The invention discloses a parameter self tuning method based on partial guidance information for MIMO partial model controller, using partial guide information set as input of BP neural network, BP neural network for forward calculation and MIMO partial format without model controller by output layer output penalty factor, step length factor and so on, using MIMO The control input vector of the controlled object without model controller is calculated and the control input vector for the controlled object is obtained. The gradient descent method is used to minimize the value of the system error function. The system error back propagation is calculated by using gradient descent method and the control input is applied to the gradient information set of each set parameter respectively. The hidden layer weight coefficient and the output layer weight coefficient of the new BP neural network are used to realize the parameter self-tuning of the controller based on the partial derivative information. The MIMO partial model controller is based on the parameter self tuning method based on partial guidance information, which can effectively overcome the on-line tuning problem of the controller parameters, and has a good control effect on the MIMO system.
【技术实现步骤摘要】
MIMO偏格式无模型控制器基于偏导信息的参数自整定方法
本专利技术属于自动化控制领域,尤其是涉及一种MIMO偏格式无模型控制器基于偏导信息的参数自整定方法。
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控制器的现有实现方法中包括MIMO偏格式无模型控制器。MIMO偏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MIMO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MIMO系统也能够进行很好的控制,具有良好的应用前景。MIMO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105页)中提出,其控制算法如下:其中,u(k)为k时刻的控制输入向量,u(k)=[u1(k),…,umu(k)]T,mu为控制输入个数,Δu(k)=u(k)-u(k-1);e(k)为k时刻的误差向量,e(k)=[e1(k),…,emy(k)]T,my为输出个数;为k时刻的MIMO系统伪分块雅克比矩阵估计值,为的第i块(i=1,…,L),为矩阵的2范数;λ为惩罚因子,ρ1,…,ρL为步长因子,L为控制输入线性化长度常数。然而,MIMO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 ...
【技术保护点】
1.MIMO偏格式无模型控制器基于偏导信息的参数自整定方法,其特征在于包括以下步骤:步骤(1):针对具有mu个输入(mu为大于或等于2的整数)与my个输出(my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,采用MIMO偏格式无模型控制器进行控制;确定所述MIMO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;所述MIMO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MIMO偏格式无模型控制器待整定参数,所述MIMO偏格式无模型控制器待整定参数,为所述MIMO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MIMO偏格式无模型控制器待整定参数个数;初始化所述BP神经网络的隐含层权系数、输出层权系数;初始化集合{偏导信息集}中的偏导信息;步骤(2):将当前时刻记为k时刻;步骤(3):基于MIMO系统的第jy个输出期望值与第jy个输出实际值(1≤ ...
【技术特征摘要】
1.MIMO偏格式无模型控制器基于偏导信息的参数自整定方法,其特征在于包括以下步骤:步骤(1):针对具有mu个输入(mu为大于或等于2的整数)与my个输出(my为大于或等于2的整数)的MIMO(MultipleInputandMultipleOutput,多输入多输出)系统,采用MIMO偏格式无模型控制器进行控制;确定所述MIMO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;所述MIMO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MIMO偏格式无模型控制器待整定参数,所述MIMO偏格式无模型控制器待整定参数,为所述MIMO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MIMO偏格式无模型控制器待整定参数个数;初始化所述BP神经网络的隐含层权系数、输出层权系数;初始化集合{偏导信息集}中的偏导信息;步骤(2):将当前时刻记为k时刻;步骤(3):基于MIMO系统的第jy个输出期望值与第jy个输出实际值(1≤jy≤my),采用第jy个误差计算函数计算得到k时刻的第jy个误差,记为ejy(k);针对MIMO系统的其他my-1个输出,重复执行本步骤,直至得到由my个误差所构成的误差向量e(k)=[e1(k),…,emy(k)]T,然后进入步骤(4);步骤(4):将所述集合{偏导信息集}中的偏导信息作为BP神经网络的输入,所述BP神经网络进行前向计算,计算结果通过所述BP神经网络的输出层输出,得到所述MIMO偏格式无模型控制器待整定参数的值;步骤(5):基于步骤(3)得到的所述误差向量e(k)、步骤(4)得到的所述MIMO偏格式无模型控制器待整定参数的值,采用MIMO偏格式无模型控制器的控制算法,计算得到MIMO偏格式无模型控制器针对被控对象在k时刻的控制输入向量u(k)=[u1(k),…,umu(k)]T;步骤(6):针对步骤(5)得到的所述控制输入向量u(k)中的第ju个控制输入uju(k)(1≤ju≤mu),计算所述第ju个控制输入uju(k)分别针对各个所述MIMO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MIMO偏格式无模型控制器待整定参数中包含惩罚因子λ时,所述第ju个控制输入uju(k)针对所述惩罚因子λ在k时刻的梯度信息为:当所述MIMO偏格式无模型控制器待整定参数中包含步长因子ρ1时,所述第ju个控制输入uju(k)针对所述步长因子ρ1在k时刻的梯度信息为:当所述MIMO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,所述第ju个控制输入uju(k)针对所述步长因...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。