[发明专利]SISO紧格式无模型控制器基于集成学习的参数自整定方法

说明书

本发明公开了一种SISO紧格式无模型控制器基于集成学习的参数自整定方法，所述集成学习算法包含PSO算法、BP神经网络以及循环神经网络三种个体算法。以系统误差作为集成学习算法的输入，首先进行三种个体算法对SISO紧格式无模型控制器的参数在线整定并输出三组临时整定参数，将结果分别输入到控制器中计算被控对象的控制输入，计算得到三组临时系统误差并利用softmax函数计算个体算法的权重比，将权重比与临时整定参数进行加权求和作为最终SISO紧格式无模型控制器待整定参数，实现参数自整定。本发明提出的SISO紧格式无模型控制器基于集成学习的参数自整定方法，结合不同个体算法优势，增强算法泛化性，克服控制器参数在线整定难题，对SISO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SISO紧格式无模型控制器基于集成学习的参数自整定方法。

背景技术

SISO(Single Input and Single Output，单输入单输出)系统广泛存在于炼油、化工、火电、机械、电气、石化、制药、食品、造纸、水处理、冶金、水泥、橡胶等行业的反应器、精馏塔、机器、设备、装置、生产线、车间、工厂等被控对象中。随着科技水平的不断提高，工业装置日益大型化与复杂化，使生产过程呈现出越来越多的强非线性、时变等特征，而以PID为代表的传统控制器在控制具有强非线性、时变等特征的复杂被控对象时往往难以达到理想的控制效果。无模型控制器是一种新型的基于数据驱动的控制模型，对未知非线性时变系统具有很好的控制效果，因此具有良好的应用前景。

针对SISO系统的无模型控制器的现有实现方法中包括SISO紧格式无模型控制器。SISO紧格式无模型控制器是一种新型的数据驱动控制方法，其特征在于不需要掌握被控对象的任何数学原理，仅需要SISO被控对象实时测量的输入输出数据就可以进行控制器的分析和设计，具有实现方法简单、计算负担小且鲁棒性强等优点，对未知非线性时变SISO系统也能够进行较好的控制。SISO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55页)中提出，其控制算法如下：

其中，u(k)为k时刻的系统控制输入；e(k)为k时刻的系统误差；φ_c(k)为k时刻的SISO系统伪偏导数估计值；λ为惩罚因子，ρ为步长因子。

然而，SISO紧格式无模型控制器在投入实际工业场景之前需要根据行业的专业知识与经验来预先设定惩罚因子λ和步长因子ρ等参数的数值，错误的参数值设定可能会导致工况故障等问题，同时无模型控制器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。控制器参数有效整定手段的缺乏，不仅使SISO紧格式无模型控制器的使用调试过程中耗时耗力，而且有时还会严重影响SISO紧格式无模型控制器的控制效果，限制了SISO紧格式无模型控制器的广泛应用。

为了打破制约SISO紧格式无模型控制器推广应用的瓶颈，SISO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。

发明内容

本发明的目的在于，提供一种SISO紧格式无模型控制器基于集成学习的参数自整定方法，以解决SISO紧格式无模型控制器的参数在线自整定问题。

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：