Algorytm regulacji odpornej ADRC – dobór nastaw i sposób dyskretnej implementacji

pol Article in Polish DOI: 10.14313/PAR_244/5

send Jacek Michalski , Piotr Kozierski , Radosław Puchalski , Marek Retinger Politechnika Poznańska, Wydział Automatyki, Robotyki i Elektrotechniki, Instytut Robotyki i Inteligencji Maszynowej, Zakład Automatyki i Optymalizacji, ul. Piotrowo 3a, 60-965 Poznań

Download Article

Streszczenie

W niniejszej pracy został przedstawiony algorytm regulacji odpornej Active Disturbance Rejection Control obiektem aerodynamicznym o dwóch stopniach swobody. Pokazano pełne wyprowadzenia równań algorytmu regulacji oraz wartości nastaw w zależności od pożądanych właściwości układu, na podstawie dynamiki obiektu oscylacyjnego drugiego rzędu. Dokonano dyskretyzacji równań algorytmu regulacji i zaproponowano jego dyskretną implementację. Testy przeprowadzono na laboratoryjnym zestawie aerodynamicznym firmy Inteco, którego model matematyczny jest silnie nieliniowy, ma dwa stopnie swobody i sprzężenia skrośne. Jakość działania oceniona została na podstawie przebiegów czasowych, a także całkowych wskaźników jakości. Przeprowadzone badania pokazują przewagę zastosowanego algorytmu nad regulacja PID dla badanego systemu. Przedstawiony algorytm regulacji cechuje się także większą przenośnością – nastawy dobierane są tylko w oparciu o rząd obiektu i teoretycznie raz dobrane są właściwe, niezależnie od modelu matematycznego. Zaproponowane równania dyskretne mogą zostać zaimplementowane z użyciem dowolnego języka programowania dla teoretycznie dowolnego obiektu, przy uwzględnieniu rzędu jego dynamiki.

Słowa kluczowe

dobór nastaw regulatorów, regulator PID, rozszerzony obserwator stanu, sprzężenie od stanu, sterowanie ADRC, wielowymiarowy obiekt nieliniowy

Robust ADRC Control – Tuning and Discrete Implementation

Abstract

This paper presents the robust Active Disturbance Rejection Control method in an aerodynamical object with two degrees of freedom. Full derivation of control algorithm equations and the settings values depending on the desired properties of the system, based on the dynamics of the second order oscillating object, have been shown. The equations of the control algorithm were discretized and its discrete implementation was proposed. The tests were carried out on the Inteco aerodynamical laboratory kit, whose mathematical model is strongly non-linear, has two degrees of freedom and crosscoupling. The quality of operation was assessed on the basis of time graphs as well as integral quality indices. The conducted research shows the advantage of the applied algorithm over PID control for the tested system. The presented control algorithm is also more portable – the settings are selected only on the basis of the object order and once selected are correct regardless of the mathematical model. The proposed discrete equations can be implemented using any programming language theoretically for any object, taking into account the order of its dynamics.

Keywords

ADRC control, extended state observer, multidimensional nonlinear system, PID controller, state feedback, tuning methods

Bibliography

  1. Bermúdez-Rodríguez J.I., De León H.H., Velázquez-Trujillo S., Gómez E.E., Enríquez-Zárate J., Design of a state observer type Luenberger: used in a cantiliever beam, [in:] 15th Iberian Conference on Information Systems and Technologies (CISTI), 2020, DOI: 10.23919/CISTI49556.2020.9141071.
  2. Bhattacharyya S., Observer design for linear systems with unknown inputs, “IEEE Transactions on Automatic Control”, Vol. 23, No. 3, 1978, 483–484, DOI: 10.1109/TAC.1978.1101758.
  3. Chen S., Xue W., Zhong S., Huang, Y., On comparison of modified ADRCs for nonlinear uncertain systems with time delay, “Science China Information Sciences”, Vol. 61, No. 7, 2018, DOI: 10.1007/s11432-017-9403-x.
  4. Cortiella A., Park K.C., Doostan A., Sparse identification of nonlinear dynamical systems via reweighted l1-regularized least squares. “Computer Methods in Applied Mechanics and Engineering”, Vol. 376, 2021, DOI: 10.1016/j.cma.2020.113620.
  5. Gao Z., Scaling and bandwidth-parameterization based controller tuning. [In:] Proceedings of the American Control Conference, Vol. 6, 2006, 4989–4996, DOI: 10.1109/ACC.2003.1242516.
  6. Gao Z., Huang Y., Han J., An alternative paradigm for control system design. [In:] Proceedings of the 40th IEEE Conference on Decision and Control, Vol. 5, 2001, 4578–4585, DOI: 10.1109/CDC.2001.980926.
  7. Gruk W., Habecki S., Piotrowski R., Implementacja niekonwencjonalnych regulatorów PID w sterowniku programowalnym. „Pomiary Automatyka Robotyka”, Vol. 21, No. 1, 2017, 31–40, DOI: 10.14313/PAR_223/31.
  8. Han S., Wang H., Tian Y., A linear discrete-time extended state observer-based intelligent PD controller for a 12 DOFs lower limb exoskeleton LLE-RePA. “Mechanical Systems and Signal Processing”, Vol. 138, 2020, DOI: 10.1016/j.ymssp.2019.106547.
  9. Horla D., Podstawy automatyki – ćwiczenia laboratoryjne, wyd. 4, Wydawnictwo Politechniki Poznańskiej, Poznań 2011, ISBN: 978-83-7775-379-8.
  10. Horla D., Sterowanie adaptacyjne – ćwiczenia laboratoryjne, wyd. 4, Wydawnictwo Politechniki Poznańskiej, Poznań 2019. ISBN: 978-83-7775-560-0.
  11. Kaleel A., Al-Shuka H., Hussein O., Adaptive Approximation-Based Feedback Linearization Control for a Nonlinear Smart Thin Plate. “International Journal of Mechanical Engineering and Robotics Research”, Vol. 10, No. 8, 2021, 458–463.
  12. Khazaei J., Tu Z., Asrari A., Liu W., Feedback linearization control of converters with LCL filter for weak AC grid integration. “IEEE Transactions on Power Systems”, Vol. 36, No. 4, 2021, 3740–3750, DOI: 10.1109/TPWRS.2021.3049324.
  13. Krim S., Gdaim S., Mtibaa, A., Mimouni M.F., FPGA-based real-time implementation of a direct torque control with second-order sliding mode control and input–output feedback linearisation for an induction motor drive. “IET Electric Power Applications”, Vol. 14, No. 3, 2020, 480–491, DOI: 10.1049/iet-epa.2018.5829.
  14. Li X., Chen X., A Multi-Index Feedback Linearization Control for a Buck-Boost Converter. “Energies”, Vol. 14, No. 5, 2021, DOI: 10.3390/en14051496.
  15. Lin C.K., Liu T.H., Yang, S.H., Nonlinear position controller design with input–output linearisation technique for an interior permanent magnet synchronous motor control system. “IET Power Electronics”, Vol. 1, No. 1, 2008, 14–26, DOI: 10.1049/iet-pel_20070177.
  16. Lu W., Li Q., Lu K., Lu Y., Guo L., Yan W., Xu F., Load adaptive PMSM drive system based on an improved ADRC for manipulator joint. “IEEE Access”, Vol. 9, 2021, 33369–33384, DOI: 10.1109/ACCESS.2021.3060925.
  17. Ma L., Yan Y., Li Z., Liu J., A novel aerial manipulator system compensation control based on ADRC and backstepping. “Scientific Reports”, Vol. 11, No. 1, 2021, DOI: 10.1038/s41598-021-01628-1.
  18. Madonski R., Michałek M., Odporne sterowanie ADRC w układzie z wielowymiarowym obiektem aerodynamicznym. Krajowa Konferencja Automatyki. Cedzyna k/Kielc, 2011.
  19. Michalski J., Kozierski P., Wielokrotny filtr cząsteczkowy w estymacji stanu systemów dynamicznych. „Pomiary Automatyka Robotyka”, Vol. 23, No. 1, 2019, 11–16. DOI: 10.14313/PAR_231/11.
  20. Michalski J., Kozierski P., Zietkiewicz J., Porównanie metod estymacji stanu systemów dynamicznych. „Pomiary Automatyka Robotyka”, Vol. 21, No. 4, 2017, 41–48, DOI: 10.14313/PAR_226/41.
  21. Penalba M., Ringwood J.V., Linearisation-based nonlinearity measures for wave-to-wire models in wave energy. “Ocean Engineering”, Vol. 171, 2019, 496–504, DOI: 10.1016/j.oceaneng.2018.11.033.
  22. Roman R.C., Precup R.E., Radac M.B., Model-free fuzzy control of twin rotor aerodynamic systems. [In:] 25th Mediterranean Conference on Control and Automation (MED), 2017, 559–564, DOI: 10.1109/MED.2017.7984176.
  23. Sun W., Wu Y., Lv X., Adaptive neural network control for full-state constrained robotic manipulator with actuator saturation and time-varying delays. “IEEE Transactions on Neural Networks and Learning Systems”, 2021 (Early Access), DOI: 10.1109/TNNLS.2021.3051946.
  24. Šitum Ž., Ćorić D., Position Control of a Pneumatic Drive Using a Fuzzy Controller with An Analytic Activation Function. “Sensors”, Vol. 22, No. 3, 2022, DOI: 10.3390/s22031004.
  25. Thenozhi S., Concha A., Resendiz J.R., A contraction theory-based tracking control design with friction identification and compensation. “IEEE Transactions on Industrial Electronics”, Vol. 69, No. 6, 2022, 6111–6120, DOI: 10.1109/TIE.2021.3094456.
  26. Xi L., Shao Y., Zou S., Ma Z., ADRC Based on Artificial Neural Network for a Six-rotor UAV. [In:] 40th Chinese Control Conference (CCC), 2021, 7809–7815. IEEE.
  27. Xue W., Hang Y., On performance analysis of ADRC for a class of MIMO lower-triangular nonlinear uncertain systems, “ISA transactions”, Vol. 53, No. 4, 2014, 955–962, DOI: 10.1016/j.isatra.2014.02.002.
  28. Zhou W., Guo S., Guo J., Meng F., Chen Z., ADRC-Based Control Method for the Vascular Intervention Master–Slave Surgical Robotic System. “Micromachines”, Vol. 12, No. 12, 2021, DOI: 10.3390/mi12121439.
  29. Two Rotor Aero-dynamical System (TRAS) User’s Manual, Inteco Ltd.