Роль оценки параметров в адаптивном управлении механическими системами

y(t) = φ(t)^T θ

где y(t) является измеримым выходом (например, ускорением), φ(t) является вектором известных сигналов (позиций, скоростей, входов), а θ является вектором неизвестных параметров.θ ⁇ , что минимизирует ошибку предсказания y(t) — φ(t)^T θ ⁇ .

Почему оценка параметров важна для адаптивного контроля

Адаптивное управление было бы невозможно без оценки параметров — эти два понятия неразрывно связаны. Способность контроллера регулировать свои достижения или структуру зависит от знания, по крайней мере приблизительно, текущих параметров системы. Ниже приведены основные причины, по которым точная оценка незаменима.

Сохранение стабильности при неопределенности

Механические системы часто сталкиваются с непредвиденными изменениями: вариациями полезной нагрузки в летающем дроне, деградацией тормозов в автомобильной системе или изменениями гибкости в гибком манипуляторе. Если контроллер работает на устаревших значениях параметров, он может применять неправильные корректирующие действия, приводящие к нестабильности. Оценка параметров обеспечивает обратную связь, необходимую для обновления модели контроллера, обеспечивая стабильность системы замкнутого цикла. Современные доказательства устойчивости для адаптивного управления в значительной степени зависят от свойств конвергенции алгоритма оценки.

Оптимизация производительности

Даже если контроллер с фиксированной цепью может поддерживать стабильность, он может быть неоптимальным с точки зрения скорости, точности или энергопотребления. Оценка параметров позволяет контроллеру настраиваться для достижения желаемых показателей производительности. Например, высокоскоростной робот-выборщик может регулировать свою траекторию после усиления на основе предполагаемой инерции полезной нагрузки, сводя к минимуму время оседания без перегрузки.

Надежность к нарушениям и ошибкам моделирования

Ни одна модель не идеальна; всегда есть немоделированная динамика, трение, обратная реакция и внешние возмущения. Адаптивный контроль с оценкой параметров может компенсировать эти недостатки, регулируя оценки в соответствии с наблюдаемым поведением. Эта устойчивость особенно ценна в суровых промышленных условиях, где износ компонентов и дрейф датчиков неизбежны.

Включение модели на основе прогнозного контроля

Многие передовые стратегии управления, такие как модель предиктивного управления (MPC), полагаются на точную модель системы для прогнозирования будущего поведения. Оценка параметров обновляет эту модель в режиме онлайн, позволяя MPC оставаться эффективным даже при дрейфе параметров. В гидравлически приводимой системе, например, вязкость изменения температуры масла; оценка позволяет предиктивному контроллеру поддерживать точное отслеживание силы.

Основные методы оценки параметров для механических систем

Разработано большое разнообразие методов оценки, каждая из которых имеет сильные стороны, подходящие для различных механических контекстов.Выбор метода зависит от имеющейся вычислительной мощности, требуемой скорости обновления, шумовых характеристик и от того, является ли система линейной или нелинейной.

Оценка наименьших квадратов

Метод наименьших квадратов является наиболее классическим и широко используемым методом. Он минимизирует сумму квадратных остатков между измеренными выходами и прогнозами модели. В его пакетной форме все собранные данные используются сразу для вычисления оценки с помощью решения с закрытой формой. Это подходит для идентификации автономной системы. Для онлайн-адаптивного управления предпочтительнее рекурсивная версия - рекурсивные наименьшие квадраты (RLS). RLS обновляет оценку постепенно с каждой новой точкой данных, используя фактор забывания, чтобы постепенно отбрасывать старую информацию и отслеживать изменяющиеся во времени параметры.

RLS является вычислительно эффективным и обеспечивает хорошее отслеживание медленно меняющихся параметров. Однако он может быть чувствительным к шуму и может расходиться, если возбуждение недостаточно. Такие переменные, как нормализованный RLS или двуобъективный RLS, повышают надежность. Для механических систем с быстрой динамикой частота выборки должна быть достаточно высокой, чтобы фиксировать соответствующее поведение без подавляющих вычислительных ресурсов.

Методы на основе градиентов (модельный справочный адаптивный контроль)

В модели эталонного адаптивного управления (MRAC) оценка параметров интегрирована непосредственно в закон управления.Опорная модель определяет желаемое поведение замкнутого цикла, а адаптивный закон настраивает параметры контроллера на основе ошибки между выходом системы и выходом эталонной модели.Правило обновления параметров выводится из анализа стабильности Ляпунова, часто принимающего форму:

θ ⁇ ⁇ = -Γ φ e

где Γ — матрица положительного определённого усиления, φ — вектор регрессора, а e — ошибка отслеживания выхода.Это, по сути, градиентный спуск на поверхности ошибки. MRAC популярен для приложений, требующих гарантированной стабильности, таких как аэрокосмическое управление полётом и управление автомобильным двигателем.

Оценка на основе градиента проста в реализации и вычислительно легка. Ее основным недостатком является более медленная конвергенция по сравнению с методами наименьших квадратов, и она более восприимчива к шуму. Однако при соответствующей конструкции фильтра и настройке усиления она хорошо работает на практике.

Расширенные фильтры Калмана для нелинейных систем

Многие механические системы по своей сути нелинейны — рассмотрим маятник, гибкий луч с большими отклонениями или автомобиль с нелинейностью шин. Расширенный фильтр Калмана (EKF) расширяет классический фильтр Калмана до нелинейных моделей посредством линеаризации. Он поддерживает оценку как состояния, так и параметров (путем увеличения вектора состояния) и обновляет их с каждым измерением. EKF широко используется в приложениях реального времени, где требуется высокая точность, такая как локализация робота и тактильная обратная связь.

ЭКФ требует достаточно точного первоначального предположения и известной ковариации шума процесса и измерения. Его вычислительная потребность умеренна, хотя линеаризация может привести к ошибкам, если система является высоко нелинейной. Альтернативы, такие как фильтр без запаха Kalman (UKF) или фильтры частиц, обеспечивают лучшую производительность при более высокой стоимости.

Байесовские методы

Байесовская оценка рассматривает параметры как случайные величины с предшествующими распределениями вероятностей. По мере поступления данных эти распределения обновляются с использованием теоремы Байеса для получения задних распределений. Этот подход естественным образом обрабатывает неопределенность и обеспечивает не только точечные оценки, но и доверительные интервалы. Для механических систем с сенсорным шумом и неопределенностью модели байесовские методы предлагают надежность. Однако вычислительное бремя обработки полных распределений может быть высоким, что делает их более подходящими для автономного анализа или медленных процессов. Последние достижения в области вариационного вывода и цепи Маркова Монте-Карло (MCMC) делают байесовские методы применимыми к онлайн-оценке.

Подходы, основанные на машинном обучении

С ростом глубокого обучения нейронные сети использовались для оценки параметров в сложных механических системах, где основанные на физике модели слишком сложны. Например, рекуррентная нейронная сеть (RNN) может быть обучена на симулированных или исторических данных для оценки коэффициентов трения в реальном времени. Эти методы, управляемые данными, превосходят захват нелинейностей и могут адаптироваться к изменяющимся средам без явных предварительных знаний. Однако они требуют больших объемов данных обучения, не имеют формальных гарантий стабильности и могут перестраиваться. Объединение нейронных сетей, основанных на физике, с традиционной оценкой может дать лучшее из обоих миров: использование физических ограничений при обучении на данных.

Проблемы практической оценки параметров

Несмотря на наличие мощных методов оценки, в реальных механических системах сохраняются несколько препятствий.Решение этих проблем является активной областью исследований.

Измерение шума и ограничений датчиков

Ни один датчик не идеален. Акселерометры, энкодеры и датчики силы вводят шум, который повреждает данные, используемые для оценки. Низкочастотный дрейф, ошибки квантования и ограничения полосы пропускания все ухудшают точность оценки. Префильтрация с фильтрами с низким пропуском или полосовым пропуском помогает, но может вводить фазовое отставание, которое влияет на адаптивную стабильность управления. Современные методы синтеза датчиков, такие как объединение данных акселерометра и гироскопа в инерциальном блоке измерения, могут улучшить качество сигнала.

Постоянные требования к возбуждению

Как упоминалось ранее, оценки параметров требуют ввода для постоянного возбуждения всех режимов системы. Во многих практических приложениях естественные рабочие сигналы могут не обеспечивать достаточного возбуждения - например, робот, удерживающий устойчивое положение, не раскрывает информацию о массе или трении. Затем оценщик может сходить к неправильным значениям или стать неактивным. Одно решение состоит в добавлении небольших исследовательских сигналов, дитер или периодических возмущений к управляющему входу, но это должно быть сделано осторожно, чтобы избежать ухудшения производительности или вызвать нежелательные вибрации.

Вычислительные ограничения в системах реального времени

Встроенные контроллеры в автомобильной, аэрокосмической или промышленной автоматизации имеют ограниченную вычислительную мощность и память. Сложные рекурсивные оценщики, особенно фильтры Калмана или байесовские методы, могут превышать имеющиеся ресурсы. Инженерам часто приходится балансировать между точностью оценки и осуществимостью в реальном времени. Простые RLS с небольшим коэффициентом забывания часто выигрывают на практике из-за низкой вычислительной стоимости.

Несоответствие модели и немоделированная динамика

Оценка параметров зависит от выбранной структуры модели. Если модель слишком проста (например, пренебрегая динамикой привода, обратной реакцией или высокочастотными гибкими режимами), оценщик попытается компенсировать смещением значений параметров. Это может привести к плохой производительности управления или даже нестабильности. Надежные адаптивные методы управления включают такие модификации, как нормализация, мертвые зоны или проекция для обработки немоделированной динамики.

Будущие направления и новые технологии

Область оценки параметров для адаптивных механических систем быстро развивается, что обусловлено достижениями в области аппаратного обеспечения и алгоритмов.

Интеграция машинного обучения

Глубокое обучение усилению и оценка нейронных сетей переходят от академических исследований к промышленным прототипам. Эти инструменты могут изучать динамику системы из необработанных данных датчиков без явных физических моделей, что делает их привлекательными для систем со сложными трениями, гистерезисом или контактными явлениями. Однако обеспечение безопасности и стабильности в критически важных для безопасности приложениях остается проблемой. Разработка адаптивного управления на основе обучения , которое сочетает гарантии Ляпунова с аппроксиматорами функций нейронной сети, является многообещающим рубежом.