[发明专利]一种基于学习的自适应控制方法

说明书

本发明公开了一种基于学习的自适应控制方法，涉及控制工程技术领域；它的控制方法如下：步骤一：基于极值搜索的自适应控制方法：首先设计一个性能代价函数，利用极值搜索算法对代价函数及其梯度进行度量，生成一系列期望的状态，这些状态可以使被控系统达到性能代价函数的最优值，然后设计基于模型的控制器，使得系统的状态跟踪这些期望的状态；最后证明此类方法的收敛性，即可保证系统持续运行在理想的性能函数极值附近；本发明针对具有不确定性的控制对象，以不确定性为切入点，选取恰当的基于模型的控制器设计方法和无模型学习算法，最终达到将两者优势互补、相互结合，设计出具有稳定性和鲁棒性保证、更加智能、贴近实际的控制器。

技术领域

本发明属于控制工程技术领域，具体涉及一种基于学习的自适应控制方法。

背景技术

随着当代社会发展的日新月异，人们的需求更加多样化，各类生产制造过程也日趋复杂，控制领域的相关技术与人们的日常生活、工作息息相关，面对庞大多变的实际控制对象，如何设计出更加可靠、更加符合性能指标的控制器，成为急需解决的问题。作为一门历史悠久的学科，控制理论已经取得了丰富的理论研究成果，建立了坚实的理论体系框架，解决了一大批在航空航天、化工冶金、交通运输、医疗机械、电子电工等实际应用方面的问题。

传统的基于模型的控制理论和方法，是建立在精确的数学模型基础上的，包括线性系统理论、最优控制理论、自适应控制理论、系统辨识理论、鲁棒控制理论、滤波器和估计理论等等。通过严格的论证推导或严密的实验测试获取被控对象精确的数学模型，以此代替真实系统，然后基于数学模型分析系统结构特点，结合期望性能指标，设计闭环控制器。“确定性等效原理”是此类方法的理论基石，被控对象的模型是控制器分析和设计的起点和里程碑，也是基于模型类方法的评价标准和控制终点。

基于数据驱动（无模型学习）的控制理论和方法，在设计控制器时只需使用在线或离线的控制系统输入输出数据，无需显式或隐式地利用控制过程的数学模型。目前此类方法的收敛性、稳定性等已在一些文献中得以分析证明。数据驱动控制方法的出现，主要是由于控制对象的复杂性，要建立被控对象精确的数学模型是一项困难而且费时费力的任务，甚至可能无法实现，加上许多工业过程中都产生和储存了大量的过程数据，这些数据包含着过程操作和设备的有价值的状态信息，提取并利用这些信息可获得控制对象实际可靠的运行指标，进而可直接用于控制器设计、监测、预测、诊断等，此类方法具有重要的实际操作价值。

基于模型的控制理论和基于数据驱动的控制理论，都是控制理论体系不可缺少的重要组成部分，两者相辅相成、各有优劣。系统的未建模动态和对应的鲁棒性分析，一直是基于模型的控制理论无法避免的矛盾问题，而且针对高阶复杂模型的精确建模与控制器设计时力求降阶简化的矛盾性，也促进了基于数据驱动的控制理论的发展，来补充完善基于模型的控制理论。在实际应用中，传统的基于模型的控制理论虽然具有严格的理论推导证明，但是实际应用效果往往达不到预期效果，实际系统运行过程中往往存在各种干扰、不确定性因素等，对控制器的设计问题提出了巨大挑战。

发明内容

为解决现有的问题；本发明的目的在于提供一种基于学习的自适应控制方法。

本发明的一种基于学习的自适应控制方法，它的控制方法如下：

步骤一：基于极值搜索的自适应控制方法：首先设计一个性能代价函数，利用极值搜索算法对代价函数及其梯度进行度量，生成一系列期望的状态，这些状态可以使被控系统达到性能代价函数的最优值，然后设计基于模型的控制器，使得系统的状态跟踪这些期望的状态；最后证明此类方法的收敛性，即可保证系统持续运行在理想的性能函数极值附近；

步骤二：仿真分析：利用研究的方法设计控制器，通过比较、分析、总结，最终将设计的流程，给出相应的结论性描述。

与现有技术相比，本发明的有益效果为：