MISO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

本发明专利技术公开了一种MISO偏格式无模型控制器基于偏导信息的参数自整定方法，利用偏导信息集作为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MISO偏格式无模型控制器待整定参数，采用MISO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向量，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集，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，实现控制器基于偏导信息的参数自整定。本发明专利技术提出的MISO偏格式无模型控制器基于偏导信息的参数自整定方法，能有效克服控制器参数的在线整定难题，对MISO系统具有良好的控制效果。

【技术实现步骤摘要】
MISO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MISO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
MISO(MultipleInputandSingleOutput，多输入单输出)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。MISO控制器的现有实现方法中包括MISO偏格式无模型控制器。MISO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，对未知非线性时变MISO系统也能够进行很好的控制，具有良好的应用前景。MISO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106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),…,um(k)]T，m为控制输入个数，Δu(k)＝u(k)-u(k-1)；e(k)为k时刻的系统误差；为k时刻的MISO系统伪分块梯度估计值的行矩阵，为行矩阵的第i块行矩阵(i＝1,…,L)，为行矩阵的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，MISO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MISO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MISO偏格式无模型控制器的控制效果，制约了MISO偏格式无模型控制器的推广应用。也就是说：MISO偏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，为了打破制约MISO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MISO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MISO偏格式无模型控制器基于偏导信息的参数自整定方法。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)：针对具有m个输入(m为大于或等于2的整数)与1个输出的MISO(MultipleInputandSingleOutput，多输入单输出)系统，采用MISO偏格式无模型控制器进行控制；确定所述MISO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MISO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MISO偏格式无模型控制器待整定参数，所述MISO偏格式无模型控制器待整定参数，为所述MISO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MISO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(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MISO偏格式无模型控制器待整定参数的值；步骤(5)：基于步骤(3)得到的所述系统误差e(k)、步骤(4)得到的所述MISO偏格式无模型控制器待整定参数的值，采用MISO偏格式无模型控制器的控制算法，计算得到MISO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),…,um(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j个控制输入uj(k)(1≤j≤m)，计算所述第j个控制输入uj(k)分别针对各个所述MISO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MISO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j个控制输入uj(k)针对所述惩罚因子λ在k时刻的梯度信息为：当所述MISO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j个控制输入uj(k)针对所述步长因子ρ1在k时刻的梯度信息为：当所述MISO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j个控制输入uj(k)针对所述步长因子ρi在k时刻的梯度信息为：其中，Δuj(k)＝uj(k)-uj(k-1)，为k时刻的MISO系统伪分块梯度估计值的行矩阵，为行矩阵的第i块行矩阵(i＝1,…,L)，为行矩阵的第j个梯度分量估计值，为行矩阵的2范数；上述全部所述梯度信息的集合记为{梯度信息j}，放入集合{梯度信息集}；将所述{梯度信息j}集合中的梯度信息依序记为前一时刻的偏导信息，即：当所述MISO偏格式无模型控制器待整定参数中包含惩罚因子λ时则所述{梯度信息j}集合中的梯度信息记为前一时刻的偏导信息当所述MISO偏格式无模型控制器待整定参数中包含步长因子ρi且1≤i≤L时则所述{梯度信息j}集合中的梯度信息记为前一时刻的偏导信息上述全部所述偏导信息的集合记为{偏导信息j}，放入所述集合{偏导信息集}；针对步骤(5)得到的所述控制输入向量u(k)中的其他m-1个控制输入，重复执行本步骤，直至所述集合{梯度信息集}包含全部{{梯度信息1},…,{梯度信息m}}的集合，同时所述集合{偏导信息集}包含全部{{偏导信息1},…,{偏导信息m}}的集合，然后进入步骤(7)；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)得到的所述集合{梯度信息集}，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)：所述控制输入向量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(3)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(3)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(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其中，e(k)为系统误差，Δuj(k)＝uj(k)-uj(k-1)，bj为大于或等于0的常数，1≤j≤m。本专利技术提供的MISO偏格式无模型控制器基于偏导信息的参数自整定方法，能够实现良好本文档来自技高网...

【技术保护点】
MISO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m个输入(m为大于或等于2的整数)与1个输出的MISO(Multiple Input and Single Output，多输入单输出)系统，采用MISO偏格式无模型控制器进行控制；确定所述MISO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MISO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MISO偏格式无模型控制器待整定参数，所述MISO偏格式无模型控制器待整定参数，为所述MISO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MISO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(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MISO偏格式无模型控制器待整定参数的值；步骤(5)：基于步骤(3)得到的所述系统误差e(k)、步骤(4)得到的所述MISO偏格式无模型控制器待整定参数的值，采用MISO偏格式无模型控制器的控制算法，计算得到MISO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),…,um(k)]...

【技术特征摘要】
1.MISO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m个输入(m为大于或等于2的整数)与1个输出的MISO(MultipleInputandSingleOutput，多输入单输出)系统，采用MISO偏格式无模型控制器进行控制；确定所述MISO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MISO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MISO偏格式无模型控制器待整定参数，所述MISO偏格式无模型控制器待整定参数，为所述MISO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MISO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(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MISO偏格式无模型控制器待整定参数的值；步骤(5)：基于步骤(3)得到的所述系统误差e(k)、步骤(4)得到的所述MISO偏格式无模型控制器待整定参数的值，采用MISO偏格式无模型控制器的控制算法，计算得到MISO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),…,um(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j个控制输入uj(k)(1≤j≤m)，计算所述第j个控制输入uj(k)分别针对各个所述MISO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MISO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j个控制输入uj(k)针对所述惩罚因子λ在k时刻的梯度信息为：当所述MISO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j个控制输入uj(k)针对所述步长因子ρ1在k时刻的梯度信息为：当所述MISO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j个控制输入uj(k)针对所述步长因子ρi在k时刻的梯度信息为：其中，Δuj(k)＝uj(k)-uj(k-1)，为k时刻的MISO系统伪分块梯度估计值的行矩阵，为行矩阵的第i...

【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