[论文解读] Discussion on a Class of Model-Free Adaptive Control for Multivariable Systems

Feilong Zhang|arXiv (Cornell University)|Oct 28, 2020

Iterative Learning Control Systems参考文献 10被引用 6

一句话总结

本文通過分析閉環函數，提出了一種用於多變數系統的無模型自適應控制（MFAC）框架，以增強穩定性與應用範圍。該方法提出了一種新型控制律，無需系統模型，僅依賴於輸入-輸出數據，並在模擬與實驗驗證中展示了改進的收斂性與魯棒性。

ABSTRACT

The model-free adaptive control (MFAC) law is a promising method in applications. We analyzed model-free adaptive control (MFAC) law through closed-loop function to widen its application range.

研究动机与目标

• 透過改進穩定性與收斂性，解決現有無模型自適應控制（MFAC）方法在多變數系統中的限制。
• 將MFAC的適用範圍從單一輸入單一輸出（SISO）系統擴展至複雜的多變數系統。
• 透過僅利用輸入-輸出數據，克服因系統動態未知而帶來的控制設計挑戰。
• 透過閉環函數分析，確保在不確定性與干擾存在下的魯棒性與收斂性。
• 提供一個系統化的MFAC控制律設計框架，兼具理論嚴謹性與實際可實現性。

提出的方法

• 基於閉環函數分析提出一種新型MFAC控制律，以取代傳統的模型驅動設計方法。
• 僅使用系統的輸入與輸出數據，無需明確的系統辨識或狀態空間模型。
• 推導出一種控制律，利用基於輸出誤差與輸入變化的遞歸更新規則，確保追蹤誤差的單調收斂。
• 引入時變學習增益，以在不同系統條件下提升收斂速度與魯棒性。
• 採用投影式自適應機制，防止參數更新無界化，確保系統穩定。
• 透過理論分析與具備交叉耦合效應的多變數系統模擬，驗證所提方法。

实验结果

研究问题

• RQ1 如何在不依賴系統模型的情況下，將無模型自適應控制擴展至多變數系統？
• RQ2 閉環函數分析在確保MIMO系統MFAC的穩定性與收斂性方面發揮何種作用？
• RQ3 所提出的MFAC控制律是否能在模型不確定性與干擾下實現誤差的單調減小與魯棒性？
• RQ4 與固定增益設計相比，時變學習增益如何提升收斂性能？
• RQ5 所提MFAC框架在實際多變數控制應用中存在哪些實務限制？

主要发现

• 所提出的MFAC控制律在無需系統模型的情況下，實現了多變數系統中追蹤誤差的單調收斂。
• 閉環函數分析使系統在模型不確定性與外部干擾下仍能實現穩定且具魯棒性的控制表現。
• 模擬結果顯示，時變學習增益相比固定增益對應方案顯著提升了收斂速度。
• 該方法有效處理了MIMO系統中的交叉耦合效應，維持了控制精度。
• 理論分析證實，該控制律在弱假設下可確保所有信號有界性與漸近追蹤。
• 該框架在代表性多變數系統上得到驗證，顯示在多種運行條件下具有一致的性能表現。