MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法技术

本发明专利技术公开了一种MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法，首先根据多输入多输出MIMO系统的耦合性特征与倾向性特征，将MIMO系统分解成多个相互耦合的单输入单输出SISO系统；SISO系统采用SISO全格式无模型控制器进行控制；基于BP神经网络，将偏导信息作为输入，以综合考虑所有SISO系统误差贡献的系统误差函数值最小化为目标，采用梯度下降法，并结合控制输入分别针对控制器各待整定参数的梯度信息，进行系统误差反向传播计算，实现SISO全格式无模型控制器的惩罚因子、步长因子等参数的在线自整定，并同步实现多个SISO系统之间的在线解耦。本发明专利技术提出的方法，可实现良好的控制效果，是解决MIMO系统控制难题的有效手段。

【技术实现步骤摘要】
MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法
本专利技术属于自动化控制领域，尤其是涉及一种MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法。
技术介绍
MIMO(MultipleInputandMultipleOutput，多输入多输出)系统的控制问题，一直以来都是自动化控制领域所面临的重大挑战之一。MIMO系统的典型特征是耦合性，也就是说：一个输入的变化往往会使多个输出发生变化，一个输出往往也不仅仅受一个输入的影响；但同时，这种耦合性在大多数情况下，尤其是在工业过程自动化控制领域，又会体现出倾向性特征，也就是说：一个输入的变化往往倾向于使某个特定的输出发生显著变化而对其他的输出则影响较小，一个输出往往倾向于被某个特定输入显著影响而受到其他输入的影响则较小。MIMO系统的倾向性特征，为将其分解成多个SISO(SingleInputandSingleOutput，单输入单输出)系统提供了可行性；而MIMO系统的耦合性特征，又预示着这些SISO系统在分别采用SISO控制器进行控制时必须同步解决多个SISO系统之间的在线解耦难题。SISO控制器有多种实现方法，其中包括SISO全格式无模型控制器。SISO全格式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SISO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SISO系统也能够进行很好的控制，具有良好的应用前景。SISO全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83-84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)；Δy(k)＝y(k)-y(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,…,Ly+Lu)；Ly为SISO全格式无模型控制器中预设的控制输出线性化长度常数，且为大于或等于1的整数；Lu为SISO全格式无模型控制器中预设的控制输入线性化长度常数，且为大于或等于1的整数；λ为惩罚因子；ρ1,…,ρLy+Lu为步长因子。然而，SISO全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,…,ρLy+Lu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,…,ρLy+Lu等参数的在线自整定。参数有效整定手段的缺乏，不仅使SISO全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全格式无模型控制器的控制效果，制约了SISO全格式无模型控制器的推广应用。也就是说：SISO全格式无模型控制器在实际投用过程中还需要解决在线自整定参数的难题。为此，本专利技术提出了一种MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法，可以同步解决SISO全格式无模型控制器在线自整定参数的难题与多个SISO系统之间在线解耦的难题，为解决MIMO系统的控制问题提供了一种新方法。
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MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法。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)：针对具有mi个输入(mi为大于或等于2的整数)与mo个输出(mo为大于或等于2的整数)的MIMO(MultipleInputandMultipleOutput，多输入多输出)系统，选取mi个输入中的一个输入与mo个输出中的一个输出，构成一个SISO(SingleInputandSingleOutput，单输入单输出)系统；重复m次(m≥1且m≤mi且m≤mo且m为整数)，构成m个SISO系统，其中任意之一SISO系统的输入都不作为其他SISO系统的输入，任意之一SISO系统的输出都不作为其他SISO系统的输出；所述m个SISO系统采用m个SISO全格式无模型控制器进行控制；步骤(2)：针对第j个(1≤j≤m)SISO全格式无模型控制器，确定其控制输出线性化长度常数Lyj(Lyj为大于或等于1的整数)与控制输入线性化长度常数Luj(Luj为大于或等于1的整数)；所述第j个SISO全格式无模型控制器参数包含惩罚因子λj和步长因子确定所述第j个SISO全格式无模型控制器待整定参数，所述第j个SISO全格式无模型控制器待整定参数，为所述第j个SISO全格式无模型控制器参数的部分或全部，包含惩罚因子λj和步长因子的任意之一或任意种组合；确定第j个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第j个SISO全格式无模型控制器待整定参数个数；初始化第j个BP神经网络的隐含层权系数、输出层权系数；初始化{偏导信息j}集合中的偏导信息；如果m≥2，则针对其他m-1个SISO全格式无模型控制器，重复执行本步骤；步骤(3)：将当前时刻记为k时刻；步骤(4)：计算k时刻的{梯度信息集}；针对第j个(1≤j≤m)SISO全格式无模型控制器，具有步骤(4-1)、步骤(4-2)、步骤(4-3)、步骤(4-4)、步骤(4-5)的处理：所述步骤(4-1)为：基于第j个SISO系统输出期望值与第j个SISO系统输出实际值，采用第j个SISO系统误差计算函数，计算得到k时刻的第j个SISO系统误差，记为ej(k)；所述步骤(4-2)为：将{偏导信息j}集合中的偏导信息，作为第j个BP神经网络的输入；所述步骤(4-3)为：基于步骤(4-2)所述的第j个BP神经网络的输入，第j个BP神经网络进行前向计算，计算结果通过第j个BP神经网络的输出层输出，得到所述第j个SISO全格式无模型控制器待整定参数的值；所述步骤(4-4)为：基于步骤(4-1)得到的所述第j个SISO系统误差ej(k)、步骤(4-3)得到的所述第j个SISO全格式无模型控制器待整定参数的值，采用SISO全格式无模型控制器的控制算法，计算得到第j个SISO全格式无模型控制器针对被控对象在k时刻的控制输入uj(k)；所述步骤(4-5)为：基于步骤(4-4)得到的所述控制输入uj(k)，计算所述控制输入uj(k)分别针对第j个SISO全格式无模型控制器各个待整定参数在k时刻的梯度信息，所述梯度信息的具体计算公式如下：当所述第j个SISO全格式无模型控制器待整定参数中包含惩罚因子λj且Luj＝1时，所述控制输入uj(k)针对所述惩罚因子λj在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定参数中包含惩罚因子λj且Luj>1时，所述控制输入uj(k)针对所述惩罚因子λj在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子ρj,i且1≤i≤Lyj时，所述控制输入uj(k)针对所述步长因子ρj,i在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子时，所述控制输入uj(k)针对所述步长因子在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子ρj,i且Lyj+2≤i≤Lyj+Lu本文档来自技高网...

【技术保护点】
MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法，其特征在于包括以下步骤：步骤(1)：针对具有mi个输入(mi为大于或等于2的整数)与mo个输出(mo为大于或等于2的整数)的MIMO(Multiple Input and Multiple Output，多输入多输出)系统，选取mi个输入中的一个输入与mo个输出中的一个输出，构成一个SISO(Single Input and Single Output，单输入单输出)系统；重复m次(m≥1且m≤mi且m≤mo且m为整数)，构成m个SISO系统，其中任意之一SISO系统的输入都不作为其他SISO系统的输入，任意之一SISO系统的输出都不作为其他SISO系统的输出；所述m个SISO系统采用m个SISO全格式无模型控制器进行控制；步骤(2)：针对第j个(1≤j≤m)SISO全格式无模型控制器，确定其控制输出线性化长度常数Lyj(Lyj为大于或等于1的整数)与控制输入线性化长度常数Luj(Luj为大于或等于1的整数)；所述第j个SISO全格式无模型控制器参数包含惩罚因子λj和步长因子

【技术特征摘要】
1.MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法，其特征在于包括以下步骤：步骤(1)：针对具有mi个输入(mi为大于或等于2的整数)与mo个输出(mo为大于或等于2的整数)的MIMO(MultipleInputandMultipleOutput，多输入多输出)系统，选取mi个输入中的一个输入与mo个输出中的一个输出，构成一个SISO(SingleInputandSingleOutput，单输入单输出)系统；重复m次(m≥1且m≤mi且m≤mo且m为整数)，构成m个SISO系统，其中任意之一SISO系统的输入都不作为其他SISO系统的输入，任意之一SISO系统的输出都不作为其他SISO系统的输出；所述m个SISO系统采用m个SISO全格式无模型控制器进行控制；步骤(2)：针对第j个(1≤j≤m)SISO全格式无模型控制器，确定其控制输出线性化长度常数Lyj(Lyj为大于或等于1的整数)与控制输入线性化长度常数Luj(Luj为大于或等于1的整数)；所述第j个SISO全格式无模型控制器参数包含惩罚因子λj和步长因子确定所述第j个SISO全格式无模型控制器待整定参数，所述第j个SISO全格式无模型控制器待整定参数，为所述第j个SISO全格式无模型控制器参数的部分或全部，包含惩罚因子λj和步长因子的任意之一或任意种组合；确定第j个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第j个SISO全格式无模型控制器待整定参数个数；初始化第j个BP神经网络的隐含层权系数、输出层权系数；初始化{偏导信息j}集合中的偏导信息；如果m≥2，则针对其他m-1个SISO全格式无模型控制器，重复执行本步骤；步骤(3)：将当前时刻记为k时刻；步骤(4)：计算k时刻的{梯度信息集}；针对第j个(1≤j≤m)SISO全格式无模型控制器，具有步骤(4-1)、步骤(4-2)、步骤(4-3)、步骤(4-4)、步骤(4-5)的处理：所述步骤(4-1)为：基于第j个SISO系统输出期望值与第j个SISO系统输出实际值，采用第j个SISO系统误差计算函数，计算得到k时刻的第j个SISO系统误差，记为ej(k)；所述步骤(4-2)为：将{偏导信息j}集合中的偏导信息，作为第j个BP神经网络的输入；所述步骤(4-3)为：基于步骤(4-2)所述的第j个BP神经网络的输入，第j个BP神经网络进行前向计算，计算结果通过第j个BP神经网络的输出层输出，得到所述第j个SISO全格式无模型控制器待整定参数的值；所述步骤(4-4)为：基于步骤(4-1)得到的所述第j个SISO系统误差ej(k)、步骤(4-3)得到的所述第j个SISO全格式无模型控制器待整定参数的值，采用SISO全格式无模型控制器的控制算法，计算得到第j个SISO全格式无模型控制器针对被控对象在k时刻的控制输入uj(k)；所述步骤(4-5)为：基于步骤(4-4)得到的所述控制输入uj(k)，计算所述控制输入uj(k)分别针对第j个SISO全格式无模型控制器各个待整定参数在k时刻的梯度信息，所述梯度信息的具体计算公式如下：当所述第j个SISO全格式无模型控制器待整定参数中包含惩罚因子λj且Luj＝1时，所述控制输入uj(k)针对所述惩罚因子λj在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定参数中包含惩罚因子λj且Luj>1时，所述控制输入uj(k)针对所述惩罚因子λj在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子ρj,i且1≤i≤Lyj时，所述控制输入uj(k)针对所述步长因子ρj,i在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子时，所述控制输入uj(k)针对所述步长因子在k时刻的梯度信息为：当所述第j个SISO全格式无模型控制器待整定...

【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