题。同时,对闭环系统进行了基于Lyapunov的稳定性分析。最后通过与线性二次调节器(Linear quadratic regulator, LQR)和MPC方法进行数值仿真对比和性能指标对比,结果表明所提出的RLS-MPC控制方法相较于传统的LQR和MPC方法,不仅趋于稳定时间短,而且精度更高,能有效地改善自平衡机器人的控制性能。
文摘针对常见控制策略在大型液压设备控制方面存在控制精度低与算法太复杂的问题,提出了基于线性扩张状态观测器(linear extended state observer,LESO)的线性时变模型预测控制(linear time-varying model predictive control,LTV-MPC)策略。通过起竖液压系统状态空间方程,设计了LESO实时估计系统当前状态;通过LTV-MPC输出比例阀电压信号的最优解。通过仿真与试验,验证所提方法的有效性。结果表明:无干扰时,相较于其他控制策略,LESO-LTV-MPC控制误差为0.014%,具有较高的控制精度;施加大干扰时,LESO-LTV-MPC控制误差为0.223%,具有较强的鲁棒性。因此,该控制策略能够有效提升起竖液压系统的性能。
