SISO偏格式无模型控制器基于系统误差的参数自整定方法技术方案

本发明专利技术公开了一种SISO偏格式无模型控制器基于系统误差的参数自整定方法，利用系统误差及其函数组作为BP神经网络的输入，BP神经网络进行前向计算并通过输出层输出惩罚因子、步长因子等SISO偏格式无模型控制器待整定参数，采用SISO偏格式无模型控制器的控制算法计算得到针对被控对象的控制输入，以系统误差函数的值最小化为目标，采用梯度下降法，并结合控制输入分别针对各个待整定参数的梯度信息，进行系统误差反向传播计算，在线实时更新BP神经网络的隐含层权系数、输出层权系数，实现控制器基于系统误差的参数自整定。本发明专利技术提出的SISO偏格式无模型控制器基于系统误差的参数自整定方法，能有效克服控制器参数的整定难题，实现良好的控制效果。

【技术实现步骤摘要】
SISO偏格式无模型控制器基于系统误差的参数自整定方法
本专利技术属于自动化控制领域，尤其是涉及一种SISO偏格式无模型控制器基于系统误差的参数自整定方法。
技术介绍
无模型控制器是一种新型的数据驱动控制方法，不依赖被控对象的任何数学模型信息，仅依赖于被控对象实时测量的输入输出数据进行控制器的分析和设计，并且实现简明、计算负担小及鲁棒性强，对未知非线性时变系统也能够进行很好的控制，具有良好的应用前景。无模型控制器有多种实现方法，其中SISO(SingleInputandSingleOutput，单输入单输出)偏格式无模型控制器是无模型控制器的主要实现方法之一。SISO偏格式无模型控制器的理论基础，由侯忠生与金尚泰在其合著的《无模型自适应控制—理论与应用》(科学出版社，2013年，第68页)中提出，其控制算法如下：其中，u(k)为k时刻的控制输入；Δu(k)＝u(k)-u(k-1)；e(k)为k时刻的系统误差；为k时刻的伪梯度估计值，为的第i个分量(i＝1,…,L)；L为控制输入线性化长度常数，且为大于1的整数；λ为惩罚因子；ρ1,…,ρL为步长因子。目前，SISO偏格式无模型控制器在实际投用前需要依赖经验知识来事先设定惩罚因子λ和步长因子ρ1,…,ρL等参数的数值，在实际投用过程中也尚未实现惩罚因子λ和步长因子ρ1,…,ρL等参数的在线自整定。参数有效整定手段的缺乏，不仅使SISO偏格式无模型控制器的使用调试过程费时费力，而且有时还会严重影响SISO偏格式无模型控制器的控制效果，制约了SISO偏格式无模型控制器的推广应用。为此，为了打破制约SISO偏格式无模型控制器推广应用的瓶颈，本专利技术提出了一种SISO偏格式无模型控制器基于系统误差的参数自整定方法。
技术实现思路
为了解决
技术介绍
中存在的问题，本专利技术的目的在于，提供一种SISO偏格式无模型控制器基于系统误差的参数自整定方法。为此，本专利技术的上述目的通过以下技术方案来实现，包括以下步骤：步骤(1)：确定SISO偏格式无模型控制器的控制输入线性化长度常数L，L为大于1的整数；SISO偏格式无模型控制器参数包含惩罚因子λ和步长因子ρ1,…,ρL；确定SISO偏格式无模型控制器待整定参数，所述SISO偏格式无模型控制器待整定参数，为所述SISO偏格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ1,…,ρL的任意之一或任意种组合；确定BP神经网络的输入层节点数、隐含层节点数、输出层节点数，所述输出层节点数不少于所述SISO偏格式无模型控制器待整定参数个数；初始化BP神经网络的隐含层权系数、输出层权系数；步骤(2)：将当前时刻记为k时刻，基于系统输出期望值与系统输出实际值，采用系统误差计算函数计算得到k时刻的系统误差，记为e(k)；步骤(3)：将步骤(2)计算得到的系统误差及其函数组、系统输出期望值、系统输出实际值的任意之一或任意种组合，作为BP神经网络的输入；步骤(4)：基于步骤(3)所述的BP神经网络的输入，BP神经网络进行前向计算，计算结果通过输出层输出，得到所述SISO偏格式无模型控制器待整定参数的值；步骤(5)：基于步骤(2)得到的系统误差e(k)、步骤(4)得到的所述SISO偏格式无模型控制器待整定参数的值，采用SISO偏格式无模型控制器的控制算法，计算得到SISO偏格式无模型控制器针对被控对象在k时刻的控制输入u(k)；步骤(6)：基于步骤(5)得到的所述控制输入u(k)，计算所述控制输入u(k)分别针对各个所述SISO偏格式无模型控制器待整定参数在k时刻的梯度信息，具体计算公式如下：当所述SISO偏格式无模型控制器待整定参数中包含惩罚因子λ时，所述控制输入u(k)针对所述惩罚因子λ在k时刻的梯度信息为：当所述SISO偏格式无模型控制器待整定参数中包含步长因子ρ1时，所述控制输入u(k)针对所述步长因子ρ1在k时刻的梯度信息为：当所述SISO偏格式无模型控制器待整定参数中包含步长因子ρi且2≤i≤L时，所述控制输入u(k)针对所述步长因子ρi在k时刻的梯度信息为：其中，Δu(k)＝u(k)-u(k-1)，为k时刻的伪梯度估计值，为的第i个分量(i＝1,…,L)；步骤(7)：以系统误差函数的值最小化为目标，采用梯度下降法，结合步骤(6)得到的所述梯度信息，进行系统误差反向传播计算，更新BP神经网络的隐含层权系数、输出层权系数，作为后一时刻BP神经网络进行前向计算时的隐含层权系数、输出层权系数；步骤(8)：所述控制输入u(k)作用于被控对象后，得到被控对象在后一时刻的系统输出实际值，返回到步骤(2)，重复步骤(2)到步骤(8)。在采用上述技术方案的同时，本专利技术还可以采用或者组合采用以下进一步的技术方案：所述步骤(2)中的所述系统误差计算函数的自变量包含系统输出期望值与系统输出实际值。所述步骤(2)中的所述系统误差计算函数采用e(k)＝y*(k)-y(k)，其中y*(k)为k时刻设定的系统输出期望值，y(k)为k时刻采样得到的系统输出实际值；或者采用e(k)＝y*(k+1)-y(k)，其中y*(k+1)为k+1时刻的系统输出期望值，y(k)为k时刻采样得到的系统输出实际值。所述步骤(3)中的所述系统误差及其函数组，包含k时刻的系统误差e(k)、k时刻及之前所有时刻的系统误差的累积即k时刻系统误差e(k)的一阶后向差分e(k)-e(k-1)、k时刻系统误差e(k)的二阶后向差分e(k)-2e(k-1)+e(k-2)、k时刻系统误差e(k)的高阶后向差分的任意之一或任意种组合。所述步骤(7)中的所述系统误差函数的自变量包含系统误差、系统输出期望值、系统输出实际值的任意之一或任意种组合。所述步骤(7)中的所述系统误差函数为e2(k)+ωΔu2(k)，其中，e(k)为系统误差，Δu(k)＝u(k)-u(k-1)，ω为大于或等于0的常数。本专利技术提供的SISO偏格式无模型控制器基于系统误差的参数自整定方法，能够实现良好的控制效果，并有效克服惩罚因子λ和步长因子ρ1,…,ρL需要费时费力进行整定的难题。附图说明图1为本专利技术的原理框图；图2为本专利技术采用的BP神经网络结构示意图；图3为惩罚因子λ和步长因子ρ1,ρ2,ρ3同时自整定时的控制效果图；图4为惩罚因子λ和步长因子ρ1,ρ2,ρ3同时自整定时的控制输入图；图5为惩罚因子λ和步长因子ρ1,ρ2,ρ3同时自整定时的惩罚因子λ变化曲线；图6为惩罚因子λ和步长因子ρ1,ρ2,ρ3同时自整定时的步长因子ρ1,ρ2,ρ3变化曲线；图7为惩罚因子λ固定而步长因子ρ1,ρ2,ρ3自整定时的控制效果图；图8为惩罚因子λ固定而步长因子ρ1,ρ2,ρ3自整定时的控制输入图；图9为惩罚因子λ固定而步长因子ρ1,ρ2,ρ3自整定时的步长因子ρ1,ρ2,ρ3变化曲线。具体实施方式下面结合附图和具体实施例对本专利技术进一步说明。图1给出了本专利技术的原理框图。确定SISO偏格式无模型控制器的控制输入线性化长度常数L，L为大于1的整数；SISO偏格式无模型控制器参数包含惩罚因子λ和步长因子ρ1,…,ρL；确定SISO偏格式无模型控制器待整定参数，所述SISO偏格式无模型控制器待整定参数，为所述SISO偏格式无模型控制器参数的部分或全部，本文档来自技高网...

【技术保护点】
SISO偏格式无模型控制器基于系统误差的参数自整定方法，其特征在于包括以下步骤：步骤(1)：确定SISO偏格式无模型控制器的控制输入线性化长度常数L，L为大于1的整数；SISO偏格式无模型控制器参数包含惩罚因子λ和步长因子ρ1,…,ρL；确定SISO偏格式无模型控制器待整定参数，所述SISO偏格式无模型控制器待整定参数，为所述SISO偏格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ1,…,ρL的任意之一或任意种组合；确定BP神经网络的输入层节点数、隐含层节点数、输出层节点数，所述输出层节点数不少于所述SISO偏格式无模型控制器待整定参数个数；初始化BP神经网络的隐含层权系数、输出层权系数；步骤(2)：将当前时刻记为k时刻，基于系统输出期望值与系统输出实际值，采用系统误差计算函数计算得到k时刻的系统误差，记为e(k)；步骤(3)：将步骤(2)计算得到的系统误差及其函数组、系统输出期望值、系统输出实际值的任意之一或任意种组合，作为BP神经网络的输入；步骤(4)：基于步骤(3)所述的BP神经网络的输入，BP神经网络进行前向计算，计算结果通过输出层输出，得到所述SISO偏格式无模型控制器待整定参数的值；步骤(5)：基于步骤(2)得到的系统误差e(k)、步骤(4)得到的所述SISO偏格式无模型控制器待整定参数的值，采用SISO偏格式无模型控制器的控制算法，计算得到SISO偏格式无模型控制器针对被控对象在k时刻的控制输入u(k)；步骤(6)：基于步骤(5)得到的所述控制输入u(k)，计算所述控制输入u(k)分别针对各个所述SISO偏格式无模型控制器待整定参数在k时刻的梯度信息，具体计算公式如下：当所述SISO偏格式无模型控制器待整定参数中包含惩罚因子λ时，所述控制输入u(k)针对所述惩罚因子λ在k时刻的梯度信息为：...

【技术特征摘要】
1.SISO偏格式无模型控制器基于系统误差的参数自整定方法，其特征在于包括以下步骤：步骤(1)：确定SISO偏格式无模型控制器的控制输入线性化长度常数L，L为大于1的整数；SISO偏格式无模型控制器参数包含惩罚因子λ和步长因子ρ1,…,ρL；确定SISO偏格式无模型控制器待整定参数，所述SISO偏格式无模型控制器待整定参数，为所述SISO偏格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ1,…,ρL的任意之一或任意种组合；确定BP神经网络的输入层节点数、隐含层节点数、输出层节点数，所述输出层节点数不少于所述SISO偏格式无模型控制器待整定参数个数；初始化BP神经网络的隐含层权系数、输出层权系数；步骤(2)：将当前时刻记为k时刻，基于系统输出期望值与系统输出实际值，采用系统误差计算函数计算得到k时刻的系统误差，记为e(k)；步骤(3)：将步骤(2)计算得到的系统误差及其函数组、系统输出期望值、系统输出实际值的任意之一或任意种组合，作为BP神经网络的输入；步骤(4)：基于步骤(3)所述的BP神经网络的输入，BP神经网络进行前向计算，计算结果通过输出层输出，得到所述SISO偏格式无模型控制器待整定参数的值；步骤(5)：基于步骤(2)得到的系统误差e(k)、步骤(4)得到的所述SISO偏格式无模型控制器待整定参数的值，采用SISO偏格式无模型控制器的控制算法，计算得到SISO偏格式无模型控制器针对被控对象在k时刻的控制输入u(k)；步骤(6)：基于步骤(5)得到的所述控制输入u(k)，计算所述控制输入u(k)分别针对各个所述SISO偏格式无模型控制器待整定参数在k时刻的梯度信息，具体计算公式如下：当所述SISO偏格式无模型控制器待整定参数中包含惩罚因子λ时，所述控制输入u(k)针对所述惩罚因子λ在k时刻的梯度信息为：当所述SISO偏格式无模型控制器待整定参数中包含步长因子ρ1时，所述控制输入u(k)针对所述步长因子ρ1在k时刻的梯度信息为：当所述SISO偏格式无模型控制器待整定参数中包含步长因子ρi且2≤i≤L时，所述控制输入u(k)针对所述步长因子ρi在k时刻的梯度信息为：其中，Δu(k)＝u(k)-u(k...

【专利技术属性】
技术研发人员：卢建刚，李雪园，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33