一种数据驱动的系统关键性能指标自适应调节方法技术方案

本发明专利技术提供一种数据驱动的系统关键性能指标自适应调节方法，属于跟踪控制技术领域。本发明专利技术首先将系统输入设为随机方波信号采集数据，根据采集的数据、被控对象的期望输出，利用改进偏最小二乘法进行初始化，获得并储存当前时刻被控对象的输入；然后利用对被控对象的当前时刻测量数据和偏最小二乘算法进行本发明专利技术方法的在线更新，获得下一时刻被控对象的输入；重复执行上一步骤，直至系统运行结束。本发明专利技术解决了现有数据驱动的系统关键性能指标自适应调节技术通常需要对大量的参数进行调节，导致控制性能差，跟踪误差较高的问题。本发明专利技术可用于系统关键性能指标的自适应调节。

【技术实现步骤摘要】
一种数据驱动的系统关键性能指标自适应调节方法
本专利技术涉及一种系统关键性能指标自适应调节方法，属于跟踪控制

技术介绍
近年来随着计算机技术、信息化水平日益提高，工业生产过程如化工、冶金、机械等对关键性能指标(如产品质量)的要求越来越高，高精度的跟踪控制得到了工业界和学术界的关注。现有预测控制技术一般要求被控对象的模型一致，但实际应用中由于测量噪声和复杂的系统机理等问题，精确的系统模型难以获取。另一方面随着传感器和计算机储存技术的提高，系统存在大量未被充分利用的测量数据。如何利用这些数据，得到在系统约束下使关键性能指标维持在期望值的最优控制序列，得到了学术界的广泛关注。另一方面，现有数据驱动的系统关键性能指标自适应调节技术通常需要对大量的参数进行调节，这些参数不仅很大程度影响了性能(控制收敛性、跟踪误差)，而且也为其实际应用带来了很多不便和困难。如利用PID(比例proportion、积分integral、微分differential)控制进行系统关键性能指标自适应调节的技术，不同的参数下的跟踪误差不同，而低跟踪误差对应的参数较难确定，因此综合来说跟踪误差较高。提出一种需要极少先验知识的系统关键性能指标自适应调节技术，提高其泛用性、简化在应用中的实际操作，也是亟待解决的关键问题。
技术实现思路
本专利技术为解决现有数据驱动的系统关键性能指标自适应调节技术通常需要对大量的参数进行调节，导致跟踪控制性能差，跟踪误差较高的问题，提供了一种数据驱动的系统关键性能指标自适应调节方法。本专利技术所述一种数据驱动的系统关键性能指标自适应调节方法，通过以下技术方案实现：步骤一、将系统输入设为随机方波信号采集数据，进行所述方法的初始化：步骤A1、设定时间窗长度，采集被控对象在随机方波激励信号下，过去时间窗长度的输入输出数据，构造截止上一时刻输入矩阵和截止上一时刻输出矩阵，并计算截止上一时刻输入矩阵的广义逆；步骤A2、利用改进偏最小二乘法计算回归模型初始值进而得到预测模型；步骤A3、利用被控对象的期望输出计算上一时刻跟踪误差，进而得到待求解二次型问题的相关参数；然后结合约束矩阵得到上一时刻控制序列的增量；步骤A4、计算并储存当前时刻被控对象的输入；步骤二、利用对被控对象的当前时刻测量数据进行所述方法的在线更新：步骤B1、利用步骤A1中获得的截止上一时刻输入矩阵的广义逆和偏最小二乘算法计算当前时刻输入矩阵的广义逆；步骤B2、采集被控对象的当前时刻输出的测量数据，并更新回归模型和预测模型；步骤B3、利用当前时刻跟踪误差计算待求解二次型问题的相关参数；并结合约束矩阵得到当前时刻控制序列的增量；步骤B4、计算并储存下一时刻被控对象的输入；进而由被控对象的输入确定系统关键性能指标；步骤三、重复执行步骤二，直至系统运行结束。本专利技术最为突出的特点和显著的有益效果是：本专利技术所涉及的一种数据驱动的系统关键性能指标自适应调节方法，利用被控对象的测量数据，实现对线性系统的关键性能指标自适应调节。本专利技术方法过程简单，提出的系统关键性能指标自适应调节方法仅需要很少的先验知识，需要预先假设的参数仅有预测步长np和时间窗长度为N，有很高的泛用性；并且本专利技术基于系统过程数据，不依赖于系统模型，对线性被控对象有很好的跟踪控制性能，跟踪控制预测收敛性好，仿真实验表明，本专利技术跟踪误差趋近于0。附图说明图1为本专利技术方法流程图；图2为实施例中系统的跟踪控制效果曲线图；图3为实施例中预测收敛性曲线图。具体实施方式具体实施方式一：结合图1对本实施方式进行说明，本实施方式给出的一种数据驱动的系统关键性能指标自适应调节方法，具体包括以下步骤：步骤一、将系统输入设为随机方波信号采集数据，进行所述方法的初始化：步骤A1、设定时间窗长度N，采集被控对象在随机方波激励信号下，过去时间窗长度的输入输出数据，构造截止上一时刻输入矩阵UN(k-1)和截止上一时刻输出矩阵YN(k-1)，并计算截止上一时刻输入矩阵的广义逆步骤A2、利用改进偏最小二乘法计算回归模型初始值M(k-1)进而得到预测模型步骤A3、利用被控对象的期望输出计算上一时刻跟踪误差E(k-1)，进而得到待求解二次型问题的相关参数Hk-1和fk-1；然后结合约束矩阵得到上一时刻控制序列的增量ΔU(k-1)；步骤A4、计算并储存当前时刻被控对象的输入(控制器输出)uk；步骤二、利用对被控对象的当前时刻测量数据进行所述方法的在线更新：步骤B1、利用步骤A1中获得的截止上一时刻输入矩阵的广义逆和偏最小二乘算法计算当前时刻输入矩阵的广义逆步骤B2、采集被控对象的当前时刻输出的测量数据yk，并更新回归模型M(k)和预测模型步骤B3、利用当前时刻跟踪误差计算待求解二次型问题的相关参数Hk和fk；并结合约束矩阵得到当前时刻控制序列的增量ΔU(k)；步骤B4、计算并储存下一时刻被控对象的输入uk+1；进而由被控对象的输入确定系统关键性能指标；步骤三、重复执行步骤二，直至系统运行结束。具体实施方式二：本实施方式与具体实施方式一不同的是，步骤A1中所述截止上一时刻输入矩阵的广义逆具体为：其中，N为时间窗长度，k表示当前时刻，表示截止上一时刻输入矩阵；表示k时刻被控对象的输入，表示维的实数向量空间；表示截止上一时刻输出矩阵，表示k时刻被控对象的输出，表示n维的实数向量空间；上标“T”表示转置，上标“+”表示广义逆。其他步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一不同的是，所述预测模型的具体计算过程包括：利用改进偏最小二乘计算回归模型：其中，M(k)表示k时刻的回归模型，表示截止k时刻输入矩阵的广义逆；表示截止k时刻输出矩阵；表示k时刻被控对象的输出，表示n维的实数向量空间；给定预测步长为np，计算预测模型：其中，n表示被控对象的输入数据的维数，m表示被控对象的输出数据的维数。其他步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一不同的是，所述跟踪误差的具体计算过程为：其中，E(k)表示k时刻的跟踪误差，ysp(k)表示k时刻被控对象的期望输出，np为预测步长，yk表示k时刻被控对象的输出。其他步骤及参数与具体实施方式一、二或三相同。具体实施方式五：本实施方式与具体实施方式三不同的是，所述控制序列的增量的具体计算过程包括：计算待求解二次型问题的相关参数Hk和fk：其中，Q和P均为权重矩阵，E(k)表示k时刻的跟踪误差；给定符合实际情况(机械结构等)的约束矩阵C1和C2，计算控制序列的增量：minΔU(k)ΔUT(k)HkΔU(k)+fkTΔU(k)(7)C1ΔU(k)≤C2(8)其中，ΔU(k)表示k时刻控制序列的增量，ΔU(k)中的元素Δuk表示k时刻被控对象的输入的增量。其他步骤及参数与具体实施方式一、二、三或四相同。具体实施方式六：本实施方式与具体实施方式五不同的是，所述控制器输出的具体计算过程为：uk+1＝uk+Δuk(9)其中，uk+1为k+1时刻的控制器输出，uk为k时刻的控制器输出。其他步骤及参数与具体实施方式一至五相同。具体实施方式七：本实施方式与具体实施方式二至六不同的是，步骤B1中所述利用步骤A1中获得的截止上一时刻输入矩阵的广义逆和偏最小二乘算法计算当前时刻输本文档来自技高网...

【技术保护点】
1.一种数据驱动的系统关键性能指标自适应调节方法，其特征在于，所述方法具体包括以下步骤：步骤一、将系统输入设为随机方波信号采集数据，进行所述方法的初始化：步骤A1、设定时间窗长度，采集被控对象在随机方波激励信号下，过去时间窗长度的输入输出数据，构造截止上一时刻输入矩阵和截止上一时刻输出矩阵，并计算截止上一时刻输入矩阵的广义逆；步骤A2、利用改进偏最小二乘法计算回归模型初始值进而得到预测模型；步骤A3、利用被控对象的期望输出计算上一时刻跟踪误差，进而得到待求解二次型问题的相关参数；然后结合约束矩阵得到上一时刻控制序列的增量；步骤A4、计算并储存当前时刻被控对象的输入；步骤二、利用对被控对象的当前时刻测量数据进行所述方法的在线更新：步骤B1、利用步骤A1中获得的截止上一时刻输入矩阵的广义逆和偏最小二乘算法计算当前时刻输入矩阵的广义逆；步骤B2、采集被控对象的当前时刻输出的测量数据，并更新回归模型和预测模型；步骤B3、利用当前时刻跟踪误差计算待求解二次型问题的相关参数；并结合约束矩阵得到当前时刻控制序列的增量；步骤B4、计算并储存下一时刻被控对象的输入；进而由被控对象的输入确定系统关键性能指标；步骤三、重复执行步骤二，直至系统运行结束。...

【技术特征摘要】
1.一种数据驱动的系统关键性能指标自适应调节方法，其特征在于，所述方法具体包括以下步骤：步骤一、将系统输入设为随机方波信号采集数据，进行所述方法的初始化：步骤A1、设定时间窗长度，采集被控对象在随机方波激励信号下，过去时间窗长度的输入输出数据，构造截止上一时刻输入矩阵和截止上一时刻输出矩阵，并计算截止上一时刻输入矩阵的广义逆；步骤A2、利用改进偏最小二乘法计算回归模型初始值进而得到预测模型；步骤A3、利用被控对象的期望输出计算上一时刻跟踪误差，进而得到待求解二次型问题的相关参数；然后结合约束矩阵得到上一时刻控制序列的增量；步骤A4、计算并储存当前时刻被控对象的输入；步骤二、利用对被控对象的当前时刻测量数据进行所述方法的在线更新：步骤B1、利用步骤A1中获得的截止上一时刻输入矩阵的广义逆和偏最小二乘算法计算当前时刻输入矩阵的广义逆；步骤B2、采集被控对象的当前时刻输出的测量数据，并更新回归模型和预测模型；步骤B3、利用当前时刻跟踪误差计算待求解二次型问题的相关参数；并结合约束矩阵得到当前时刻控制序列的增量；步骤B4、计算并储存下一时刻被控对象的输入；进而由被控对象的输入确定系统关键性能指标；步骤三、重复执行步骤二，直至系统运行结束。2.根据权利要求1所述一种数据驱动的系统关键性能指标自适应调节方法，其特征在于，步骤A1中所述截止上一时刻输入矩阵的广义逆具体为：其中，N为时间窗长度，k表示当前时刻，表示截止上一时刻输入矩阵；表示k时刻被控对象的输入，表示m维的实数向量空间；上标“T”表示转置，上标“+”表示广义逆。3.根据权利要求1所述一种数据驱动的系统关键性能指标自适应调节方法，其特征在于，所述预测模型的具体计算过程包括：利用改进偏最小二乘计算回归模型：其中，M(k)...

【专利技术属性】
技术研发人员：尹珅，高菾佚，罗浩，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23