[发明专利]一种数据驱动的自适应设定点控制方法

说明书

本发明公开一种数据驱动的自适应设定点控制方法，属于智能控制领域。本发明主要针对人为调整设定点不及时、不准确问题，以非线性非仿射系统为被控对象，设计了一种自适应学习算法来实时更新设定值。所提出的控制方案如下：构建数据驱动的自适应设定点控制方案的结构框图；设计线性设定点学习律；建立非线性非仿射系统；设计非线性系统的线性数据模型；设计数据驱动的自适应设定点控制方案。本发明公开的一种数据驱动的自适应设定点控制方法，通过利用更多之前时刻的误差信息将设定值转换为线性高阶参数形式，仅依赖于直接从数据中获得的线性数据模型，实现对设定值的实时更新，有效提高了控制性能。

技术领域

本发明属于智能控制技术领域，更具体地，涉及一种数据驱动的自适应设定点控制方法。

背景技术

在实际应用中，一些产品指标难以在线测量，如橡胶的粘度、磨矿的粒度等。考虑到这些指标与设定值有关，因此工程师和操作人员通常根据经验确定合适的设定值，以达到满意的控制效果。但由于实际中存在各种不确定性，人工操作无法及时获得准确的设定值。

为了提高流程工业的控制效果，需要对设定值进行自动优化。运行优化控制一直备受研究者的关注。然而，很多现存方法仅限于线性系统可用或依赖于模型信息。在实际中，非线性系统更为常见，由于系统动态的复杂性，很难获得精确的系统模型。

最近，也有学者提出了一些智能控制方法以避免使用模型信息来优化设定点，如在专家系统中使用模糊逻辑控制来优化调节层控制器的设定值。然而，实际上选择合适的模糊规则和隶属函数并不容易。此外，利用神经网络对设定值进行优化也获得了大量的研究，然而，神经网络在实际应用中需要大量的训练数据。尽管在有些文献中提出利用强化学习方法对工业流程进行优化控制，但本质上，强化学习是由神经网络构成的，仍然需要大量的数据进行训练。

随着工业规模的不断扩大，操作过程越来越复杂，系统模型难以准确获取，限制了许多基于模型的控制方法在实际中的广泛应用。在这种情况下，数据驱动控制方法逐渐发展起来，其基本思想是只使用系统的输入和输出数据而不使用任何模型信息来控制系统。然而，对于数据驱动的设定点控制还鲜少报道。

发明内容

本发明公开的一种数据驱动的自适应设定点控制方法要解决的技术问题是，针对非线性非仿射系统，在不依赖模型信息的前提下，设计自适应学习算法来实时更新设定值，实现设定点的自动调整，增强对不确定性的鲁棒性，提高控制性能。

本发明的目的通过以下技术方案实现：

本发明公开的一种数据驱动的自适应设定点控制方法，主要针对非线性离散时间系统提出一种数据驱动的自适应设定点控制方法，设计了一种自适应学习算法来实时更新设定值，能够有效提高控制性能，该方法在设定值更新和控制回路中均不使用模型信息，避免了繁琐的建模过程。

本发明公开的一种数据驱动的自适应设定点控制方法，所述方法包括以下步骤：

步骤1、构建数据驱动的自适应设定点控制方案的结构框图：如图2所示；

其中，k∈Z₊表示离散的时间，Z₊＝0,1,…；u(k)∈R和y(k)∈R分别表示系统的输入和输出，y_R(k)表示期望的目标轨迹，e(k)＝y_R(k)-y(k)是实际的跟踪误差，y_r(k)是虚拟设定点，通过一个间接学习机制进行计算更新；e_r(k)＝y_r(k)-y(k)表示虚拟跟踪误差；当k＜0时，e_r(k)＝0；

如图2右下角所示，内部控制回路利用虚拟跟踪误差构造比例控制律，即

u(k)＝Ke_r(k)；

其中，K＞0表示控制增益。