[发明专利]MIMO基于SISO全格式无模型控制器与系统误差的解耦控制方法

权利要求书

1.MIMO基于SISO全格式无模型控制器与系统误差的解耦控制方法，其特征在于包括以下步骤：

步骤(1)：针对具有mi个输入与mo个输出的MIMO(Multiple Input and MultipleOutput，多输入多输出)系统，其中mi为大于或等于2的整数，mo为大于或等于2的整数，选取mi个输入中的一个输入与mo个输出中的一个输出，构成一个SISO(Single Input andSingle Output，单输入单输出)系统；重复m次，其中m≥1且m≤mi且m≤mo且m为整数，构成m个SISO系统，其中任意之一SISO系统的输入都不作为其他SISO系统的输入，任意之一SISO系统的输出都不作为其他SISO系统的输出；所述m个SISO系统采用m个SISO全格式无模型控制器进行控制；

步骤(2)：针对第j个SISO全格式无模型控制器，其中1≤j≤m，确定其控制输出线性化长度常数Ly_j与控制输入线性化长度常数Lu_j，其中Ly_j为大于或等于1的整数，Lu_j为大于或等于1的整数；所述第j个SISO全格式无模型控制器参数包含惩罚因子λ_j和步长因子确定所述第j个SISO全格式无模型控制器待整定参数，所述第j个SISO全格式无模型控制器待整定参数，为所述第j个SISO全格式无模型控制器参数的部分或全部，包含惩罚因子λ_j和步长因子的任意之一或任意种组合；确定第j个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第j个SISO全格式无模型控制器待整定参数个数；初始化第j个BP神经网络的隐含层权系数、输出层权系数；如果m≥2，则针对其他m-1个SISO全格式无模型控制器，重复执行本步骤；

步骤(3)：将当前时刻记为k时刻；

步骤(4)：计算k时刻的{梯度信息集}；

针对第j个SISO全格式无模型控制器，其中1≤j≤m，具有步骤(4-1)、步骤(4-2)、步骤(4-3)、步骤(4-4)、步骤(4-5)的处理：

所述步骤(4-1)为：基于第j个SISO系统输出期望值与第j个SISO系统输出实际值，采用第j个SISO系统误差计算函数，计算得到k时刻的第j个SISO系统误差，记为e_j(k)；所述第j个SISO系统误差计算函数的自变量包含第j个SISO系统输出期望值与第j个SISO系统输出实际值；

所述步骤(4-2)为：将步骤(4-1)计算得到的第j个SISO系统误差及其函数组、第j个SISO系统输出期望值、第j个SISO系统输出实际值的任意之一或任意种组合，记为集合{系统误差j}，并作为第j个BP神经网络的输入；

所述步骤(4-3)为：基于步骤(4-2)所述的第j个BP神经网络的输入，第j个BP神经网络进行前向计算，计算结果通过第j个BP神经网络的输出层输出，得到所述第j个SISO全格式无模型控制器待整定参数的值；

所述步骤(4-4)为：基于步骤(4-1)得到的所述第j个SISO系统误差e_j(k)、步骤(4-3)得到的所述第j个SISO全格式无模型控制器待整定参数的值，采用SISO全格式无模型控制器的控制算法，计算得到第j个SISO全格式无模型控制器针对被控对象在k时刻的控制输入u_j(k)；

所述步骤(4-5)为：基于步骤(4-4)得到的所述控制输入u_j(k)，计算所述控制输入u_j(k)分别针对第j个SISO全格式无模型控制器各个待整定参数在k时刻的梯度信息，所述梯度信息的具体计算公式如下：

当所述第j个SISO全格式无模型控制器待整定参数中包含惩罚因子λ_j且Lu_j＝1时，所述控制输入u_j(k)针对所述惩罚因子λ_j在k时刻的梯度信息为：

当所述第j个SISO全格式无模型控制器待整定参数中包含惩罚因子λ_j且Lu_j1时，所述控制输入u_j(k)针对所述惩罚因子λ_j在k时刻的梯度信息为：

当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子ρ_j,i且1≤i≤Ly_j时，所述控制输入u_j(k)针对所述步长因子ρ_j,i在k时刻的梯度信息为：

当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子时，所述控制输入u_j(k)针对所述步长因子在k时刻的梯度信息为：

当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子ρ_j,i且Ly_j+2≤i≤Ly_j+Lu_j且Lu_j1时，所述控制输入u_j(k)针对所述步长因子ρ_j,i在k时刻的梯度信息为：

其中，Δu_j(k)＝u_j(k)-u_j(k-1)，Δy_j(k)＝y_j(k)-y_j(k-1)，为第j个SISO全格式无模型控制器在k时刻的伪梯度估计值，为的第i个分量，其中i＝(1,…,Ly_j+Lu_j)；

上述全部所述梯度信息的集合记为{梯度信息j}，放入集合{梯度信息集}；

如果m＝1，则所述{梯度信息集}不变，然后进入步骤(5)；

如果m≥2，使m个SISO全格式无模型控制器中的每一个SISO全格式无模型控制器均具有步骤(4-1)、步骤(4-2)、步骤(4-3)、步骤(4-4)、步骤(4-5)的处理过程；当m个SISO全格式无模型控制器中的每一个SISO全格式无模型控制器都已经完全执行步骤(4-1)、步骤(4-2)、步骤(4-3)、步骤(4-4)、步骤(4-5)的处理，则所述{梯度信息集}包含全部{{梯度信息1},…,{梯度信息m}}的集合，然后进入步骤(5)；

步骤(5)：针对第j个SISO全格式无模型控制器，其中1≤j≤m，以系统误差函数的值最小化为目标，采用梯度下降法，结合所述步骤(4)得到的所述{梯度信息集}，进行系统误差反向传播计算，更新第j个BP神经网络的隐含层权系数、输出层权系数，作为后一时刻第j个BP神经网络进行前向计算时的隐含层权系数、输出层权系数，与此同时若m≥2则同步实现第j个SISO全格式无模型控制器与其他m-1个SISO全格式无模型控制器的解耦；所述系统误差函数的自变量包含m个SISO系统误差、m个SISO系统输出期望值、m个SISO系统输出实际值的任意之一或任意种组合；

如果m＝1，则进入步骤(6)；

如果m≥2，则针对其他m-1个SISO全格式无模型控制器，重复执行本步骤，直至全部m个BP神经网络的隐含层权系数、输出层权系数都得到更新，然后进入步骤(6)；

步骤(6)：全部m个所述控制输入{u₁(k),…,u_m(k)}作用于被控对象后，得到被控对象在后一时刻的全部m个SISO系统输出实际值，返回到步骤(3)，重复步骤(3)到步骤(6)。