[发明专利]MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法

摘要

本发明公开了一种MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法，首先根据多输入多输出MIMO系统的耦合性特征与倾向性特征，将MIMO系统分解成多个相互耦合的单输入单输出SISO系统；SISO系统采用SISO全格式无模型控制器进行控制；基于BP神经网络，将偏导信息作为输入，以综合考虑所有SISO系统误差贡献的系统误差函数值最小化为目标，采用梯度下降法，并结合控制输入分别针对控制器各待整定参数的梯度信息，进行系统误差反向传播计算，实现SISO全格式无模型控制器的惩罚因子、步长因子等参数的在线自整定，并同步实现多个SISO系统之间的在线解耦。本发明提出的方法，可实现良好的控制效果，是解决MIMO系统控制难题的有效手段。

主权项

1.MIMO基于SISO全格式无模型控制器与偏导信息的解耦控制方法，其特征在于包括以下步骤：步骤(1)：针对具有mi个输入(mi为大于或等于2的整数)与mo个输出(mo为大于或等于2的整数)的MIMO(Multiple Input and Multiple Output，多输入多输出)系统，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 and SingleOutput，单输入单输出)系统；重复m次(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(1≤j≤m)SISO全格式无模型控制器，确定其控制输出线性化长度常数Lyj(Lyj为大于或等于1的整数)与控制输入线性化长度常数Luj(Luj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λj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λj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；初始化{偏导信息j}集合中的偏导信息；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(1≤j≤m)SISO全格式无模型控制器，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ej(k)；所述步骤(4-2)为：将{偏导信息j}集合中的偏导信息，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ej(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uj(k)；所述步骤(4-5)为：基于步骤(4-4)得到的所述控制输入uj(k)，计算所述控制输入uj(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λj且Luj＝1时，所述控制输入uj(k)针对所述惩罚因子λj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λj且Luj>1时，所述控制输入uj(k)针对所述惩罚因子λj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ρj,i且1≤i≤Lyj时，所述控制输入uj(k)针对所述步长因子ρj,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uj(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ρj,i且Lyj+2≤i≤Lyj+Luj且Luj>1时，所述控制输入uj(k)针对所述步长因子ρj,i在k时刻的梯度信息为：其中，Δuj(k)＝uj(k)-uj(k-1)，Δyj(k)＝yj(k)-yj(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(i＝1,…,Lyj+Luj)；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}；将所述{梯度信息j}集合中的梯度信息依序记为前一时刻的所述{偏导信息j}集合中的偏导信息，即：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λj时则所述{梯度信息j}集合中的梯度信息记为前一时刻的所述{偏导信息j}集合中的偏导信息当所述第j个SISO全格式无模型控制器待整定参数中包含步长因子ρj,i且1≤i≤Lyj+Luj时则所述{梯度信息j}集合中的梯度信息记为前一时刻的所述{偏导信息j}集合中的偏导信息如果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(1≤j≤m)SISO全格式无模型控制器，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；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),…,um(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)。