Control no lineal adaptativo con identificación dispersa

• Roger Domingo-Enrich ^[1] ; Andreu Cecilia ^[1] ; Ramon Costa Castelló ^[1]
  1. [1] Universitat Politècnica de Catalunya

     Universitat Politècnica de Catalunya

     Barcelona, España

     
• Localización: XLII Jornadas de Automática: libro de actas, Castellón, 1 a 3 de septiembre de 2021, 2021, ISBN 978-84-9749-804-3, págs. 365-372
• Idioma: español
• Títulos paralelos:
  • Nonlinear adaptive control with sparse identification
• Enlaces
  • Texto completo
• Resumen
  • español

    En este trabajo se propone un controlador con estimación de parámetros enfocada a sistemas no lineales, desconocidos y cambiantes en el tiempo. Se presenta un algoritmo de aprendizaje en línea para estimar las ecuaciones del sistema y un controlador que usa esta información para estabilizar la planta. Para ello, se han combinado un observador no lineal y un estimador de parámetros con técnicas de optimización dispersa. En el algoritmo hay dos fases diferenciadas: la fase de aprendizaje, donde se aprenden en línea las funciones desconocidas, y la fase de ejecución, donde se controla la planta con unos objetivos preestablecidos. El algoritmo propuesto es capaz de decidir de forma autónoma en qué fase se encuentra, mediante una métrica de aprendizaje. Este algoritmo se ha validado por simulación numérica en una planta roto-magnet.

  • English

    This work presents a controller with parameter estimation focused on non-linear, unknown and time-variant systems. The proposal consists of an on-line learning algorithm to estimate the system equations, and a controller that uses this information to stabilize the plant. Our approach is to combine a non-linear observer and a parameter estimator using sparse optimization techniques. The resulting algorithm operates in two stages: the learning stage, where unknown functions are learned on-line, and the execution stage, where the plant is controlled with pre-established objectives. The proposed algorithm can autonomously decide what is its current stage by using a learning metric. We have validated our algorithm using numerical simulation in a roto-magnet plant.