A common approach to control complex dynamic systems is to design a set of controllers, each of which for a particular operating region or performance objective, and then to switch among the controllers in real time to achieve the overall control objective. Many physical systems are hybrid in the sense that they have continuous behaviors and discrete phenomena. Most nonlinear controllers are derived from the dynamic equations of the system. A single controller acting on a system works well if the system parameters remain fixed during the operation. To cope with the variation of the system parameters, adaptive control methods has been widely used. For a slowly varying system, adaptive controllers work very well by adapting unknown/varying parameters of the system. However, an adaptive controller consumes some time until it finds the optimal parameters when the system parameters undergo a step change. In this case, a large transient response is resulted during adaptation. Moreover, there are unavoidable large transient errors at the time of task variation. Task change has a similar effect on system dynamics; System dynamics undergoes changes when a different task is applied. For example, if a robot manipulator has to perform task 1, task 2, task 1, task 2, repeatedly in this order, an adaptive controller will always adapt itself to the new task, repeatedly, causing the system to forget the control skill acquired previously. Although task 1 is encountered for the second time, the adaptive controller recognizes it as a new task as the controller has already been adapted to task 2. However, if the dynamic parameters and control skills are stored for each task, this information can be utilized to recognize the tasks when the tasks encounter repeatedly at a later time. It also makes the system be able to cope with the repeating tasks quickly. In control system with multiple models, switching strategy and stability of the closed-loop system under switching are very important issues. Most switching strategies aim to use identification errors between models and the real plant. In this thesis, a new switching strategy is derived to select the most appropriate one among multiple models using the estimation of Lyapunov function values. Switching strategy guarantees the non-increase in the global control Lyapunov function if the estimation of Lyapunov function value converges. Least-square estimation is used to find the estimated value of the Lyapunov function. Switching and adaptation law guarantees the stability of closed-loop system in the sense of Lyapunov. Simulation results on the second order nonlinear system and anti-lock brake system control was shown to verify the effectiveness of the proposed controller in view of a large change in system parameters. Real experimental study on a robot manipulator was also provided.
비선형 시스템의 제어에서 시스템 파라미터의 불확실성이 있을 때, 적응 제어 기법이 널리 사용되어 지고 있다. 기존의 적응 제어 기법은 시스템 파라미터가 천천히 변화하는 경우에 변화된 시스템 동역학을 안정화 시킬 수 있고, 또한 시스템의 파라미터가 정해져 있으나 알지 못하는 시스템에 대한 제어를 수행할 때 장점이 있지만, 시스템의 파라미터가 불연속적으로 급격히 변화하는 경우에는 시스템의 과도응답이 나빠진다. 또한, 적응 알고리즘은 파라미터를 계속적으로 변화시키므로, 주기적으로 파라미터가 변화하는 경우에는 기존의 적응된 파라미터를 새로이 찾아야 하는 문제가 발생한다. 이 경우, 이전에 학습한 파라미터에 대한 기억을 상실하게 되므로, 이것을 해결하기 위해, 다수의 모델을 이용하는 제어 방법이 대두되었고, 다수의 모델 중에서 가장 적절한 것을 선택하여 사용하면, 과도 응답의 특성이 향상될 수 있음이 알려졌다. 기존의 연구는 다수의 모델과 모델에 해당하는 제어기를 미리 설계해 두고, 현재의 시스템과 가장 유사한 모델을 선택하여, 그 모델에 해당하는 제어기를 사용한다는 기본적인 원리를 이용하였다. 제어기를 선택하는 알고리즘은 모델링 오차를 활용하는 방법을 주로 사용하여 왔다. 본 학위논문에서는, 이러한 다수 모델을 사용하여 비선형 시스템의 파라미터의 급격한 변화가 있을 때 사용할 수 있는 적응 제어 기법을 제안하고, 기존의 연구에서 경험적으로 사용한 모델 선택 기법을 변경하여, 리아프노프 함수가 작아지는 방향으로 모델을 선택하는 새로운 방법을 제안하였고, 이를 통하여 제어를 수행할 때, 전체적인 시스템의 안정성을 보장하였다. 제안된 방법의 효과를 보이기 위해, 모의 실험과 로봇 매니퓰레이터를 이용한 실제 실험으로 성능을 검증하였다. 모의실험은, 임의의 비선형 시스템과 노면의 마찰계수가 급격히 변화하는 경우에 대해서, 차량의 ABS시스템의 제어에 관해서 수행하였고, 2축 로봇 매니퓰레이터를 제작하여, 로봇의 부하가 변화하는 경우의 관절제어에 관해서 실제 실험을 수행하였다.
