Development and tuning of automatic control methods for nonlinear systems using computational intelligence techniques with emphasis on the control of unmanned aerial vehicles

Abstract

The objective of this dissertation is to develop and fine-tune automatic control techniques for nonlinear systems, with a focus on unmanned aerial vehicle control, through the application of computational intelligence methods. Specifically, this research focuses on utilizing radial basis function networks (RBFNs), known for their simplicity and fast training, and cooperative particle swarm optimization (CPSO), recognized for its improved optimization results through collaboration among multiple swarms. An important issue faced in this dissertation is the problem of controlling nonlinear systems by utilizing nonlinear control methodologies, primarily backstepping control and model predictive control. Backstepping control offers robustness, and stability for non-strict feedback systems, whereas the model predictive control (MPC) method involves formulating and solving an optimization problem at discrete time steps, enabling accurate prediction of future system behavior and control in complex dynamic systems with constraints and disturbances. The main nonlinear systems that are investigated in this dissertation are unmanned aerial vehicles (UAVs), with a specific focus on quadrotor vehicles. Controlling the quadrotor, especially concerning trajectory tracking, presents a significant challenge due to its inherently nonlinear and underactuated nature, characterized by intercoupled terms. In this thesis the trajectory tracking problem was addressed by developing a new nonlinear backstepping controller which integrates RBF neural networks. Backstepping controllers are based on first-principles equations to face the significant challenge of effectively handling inherent nonlinearities, but are vulnerable to unmodeled dynamics and uncertainties in practical applications. To tackle this challenge, the thesis proposes a novel solution which integrates a backstepping controller with RBF networks for handling uncertainties during quadrotor trajectory tracking, thus offering a data-driven approximation for handling unmodeled uncertainties. In addition to developing an effective tracking control strategy for a quadcopter, it is equally important to properly tune its control parameters, especially when more than one controller is used for regulating the system. To this end, in this thesis, a novel CPSO optimization framework is designed for optimizing the tuning parameters of a quadrotor trajectory tracking control scheme. The control framework included two subsystems: an MPC controller for position tracking and a PID scheme for attitude stabilization. This approach involves collaborative optimization of the numerous controllers tuning parameters, resulting in improved tracking performance, enhanced robustness and efficient optimization within reasonable timeframes. In tandem with the development of an algorithm for the optimal tuning of a quadcopter's control parameters, two additional cooperative particle swarm algorithms were also devised to address and resolve high-dimensional non-convex problems. To this end, two novel CPSO frameworks were formulated to address the problems related to optimal reactive power flow (ORPF) management in smart distribution grids and critical parameter identification in WWTPs. To be more specific a CPSO optimization and control framework was designed in order to tackle the reactive power flow (RPF) problem of photovoltaic-heavy distribution networks. Furthermore, in response to the estimation of critical parameters challenges faced in wastewater treatment processes (WWTPs), a new CPSO-identification framework was proposed that can be used for solving a nonlinear optimization problem. This thesis also addresses another crucial issue concerning the modeling and control of nonlinear time-varying systems. In this context, the challenge lies not only in choosing between linear and nonlinear models but, more importantly, in ensuring that the model employed can adapt its parameters so as to effectively track changes in the system's dynamics. In this thesis, a new nonlinear control framework is presented in which adaptive neural network models are incorporated. A comprehensive framework for nonlinear adaptive control is developed, ensuring satisfactory control performance across various operation regions. The control law of the closed-loop system is proven to be asymptotically stable using Lyapunov stability theory. Two case studies are conducted within this framework, involving a nonlinear autoregressive exogenous (NARX) system and a time-varying continuous stirred tank reactor (CSTR).The strategies presented in this dissertation are evaluated across a range of case studies, including simulated scenarios. The effectiveness of these proposed schemes is showcased through comparisons with other approaches documented in the bibliography.

Στόχος της παρούσας διατριβής είναι η δημιουργία και η βέλτιστη βαθμονόμηση τεχνικών αυτόματου ελέγχου για μη γραμμικά συστήματα, με έμφαση στον έλεγχο μη επανδρωμένων εναέριων οχημάτων, χρησιμοποιώντας μεθόδους υπολογιστικής νοημοσύνης. Οι κύριες μέθοδοι υπολογιστικής νοημοσύνης που χρησιμοποιήθηκαν είναι τα νευρωνικά δίκτυα ακτινικής βάσης (Radial Basis Function Neural Networks, RBF NNs), γνωστά για την απλότητα και τη γρήγορη εκπαίδευσή τους, και η συνεργατική βελτιστοποίηση σμήνους σωματιδίων (Cooperative Particle Swarm Optimization, CPSO), αναγνωρισμένη για τα βελτιωμένα αποτελέσματα βελτιστοποίησης μέσω της συνεργασίας μεταξύ πολλαπλών σμηνών. Ένα σημαντικό ζήτημα που αντιμετωπίστηκε σε αυτή τη διατριβή είναι το πρόβλημα του ελέγχου μη γραμμικών συστημάτων με τη χρήση μη γραμμικών μεθοδολογιών ελέγχου. Οι κύριες μεθοδολογίες ελέγχου που χρησιμοποιούνται είναι η μέθοδος backstepping και η μέθοδος ελέγχου με τη χρήση μοντέλων πρόβλεψης (Model Predictive Control, MPC). Ο έλεγχος backstepping χρησιμοποιείται για την παραγωγή ευσταθών εύρωστων ελεγκτών για τη περίπτωση συστημάτων αυστηρής ανατροφοδότησης, ενώ η μέθοδος MPC περιλαμβάνει το σχηματισμό και την επίλυση ενός προβλήματος βελτιστοποίησης σε πραγματικό χρόνο, επιτρέποντας την ακριβή πρόβλεψη της μελλοντικής συμπεριφοράς του συστήματος, αλλά και τον έλεγχο σε πολύπλοκα δυναμικά συστήματα με περιορισμούς και διαταραχές. Τα κύρια μη γραμμικά συστήματα που διερευνώνται στην παρούσα διατριβή είναι τα μη επανδρωμένα εναέρια οχήματα (Unmanned Aerial Vehicles, UAVs), και ιδιαίτερα τα τετρακόπτερα εναέρια οχήματα (Quadrotor Unmanned Aerial Vehicles, QUAVs). Ο έλεγχος ενός τετρακόπτερου για το πρόβλημα της παρακολούθησης πηγαίας τροχιάς, αποτελεί σημαντική πρόκληση λόγω της εγγενώς μη γραμμικής και υποδιεγειρόμενης φύσης του οχήματος. Στην παρούσα διατριβή το πρόβλημα της παρακολούθησης πηγαίας τροχιάς αντιμετωπίστηκε με την ανάπτυξη ενός νέου μη γραμμικού ελεγκτή backstepping, ο οποίος ενσωματώνει νευρωνικά δίκτυα RBF. Οι ελεγκτές backstepping που έχουν τις ρίζες τους σε εξισώσεις πρώτων αρχών, αντιμετωπίζουν τη σημαντική πρόκληση του αποτελεσματικού χειρισμού εγγενών μη γραμμικοτήτων, αλλά είναι ευάλωτοι σε μη μοντελοποιημένες δυναμικές και αβεβαιότητες όταν εφαρμόζονται σε πρακτικές εφαρμογές. Για την αντιμετώπιση αυτού του προβλήματος, στην παρούσα διατριβή προτείνεται η διαμόρφωση ενός νέου ελεγκτή backstepping με ενσωματωμένα νευρωνικά δίκτυα RBF για τον χειρισμό αβεβαιοτήτων κατά την διάρκεια της παρακολούθησης πηγαίας τροχιάς του τετρακόπτερου. Με αυτόν τον τρόπο, παρέχεται μια προσέγγιση βασισμένη σε δεδομένα για τον υπολογισμό των μη-μοντελοποιημένων αβεβαιοτήτων, με σκοπό τον επιτυχή έλεγχο του τετρακόπτερου.Εκτός από την ανάπτυξη αποτελεσματικών στρατηγικών ελέγχου παρακολούθησης της τροχιάς ενός τετρακόπτερου, είναι εξίσου σημαντική και η κατάλληλη βαθμονόμηση των παραμέτρων ελέγχου αυτών των μεθόδων. Η δυσκολία στην βαθμονόμηση αυξάνεται όταν χρησιμοποιούνται περισσότεροι από ένας ελεγκτές για τη ρύθμιση του συστήματος, κάτι που δημιουργεί μεγάλο αριθμό παραμέτρων προς βαθμονόμηση. Για τον σκοπό αυτό, σε αυτή τη διατριβή προτείνεται ένα νέο πλαίσιο συνεργατικής βελτιστοποίησης CPSO κατάλληλο για τη βέλτιστη βαθμονόμηση των παραμέτρων ενός τετρακόπτερου συστήματος για το πρόβλημα παρακολούθησης πηγαίας τροχιάς. Το διαμορφωμένο πλαίσιο ελέγχου περιλαμβάνει δύο υποσυστήματα: έναν ελεγκτή MPC για την παρακολούθηση της θέσης και ένα σχήμα PID για τη σταθεροποίηση της στάσης του τετρακόπτερου. Ανταλλάσσοντας πληροφορίες, τα δύο σμήνη συνεργάζονται μεταξύ τους για την αποτελεσματική εξερεύνηση του χώρου αναζήτησης με σκοπό την εύρεση παραμέτρων βαθμονόμησης οι οποίες καλυτερεύουν την ικανότητα παρακολούθησης της επιθυμητής πηγαίας τροχιάς. Συγχρόνως με την ανάπτυξη ενός αλγορίθμου για τη βέλτιστη βαθμονόμηση των παραμέτρων ελέγχου ενός τετρακόπτερου, με στόχο την αντιμετώπιση και την επίλυση προβλημάτων υψηλής διαστατικότητας που δεν είναι κυρτά, δημιουργήθηκαν δύο ακόμη νέοι συνεργατικοί αλγόριθμοι σμήνους σωματιδίων. Ειδικότερα, αναπτύχθηκαν δύο νέα πλαίσια CPSO για την αντιμετώπιση των προβλημάτων που σχετίζονται με τη διαχείριση της άεργους ροής ισχύος (Optimal Reactive Power Flow, ORPF) σε έξυπνα κατανεμημένα δίκτυα (Distributed Networks, DNs) και τη αναγνώριση των κρίσιμων παραμέτρων σε εγκαταστάσεις επεξεργασίας λυμάτων (Wastewater Treatment Plants, WWTPs). Συγκεκριμένα, διαμορφώθηκε ένα νέο συνεργατικό πλαίσιο βελτιστοποίησης και ελέγχου CPSO για την αντιμετώπιση του προβλήματος διαχείρισης ισχύος σε έξυπνα δίκτυα με υψηλό αριθμό φωτοβολταϊκών (Photovoltaic, PV) συσκευών. Επιπλέον, με σκοπό την αναγνώριση των παραμέτρων λειτουργίας σε μοντέλα εγκαταστάσεων επεξεργασίας λυμάτων διαμορφώθηκε νέο πλαίσιο CPSO το οποίο χρησιμοποιήθηκε για την επίλυση ενός μη γραμμικού προβλήματος βελτιστοποίησης. Ένα άλλο κρίσιμο πρόβλημα που αντιμετωπίστηκε σε αυτή τη διατριβή σχετίζεται με τη μοντελοποίηση και τον έλεγχο μη γραμμικών χρονικά μεταβαλλόμενων συστημάτων. Σε αυτό το πρόβλημα, η δυσκολία δεν αφορά απλώς τη χρήση γραμμικών ή μη γραμμικών μοντέλων, αλλά αναφέρεται στο γεγονός ότι το μοντέλο που χρησιμοποιείται πρέπει να είναι προσαρμοστικό, ώστε να είναι σε θέση να παρακολουθεί τις αλλαγές στη δυναμική του συστήματος. Στην παρούσα διατριβή παρουσιάζεται ένα νέο μη γραμμικό πλαίσιο ελέγχου στο οποίο ενσωματώνονται προσαρμοστικά μοντέλα νευρωνικών δικτύων. Συγκεκριμένα, αναπτύχθηκε ένα ολοκληρωμένο πλαίσιο μη γραμμικού προσαρμοστικού ελέγχου, για την εξασφάλιση καλής απόδοσης ελέγχου σε διάφορες περιοχές λειτουργίας. Ο νόμος ελέγχου του συστήματος κλειστού βρόχου αποδεικνύεται ασυμπτωτικά ευσταθής με τη χρήση της θεωρίας ευστάθειας Lyapunov. Στο πλαίσιο αυτό διεξάγονται δύο αναλύσεις υποθέσεων, που αφορούν ένα μη γραμμικό αυτοπαλινδρομούμενο εξωγενές σύστημα (Nonlinear Autoregressive Exogenous, NARX) και έναν χημικό αντιδραστήρα συνεχούς ροής με ανάδευση (Continuous Stirred Tank Reactor, CSTR).Οι στρατηγικές που παρουσιάζονται στην παρούσα διατριβή αξιολογούνται σε μια σειρά αναλύσεων υποθέσεων συμπεριλαμβανομένων προσομοιωμένων σεναρίων. Η αποτελεσματικότητα αυτών των προτεινόμενων μεθόδων παρουσιάζεται μέσω συγκρίσεων με άλλες προσεγγίσεις που αναφέρονται στη βιβλιογραφία.