关键词： 互联互通   OPC UA   信息聚合   智能控制   边缘控制  

摘要： 智能制造体现了最新一代的信息技术与制造工艺的高度集成。在其核心标准体系中,“互联互通”作为一个智能维度,是指依赖于有线和无线通讯手段,确保不同装备、控制系统及企业间的顺畅信息互流。模具制造作为工业制造的基石,在工业生产中具有重要地位。然而,传统的模具制造装备往往存在互联互通不足的问题,这导致了一系列挑战,如信息孤岛、生产不连贯、难以实现生产数据的实时监控和分析等。因此,实现模具制造装备的互联互通及控制不仅对模具工业走向信息化和智能化至关重要,解决这些互通不足的问题愈加紧迫。论文的主要研究内容如下:(1)针对模具制造装备互联互通及控制实现问题,以信息模型为主线对其涉及的应用关键技术进行了研究。针对面向模具装备制造业互联互通需求,阐述了基本信息通信和控制模型架构。基于OPC UA(OPC Unified Architecture)通信规范对模具制造设备的信息聚合技术进行了研究,同时对面向智能制造的OPC UA聚合服务器功能进行分析;探究了智能控制理论模型与OPC UA信息模型构建内在联系,并构建出了一种基于OPC UA的互联控制架构;给出了一种模具制造单元边缘控制架构,并分析了模具制造单元边云协同应用。(2)针对模具制造装备信息聚合问题,开展了基于OPC UA模具制造装备信息聚合方法和模型构建的研究。由于设备间通信接口和数据交换格式不一致,系统设备替换、系统升级等会带来的信息源或信息语义不兼容的现象,传统构建的中央集成式控制系统难以实现高效统一管理。提出了一种OPC UA信息模型映射机制,分别对方法节点、变量节点以及其他形式进行了设计,从而能够基于数据库技术实现对设备信息聚合高效管理。根据模具全流程制造工艺模式,对所涉及的模具制造装备构建了集成系统信息模型。以协作机器人为实验平台对所提机制进行验证,实验表明所提聚合机制的有效性、灵活性和实用性,对模具制造装备的纵向层级信息管理提供范式。(3)针对模具制造车间仓储物流自动化装备AGV的涉及到互联控制问题,开展了AGV路径跟随智能控制方法和异构系统互联控制研究。针对模具制造车间调度运输时间可能存在约束问题,提出了带有时间约束的李雅普诺夫的模型预测控制(Lyapunovbased Model Predictive Control,LMPC)的AGV路径跟随方法;针对运输过程中避障问题需求,还提出了一种基于强化学习(Reinforcement Learning,RL)的AGV路径跟随及避障控制方法。通过构建基于OPC UA的AGV小车信息模型,进一步设计了一种机器人操作系统(Robot Operating System,ROS)与OPC UA融合方法,最终通过实验实现基于异构系统下的AGV互联互通下的智能控制。(4)针对中央集成管理与控制过程存在实时性较差、资源负担大等问题,提出了一种基于OPC UA事件的边缘控制器,通过将OPC UA事件与方法节点的匹配机制,根据自动化生产单元工艺的调度顺序,将自动化操作通过OPC UA事件通知形式告知边缘控制器,并实现物料加工、运输以及存储等操作。构建了一种面向刀具磨损的边云协同架构,并提出了一种基于卷积特征提取的递归神经网络(Convolutional Neural NetworksRecursive Neural Networks,CFE-RNN)模型,实现了基于深度学习的刀具磨损预测,同时构建基于OPC UA刀具信息模型,并设计了一种基于OPC UA事件的报警方法。实验表明通过OPC UA与边缘控制技术融合,能够实现模具制造单元在自动化控制和监控上分别在信息横向和纵向的互联互通。

关键词： 工业机器人   动力学参数辨识   无源鲁棒控制   正逆运动学模型  

摘要： 工业机器人作为多输入、多输出、智能化的高端加工制造装备系统，具有适用性强、效率高、经济性好等特点，被广泛应用于汽车、航空、航天等领域。上述领域产品在加工制造时具有尺寸大、结构复杂、载荷重等特点，工业机器人经常需要在高速、重载工况下运行，其动力学特性对控制系统精度的影响较大。因此，有必要将机器人的动态特性考虑进机器人的控制当中，即对机器人进行基于动力学模型的控制。然而，工业机器人的动力学模型具有高非线性和强耦合的特点，其参数解耦和辨识困难，参数辨识误差和负载干扰等不确定性对动力学控制精度影响较大。鉴于此，本论文对工业机器人动力学模型参数辨识和动态鲁棒控制方法进行了研究。　　首先，本文以SNR6工业机器人为研究对象，分析计算其正逆运动学模型，利用欧拉-拉格朗日方法建立含摩擦项的SNR6工业机器人动力学模型;其次，采用最小二乘法对机器人动力学模型的最小参数集进行辨识，分析参数线性化前后的机器人动力学模型，求解机器人动力学全参数模型;再次，对机器人模型参数辨识误差和负载干扰进行分析，建立了具有不确定性的 SNR6 工业机器人动力学模型，基于无源控制理论设计了一种SNR6工业机器人的无源鲁棒控制器，该控制器包含了基于机器人动力学辨识模型设计的无源控制部分和基于在线辨识不确定性边界信息设计的自适应鲁棒控制部分，利用有界性理论证明了所提控制器的稳定性;然后，借助Solidworks与Simulink的联合仿真，模拟不同工况，对所提控制方法进行了数值仿真，初步验证所提控制方法的有效性;最后，基于TwinCAT3搭建了SNR6工业机器人控制系统的实验平台，完成了控制系统主要功能模块的开发，设计了不同工况的实验验证方案，通过与基于逆动力学的PID控制方法对比，进一步验证了所提控制方法的可行性和先进性。

关键词： 交通信号   智能控制   深度强化学习   图注意力网络   集成学习  

摘要： 随着社会化进程快速发展，私家车数量呈指数级增长，从而导致交通拥堵问题日益严重。交通拥堵问题会带来不必要的资源浪费，造成交通事故，增加经济损失。目前，提高出行效率最直接有效的方式就是对交通信号进行配时和优化。深度强化学习方法的出现为交通信号控制提供了新的方法。深度强化学习方法不依靠固定模型，能够有效处理高维连续的状态信息。同时，智能交通信号控制系统与环境进行信息交互，并采用试错机制，不断优化策略，从而缓解交通拥堵，提高车辆出行效率。　　智能交通信号控制系统执行策略的有效性依赖于准确的观测状态信息。但是，由于传感器以及通讯设备等问题导致状态信息收集不准确。在实际场景中，各个路口之间相互影响且影响程度不同，如何解决多路口下的交通拥堵问题成为研究的主要方向。本文针对上述提出的状态信息获取不准确以及如何提高多路口场景下的出行效率问题，提出了智能交通信号控制配时及优化策略，本文主要研究内容如下：　　（1）为了解决状态信息观测不准确问题，本文提出了基于深度集成学习的单路口交通信号控制模型。该模型以宏观（车辆队列长度）和微观（车辆的位置、速度）作为环境观测信息，以系统延时作为奖励函数。在模型中引入具有门控单元的循环神经网络，其通过门结构保留对交通数据影响较大的信息，去除对交通数据影响较小的信息，从而捕获状态空间的隐藏状态信息。同时，构建基于DQN的深度集成学习模型（DeepEnsembleDeepRecurrentQ-Learning,DE-DRQN）。该模型通过集成多个DQN模型来提高系统寻找最优控制策略的能力。考虑到交叉口的实时性，使用DQN模型基于系统状态观测空间执行最优交通信号策略并在线更新。DE-DRQN模型在SUMO仿真平台下进行仿真实验。仿真结果表明，与基线模型相比，DE-DRQN具有更低的平均延迟、更短的平均队列长度和更少的平均行驶时间。　　（2）为了实现大规模场景下，各个路口间的通信与合作，提高该场景下的出行效率，本文提出了基于图注意力网络的多路口交通信号控制模型（AttentionandNeuralsignallightcontrol，ANLight）。该模型以车道上的车辆数目和交通相位作为状态信息，以队列长度作为奖励函数。通过引入图注意力网络去捕获空间相关性，由于不同路口对目标路口的影响程度不同，因此不能将所有路口视为同一级别。根据邻域路口对目标路口影响程度不同，以此获得目标路口的状态表示信息。同时，采用多头图注意力网络从多角度捕获隐藏状态信息。在捕获空间相关性时，采用一种具有不同连接方式的神经网络—神经回路策略去捕获时间相关性。其模拟动物脑部的突触连接，增强神经元的计算能力，使用较少数量的神经元获得更快的收敛速度。ANlight在规则的合成数据路网和真实的交通数据下进行实施和评估，并在CityFlow仿真平台下进行仿真实验。仿真结果表明，与基线算法相比，ANlight具有更短的平均队列长度和更少的平均行驶时间。　　此外，本文提出了基于深度强化学习的智能交通信号控制系统的总体框架。分别在单路口，多路口以及真实的交通数据集中进行实验。提出的模型能够有效解决状态信息获取不准确以及提高多路口场景下的出行效率问题。实验结果表明，所提出模型具有更低的平均延迟、更短的平均队列长度和更少的平均行驶时间，有效提高系统的出行效率。

关键词： 光伏储能   虚拟同步发电机   频率控制   人工蜂群算法   自适应控制  

摘要： 论文以10k W单相光伏储能逆变器为研究对象。通过在光伏储能逆变器并机控制中应用了虚拟同步发电机策略(virtual synchronous generator,VSG),并对该策略进行优化,改善光伏储能逆变器在并机中存在的输出动态响应特性不稳定、功率分配不均等问题,主要研究内容如下:(1)通过设计要求与效率分析,对DC/DC与DC/AC模块进行电路拓扑选型;通过模态分析,对主功率模块与驱动电路所用器件进行硬件设计;对锁相环进行设计与验证;建立仿真模块对所设计的模型功能进行验证。(2)引入虚拟同步发电机算法,实现对同步发电机惯性与阻尼特性的模拟;分析并机所需的解耦条件,对控制系统的关键参数进行优化设计,使控制系统处于感性状态,符合并机所需系统环境;引入虚拟阻抗与电流跟随模块,使控制系统的并机性能更加稳定;以两台容量比为2:1的光伏储能逆变器为仿真对象,在并机带载的工况下同时容纳15k W、15k Var的载荷,实现功率按照2:1分配,验证所提出控制方法的有效性。(3)提出补偿措施改善电压幅值跌落,幅值跌落比例由20%降低到1%;通过对VSG系统的工作调频特性进行分析,得到频率自适应的改进方向;引入优化的量子人工蜂群算法,与频率自适应结合,实现VSG控制参数的动态更新;通过测试与仿真,优化的频率自适应+量子人工蜂群算法将扰动回复时间缩短0.07s,波动峰值减小50%。(4)研制10k W单相光伏储能逆变器样机,建立实验平台。对直流双向变换以及逆变电路的关键器件进行电压与电流波形的采集与分析;不同功能的指令与干扰下,对光伏储能逆变器在并网模式、离网模式、离网并机模式之间的相互切换的响应情况进行分析;进行不同算法在多台光伏储能逆变器并机模式下的对比实验,所提出频率自适应的量子人工蜂群算法比传统VSG算法降低超调量,缩短50%的环流时间,电流THD降低15.64%,电压THD降低16.3%;有功、无功功率分配偏差分别降低64.63%、47.05%,验证了所设计的电路模块与控制系统对光伏储能逆变器的动态性能、合理分配功率的优化作用。

关键词： 车辆编队控制   弦稳定性   预测控制   鲁棒控制  

摘要： 车辆的编队行驶能减少环境污染、改善道路交通运行状况、缓解交通拥堵、提高道路行驶效率。然而车辆队列是一个多车辆耦合的复杂系统，队列中任意一辆车受到扰动后速度的轻微变化就会影响到后方其他车辆，从而带来连锁反应，甚至出现幽灵堵塞的情况。因此扰动在沿队列传播过程中的衰减特性即弦稳定性，是评价车辆编队控制算法的一个重要指标。目前高阶自动驾驶技术的发展尚未成熟，网联自动驾驶汽车和人类驾驶汽车必将长期共存，研究混行交通下车辆编队行驶的弦稳定性具有重要意义。本文围绕车辆队列系统的渐近稳定性以及弦稳定性问题，针对自主队列设计了一种基于最小鲁棒正不变集的分布式模型预测控制算法，针对混合队列设计了一种基于控制匹配技术的双层模型预测控制器。具体研究内容如下：　　针对现有集中式模型预测控制方法不适用于大规模车辆队列、分布式鲁棒模型预测控制方法在线计算压力过大等问题，本文提出了一种基于最小鲁棒正不变集的分布式模型预测控制方法。该方法在不受扰动影响的标称系统中通过模型预测控制器处理车辆状态约束;在受扰动影响的偏差系统中，通过线性反馈控制器使实际轨迹保持在标称轨迹的有界邻域内。理论分析和仿真实验表明，在外部扰动下，所提出的算法不仅能满足车辆状态约束以及队列的弦稳定性，而且有效降低了被控系统的在线计算压力，更适合实际工程应用。　　针对现有混合队列弦稳定性控制方法只适用于特定拓扑结构、保守性较大的问题，本文提出了基于控制器匹配的双层模型预测控制算法。通过惩罚与邻域车辆的状态偏差实现了跟随车辆对领航车的跟踪;通过在频域中设计一个弦稳定控制器，然后调整目标函数的权重矩阵，实现了车辆队列的首尾弦稳定性。与之前针对特定拓扑结构设计的方法相比，本文所提算法更加灵活，且与将弦稳定性作为约束条件的控制方法相比具有更低的保守性。仿真结果表明本文所提算法能够实现对领航车的跟踪，并保证车辆编队行驶的安全性、舒适性以及首尾弦稳定性。

关键词： 固定时间一致性   RBF神经网络   状态约束   非线性映射   自适应控制  

摘要： 近年来,多智能体系统的固定时间一致性研究吸引了诸多研究人员的注意。固定时间一致性相较于渐近一致性有更快的收敛速度、更高的控制精度、更强的抗干扰能力以及更广阔的发展前景。此外,实际系统中往往存在输入死区或执行器故障等问题,而且由于工作环境的影响,需要对系统进行输出约束或全状态约束。因此,针对上述情况,如何实现多智能体系统一致性协议的设计与分析具有重要的理论意义和应用价值。相关研究已经取得了一定的成果,但是针对多机械系统甚至更一般的高阶非严格反馈非线性多智能体系统的固定时间一致性研究较少。本文基于固定时间一致性理论,结合加幂积分技术和神经网络,对多智能体系统存在执行器故障,输入、输出和全状态约束等情况展开研究,提出一系列新的固定时间一致性协议设计方案。本文主要工作如下:(1)针对具有未知非线性特性和扰动的多机械系统,设计了一种基于自适应神经网络的固定时间一致性协议。首先,考虑存在未知非线性函数项和不确定扰动的多机械系统模型,利用神经网络来逼近模型中未知的非线性项,基于递归设计思想提出了固定时间一致性协议;其次,利用Lyapunov稳定性理论证明了任意两个机械系统的位置和速度误差可以在固定时间内收敛到零的小邻域内;最后,利用数值算例验证了所设计协议的有效性。(2)考虑了存在执行器故障和输出约束的多机械系统,提出了固定时间容错一致性协议。结合图论、非线性映射方法、神经网络和加幂积分技术,在执行器部分失效和偏置故障同时存在的情况下,设计了自适应实际固定时间一致性协议,通过数值仿真验证了该协议能使多机械系统的位置和速度均在固定时间内达到一致且位置状态始终位于约束条件内。(3)研究了同时存在输入死区和全状态约束的高阶非线性多智能体系统的实际固定时间一致性问题。考虑多智能体系统具有非严格反馈结构,且受到非对称时变全状态约束的限制,利用新型非线性映射函数,将受约束系统转化为等效不受约束系统,结合加幂积分技术和神经网络,给出了自适应实际固定时间一致性协议的递归设计方案,并利用Lyapunov稳定性理论进行了多智能体系统的固定时间一致性分析。最后进行数值仿真,仿真结果表明通过该协议能保证跟随者可以在固定时间内实现对领导者状态的跟踪且所有状态信号始终不违反约束条件。

关键词： LLC谐振变换器   粒子群优化神经网络算法   MPPT控制   GaN  

摘要： 由于人们的生活水平日益提高,家庭车辆占比快速扩大,导致了人们对石油等化石能源的过分需求。这不仅加剧了化石能源的消耗速率还导致了全球二氧化碳过量排放。由碳排放超标造成的全球气候变暖的问题已不容忽视。所以在2020年9月,习近平主席在第七十五届联合国大会首次提出碳达峰、碳中和的概念。在节能减排的大背景下,石油消耗占比近六成的交通运输业急需向新能源绿色交通中转型。虽然新能源汽车在我国发展迅猛,但其在国内的渗透率仍旧非常低。这主要原因在于以太阳能发电为主的一系列新能源发电都存在一些关键技术问题没有解决。太阳能发电具有灵活性差、不可调度、输出功率非线性、光照强度和温度变化大导致输入电能质量差等特点,都影响了后续电能的使用。而且目前使用的DC-DC变换器一般为Buck-Boost变换器,转换效率低,易造成能源浪费。所以本文旨在使用电感-电感-电容(LLC)拓扑结构代替传统DC-DC变换器以及通过引入人工智能算法来研究一种更加高效的控制策略以提高光伏发电的电能质量和太阳能利用率。本文主要对光伏DC-DC变换器的拓扑结构及其控制策略进行设计研究。首先对LLC谐振变换器的工作原理及静态特性进行分析,然后根据实际光伏组件参数与后级电路电压需求设计谐振变换器的主要参数。其次使用粒子群优化神经网络算法(PSO-NN)改进最大功率点追踪控制(MPPT)策略。在Matlab中编写代码,对特征参数进行训练后,将训练结果以二维数组的方式保存。通过PSIM建模并调用数据实现LLC谐振变换器对光伏组件最大功率点电压的快速追踪,仿真结果得出追踪最大功率点的时间仅需0.3ms,误差不超0.3%。再次,以数字信号处理器TMS320F28335作为控制核心设计硬件电路,使用Ga N HEMT代替Si MOSFET以减小开关损耗,增大功率密度。通过器件选型确定两款不同开关管的型号,使用LTspice建模进行损耗对比后,使用PSIM进行主电路的EMI仿真测试并设计滤波器来满足国家通用电磁兼容标准。最后完成实验平台的搭建,使用PTS-3000中的PSW160-7.2可编程直流电源模拟光伏组件的工作特性,可编程直流电子负载(PEL-2040)中的CV模式模拟蓄电池。实验验证了在一定范围内的不同光照强度和温度下系统均具有良好抗干扰能力。

关键词： 机械臂系统   智能控制   有限时间控制   事件触发控制   神经网络  

摘要： 机械臂具有操作灵活、生产效率高等优势,在现代工业中得到了广泛的应用。然而,它具有强耦合、多变量、高度非线性等特点,且系统的动力学模型难以精确获取,这给机械臂系统的高性能控制带来了巨大的挑战。特别地,针对上述问题,如何实现机械臂系统的快速稳定一直以来都是学术界的研究热点。近些年,出现了一些有限时间控制方法,虽然可以实现系统的有限时间稳定,然而系统的收敛时间与系统的初始状态有关,当初始状态离平衡点较远时,收敛时间会变得很长。此外,在实际工程应用中,机械臂系统内部的高频持续通信可能导致网络拥塞,设法减少系统对于通信资源的依赖显得尤为重要。如何设计控制方案,使系统在一个与初始状态无关的固定时间内稳定,保证系统性能的同时节省通信资源,是一个具有挑战性的问题。本文针对带有未知非线性动态、输入输出约束等问题的网络化机械臂系统,研究了收敛时间与系统初始状态无关的事件触发式有限时间控制方法。论文主要内容总结如下:(1)针对具有输出约束的机械臂系统,提出一种事件触发式有限时间控制方法。首先,构建了障碍李亚普诺夫函数对系统输出进行约束,并利用径向基神经网络(Radial Basis Function Neural Networks,RBFNNs)处理未知非线性特性;其次,设计了事件触发机制来减小控制信号的更新频率,进而缓解系统通信压力;再次,基于实际固定时间稳定理论,构建了事件触发式自适应神经网络控制器。最后,通过理论和仿真实验证明了系统可以在一个与系统初始状态无关的时间内稳定,且系统输出满足约束要求。(2)针对具有输入死区约束的机械臂系统,提出一种事件触发式有限时间补偿控制方法。首先,利用RBFNNs逼近未知非线性特性,基于自适应控制技术设计了输入死区的自适应补偿机制;其次,考虑到实际应用中可能存在的网络拥塞问题,设计了事件触发机制来减小控制信号的更新频率;再次,基于实际固定时间稳定理论,构建了事件触发式自适应补偿控制器;最后,通过理论和仿真实验证明了,即使系统受到输入死区的影响,跟踪误差可以在一个与系统初始状态无关的时间内收敛至原点附近。(3)针对通过有向图连接的多机械臂系统,提出一种分布式事件触发有限时间一致跟踪控制方法。首先,利用有向图描述子系统之间的通信,并利用RBFNNs逼近系统中的未知非线性特性;其次,考虑子系统之间的高频通信可能导致网络拥塞问题,设计了事件触发机制来减小控制信号的更新频率;再次,基于实际固定时间稳定理论,构建了分布式事件触发一致跟踪控制器。最后,通过理论和仿真实验证明了系统的同步误差可以在一个与系统初始状态无关的时间内收敛至原点附近。