Алгоритмы параметрической идентификации в системах автоматического управления сложными динамическими объектами тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Надеждин, Олег Владимирович

• Надеждин, Олег Владимирович
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Надеждин, Олег Владимирович

ВВЕДЕНИЕ.

1. ПРИНЦИПЫ ПОСТРОЕНИЯ СИСТЕМ АДАПТИВНОГО УПРАВЛЕНИЯ.

1.1. Классификация систем адаптивного управления.

1.2. Задачи управления сложными динамическими объектами на примере дистанционно управляемых летательных аппаратов.

1.3 Недостатки существующих адаптивных систем управления.

1.4 Структура системы адаптивного управления идентификационного типа на основе обобщенного настраиваемого о&ьекта измерений (ОНОИ).

Выводы к разделу 1.

2. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ТИПОВЫХ СЛОЖНЫХ ОБЪЕКТОВ.

2.1. Математическая модель движения самолета.

2.1.1 Упрощения и допущения, принятые при синтезе математических моделей движения самолета.

2.1.2. Упрощенная модель продольного движения самолета.

2.1.3. Упрощенная модель бокового движения самолета.

2.1.4. Математическая модель движения самолета с учетом влияния турбулентных возмущений атмосферы.

2.1.4.1 Внешние атмосферные возмущения, действующие в полете на летательный аппарат.

2.1.4.2 Учет влияния турбулентных возмущений атмосферы в математической модели продольного короткопериодического движения самолета.

2.1.5. Построение дискретных моделей продольного и бокового движений.

2.2. Математическая модель вентильного-индукторно реактивного двигателя.

2.3. Феноменологические модели связности динамики скважин.

2.4. DalSy - база экспериментальных данных динамических систем.

Выводы к разделу 2.

3. ПАРАМЕТРИЧЕСКАЯ ИДЕНТИФИКАЦИЯ.

3.1. Скалярный случай, нулевые начальные условия (н.у.).

3.2. Скалярный случай, ненулевые начальные условия (н.у.).

3.3. Векторный случай (MIMO) [2].

3.4. Идентификация параметров MIMO-объекта на основе генетических алгоритмов.

3.5. Идентификация параметров «фильтров состояния.

3.6. Идентификация состояния. Наблюдатели Льюенбергера.;.

3.7.Параметрическая идентификация в условиях отказов измерителей.

3.8. Генетические алгоритмы.

Выводы к разделу 3.

4. СИНТЕЗ ОПТИМАЛЬНОГО И АДАПТИВНОГО УПРАВЛЕНИЯ.

4.1. Получение передаточной функции системы управления ПИ-регулятором для объекта в векторными входом и выходом.

4.2. Квадратичная оценка качества переходных процессов.

4.3. Оптимальное управление по критерию Красовского на основе многомерного ПИ-регулятора.

4.4. Оптимальное управление ПИ-регулятором на основе настраиваемой модели с квадратичным критерием качества для объекта с векторными входом и выходом.

4.5. Оптимальное управление модальным регулятором на основе настраиваемой модели с квадратичным критерием качества.

4.6. Оптимальное управление модальным регулятором векторного объекта по интегральному критерию Красовского.

4.7. Структура адаптивной системы управления с идентификатором.

Выводы к разделу 4.

5. СИНТЕЗ АДАПТИВНОЙ СИСТЕМЫ С ИДЕНТИФИКАТОРОМ И МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ИДЕНТИФИКАЦИИ И УПРАВЛЕНИЯ В АДАПТИВНОЙ СИСТЕМЕ.

5.1. Идентификация динамического объекта 9 порядка типа SISO, без шумов, нулевые начальные условия.

5.2. Идентификация динамического объекта 9 порядка типа SISO, без шумов, гауссовские шумы, нулевые начальные условия. Сравнение с pern.

5.3. Сравнение алгоритмов ОНОИ и pern на 1000 объектов для скалярного случая с нулевыми начальными условиями с шумами на входе и выходе.

5.4.Идентификация динамического объекта 9 порядка типа SISO, без шумов, ненулевые начальные условия, сравнение с реш.

5.5.Идентификация динамического объекта 9 порядка типа SISO, гауссовские шумы (шум/сигнал=0.1), ненулевые начальные условия. Сравнение с pern.

5.7. Сравнение алгоритмов на примере 1000 ОУ 9 порядка типа MISO (2 inputs), гауссовские шумы, ненулевые начальные условия. Метод решения СЛАУ - на основе svd.

5.8. Моделирование процессов идентификации MIMO объекта 9 порядка, шумов нет, ненулевые начальные условия.

5.9. Идентификация динамического объекта 9 порядка типа MIMO, гаус.шумы (шум/сигн.=0.3), ненулевые начальные условия.

5.10. Сравнение алгоритмов на примере 100 ОУ 9 порядка типа MIMO (2 inputs,2 outputs), гаус.шумы (шум/сигн.=0.3), ненулевые н.у., svd, pem - 500 iters.

5.11.Моделирование процессов идентификации дин.объекта 3 порядка типа SIMO генетическим алгоритмом, гауссовские шумы, ненулевые начальные условия.

5.12. Определение параметров регулятора на основе интегральной оценки Красовского аналитическими методами, а также при помощи генетических алгоритмов.

5.13. Определение параметров регулятора векторного объекта на основе интегральной оценки Красовского аналитическими методами, а также при помощи генетических алгоритмов и моделирование процесса управления.

5.14. Моделирование процесса управления с адаптивным регулятором на основе квадратичного критерия качества.

5.15. Моделирование адаптивной системы управления с идентификатором и астатическим модальным регулятором.

5.16. Оценка качества регулирования в адаптивной системе.

Выводы к разделу 5.

Введение диссертации (часть автореферата) на тему «Алгоритмы параметрической идентификации в системах автоматического управления сложными динамическими объектами»

В настоящее время в связи с развитием техники сложность управляемых объектов в разрабатываемых в проектируемых системах управления значительно повышается. Структура большинства современных объектов управления такова, что точное математическое описание объектов либо отсутствует, либо изменяется в широких пределах. В таких условиях неполнота информации о математической модели накладывает значительное ограничение на используемые методы синтеза управлений. Для решения задач управления в условиях неопределенности предназначены системы управления на основе робастных и адаптивных подходов [1-15], позволяющих повысить надежность систем, а также снизить технологические требования при проектировании.

Большой вклад в развитие адаптивных и робастных систем автоматического управления (САУ) внесли многие зарубежные и отечественные ученые, такие как Б.Р. Андриевский, А.Г.Александров, В.Н. Буков, С.Д. Земляков, П. Иоанноу, А.Г.Ивахненко, А.А. Красовский, JL Льюнг., И.В. Мирошник, Ю.И.Неймарк, А.В. Небылов, В.О. Никифоров, Б.Н. Петров, Б.Т. Поляк, В.Ю. Рутковский, A.JI. Фрадков, В.Н. Фомин, ЯЗ. Цыпкин, П. Эйкхофф. Тем не менее, вопрос синтеза адаптивных систем для сложных многомерных объектов с векторными входом и выходами в условиях неполноты информации о состоянии до сих пор остается актуальным.

В настоящее время большинство промышленных регуляторов осуществляют управление по выходу (например, ПИ(Д)-регуляторы), а не состоянию. Но регуляторы (например, модальные), использующие информацию о состоянии объекта, обладают более широкими возможностями коррекции динамики замкнутой системы управления, чем регуляторы по выходу (например, ПИ(Д)-регуляторы), и поэтому в целях улучшения динамики замкнутой системы возникает необходимость восстановления состояния объекта в режиме функционирования системы управления.

Для оценивания состояния системы необходимо знать математическую модель исследуемого объекта. Априорные данные о модели объекта часто являются неточными, поэтому дополнительная настройка параметров модели по истории наблюдений за входами и выходами системы может существенно улучшить качество управления системой.

Для оценивания параметров математической модели динамических объектов используются различные методы параметрической идентификации: в частотной и временной областях, с явными или неявными идентифицирующими моделями и т.п. При этом задача параметрической идентификации часто должна выполняться в условиях неполноты информации о состоянии объекта, что выражается в том, что доступны измерению не все координаты вектора состояния исследуемого объекта.

В случаях, когда это возможно, нелинейные модели исследуемых динамических объектов, как правило, стремятся представить как кусочно-линейные на разных интервалах времени в предположении, что на исследуемом интервале времени изменением параметров линеаризованной модели можно пренебречь.

С другой стороны, процессы идентификации не всегда могут привести к ожидаемым результатам. Часто это связано с вырожденностью движения объекта на рассматриваемом интервале времени, что часто характерно для режимов движения, когда переходные процессы в системе близки к завершению. В таких случаях не исключено (и подтверждается на практике), что более адекватными прогнозирующими свойствами будут обладать априорные модели.

Кроме того, в общем случае выход и вход объекта управления являются векторными, а информация о состоянии объекта не является полной. Поэтому возникает необходимость параметрической идентификации не скалярного, а векторного объекта в условиях неполноты информации о состоянии.

Весь список вышеперечисленных проблем характерен для задач управления сложными динамическими системами (неполная информация о состоянии, параметрическая неопределенность, необходимость оценивания вектора состояния, векторные выходы и входы, вырожденность движения на режимах, близких к установившемуся режиму), и для решения этих проблем конструируются системы адаптивного управления, системы автоматического управления с элементами адаптации. При этом возникает вопрос интеграции как априорных данных о модели, так и данных о модели, получаемых в процессе управления.

За рубежом задачам разработки и построения адаптивных систем управления посвящено много работ. Отдельный интерес представляют адаптивные системы управления, которые относятся к «аналитическим» или системам идентификационного типа. Одной из главных особенностей схемы адаптивной системы непрямого действия является наличие адаптивной информационно-измерительной системы, функциями которой являются параметрическая идентификация и оценивание вектора состояния. Использование адаптивной информационно-измерительной системы при автоматическом управлении особо актуально для сложных динамических систем, для которых характерна и неопределенность, и нестационарность их параметров. К классу сложных динамических систем можно отнести и систему нагнетательных и добывающих скважин, и дистанционно-пилотируемый летательный аппарат [1630] (векгорность входов-выходов, неполная информация о состоянии, параметрическая неопределенность).

В то же время, как уже говорилось выше, существуют такие режимы динамики, когда движение динамического объекта оказывается вырожденным (например, квазиустановившиеся процессы). В таких режимах оценка параметров модели только на основе данных текущего квазиустановившегося процесса становится некорректной и зачастую совершенно противоречит здравому смыслу, что приводит к некачественному управлению или даже к неустойчивой динамике замкнутой системы. Подобная ситуация характерна также и для режимов, близких к бифуркационным (для нелинейных динамических объектов с хаотическими свойствами). В этих случаях более адекватными моделями часто оказываются априорные модели (или ансамбли моделей), полученные не на основе «текущего» эксперимента, а на основе «прошлых» экспериментов, в которых более полно «проявилась» вся собственная динамика сложного объекта. Также в качестве таких априорных моделей (или ансамблей моделей) могут выступать и модели, полученные из фундаментальных законов природы (законов сохранения энергии, момента, импульса, масс и пр.).

В иных же случаях, когда движение объекта не является вырожденным и находится вдали от бифуркационного состояния (для нелинейных систем хаотического типа) часто наиболее качественное управление получается на основе моделей, полученных из анализа «текущей» истории, на основе данных адаптивной информационно-измерительной системы, состоящей из идентификаторов параметров и состояния.

Таким образом, возникает задача развития структурного подхода к построению адаптивной системы управления сложным динамическим объектом, интегрирующего в себя как априорные данные о модели объекта, так и апостериорные данные о модели для случая векторных входа и выхода в условиях неполноты информации о состоянии, параметрической неопределенности математической модели сложной динамической системы. Построение такой системы требует создания математической структуры, интегрирующей в себя как априорные модели динамики объекта, так и алгоритмы параметрической идентификации объекта с векторными входом и выходом при неполной информации о состоянии, оценивания вектора состояния динамической системы, синтеза управления объектом с векторными входом и выходом.

Цель диссертационной работы состоит в построении обобщенной структуры адаптивной системы управления для сложных динамических объектов при неполной информации о состоянии и исследовании процессов идентификации и управления в сложной динамической системе. Основные задачи.

Для достижения поставленной в работе цели решались следующие задачи:

1. Анализ типовых систем управления сложными динамическими системами

2. Разработка структуры обобщенного настраиваемого объекта измерения для динамической системы с векторными входом и выходом при неполной информации о состоянии

3. Исследование процессов идентификации параметров математической модели векторного динамического объекта при неполной информации о состоянии

4. Разработка и исследование алгоритма оценивания параметров фильтров состояния в системе идентификации, а также алгоритма оценивания порядка идентифицирующей математической модели.

5. Разработка и исследование системы автоматического управления с элементами адаптации с использованием как априорных, так и апостериорных данных на основе идентификатора для сложного динамического объекта

6. Исследование качества процессов идентификации и процессов регулирования в системе автоматического управления с элементами адаптации на основе идентификаторов.

Методы исследований. При выполнении диссертационных исследований использовались: общие методы системного анализа, теории автоматического управления, теории идентификации динамических систем, методы теории случайных процессов и статистической обработки экспериментальных данных, методы компьютерного моделирования.

Научная новизна выполненных исследований заключается в следующем:

1. Разработана структура системы автоматического управления с элементами адаптации, учитывающая как априорные, так и апостериорные данные, при неполной информации о состоянии для системы с векторными входом и выходом.

2. Разработан алгоритм параметрической идентификации и оценивания вектора состояния динамического объекта с векторными входом и выходом.

3. Разработан алгоритм оценивания оптимальных параметров фильтров состояния в системе идентификации

4. Получены результаты по исследованию качества процессов параметрической идентификации, оценивания состояния сложного динамического объекта.

5. Получены результаты по исследованию качества процессов регулирования в системе автоматического управления с элементами адаптации для параметрически возмущенного векторного динамического объекта.

Практическая значимость. Выполненные в диссертационной работе исследования дают основу для решения задач адаптивного управления и идентификации для векторных объектов разной природы (летательные аппараты, физико-химические процессы, процессы заводнения добывающих скважин при помощи нагнетательных скважин и т.д.). Полученные в диссертационной работе результаты позволяют:

• выполнять задачи параметрической идентификации динамических систем с векторными входами и выходами различной природы в условиях неполноты информации о состоянии по наблюдаемым входам и выходам системы.

• разрабатывать системы автоматического управления с элементами адаптации для динамических объектов с векторными входами и выходами, учитывающие и априорные и апостериорные данные

Практическая ценность состоит также в программной реализации методов управления векторными динамическими системами, идентификации динамических систем с векторными входом и выходом в среде компьютерного моделирования Matlab.

Основные положения, выносимые на защиту

1. Обобщенная структурная модель объекта измерений для сложной динамической системы с векторными входом и выходом

2. Алгоритм оценивания параметров фильтра состояния системы параметрической идентификации

3. Структура системы автоматического управления с элементами адаптации, учитывающая как априорные, так и апостериорные данные

4. Результаты исследований точности процессов параметрической идентификации и оценивания состояния в системе автоматического управления с элементами адаптации на основе идентификаторов

5. Результаты исследований качества процессов регулирования в системе автоматического управления с элементами адаптации на основе идентификаторов

Апробация работы. Основные результаты работы докладывались и обсуждались на конференциях и семинарах: на ежегодных научных сессиях государственного университета аэрокосмического приборостроения (г.Санкт-Петербург, 2005-2009 гг.); научно-практических конференциях «Исследование, разработка и применение высоких технологий в промышленности» (г.Санкт-Петербург, 2006,2007); на международной конференции «14th Formation Evaluation Symposium of Japan, September 29-30,2008»(Япония, Чиба, 2008) , на международных конференциях по автоматическому управлению ВОАС'2004,2008 (г. Санкт-Петербург, 2004,2008); на Четвертой международной конференции "Приборостроение в экологии и безопасности человека" ПЭБЧ04, (г.Санкт-Петербург, 2004); на четвертой международной школе-семинаре

БИЬСАМГТОЗ (г. Санкт-Петербург, 2003г.) и других конференциях. Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, приложения и списка литературы (110 наименований) и приложений. Общий объем диссертационной работы — 187 страниц машинописного текста. Работа содержит 58 рисунков, 5 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Надеждин, Олег Владимирович

Выводы к разделу 5

Из рассмотренных численных и теоретических исследований видно, что по скорости более быстрым алгоритмом является ОНОИ, чем pem. Тем не менее, поскольку в алгоритме ОНОИ минимизируется неявная обобщенная ошибка, то в условиях шумов минимум обобщенной ошибки может не соответствовать минимуму явной ошибки. Поэтому явная модель, полученная из неявной, настроенной по методу ОНОИ, может быть по качеству хуже, чем явная модель, полученная по методу pem.

По результатам 1000 экспериментов моделирования процессов идентификации скалярного объекта (данные зашумлены с коэффициентом шум/сигнал=0.1) табл.5.1., для случая, когда начальные условия нулевые, исследуемый метод идентификации параметров, основанный на ОНОИ, незначительно превосходит по качеству оценивания (сумма квадратов ошибок при симуляции) известный метод pern (prediction error method) — только в 60% случаев. В 57.3% случаев корреляция исследуемого метода выше корреляции по методу рет. В 60% случаев время расчета параметров по исследуемому методу в этих экспериментах меньше, чем время расчета параметров по методу рет. Соответствующие графики приведены на рис.5.6-5.8. Средний коэффициент ускорения по сравнению с методом рет равен 3.19.

Иные результаты моделирования идентификации скалярного объекта получены для случая ненулевых начальных условий, который представляет больший интерес (табл.5.2). Было проведено 1000 экспериментов с отношением шум/сигнал=0.3. В 96.2% случаев качество оценивания (по критерию суммы квадратов ошибок) по методу ОНОИ выше, чем по методу рет. В 95.7% случаев корреляция по методу, на основе ОНОИ, превышает корреляцию по методу рет. В 90.6% случаев метод оценивания на основе ОНОИ с решателем СЛАУ на основе lsqr быстрее метода рет. Средний коэффициент ускорения по сравнению с методом рет равен 6.37 (для решателя СЛАУ на основе svd -220,но качество лучше не в 95%, а в 90% случаев, см.табл.5.3). Графики результатов экспериментов приведены на рисунках 5.16-5.18.

По результатам 100 экспериментов с гипотетическими ЛА с математическими моделями векторного типа (два входа, два выхода) 9 порядка с шумами в данных и ненулевыми начальными условиями (табл.5.4) видно, что в 80% случаев алгоритм ОНОИ превосходит известный алгоритм рет. Коэффициент ускорения в 70% случаев равен 100 и более (когда в качестве решателя СЛАУ используется svd), рис.5.28. Значения средней суммы квадратов ошибки в 81% случаев меньше у ОНОИ, чем у рет (рис.5.29).

Результаты экспериментов с идентификацией параметров на основе ГА показали (рис.5.31-5.36), что сходимость подобной схемы идентификации значительно уступает даже алгоритму рет. Одним их достоинств ГА является устойчивость в условиях сильных шумов.

Результаты моделирования управления сложным динамическим объектов (рис.5.44-5.47) показывают работоспособность синтезированной адаптивной системы управления с идентификатором на основе ОНОИ. Система адаптивного управления состояла из параметрического идентификатора, идентификатора состояния, астатического модального регулятора, параметры которых настраивались в соответствии с заданными критериями качества идентификации (3.39) и регулирования (4.60).

Из рисунка 5.48 видно, что в процессы в адаптивной системе асимптотически приближаются к процессам оптимальной системы.

Как видно из результатов экспериментов (табл.5.5), в подавляющем большинстве случаев качество регулирования адаптивной системы идентификационного типа превосходит качество адаптивной системы на основе рет (при этом, скорость рет заметно уступает алгоритму на основе ОНОИ)

Заключение

Разработана методика синтеза и структура адаптивной системы управления на основе ОНОИ для параметрически возмущенного сложного динамического объекта. Адаптивный ОНОИ позволяет осуществлять параметрическую идентификацию динамического объекта с векторными входами и выходами и идентификацию состояния в условиях действия параметрических возмущений в системе. ОНОИ основан на параметрическом идентификаторе векторного объекта (векторные вход и выход) и на наблюдателе состояния Льюенбергера. Адаптивная система управления с идентификатором для векторного объекта на основе ОНОИ позволяет получать в режиме реального времени полную информацию об объекте в условиях недостатка априорной информации о параметрах математической модели сложной динамической системы.

При синтезе адаптивной системе предполагалась гипотеза о квазистационарности динамических характеристик объекта. В соответствии с этой гипотезой параметры математической модели объекта (а значит и параметрические возмущения) или постоянны во времени или изменяются с незначительной скоростью, пренебрежение которой практически не ухудшает оценок, получаемых на ограниченном временном интервале наблюдений.

Синтезирован алгоритм параметрического идентификатора на базе метода наименьших квадратов, а также методов робастной регрессии, вычисляющий оценку неизвестных параметров объекта. Алгоритм параметрической идентификации относится к алгоритмам адаптивной идентификации, т.е. синтезирован для случая реального функционирования системы и не требует тестовых воздействий специального типа (скачкообразное, импульсное, меандр, гармонические воздействия) для идентификации параметров векторного объекта.

Разработан алгоритм адаптивного оценивания вектора состояния ДУЛА на основе наблюдателя Льюенбергера. Данный алгоритм основан на адаптивной настройке матрицы усиления наблюдателя L путем обеспечения желаемых динамических свойств наблюдателя.

Разработанный алгоритм синтеза параметров астатического модального регулятора векторного объекта основан на оптимизации квадратичного интегрального критерия Красовского с использованием в качестве начальных условий параметров модального регулятора, обеспечивающего заданные динамически свойства замкнутой системы в смысле желаемого Гурвицева характеристического полинома.

Проведен синтез адаптивной системы управления непрямого действия на основе ОНОИ для моделей продольного и бокового движения ДУЛА "DragonFly" и MAFV, а также гипотетического ДУЛА. При синтезе адаптивной системы в качестве параметрического идентификатора использовались метод наименьших квадратов, а также методы робастной регрессии, а при синтезе адаптивного фильтра использовался наблюдатель Льюенбергера.

С помощью моделирования на ЭВМ исследовались процессы идентификации параметров математических моделей типовых сложных объектов. Исследовалась сходимость процессов параметрической идентификации. Используемые в работе метод наименьших квадратов и метод робастной регрессии обладают хорошей сходимостью и высокой точностью оценок матриц параметров математической модели параметрически возмущенного объекта.

Исследования проводились при различных значениях параметрических возмущений и различных типах входных управляющих воздействий (белый шум, меандр, гармонические воздействия), в том числе и при реализации ПИ-регулятора, модального регулятора.

Алгоритм идентификации на основе ОНОИ сравнивался с целым рядом альтернативных алгоритмов идентификации, таких как частотные методы идентификации, алгоритм предсказания ошибки. Лучшим из альтернативных методов, как оказалось из результатов экспериментов, является алгоритм предсказания ошибки Льюнга pem (prediction error method). Но в сравнении с алгоритмом параметрической идентификации на основе ОНОИ, алгоритм рет уступает и по скорости (на 1-2 порядка), и по качеству.

Также на базе алгоритма ОНОИ была реализована робастная реализация параметрической идентификации, когда в данных измерителей присутствуют аномальные шумы. Разработанный алгоритм параметрической идентификации на основе методов робастной и кластерной регрессии позволяет оценивать параметры и систем с переменной структурой в условиях аномальных шумов измерителей.

Численное моделирование показало преимущество алгоритма параметрической идентификации векторного объекта на базе ОНОИ перед альтернативным по качеству в смысле интегральной оценки методом рет, что, в первую очередь, связано структурой ОНОИ, благодаря которой задача идентификации векторного динамического объекта редуцируется в задачу оптимизации квадратичного функционала от линейной по параметрам невязки. Линейность невязки относительно искомых параметров приводит к тому, что задачу оптимизации функционала можно свести к задаче решения СЛАУ. В методе рет используется градиентные методы адаптации параметров настраиваемой модели на основе явного функционала от нелинейной в общем случае по параметрам невязки (в отличие от неявного функционала от линейной по параметрам невязки в ОНОИ). Нелинейность невязки по параметрам в схеме рет приводит к более сложным (чем ОНОИ) в вычислительной плане алгоритмам идентификации параметров, что отражается на скорости вычислений.

Результаты численного моделирования показали работоспособность системы адаптивного управления с идентификатором и ее сходимость к оптимальному режиму функционирования (в смысле заданного интегрального критерия Красовского) в условиях отсутствия априорной информации о параметрических возмущениях в системе.

Результаты численного моделирования процессов управления адаптивной системы в подавляющем большинстве случаев качество регулирования адаптивной системы идентификационного типа превосходит качество адаптивной системы на основе рет (при этом, скорость рет заметно уступает алгоритму на основе ОНОИ).

Список литературы диссертационного исследования кандидат технических наук Надеждин, Олег Владимирович, 2010 год

1. Александров А.Г. Оптимальные и адаптивные системы. -М.: Высшая школа, 1989.- 256с.

2. Б.Р. Андриевский, Ф.Л. Фрадков. Избранные главы теории автоматического управления с примерами на языке MATLAB. СПб.: Наука, 2000. -475 с.

3. Буков В.Н. Адаптивные прогнозирующие системы управления полетом. М.: Наука, 1987. - 232с.

4. ЦыпкинЯ.З. Информационная теория идентификации.- М: Наука, 1995. 336с.

5. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. -213с.

6. Красовский А. А., Поспелов Г.С. Основы автоматики и технической кибернетики.

7. М.: Госэнергоиздат, 1962. -— 600 с.

8. Антонов В.Н., Терехов В.А., Тюкин И.Ю. Адаптивное управление в технических системах. СПб.: Изд-во С.- Петербургского университета, 2001. - 236с

9. А.Л.Фрадков. Кибернетическая физика: принципы и примеры. -СПб.: Наука, 2003. -208 с.

10. Р. П.Ю.Гузенко, С.А.Кукушкин, А.В.Осипов, А.Л.Фрадков. Автоколебательные режимы роста тонких пленок из многокомпонентного пара: динамика и управление // ЖТФ. -1997. Т.69, №9. -С.47-51.

11. Андриевский Б.Р., Фрадков А.Л. Управление хаосом. Методы, и приложения. Часть 1. Методы // АиТ. -2003. № 5. С.3-45.

12. Андриевский Б.Р., Фрадков А.Л. Управление хаосом. Методы и приложения. Часть 2. Приложения // Автоматика и телемеханика. -2004. № 4. -С.3-34.

13. Фомин В.Н. Некоторые общие принципы построения адаптивных систем управления // Соросовский образовательный журнал. 1996. №12. -С.102-108.

14. И.В.Мирошник, В.О.Никифоров, А.Л.Фрадков. Нелинейное и адаптивное управление сложными динамическими системами. -СПб.: Наука, 2000. 562 с.

15. Ю.И. Неймарк, М.М. Коган. Теория управления на этапе расширения возможностей и универсализации // Российская наука: выстоять ивозродиться:РФФИ/ под ред. А.В. Бялко. — М.: Наука, 1997. 367 с.

16. Паршева Е.А. Адаптивное и робастное децентрализованное управление многосвязными объектами с односвязными подсистемами: автореф. дис. докт. техн. Наук. Саратов: СГТУ, 2007. -32с.

17. Perhinschi M.G., Lando М., Massotti L., Campa G., Napolitano M., Fravolini M.L. Real-Time Parameter Estimation Issues for the NASA IFCS F-15 Fault Tolerant Systems// Proc. of American Control Conference, Anchorage, USA. 2002, - P. 88-93

18. Seanor В., Song Y., Napolitano M., Campa G. Comparison of On-line and Off-line Parameter Estimation Techniques using the NASA F/A-18 HARV Flight Data//AIAA Journal. 2001. - Vol. 41. - P.35-39

19. Lyshevski S.E., Dunipace K.R., Colgren R.D. Identification and Reconfigurable Control of Multivariable Aircraft// AACC: Proc. of the American Control Conference, June. 1999. - P. 23-29

20. Buffington J., Chandler P., Pachter M. On-Line System Identification for Aircraft with Distributed Control Effectors// International Journal of Robust and Nonlinear Control. -1999. P. 45-48

21. Chandler P., Pachter M., Mears M.J. System Identification for Adaptive and Reconfigurable Control// Journal of Guidance, Control and Dynamics. 1995. -Vol. 18, №3. -P. 23-26

22. Song Y., Campa G., Napolitano M., Seanor В., Perhinschi M.G. Comparison of On-Line Parameter Estimation Techniques Within a Fault Tolerant Flight Control System//AIAA Journal on Guidance, Control and Dynamics. 2001. - P. 35-37

23. Davidson J.B., Lallman F.J., Bundick W.T. Real-Time Adaptive Control Allocation applied to a High Performance Aircraft// Proc. of the 5th SIAM Conference on Control & Its Applications. 2001. - P. 110-115

24. Bodson M. Identification with Modeling Uncertainty and Reconfigurable Control// IEEE Journal: Proceedings of the 32nd Conference on Decision and Control, December. -1993. P. 43-48

25. Sharma M., Calise A. J., Lee S. Development of a Reconfigurable Flight Control Law for the X-36 Tailless Fighter Aircraft// Proc. of AIAA Guidance, Navigation and Control Conference, TV 3940, Denver, USA. -2000. P. 23-29

26. Calise A. J., Lee S., Sharma M. Direct Adaptive Reconfigurable Control of a Tailless Fighter Aircraf// Proc. of AIAA Guidance, Navigation, and Control Conference, Boston, USA. -1998. P. 278-283

27. Тихомиров M.E., Чарова Н.Г., Азаров M.M. Развитие комплексов управления дистанционно пилотируемых летательных аппаратов// Тез. докл. XII Международный симпозиум по истории авиации и космонавтики. -Москва: ИИЕТ РАН, 1999. С. 3337.

28. Antsaklis P.J. and Passino K.M. Towards Intelligent Autonomous Control Systems: Architecture and Fundamental Issues// Journal of Intelligent and Robotic Systems. -1989. -Vol. 1.-P. 315-342.

29. Boskovic J.D.,.Li S.M, Mehra R.K. Study of an Adaptive Reconfigurable Control Scheme for Tailless Advanced Fighter Aircraft (TAFA) in the Presence of Wing Damage // IEEE: Proc. of the 39th Conference on Decision and Control. 2000. - P. 35-40

30. Bodson M. Multivariable Adaptive Algorithms for Reconfigurable Flight Control// IEEE: Proc. of the 33rd Conference on Decision and Control. 1994. -P. 23-26

31. Bodson M. Identification with Modeling Uncertainty and Reconfigurable Control/ЛЕЕЕ: Proc. of the 32nd Conference on Decision and Control. 1993. -P. 35-37

32. Chandler P., Mears M.J., Pachter M. On-Line Optimizing Networks for Reconfigurable Control /ЛЕЕЕ: Proc. of the 32nd Conference on Decision and Control. -1993.-P. 89-93

33. Siwakosit W., Hess R.A. Multi-Input/Multi-Output Reconfigurable Flight Control Design //AIAA Journal of Guidance, Control and Dynamics. 2001. - Vol. 24. -P.57-59

34. Азаров M.M., Чарова Н.Г. Моделирование управляемого парящего движения беспилотного JI А// Тез. докл. Вторая международная молодежная школа-семинар БИКАМП'99. СПб: СПбГУАП, 1999. - С.51-55.

35. Bodson М. and Groszkiewicz J. Multivariable adaptive algorithms for reconfigurable flight control// IEEE Transactions on Control Systems Technology. 1997. - Vol. 5. -P. 217-229

36. Atkins E. M., Miller R. H., VanPelt Т., Shaw K. D., Solus: an autonomous aircraft for flight control and trajectory planning research// Proc. Am. Contr. Conf. 1998 -Vol.2. -P.689-693

37. Jazwinski A. Stochastic Processes and Filtering Theory. New York: Academic Press. -1970.-Vol. 64.-P.260

38. Garcia-Velo J. Parameter estimation of an unstable aircraft using an extended Kalman filter: M.S. Thesis, University of Cincinnati. 1991.

39. Garcia-Velo J. and Walker B. Aerodynamic parameter estimation for higher performance aircraft using Extended Kalman Filtering// JGCD. 1997. - Vol. 20. - P. 12571259

40. Speyer J. and Crues E. On-line aircraft state and stability derivative estimation using the modified gain extended Kalman filter// Journal of Guidance. 1987- Vol. 10. - P. 262-268

41. Shelby S. Brunke, Mark E. Campbell. Identification and tracking for autonomous control// IEEE: Transactions on Control Systems Technology. -2000. Vol. 7. - P. 117-125

42. Overschee P. Van. and Moor B. De. N4SID: Two Subspace Algorithms For Identification of Combined Deterministic-Stochastic Systems// Automatica. 1994. -Vol. 30.-P. 75-93.

43. Verhaegen M. and DeWilde P. Subspace Model Identification Part 1: The Output-Error State-Space Model Identification Class of Algorithms// International Journal of Control. -1992.-Vol. 56.-P. 1187-1210.

44. К. Peternell, W. Scherrer, M. Deistler Statistical analysis of novel subspace identification methods// Signal Processing, July. -1996.- Vol. 52, Iss. 2. -P. 161-177

45. Jansson, M. Subspace identification and ARX modeling// 13th IFAC SYSID symposium: Proceedings, Rotterdam, Netherlands, August.-2003. -P. 1625-1630

46. I. Markovsky, J.C. Willems, and B.L.M. De Moor. Comparison of identification algorithms on the database DAISY// 17-th Symposium on the Mathematical Theory of Networks and Systems (MTNS 2006), Kyoto, Japan. 2006. -p.2858-2869

47. Катков M.C. Синтез структуры основного контура адаптивных систем управления// Информационно-измерительные системы и их использование в управлении летательным аппаратом: Межвуз. сб./ Под ред. В.М. Кушуля. -Ленинград: ЛИАП, 1988. С.67

48. Катков М.С., Азаров М.М. Исследование системы автоматического управления с адаптивной коррекцией параметров объекта управления// II международный симпозиум "Аэрокосмические приборные технологии": Сборник материалов. -СПб, 2002, С. 24-27.

49. Азаров М.М. Идентификация параметров динамической модели движенияультралегкого дистанционно пилотируемого самолета// Международная научная молодежная конференция "XXV Гагаринские чтения": материалы конференции. М., 1999. - С. 54-56.

50. Katkov M.S., Srisertpol J., Azarov M.M. The Synthesis of the Indirect Adaptive Control System// 5th IF AC Symposium "Nonlinear Control Systems" (NOLCOS 2001), Saint-Petersburg, Russia. 2001. - P. 46-50.

51. Катков M.C., Азаров M.M. Система параметрической идентификации математической модели движения самолета// Конгресс-2000 "Фундаментальные проблемы естествознания и техники",Санкт-Петербург: Сб.трудов. 2001 - Вып. 23. -С.511-518.

52. Азаров М.М. Система идентификации нестационарного объекта с моделью на базе фильтра Калмана-Бьюси//Четвертая научная сессия аспирантов и соискателей ГУАП: сборник докладов. СПб: СПбГУАП, 2001. - С. 81-83.

53. Azarov М.М. Synthesis of the structure of the light unmanned aerial vehicle dynamic model parameter identification system// BOAC'2000, Saint-Petersburg, Russia. 2000. -P. 34-38.

54. Азаров М.М. Параметрическая идентификация модели дистанционно пилотируемого летательного аппарата по результатам летного эксперимента//Вторая научная сессия аспирантов ГУАП: тезисы докладов. -СПб: СПбГУАП, 1999. С. 9-16

55. Азаров М. М. Идентификация параметров модели дистанционно пилотируемого самолета по данным летного эксперимента//Тез. докл. Вторая международная молодежная школа-семинар БИКАМП'99. СПб: СПбГУАП, 1999. -С. 15-18.

56. Азаров М.М. Адаптивное оценивание вектора состояния многомерного объекта//Первая научная сессия ГУАП: Сборник докладов. СПб: СПбГУАП, 1998. -С. 13-14.

57. Азаров М.М. Идентификация параметров динамической модели движения ультралегкого дистанционно пилотируемого самолета// Международная молодежная научная конференция "25-е Гагаринские чтения": тезисы докладов. М.:МАТИ, 1999. -С. 133.

58. Азаров М.М. Синтез системы параметрической идентификации и адаптивного оценивания вектора состояния летательного аппарата : автореф. дис. . канд. техн. наук. СПб, 2006. 32 с

59. Азаров М. М. Синтез системы параметрической идентификации и адаптивного оценивания вектора состояния летательного аппарата : дис. . канд. техн. наук. СПб., 2006, 173 с.

60. Надеждин О.В. Координатно-параметрическая идентификация динамической системы с векторными входом и выходом.// Актуальные проблемы гуманитарных и естественных наук. 2009. №6. с.50-63

61. Катков М.С. Непрерывные системы адаптивного управления с идентификаторами. М.: Изд-во МНИ "Мир книги", 1992. - 386с.

62. Эйкхофф П. Основы идентификации систем управления. Оценивание параметров и состояния: пер. с англ./Под ред. Н.С. Райбмана М.: Мир, 1975. -683с.

63. Голландцев Ю.А., Гутнер И.Е. Вентильный индукторно-реактивный двигатель // Изв.вузов. Приборостроение. -2002. -Т.45, №8. С. 12-18.

64. Хенкок Е. Матричный анализ электрических машин. М.:Энергия, 1967. -224 с

65. A. Albertoni, L.W.Lake, The University of Texas at Austin. Inferring interwell connectivity from well-rate fluctuations in waterfloods. //SPE Reservoir Evaluation and

66. Engineering Journal. -2003. V. 6. - PP. 6-16.

67. De Moor В., De Gersem P., De Schutter В., Favoreel W. DAISY : A database for identification of systems// Journal A, Special Issue on CACSD (Computer Aided Control Systems Design),Sept. -1997. -Vol. 38, no. 3. PP. 4-5.

68. Льюнг Л. Идентификация систем. Теория для пользователя: пер. с англ./Под ред. Я.З. Цыпкина М.: Наука, 1991. - 432с.

69. P. A. Ioannou, J. Sun. Robust Adaptive Control. New Jersey: Prentice-Hall, 1996. 821 P

70. Д.А. Никифорова, О.В.Надеждин, М.С.Катков. Исследование алгоритмов непараметрической идентификации объектов управления методами Гаусса и Ньютона. // Восьмая научная сессия ГУАП: Сборник докладов. СПб:СПбГУАП, 2005. -С.15-18

71. О.В. Надеждин, Д.А.Никифорова, М.С.Катков. Исследование алгоритмов параметрической идентификации объектов управления методами Гаусса и Ньютона. // Восьмая научная сессия ГУАП: Сборник докладов. СПб:СПбГУАП, 2005. -С.19-23

72. Гасников А.И., Надеждин О.В. Определение разности фаз между двумя периодическими сигналами// Междун. школа-семинар БИКАМП-03: Сб.трудов. -СПб:СПбГУАП, 2003. -с. 34-37

73. Надеждин О.В. Идентификация стационарного нелинейного объекта управления, // Междун. школа-семинар БИКАМП-03: Сб.трудов. -СПб:СПбГУАП, 2003. -с. 65-67

74. Надеждин О.В. Матричная идентификация нелинейного нестационарного объекта управления// Междун. школа-семинар БИКАМП-03: Сб.трудов. -СПб:СПбГУАП, 2003. -с. 68-71

75. Заминова А.Р., Надеждин О.В., Савичев В.И. Анализ связности скважин на основе данных истории разработки месторождения// Труды Всероссийской научной конференции «Проектирование научных и инженерных приложений в. среде

76. MATLAB». -СПб.: Изд-во С.-Петерб.ун-та, 2007. С. 175-191

77. Надеждин О.В., Гагарин А.В. Параметрическая идентификация динамического объекта с векторными входом и выходом// Десятая научная сессия ГУАП: Сборник докладов. СПб:СПбГУ АП, 2007. - С.

78. Надеждин О.В.,Заминова A.P. Анализ связности динамики нагнетательных и добывающих скважин. // Управление большими системами / под ред. Новикова Д.А. -М.: ИПУ РАН, 2009. Вып. 25.- С. 35-47

79. А.Х. Мирзаджанзаде, М.М. Хасанов, Р.Н. Бахтизин. Этюды о моделировании сложных систем нефтедобычи. Нелинейность. Неравновесность. Неоднородность. -Уфа: Гилем, 1999, 464 с.

80. Гагарин А.В., Надеждин О.В. Интеллектуальные алгоритмы адаптации параметров гидродинамической модели резервуара // Научная сессия ГУАП: Сб. докл. 42. Технические науки/ СПб.: СПбГУАП, 2007. С. 56-61

81. Searching For Permeability 'Logging' Nadezhdin O.V., Ramazanov R.M. and Savichev V.I.//The 14 Formation Evaluation Symposium of Japan, Japan. -Chiba, 2008. -P. 34-37.

82. Гладков JI.A., Курейчик B.B., Курейчик B.M. Генетические алгоритмы / Под ред.

83. В.М. Курейчика. 2-е изд., испр. и доп. - М.: ФИЗМАТЛИТ, 2006. - 320 с.

84. Whitley D. A genetic algorithm tutorial// Statistics and Computing. 1994. - Vol. 4. -p. 65-85.

85. Soleng, H.H. Oil Reservoir Production Forecasting with Uncertainty Estimation using Genetic Algorithms// Proc. Of Congress of Evolutionary Computing, Washington, DC. -1999.-p 1217-1223.

86. R.W. Schulze-Riegert, J.K. Axmann, O. Haase et al. Evolutionary Algorithms Applied to History Matching of Complex Reservoirs. // SPE Reservoir Evaluation & Engineering. -2002. -p.32-37

87. Herrera F., Lozano M., Verdegay J. Tackling real-coded genetic algorithms: operators and tools for the behavior analysis // Artificial Intelligence Review. -1998. -Vol. 12. № 4. -p.265-319

88. Eiben A.E., Hinterding R., Michalewicz Z. Parameter control in evolutionary algorithms// IEEE Trans. Evolutionary Computation. 1999. - No. 3(2) - p. 124-141.

89. Толочко О.И., Коцегуб П.Х., Федоряк Р.В. Анализ систем модального управления с редуцированным наблюдателем состояния // Оптимизация производственных процессов: Сборник трудов. Севастополь:СевГТУ, 2000. -№3. -с.63-66.

90. Mehrmann, Н. Xu, An analysis of the pole placement problem II. The multi-input case//Electron. Trans. Numer. Analysis. -1997. -№ 4 . P. 77-97.

91. E. Cawood, C. L. Cox, Perturbation analysis for eigenstructure assignment of linear multi-input systems// Electron. Trans. Numer. Analysis. 2000. -№4. P. 25-42

92. Дрейпер H., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. 3-е изд. М: Диалектика, 2007. 912с.

93. Nadezhdin О. Modal PID-controller of multi-input system. )// Proceedings of the 10th International Student Olympiad on Automatic Control (Baltic Olympiad), Russia. — Saint-Petersburg: SPbSUITMO, 2004. —P.210-215.

94. Голубев А. Е., Крищенко А. П., Ткачев С. Б. Принцип разделения для аффинных систем // Дифференциальные уравнения, 2001. Т. 37, N 11. -С. 1468-1475.

95. Надеждин О.В., Катков М.С. Синтез управлений нелинейных процессов экологических и химико-технологических объектов// Международная конференция "Приборостроение в экологии и безопасности человека" (ПЭБЧ'04) СПб.: СПбГУ ИТМО, 2004. - С. 236-238

96. О.В. Надеждин, Д.А.Никифорова, М.С.Катков. Синтез астатических регуляторов нелинейными объектами модальным методом с линеаризацией обратной связью. // Восьмая научная сессия ГУАП: Сборник докладов. СПб:СПбГУАП, 2005. -С. 44-48

97. Надеждин О.В. Синтез астатических регуляторов многосвязных нелинейных объектов, линеаризуемых обратной связью. / В.Ф. Суслов, М.С. Катков, О.В. Надеждин. // Морской вестник. 2005. - №3(15). - С. 53-55