摘要：辊道窑烧结过程的温度是决定锂离子电池正极材料产品质量的关键.然而,根据炉内有限个测温点的温度建立起描述整个温度场的模型往往非常困难,导致无法优化控制烧结过程的温度分布;而控制方法的设计一般需要进行参数估计,已有参数估计方法大多依赖于观测器/预测器的状态误差信息,无法直接反映待估计参数的变化特征且方法的准确性取决于观测器/预测器的性能.为此,本文提出一种基于参数估计误差的温度场自适应动态规划(adaptive dynamic programming,ADP)优化控制方法.首先,基于传热机理建立二维多孔介质能量守恒方程,构建包含角系数的边界条件以反映热辐射作用;考虑到竖直方向温度变化较大,通过转换边界条件建立起辊道窑一维温度场模型,并根据正极材料的特性获得模型参数.然后,采用ADP中的策略迭代(policy iteration,PI)优化设计温度场控制器,神经网络(neural network,NN)用于PI中的评价网络以逼近代价函数;基于权值参数的估计值与真实值之差构建参数估计误差,通过将估计误差的信息融入到评价NN参数更新过程,提出基于参数估计误差的NN权值更新算法,以提高参数估计误差的收敛性,实现有限时间内NN权值的快速收敛.最后,通过仿真验证所提建模和控制方法的有效性.

摘要：针对机器人系统中存在非线性摩擦影响控制系统性能的问题,文中提出一种自适应参数估计算法对一类连续摩擦模型的关键参数进行辨识,实现摩擦建模。为避免使用加速度信号,需对机器人系统模型进行重构并设计未知系统动态估计器来实现摩擦力矩的整体估计。该估计器结构简单,仅需调节一个参数即可实现对摩擦力矩的估计,且估计的收敛速度快,有利于在实际系统中实现。在获得摩擦力矩估计的基础上,基于李雅普诺夫方法构建基于参数估计误差信息的有限时间自适应参数估计算法。在保证算法收敛性和鲁棒性的前提下,可在有限时间内准确辨识连续摩擦模型中的关键参数。