参数自整定的MISO异因子紧格式无模型控制方法技术

本发明专利技术公开了一种参数自整定的MISO异因子紧格式无模型控制方法，针对现有的采用同因子结构的MISO紧格式无模型控制方法的局限性，也就是：在k时刻针对控制输入向量中的不同控制输入只能采用相同数值的惩罚因子与相同数值的步长因子的局限性，提出了一种采用异因子结构的MISO紧格式无模型控制方法，在k时刻针对控制输入向量中的不同控制输入可采用不同数值的惩罚因子和/或不同数值的步长因子，能够解决强非线性MISO系统等复杂对象中存在的各个控制通道特性各异的控制难题，同时提出了参数自整定的方法以有效克服惩罚因子和步长因子需要费时费力进行整定的难题。与现有的控制方法相比，本发明专利技术具有更高的控制精度、更好的稳定性与更广的适用性。

Model-Free Control Method for MISO Variable Factor Compact Format with Self-tuning Parameters

The invention discloses a model-free control method of MISO heterogeneous compact format with self-tuning parameters. Aiming at the limitation of the existing model-free control method of MISO compact format with the same factor structure, that is, at k-time, considering the limitation that different control inputs in the control input vector can only adopt the same penalty factor and the same step-size factor, a new method is proposed. Using the model-free control method of MISO compact format with different factor structure, different numerical penalty factors and/or step-size factors can be adopted for different control inputs in the control input vector at k-time, which can solve the control problem of different control channel characteristics in complex objects such as strong non-linear MISO systems. Meanwhile, a method of parameter self-tuning is proposed to effectively overcome the problem. Taking penalty factor and step factor is a difficult problem that requires time and effort to adjust. Compared with the existing control methods, the invention has higher control accuracy, better stability and wider applicability.

【技术实现步骤摘要】
参数自整定的MISO异因子紧格式无模型控制方法
本专利技术属于自动化控制领域，尤其是涉及一种参数自整定的MISO异因子紧格式无模型控制方法。
技术介绍
炼油、石化、化工、制药、食品、造纸、水处理、火电、冶金、水泥、橡胶、机械、电气等行业的被控对象，包括反应器、精馏塔、机器、设备、装置、生产线、车间、工厂，其中不少被控对象是MISO(MultipleInputandSingleOutput，多输入单输出)系统。实现对MISO系统的高精度、高稳定、高适用性控制，对工业的节能降耗、提质增效具有重要意义。然而，MISO系统的控制难题，尤其是强非线性MISO系统的控制难题，一直以来都是自动化控制领域所面临的重大挑战。MISO系统的现有控制方法中包括MISO紧格式无模型控制方法。MISO紧格式无模型控制方法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MISO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，具有良好的应用前景。MISO紧格式无模型控制方法的理论基础，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95页)中提出，其控制算法如下：其中，u(k)为k时刻控制输入向量，u(k)＝[u1(k),…,um(k)]T，m为控制输入总个数(m为大于1的正整数)；e(k)为k时刻误差；Φ(k)为k时刻MISO系统伪雅克比矩阵估计值，||Φ(k)||为矩阵Φ(k)的2范数；λ为惩罚因子；ρ为步长因子。上述现有的MISO紧格式无模型控制方法，采用了同因子结构，也就是说：在k时刻，针对控制输入向量u(k)中的不同控制输入u1(k),…,um(k)，只能采用相同数值的惩罚因子λ与相同数值的步长因子ρ。当现有的MISO同因子紧格式无模型控制方法应用于强非线性MISO系统等复杂对象时，由于控制通道特性各异，往往难以实现理想的控制效果，制约了MISO紧格式无模型控制方法的推广应用。为此，为了打破现有的MISO同因子紧格式无模型控制方法的应用瓶颈，本专利技术提出了一种参数自整定的MISO异因子紧格式无模型控制方法。
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，提供一种参数自整定的MISO异因子紧格式无模型控制方法，其特征在于：当被控对象为MISO(MultipleInputandSingleOutput，多输入单输出)系统时，所述MISO异因子紧格式无模型控制方法计算k时刻第i个控制输入ui(k)的数学公式如下：其中，k为正整数；i表示所述MISO系统控制输入总个数中的第i个，i为正整数，1≤i≤m，m为所述MISO系统控制输入总个数，m为大于1的正整数；ui(k)为k时刻第i个控制输入；e(k)为k时刻误差；Φ(k)为k时刻MISO系统伪雅克比矩阵估计值，φj,i(k)为矩阵Φ(k)的第j行第i列元素，||Φ(k)||为矩阵Φ(k)的2范数；λi为第i个控制输入的惩罚因子；ρi为第i个控制输入的步长因子；针对MISO系统，所述MISO异因子紧格式无模型控制方法将i的取值遍历正整数区间[1,m]内的所有值，即可计算得到k时刻控制输入向量u(k)＝[u1(k),…,um(k)]T；所述MISO异因子紧格式无模型控制方法具有异因子特征；所述异因子特征是指针对正整数区间[1,m]内任意两个互不相等的正整数i与x，在采用所述控制方法对MISO系统进行控制期间，至少存在一个时刻，使得如下两个不等式中至少有一个不等式成立：λi≠λx；ρi≠ρx在采用所述控制方法对MISO系统进行控制期间，对计算k时刻控制输入向量u(k)＝[u1(k),…,um(k)]T的数学公式中的待整定参数进行参数自整定；所述待整定参数包含惩罚因子λi、步长因子ρi(i＝1,…,m)的任意之一或任意种组合。所述参数自整定采用神经网络计算所述控制输入向量u(k)＝[u1(k),…,um(k)]T的数学公式中的待整定参数；在更新所述神经网络的隐含层权系数、输出层权系数时，使用所述控制输入向量u(k)＝[u1(k),…,um(k)]T分别针对各自数学公式中的待整定参数在k时刻的梯度；所述控制输入向量u(k)＝[u1(k),…,um(k)]T中的ui(k)(i＝1,…,m)针对所述ui(k)的数学公式中的待整定参数在k时刻的梯度，由ui(k)分别针对所述ui(k)的数学公式中的各个待整定参数在k时刻的偏导数组成；所述ui(k)分别针对所述ui(k)的数学公式中的各个待整定参数在k时刻的偏导数，采用如下的数学公式进行计算：当所述ui(k)的数学公式中的待整定参数包含惩罚因子λi时，ui(k)针对所述惩罚因子λi在k时刻的偏导数为：当所述ui(k)的数学公式中的待整定参数包含步长因子ρi时，ui(k)针对所述步长因子ρi在k时刻的偏导数为：计算得到的所述ui(k)分别针对所述ui(k)的数学公式中的各个待整定参数在k时刻的偏导数，全部放入集合{ui(k)的梯度}；针对MISO系统，将i的取值遍历正整数区间[1,m]内的所有值，分别得到集合{u1(k)的梯度},…,集合{um(k)的梯度}，并全部放入集合{梯度集合}，所述集合{梯度集合}为包含全部{{u1(k)的梯度},…,{um(k)的梯度}}的集合；所述参数自整定采用神经网络计算所述控制输入向量u(k)＝[u1(k),…,um(k)]T的数学公式中的待整定参数，所述神经网络的输入包含所述集合{梯度集合}中的元素、集合{误差集合}中的元素的任意之一或任意种组合；所述集合{误差集合}包含e(k)与e(k)的误差函数组；所述e(k)的误差函数组为k时刻及之前所有时刻误差的累积即k时刻误差e(k)的一阶后向差分e(k)-e(k-1)、k时刻误差e(k)的二阶后向差分e(k)-2e(k-1)+e(k-2)、k时刻误差e(k)的高阶后向差分的任意之一或任意种组合。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k时刻误差e(k)采用误差计算函数计算得到；所述误差计算函数的自变量包含输出期望值与输出实际值。所述误差计算函数采用e(k)＝y*(k)-y(k)，其中y*(k)为k时刻输出期望值，y(k)为k时刻输出实际值；或者采用e(k)＝y*(k+1)-y(k)，其中y*(k+1)为k+1时刻输出期望值；或者采用e(k)＝y(k)-y*(k)；或者采用e(k)＝y(k)-y*(k+1)。所述神经网络为BP神经网络；所述BP神经网络采用隐含层为单层的结构，即采用由输入层、单层隐含层、输出层组成的三层网络结构。所述神经网络以系统误差函数的值最小化为目标，采用梯度下降法进行系统误差反向传播计算，更新所述神经网络的隐含层权系数、输出层权系数；所述系统误差函数的自变量包含误差e(k)、输出期望值、输出实际值的任意之一或任意种组合。所述系统误差函数为其中，e(k)为k时刻误差，Δuiu(k)＝uiu(k)-uiu(k-1)，uiu(k)为k时刻第iu个控制输入，a与biu为大于或等于0的常数，iu为正整数。所述被控对象包含反应器、精馏塔、机器、设备、装置、生产线、车间、工厂。运行所述控制方法的硬件平台本文档来自技高网...

【技术保护点】
1.参数自整定的MISO异因子紧格式无模型控制方法，其特征在于：当被控对象为MISO(Multiple Input and Single Output，多输入单输出)系统时，所述MISO异因子紧格式无模型控制方法计算k时刻第i个控制输入ui(k)的数学公式如下：

【技术特征摘要】
1.参数自整定的MISO异因子紧格式无模型控制方法，其特征在于：当被控对象为MISO(MultipleInputandSingleOutput，多输入单输出)系统时，所述MISO异因子紧格式无模型控制方法计算k时刻第i个控制输入ui(k)的数学公式如下：其中，k为正整数；i表示所述MISO系统控制输入总个数中的第i个，i为正整数，1≤i≤m，m为所述MISO系统控制输入总个数，m为大于1的正整数；ui(k)为k时刻第i个控制输入；e(k)为k时刻误差；Φ(k)为k时刻MISO系统伪雅克比矩阵估计值，φj,i(k)为矩阵Φ(k)的第j行第i列元素，||Φ(k)||为矩阵Φ(k)的2范数；λi为第i个控制输入的惩罚因子；ρi为第i个控制输入的步长因子；针对MISO系统，所述MISO异因子紧格式无模型控制方法将i的取值遍历正整数区间[1,m]内的所有值，即可计算得到k时刻控制输入向量u(k)＝[u1(k),…,um(k)]T；所述MISO异因子紧格式无模型控制方法具有异因子特征；所述异因子特征是指针对正整数区间[1,m]内任意两个互不相等的正整数i与x，在采用所述控制方法对MISO系统进行控制期间，至少存在一个时刻，使得如下两个不等式中至少有一个不等式成立：λi≠λx；ρi≠ρx在采用所述控制方法对MISO系统进行控制期间，对计算k时刻控制输入向量u(k)＝[u1(k),…,um(k)]T的数学公式中的待整定参数进行参数自整定；所述待整定参数包含惩罚因子λi、步长因子ρi(i＝1,…,m)的任意之一或任意种组合。2.根据权利要求1所述的参数自整定的MISO异因子紧格式无模型控制方法，其特征在于：所述参数自整定采用神经网络计算所述控制输入向量u(k)＝[u1(k),…,um(k)]T的数学公式中的待整定参数；在更新所述神经网络的隐含层权系数、输出层权系数时，使用所述控制输入向量u(k)＝[u1(k),…,um(k)]T分别针对各自数学公式中的待整定参数在k时刻的梯度；所述控制输入向量u(k)＝[u1(k),…,um(k)]T中的ui(k)(i＝1,…,m)针对所述ui(k)的数学公式中的待整定参数在k时刻的梯度，由ui(k)分别针对所述ui(k)的数学公式中的各个待整定参数在k时刻的偏导数组成；所述ui(k)分别针对所述ui(k)的数学公式中的各个待整定参数在k时刻的偏导数，采用如下的数学公式进行计算：当所述ui(k)的数学公式中的待整定参数包含惩罚因子λi时，ui(k)针对所述惩罚因子λi在k时刻的偏导数为：当所述ui(k)的数学公式中的待整定参数包含步长因子ρi时，ui(k)针对所述步长因子ρi在k时刻的偏导数为：计算得到的所述ui(k)分别针对所述ui(k)的数学公式中的各个待整定参数在k时刻的偏导数，全部放入集合{ui(k)的梯度}；针对MISO系统，将i的取值遍历正整数区间[1,m]内的所有值，分别得到集合{u1(k)的梯度...

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