[发明专利]MISO紧格式无模型控制器基于系统误差的参数自整定方法

摘要

本发明公开了一种MISO紧格式无模型控制器基于系统误差的参数自整定方法，利用系统误差集作为BP神经网络的输入，BP神经网络进行前向计算并通过输出层输出惩罚因子、步长因子等MISO紧格式无模型控制器待整定参数，采用MISO紧格式无模型控制器的控制算法计算得到针对被控对象的控制输入向量，以系统误差函数的值最小化为目标，采用梯度下降法，并结合控制输入分别针对各个待整定参数的梯度信息集，进行系统误差反向传播计算，在线实时更新BP神经网络的隐含层权系数、输出层权系数，实现控制器基于系统误差的参数自整定。本发明提出的MISO紧格式无模型控制器基于系统误差的参数自整定方法，能有效克服控制器参数的在线整定难题，对MISO系统具有良好的控制效果。

主权项

1.MISO紧格式无模型控制器基于系统误差的参数自整定方法，其特征在于包括以下步骤：步骤(1)：针对具有m个输入(m为大于或等于2的整数)与1个输出的MISO(Multiple Input and Single Output，多输入单输出)系统，采用MISO紧格式无模型控制器进行控制；所述MISO紧格式无模型控制器参数包含惩罚因子λ和步长因子ρ；确定MISO紧格式无模型控制器待整定参数，所述MISO紧格式无模型控制器待整定参数，为所述MISO紧格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ的任意之一或任意种组合；确定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MISO紧格式无模型控制器待整定参数个数；初始化所述BP神经网络的隐含层权系数、输出层权系数；步骤(2)：将当前时刻记为k时刻；步骤(3)：基于系统输出期望值与系统输出实际值，采用系统误差计算函数计算得到k时刻的系统误差，记为e(k)；将所述系统误差及其函数组、系统输出期望值、系统输出实际值的任意之一或任意种组合，放入集合{系统误差集}；步骤(4)：将步骤(3)得到的所述集合{系统误差集}作为BP神经网络的输入，所述BP神经网络进行前向计算，计算结果通过所述BP神经网络的输出层输出，得到所述MISO紧格式无模型控制器待整定参数的值；步骤(5)：基于步骤(3)得到的所述系统误差e(k)、步骤(4)得到的所述MISO紧格式无模型控制器待整定参数的值，采用MISO紧格式无模型控制器的控制算法，计算得到MISO紧格式无模型控制器针对被控对象在k时刻的控制输入向量u(k)＝[u1(k),…,um(k)]T；步骤(6)：针对步骤(5)得到的所述控制输入向量u(k)中的第j个控制输入uj(k)(1≤j≤m)，计算所述第j个控制输入uj(k)分别针对各个所述MISO紧格式无模型控制器待整定参数在k时刻的梯度信息，具体计算公式如下：当所述MISO紧格式无模型控制器待整定参数中包含惩罚因子λ时，所述第j个控制输入uj(k)针对所述惩罚因子λ在k时刻的梯度信息为：当所述MISO紧格式无模型控制器待整定参数中包含步长因子ρ时，所述第j个控制输入uj(k)针对所述步长因子ρ在k时刻的梯度信息为：其中，为k时刻的MISO系统伪梯度估计值的行矩阵，为行矩阵的第j个梯度分量估计值，为行矩阵的2范数；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}；针对步骤(5)得到的所述控制输入向量u(k)中的其他m‑1个控制输入，重复执行本步骤，直至所述集合{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(7)；步骤(7)：以系统误差函数的值最小化为目标，采用梯度下降法，结合步骤(6)得到的所述集合{梯度信息集}，进行系统误差反向传播计算，更新BP神经网络的隐含层权系数、输出层权系数，作为后一时刻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；步骤(8)：所述控制输入向量u(k)作用于被控对象后，得到被控对象在后一时刻的系统输出实际值，返回到步骤(2)，重复步骤(2)到步骤(8)。