基于参数误差信息学习的自适应参数辨识和控制研究

Most of available adaptive parameter identification and control methods have been proposed revealing that only the observer/prediction errors or control errors are employed in the adaptations, and thus the identification and/or control transient may not be satisfactory. This proposal aims to exploit and validate the idea that the implicit useful information on the parameter errors can improve the identification performance, and then to investigate several adaptive parameter identification and control designs based on the parameter error information. The prospective work include: 1) Representation and reformulation of implicit parameter error information of linear/nonlinear parameterized systems; 2) Adaptive parameter identification design based on parameter errors. We will construct the parameter estimation schemes that can achieve finite-time convergence, and then study the novel approaches to test online the necessary persistent excitation (PE) condition; 3) Adaptive control design and synthesis based on parameter errors. We will investigate various adaptive control designs that can guarantee prescribed transient and steady-state performance by introducing appropriate tracking error transformations; 4) Novel neural network (NN) identification and control of nonlinear systems using NN weight error information. We will study new NN weights adaptive laws that take into account the implicit weight error information, and achieve improved transient performance. Transforming the PE condition to an a-priori verifiable sufficient richness (SR) requirement on the closed-loop demand signal will also be exploited...The main objective is to propose an adaptive parameter identification and control framework based on the embedded parameter error information, to resolve some problems encountered in the literatures (e.g. unsatisfactory transient performance; difficulty in evaluating the identificaiotn error convergence quantitatively), and finally to impulse the progress in the adaptive parameter identification and control.

针对现有自适应参数辨识和控制方法只利于观测/预测误差或控制误差进行参数更新，难以保证辨识和控制误差瞬态收敛性能的问题，探索系统隐含的参数误差信息对改善参数辨识性能的机理，研究基于参数误差信息学习的自适应参数辨识和控制基础理论。主要研究：1）含未知参数系统中参数误差信息的提取与表达方法；2）基于参数误差信息的自适应参数辨识机理。构建保证有限时间收敛的参数辨识，并研究持续激励条件在线检测方法；3）基于参数误差信息的自适应控制理论。提出控制误差转化机制，构建预先设计瞬态性能的控制器及自适应学习规则；4）含权值参数误差信息学习的神经网络辨识和控制。建立新的非线性系统神经网络控制方法，并探索将持续激励条件转化为对控制参考信号要求的分析思想。研究目标为：建立基于参数误差信息学习的自适应辨识和控制器设计理论及分析方法，解决现有方法控制瞬态性能差、辨识误差定量分析难等问题，推进自适应辨识和控制研究进展。

本项目针对传统自适应参数辨识和控制方法只利用观测/预测误差或控制误差设计自适应律进行在线学习，故而难以保证和定性分析估计和控制误差瞬态收敛性能的问题，研究了一种基于参数估计误差信息的自适应参数估计以及控制新思路。主要研究内容及研究成果为：1）通过对系统已知输入、输出动态引入滤波等操作，并构建积分辅助变量，获得了一种用已知系统动态表征隐含的不可测参数误差信息的方法，并解释了所提取出的参数误差信息对改善参数估计性能的机理；2）运用所提取的参数误差信息，提出了三种新型自适应律用于参数估计，并首次实现了有限时间参数估计，系统性地建立了基于参数估计误差的自适应参数估计理论。并将该类方法进行了扩展，提出了解决时变参数估计、时滞系统辨识、周期信号参数估计等问题的新策略。项目研究中，还探明了一种有效、简便地在线判别持续激励条件的方法；3）将参数估计误差提取和自适应律引入自适应控制器设计和分析中，提出了基于参数误差信息的自适应控制理论，克服了传统自适应控制方法鲁棒性不强、参数不收敛等问题，同时实现了控制误差和参数估计误差的收敛，并给出了将持续激励条件转化为对控制参考信号要求的分析思想。并据此进一步构建了可预先设计瞬态性能的控制器设计方法；4）将基于参数估计误差的自适应律引入神经网络学习中，用于解决非线性系统控制问题，建立了一类新的非线性系统神经网络控制方法，并将其用于解决伺服系统控制、汽车悬架控制等问题。同时还将该方法引入用于在线求解最优控制，得到了初步的理论成果，推广了现有自适应动态规划的研究成果；5）将参数估计算法应用于车辆行驶系统参数估计问题，已在合作者实验室进行成功测试。而提出的多个控制方法已在转台等多个伺服系统进行了实验测试。实验测试为后续可能的应用打下了坚实的基础。..该项目研究成果系统性地建立了基于参数误差信息学习的自适应参数估计和控制器设计理论及分析方法，获得了有限时间收敛的参数估计成果，并部分解决了持续激励条件难以在线判别等难题，改善了自适应控制系统的瞬态性能，完善了参数估计误差定量分析手段。本项目已有结果以及后续研究成果将可作为现有系统辨识和自适应控制理论体系的有效补充，将有望推进控制领域相关研究进展。