[发明专利]MISO紧格式无模型控制器基于偏导信息的参数自整定方法

说明书

本发明公开了一种MISO紧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紧格式无模型控制器待整定参数，采用MISO紧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。本发明提出的MISO紧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。

技术领域

本发明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偏导信息的参数自整定方法。

背景技术

MISO(Multiple Input and Single Output，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),…,u_m(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。也就是说：MISO紧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紧格式无模型控制器推广应用的瓶颈，本发明提出了一种 MISO紧格式无模型控制器基于偏导信息的参数自整定方法。

发明内容

为了解决背景技术中存在的问题，本发明的目的在于，提供一种MISO紧格式无模型控制器基于偏导信息的参数自整定方法。

为此，本发明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(MultipleInput 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；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；