[發明專利]MISO緊格式無模型控制器基于偏導信息的參數自整定方法

有效

• 申請號: 201711317223.0
• 申請日: 2017-12-12
• 公開（公告）號: CN108107727B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 盧建剛;李雪園
• 申請（專利權）人: 浙江大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 劉曉春

1.MISO緊格式無模型控制器基于偏導信息的參數自整定方法，其特征在于包括以下步驟：

步驟(1)：針對具有m個輸入(m為大于或等于2的整數)與1個輸出的MISO(MultipleInput and Single Output，多輸入單輸出)系統，采用MISO緊格式無模型控制器進行控制；所述MISO緊格式無模型控制器參數包含懲罰因子λ和步長因子ρ；確定MISO緊格式無模型控制器待整定參數，所述MISO緊格式無模型控制器待整定參數，為所述MISO緊格式無模型控制器參數的部分或全部，包含懲罰因子λ和步長因子ρ的任意之一或任意種組合；確定BP神經網絡的輸入層節點數、隱含層節點數、輸出層節點數，所述輸出層節點數不少于所述MISO緊格式無模型控制器待整定參數個數；初始化所述BP神經網絡的隱含層權系數、輸出層權系數；初始化集合{偏導信息集}中的偏導信息；

步驟(2)：將當前時刻記為k時刻；

步驟(3)：基于系統輸出期望值與系統輸出實際值，采用系統誤差計算函數計算得到k時刻的系統誤差，記為e(k)；所述系統誤差計算函數的自變量包含系統輸出期望值與系統輸出實際值；

步驟(4)：將所述集合{偏導信息集}中的偏導信息作為BP神經網絡的輸入，所述BP神經網絡進行前向計算，計算結果通過所述BP神經網絡的輸出層輸出，得到所述MISO緊格式無模型控制器待整定參數的值；

步驟(5)：基于步驟(3)得到的所述系統誤差e(k)、步驟(4)得到的所述MISO緊格式無模型控制器待整定參數的值，采用MISO緊格式無模型控制器的控制算法，計算得到MISO緊格式無模型控制器針對被控對象在k時刻的控制輸入向量u(k)＝[u₁(k),…,u_m(k)]^T；

步驟(6)：針對步驟(5)得到的所述控制輸入向量u(k)中的第j個控制輸入u_j(k)(1≤j≤m)，計算所述第j個控制輸入u_j(k)分別針對各個所述MISO緊格式無模型控制器待整定參數在k時刻的梯度信息，具體計算公式如下：

當所述MISO緊格式無模型控制器待整定參數中包含懲罰因子λ時，所述第j個控制輸入u_j(k)針對所述懲罰因子λ在k時刻的梯度信息為：

當所述MISO緊格式無模型控制器待整定參數中包含步長因子ρ時，所述第j個控制輸入u_j(k)針對所述步長因子ρ在k時刻的梯度信息為：

其中，為k時刻的MISO系統偽梯度估計值的行矩陣，為行矩陣的第j個梯度分量估計值，為行矩陣的2范數；

上述全部所述梯度信息的集合記為{梯度信息j}，放入集合{梯度信息集}；

將所述{梯度信息j}集合中的梯度信息依序記為前一時刻的偏導信息，即：當所述MISO緊格式無模型控制器待整定參數中包含懲罰因子λ時則所述{梯度信息j}集合中的梯度信息記為前一時刻的偏導信息當所述MISO緊格式無模型控制器待整定參數中包含步長因子ρ時則所述{梯度信息j}集合中的梯度信息記為前一時刻的偏導信息

上述全部所述偏導信息的集合記為{偏導信息j}，放入所述集合{偏導信息集}；

針對步驟(5)得到的所述控制輸入向量u(k)中的其他m-1個控制輸入，重復執行本步驟，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，同時所述集合{偏導信息集}包含全部{{偏導信息1},…,{偏導信息m}}的集合，然后進入步驟(7)；

步驟(7)：以系統誤差函數的值最小化為目標，采用梯度下降法，結合步驟(6)得到的所述集合{梯度信息集}，進行系統誤差反向傳播計算，更新BP神經網絡的隱含層權系數、輸出層權系數，作為后一時刻BP神經網絡進行前向計算時的隱含層權系數、輸出層權系數；所述系統誤差函數的自變量包含系統誤差、系統輸出期望值、系統輸出實際值的任意之一或任意種組合；

步驟(8)：所述控制輸入向量u(k)作用于被控對象后，得到被控對象在后一時刻的系統輸出實際值，返回到步驟(2)，重復步驟(2)到步驟(8)。