DuEPublico 2

Dies ist unser neues Repositorium, derzeit für E-Dissertationen und ausgewählte weitere Publikationen. Weitere Informationen...

Data-driven Adaptive Stabilizer for Unknown Nonlinear Dynamic MIMO Systems Using a Cognition-based Framework

Nowak, Xi

This thesis focuses on a cognitive stabilizer concept which is an adaptive discrete control method based on a cognition-based framework. The aim of the cognitive stabilizer is to autonomously stabilize a specific class of unknown nonlinear multi-input-multi-output (MIMO) systems. The cognitive stabilizer is able to gain useful local knowledge of the unknown system and can autonomously define suitable control inputs to stabilize the system. The development of different kinds of adaptive, data-driven, and model-free controllers shows a clear tendency towards research on control methods with high autonomy. Here the term autonomy is used to describe the fact that the control approach/the related programming is organized such that the algorithm is able to handle the feedback design autonomously without instructions from outside the algorithm. Typical methods affected by this definition are adaptive control method, data-driven control method, and model-free control method. In this thesis, the state-of-the-art of them is reviewed. The main focus is given to the autonomy of the realized approaches. It can be concluded that the existing methods still show some open points achieving highly autonomous control. In order to address these open points, a framework similar to modeling approaches concerning the human cognition processes [Cac98] can be introduced in the engineering context, which is denoted as cognition-based framework. As stabilization control task is the most basic control task, the cognition-based framework for stabilization is established in this thesis. It is assumed, that the mathematical model of the system to be controlled is unknown and fully controllable, as well as the state vector can be measured. The cognitive stabilizer is realized based on the cognitive framework by its four main modules: (1) “perception and interpretation” using system identifier for the system local dynamic online identification and multi-step-ahead prediction; (2) “expert knowledge” relating to the stability criterion to guarantee the stability of the considered motion of the controlled system; (3) “planning” to generate a suitable control input sequence according to certain cost functions; (4) “execution” to generate the optimal control input in a corresponding feedback form. Each module can be realized using different methods. In this thesis, “perception and interpretation” is realized using neural networks, Gaussian process regression, or combined identifier. “Expert knowledge” consists of the data-driven quadratic stability criterion, the quadratic Lyapunov stability criterion with a certain Lyapunov function, and the uniform stability criterion. The modules “planning” and “execution” are realized together with exhaustive grid search method or direct input optimization using inverse model. The whole cognitive stabilizer is realized using the autonomous communication among each module. The cognitive stabilizer are tested using numerical examples or experimental results in this thesis. Pendulum system and Lorenz-system are considered as simulation examples. Both are benchmark examples for the nonlinear dynamic control design. The cognitive stabilizer is experimentally implemented and evaluated to a threetank-system. All the numerical examples and experimental results demonstrate the successful application of the proposed methods.

Das Thema dieser Arbeit ist ein kognitives Stabilisierungsverfahren, das basierend auf einem kognitionsbasierten Framework ein adaptives diskretes Regelungsverfahren darstellt. Ziel des kognitiven Stabilisierungsverfahrens ist es, eine spezifische Klasse von unbekannten, nichtlinearen, Mehrgrößensystemen autonom zu stabilisieren. Das kognitive Stabilisierungsverfahren ist in der Lage, relevante lokale Informationen über das unbekannte System zu erlangen. Es kann autonom geeignete Steuergrößen definieren, um das System zu stabilisieren. Die Entwicklung von verschiedenen adaptiven, datenbasierten und modellfreien Reglern zeigte bereits die Tendenz der Erforschung von Regelungsmethoden mit hoher Autonomie. Der Begriff Autonomie wird hier verwendet, um die Tatsache zu beschreiben, dass das Regelungsverfahren bzw. die dazugehörige Programmierung so durchgeführt wird, dass der zugehörige Algorithmus den Rückführungsentwurf autonom ohne Einwirkungen von außerhalb des Algorithmus festlegen kann. Typische Methoden, die von dieser Definition beeinflusst werden sind die adaptive Regelungsmethode, die datenbasierte Regelungsmethode oder die modellfreie Regelungsmethode, deren Stand der Forschung in dieser Arbeit zusammengefasst wird. Der Hauptfokus liegt dabei auf der Autonomie der realisierten Verfahren. Es kann gezeigt werden, dass die existierenden Methoden immer noch einige offene Probleme aufweisen, um eine hohe autonome Regelung zu erreichen. Um diese offenen Probleme weiterzuentwickeln, kann ein Framework in den Ingenieurskontext eingeführt werden, das den Modellierungsverfahren bezüglich der menschlichen Kognitionsprozesse [Cac98] ähnelt und als kognitives Framework bezeichnet werden kann. Da Stabilisierungsaufgaben die elementarsten Regelungsaufgaben sind, wird in dieser Arbeit ein kognitionsbasiertes Framework zur Stabilisierung entwickelt. Zunächst wird angenommen, dass das mathematische Modell des zu regelnden Systems unbekannt, vollständig steuerbar und der Zustandsvektor messbar ist. Der kognitive Stabilisierungsregler wird basierend auf dem kognitiven System durch seine vier Hauptmodule realisiert: (1) ”Wahrnehmung und Interpretation“ durch einen Systemidentifikator zur Echtzeit-Identifikation der lokalen Systemdynamik und Mehr-Schritt-Vorhersage; (2) ”Expertenwissen“ bezogen auf das Stabilitätskriterium um die Stabilität der betrachteten Bewegung des geregelten Systems zu garantieren; (3) ”Planung“ um eine geeignete Eingangsgrößensequenz nach bestimmten Gütefunktionen zu erzeugen; (4) ”Ausführung“ um die optimalen Steuergrößen in eine entsprechende Rückführungsform zu generieren. Jedes Modul kann durch verschiedene Methoden realisiert werden. In dieser Arbeit wird das Modul ”Wahrnehmung und Interpretation“ durch neuronale Netzwerke, Gauß-Prozess-Regression oder einen kombinierten Identifikator umgesetzt. Das Modul ”Expertenwissen“ besteht aus dem datenbasierten quadratischen Stabilitätskriterium, dem quadratischen Lyapunov Stabilitätskriterium mit einer bestimmten Lyapunov-Funktion und dem gleichmäßigen Stabilitätskriterium. Die Module ”Planung“ und ”Ausführung“ werden zusammen durch das inverse Modell mit dem vollständigen ”Grid-Search“-Verfahren oder direkter Steuergrößenoptimierung realisiert. Die gesamte kognitive Stabilisierungsmethode wird durch die autonome Kommunikation zwischen jedem Modul realisiert. Die kognitive Stabilisierungsmethode wird in dieser Arbeit durch numerische Beispiele oder experimentelle Ergebnisse getestet. Zwei Simulationsbeispiele (Pendel-System sowie Lorenz-System) werden betrachtet. Beide sind Benchmarkbeispiele für den nichtlinearen dynamischen Regelungsentwurf. Die kognitive Stabilisierungsmethode wird experimentell auf das Drei-Tank-System angewendet und die entsprechenden Ergebnisse werden bewertet. Die numerischen Beispiele sowie die experimentelle Umsetzung zeigen die erfolgreiche Anwendung des dargestellten Verfahrens.

Share and cite

Citation style:

Nowak, Xi: Data-driven Adaptive Stabilizer for Unknown Nonlinear Dynamic MIMO Systems Using a Cognition-based Framework. 2016.

Rights

Use and reproduction:

Export