The invention discloses a parameter self tuning method based on system error in a MISO tight format controller. The system error set is used as the input of the BP neural network, the BP neural network is calculated in forward direction, and the MISO tight format without model controller, such as the output layer, the penalty factor, the step factor and so on, is used for the setting of the parameter, and the MISO is used in MISO. The control input vector of the tight scheme 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 the 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 output layer weight coefficient of the new BP neural network are implemented to realize controller self-tuning based on system error. The MISO tight format model controller is based on the parameter self tuning method based on the system error. It can effectively overcome the on-line tuning problem of the controller parameters and have good control effect on the MISO system.
【技术实现步骤摘要】
MISO紧格式无模型控制器基于系统误差的参数自整定方法
本专利技术属于自动化控制领域,尤其是涉及一种MISO紧格式无模型控制器基于系统误差的参数自整定方法。
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紧格式无模型控制器。MISO紧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紧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95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;e(k)为k时刻的系统误差;为k时刻的MISO系统伪梯度估计值的行矩阵,为行矩阵的2范数;λ为惩罚因子,ρ为步长因子。然而,MISO紧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ρ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ρ等参数的在线自整定。参数有效整定手段的缺乏,不仅使MISO紧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紧格式无模型控制器的控制效果,制约了MISO紧格式无模型控制器的推广应用。也就是 ...
【技术保护点】
1.MISO紧格式无模型控制器基于系统误差的参数自整定方法,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紧格式无模型控制器进行控制;所述MISO紧格式无模型控制器参数包含惩罚因子λ和步长因子ρ;确定MISO紧格式无模型控制器待整定参数,所述MISO紧格式无模型控制器待整定参数,为所述MISO紧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ρ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紧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;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);将所述系统误差及其函数组、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,放入集合{系统误差集};步骤(4):将步骤(3)得到的所述集合{系 ...
【技术特征摘要】
1.MISO紧格式无模型控制器基于系统误差的参数自整定方法,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紧格式无模型控制器进行控制;所述MISO紧格式无模型控制器参数包含惩罚因子λ和步长因子ρ;确定MISO紧格式无模型控制器待整定参数,所述MISO紧格式无模型控制器待整定参数,为所述MISO紧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ρ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紧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;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);将所述系统误差及其函数组、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,放入集合{系统误差集};步骤(4):将步骤(3)得到的所述集合{系统误差集}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紧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紧格式无模型控制器待整定参数的值,采用MISO紧格式无模型控制器的控制算法,计算得到MISO紧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紧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紧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紧格式无模型控制器待整定参数中包含步长因子ρ时,所述第j个控制输入uj(k)针对所述步长因子ρ在k时刻的梯度信息为:其中,为k时刻的MISO系统伪梯度估计值的行矩阵,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...
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。