[發明專利]MIMO全格式無模型控制器基于系統誤差的參數自整定方法

有效

• 申請號: 201711325703.1
• 申請日: 2017-12-12
• 公開（公告）號: CN108153151B
• 公開（公告）日: 2020-10-09
• 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.MIMO全格式無模型控制器基于系統誤差的參數自整定方法，其特征在于包括以下步驟：

步驟(1)：針對具有mu個輸入與my個輸出的MIMO(Multiple Input and MultipleOutput，多輸入多輸出)系統，其中mu為大于或等于2的整數，my為大于或等于2的整數，采用MIMO全格式無模型控制器進行控制；確定MIMO全格式無模型控制器的控制輸出線性化長度常數Ly，Ly為大于或等于1的整數；確定MIMO全格式無模型控制器的控制輸入線性化長度常數Lu，Lu為大于或等于1的整數；所述MIMO全格式無模型控制器參數包含懲罰因子λ和步長因子ρ₁,…,ρ_Ly+Lu；確定MIMO全格式無模型控制器待整定參數，所述MIMO全格式無模型控制器待整定參數，為所述MIMO全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ρ₁,…,ρ_Ly+Lu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MIMO全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；

步驟(2)：將當前時刻記為k時刻；

步驟(3)：基于MIMO系統的第jy個輸出期望值與第jy個輸出實際值，其中1≤jy≤my，采用第jy個誤差計算函數計算得到k時刻的第jy個誤差，記為e_jy(k)；所述第jy個誤差計算函數的自變量包含第jy個輸出期望值與第jy個輸出實際值；將第jy個誤差及其函數組、第jy個輸出期望值、第jy個輸出實際值的任意之一或任意種組合，記為集合{誤差組jy}，并放入集合{系統誤差集}；針對MIMO系統的其他my-1個輸出，重復執行本步驟，直至所述集合{系統誤差集}包含全部{{誤差組1},…,{誤差組my}}的集合，并同時得到由my個誤差所構成的誤差向量e(k)＝[e₁(k),…,e_my(k)]^T，然后進入步驟(4)；

步驟(4)：將步驟(3)得到的所述集合{系統誤差集}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MIMO全格式無模型控制器待整定參數的值；

步驟(5)：基于步驟(3)得到的所述誤差向量e(k)、步驟(4)得到的所述MIMO全格式無模型控制器待整定參數的值，采用MIMO全格式無模型控制器的控制算法，計算得到MIMO全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_mu(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ju個控制輸入u_ju(k)，其中1≤ju≤mu，計算所述第ju個控制輸入u_ju(k)分別針對各個所述MIMO全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MIMO全格式無模型控制器待整定參數中包含懲罰因子λ且Lu＝1時，所述第ju個控制輸入u_ju(k)針對所述懲罰因子λ在k時刻的梯度信息為：

當所述MIMO全格式無模型控制器待整定參數中包含懲罰因子λ且Lu1時，所述第ju個控制輸入u_ju(k)針對所述懲罰因子λ在k時刻的梯度信息為：

當所述MIMO全格式無模型控制器待整定參數中包含步長因子ρ_i且1≤i≤Ly時，所述第ju個控制輸入u_ju(k)針對所述步長因子ρ_i在k時刻的梯度信息為：

當所述MIMO全格式無模型控制器待整定參數中包含步長因子ρ_Ly+1時，所述第ju個控制輸入u_ju(k)針對所述步長因子ρ_Ly+1在k時刻的梯度信息為：

當所述MIMO全格式無模型控制器待整定參數中包含步長因子ρ_i且Ly+2≤i≤Ly+Lu且Lu1時，所述第ju個控制輸入u_ju(k)針對所述步長因子ρ_i在k時刻的梯度信息為：

其中，Δu_j(k)＝u_j(k)-u_j(k-1)，Δy_j(k)＝y_j(k)-y_j(k-1)，為k時刻的MIMO系統偽分塊雅克比矩陣估計值，為的第i塊，其中i＝(1,…,Ly+Lu)，為矩陣的第jy行第ju列元素，為矩陣的2范數；

上述全部所述梯度信息的集合記為{梯度信息ju}，放入集合{梯度信息集}；

針對步驟(5)得到的所述控制輸入向量u(k)中的其他mu-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mu}}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my個誤差、my個輸出期望值、my個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my個輸出實際值，返回到步驟(2)，重復步驟(2)到步驟(8)。