[发明专利]分布式模型识别

说明书

技术领域

实施例通常涉及控制系统监控、诊断、实时优化或控制系统设计。实施例还涉及控制技术的数学模型的创建。实施例进一步涉及复杂非线性系统的分布式模型识别(distributed model identification)。

背景技术

控制技术的简化数学模型的创建通常是控制系统监控、诊断或实时优化系统设计中的第一步。系统的成功极大地依赖于模型的准确性和可靠性。尽管控制器或优化器算法通常是通用的并经过良好测试的并且然后跨多个应用被再次使用，模型通常需要随每个应用被重新创建或校准。比如，客车引擎控制单元在具有不同的引擎类型的不同汽车模型中不会正确地运行，即便控制算法实际上可以是相同的。模型创建和校准代表控制系统设计中的瓶颈。对许多基于现代模型的控制方法而言，模型实际上是针对给定应用来参数化(parameterize)通用控制器的主要参数(除惩罚和约束之外)。

许多可靠的模型从第一原理获得：机械的，热力学的，化学的或其它定律。这些模型自然地遵循质量或能量守恒定律等。任何这类定律都对识别问题施加附加约束，从而消除问题(通常相当于未知数的数量)的不确定性。因此，第一原理模型可以利用与纯经验的黑盒子模型(即，没有可用先验信息的系统模型)所需的数据集相比更小的数据集进行校准。典型地，第一原理模型当与黑盒子模型相比时对用于校准的数据集展现出更大的预测误差。但是当对不用于校准的数据集比较模型预测准确性(即进一步从校准数据中外推(extrapolate)模型行为)时，实际情况通常相反。从第一原理导出的模型还可以具有许多未知参数。识别它们的值被称作“灰盒子识别问题”(以将其区别于模型结构是任意的且不从物理定律导出的黑盒子识别)。

复杂大规模非线性系统的灰盒子模型识别有两种方式：局部法(local method)和全局(global)法。利用局部法，各个组件(方块(block)图表示中的方块或子系统)利用其局部输入和输出数据被分别拟合(fit)，然而在全局法中，所有的组件在总是评估整个系统的预测时被同时拟合。全局法能够以局部识别开始，并且随后利用结果作为全局法的初始条件。两种方法都有优点。例如，局部法具有更好的收敛属性而全局法统计上更加高效。因此，发明人认为存在对一种新方法的需求，该新方法除了提供额外好处之外还结合二者的优点。

发明内容

以下概述被提供以促进理解所公开实施例特有的某些创新特征，但并非意图为全面描述。通过将整个说明书、权利要求、附图以及摘要作为整体，能够获得此处公开实施例的各个方面的全面理解。

本发明的一方面是提供一种表示为方块图的非线性系统的分布式模型识别的方法。

本发明的另一方面是提供一种表示为方块图的非线性系统的分布式模型识别的改进方法，通过以下手段：通过用为每个方块接收的值产生替代信号值(s_ig)的信号生成器(signal generator)来增强方块中的每个输入端口，用弹性链路(elastic link)代替跨方块图的所有的信号链路。

本发明的另一个方面是计算接收值和替代信号值之间的差，并且将该差作为辅助信号输出，来控制方块图中弹性链路的弹性。在识别过程期间，辅助信号的绝对值被逐渐最小化达到0。

如在此所述，现在可以获得以上的各个方面、其它的目标以及优点。一种表示为方块图的非线性系统的分布式模型识别的方法被公开。该分布式模型识别通过以下来实现：首先通过用信号生成器来增强多个方块中的每个输入端口，用弹性链路替代跨方块图的所有信号链路，该信号生成器为多个方块中的每一个所接收的值生成替代信号值(s_ig)。随后计算接收值和替代信号值之间的差并且输出为辅助信号来控制弹性链路的弹性。

在修改的方块图的识别期间，操作辅助信号发生器的参数和初始条件二者来同时达到两个目标：1)将图表的输出设置为尽可能接近该数据，并且2)消除发送和接收信号值之间的所有差。该问题能够被划分为方块参数的局部优化来实现方块输出到局部数据的拟合(fit)和信号生成器的全局协调，从而实现零辅助输出。全局识别结果寻求求解一系列局部识别问题来匹配发送和接收的信号值，从而最小化它们的绝对差。

附图说明

附图进一步示出实施例，并且与详细的描述一起用来解释在此公开的实施例，在所述附图中相似的参考数字在所有单独视图中指代相同的或者功能相似的元件并且附图结合在说明书中且构成说明书的一部分。

图1示出了依据优选实施例的可用于生成控制系统方块图的示例性数据处理装置；