CN114077195A - 基于数据驱动的子空间模型辨识预测控制方法 - Google Patents

基于数据驱动的子空间模型辨识预测控制方法 Download PDF

Info

Publication number
CN114077195A
CN114077195A CN202111327470.5A CN202111327470A CN114077195A CN 114077195 A CN114077195 A CN 114077195A CN 202111327470 A CN202111327470 A CN 202111327470A CN 114077195 A CN114077195 A CN 114077195A
Authority
CN
China
Prior art keywords
model
controlled object
state space
matrix
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111327470.5A
Other languages
English (en)
Inventor
李志刚
桂成明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Yishengrui Robot Technology Co ltd
Original Assignee
Suzhou Yishengrui Robot Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Yishengrui Robot Technology Co ltd filed Critical Suzhou Yishengrui Robot Technology Co ltd
Priority to CN202111327470.5A priority Critical patent/CN114077195A/zh
Publication of CN114077195A publication Critical patent/CN114077195A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于数据驱动的子空间模型辨识预测控制方法，包括通过子空间模型辨识方法离线辨识被控对象，获取离线状态空间模型；将获得的离线状态空间模型作为预测模型，基于模型预测控制策略控制系统，改变被控对象的特征值，采集被控对象特征值改变后的在线输入输出数据；通过子空间模型辨识方法在线辨识被控对象，获取在线状态空间模型；更新在线状态空间模型，直至根据在线状态空间模型控制的系统输出值与被控对象的真实输出值的差值小于预设值。本发明在未知系统模型的情况下，通过子空间模型辨识方法求得状态空间系统矩阵的系数，在此基础上，对被控对象进行控制并且更新模型，最终使得被控对象模型辨识准确且稳定运行，达到良好的运行状态。

Description

基于数据驱动的子空间模型辨识预测控制方法
技术领域
本发明涉及工业控制技术领域，尤其涉及一种基于数据驱动的子空间模型辨识预测控制方法，可广泛应用与过程控制，如石油、冶炼等过程工业，以及电力电子等行业。
背景技术
模型预测控制是起源于20世纪70年代的一类应用于过程控制领域的算法。该方法在学术界和各种世纪工业应用中得到了广泛的研究，它具有三个基本特征：预测模型、滚动优化和反馈校正。然而，随着科学技术的进步，现代工业装备的规模越来越大，建模工作也越来越复杂，如何有效地建立控制系统的动态模型变得非常有必要。传统的工业预测控制都是采用输入输出模型，包括参数模型和非参数模型，但是为了进一步提高控制性能和控制精度，学术界和工业界普遍认为应该采用状态空间模型，这样近些年所发展起来的现代滤波理论和控制器设计方法就可以发挥作用，而且实际工业过程中往往模型结构未知，只有可测输入输出数据已知，很难得到较复杂的状态空间模型。
发明内容
为此，本发明在于克服现有技术中很难得到较复杂的状态空间模型的技术问题，提供一种基于数据驱动的子空间模型辨识预测控制方法，在未知系统模型的情况下，通过子空间模型辨识方法求得状态空间系统矩阵的系数，在此基础上，对被控对象进行控制并且更新模型，最终使得被控对象模型辨识准确且稳定运行，达到良好的运行状态。
为解决上述技术问题，本发明提供了一种基于数据驱动的子空间模型辨识预测控制方法，包括以下步骤，
步骤一：以离线状态下被控对象的输入输出数据为对象，通过子空间模型辨识方法对被控对象进行离线辨识，获取被控对象的状态空间方程的系统参数，根据该系统参数确定出所述被控对象的离线状态空间模型；
步骤二：将获得的所述离线状态空间模型作为预测模型，并基于模型预测控制策略控制系统，在控制过程中改变所述被控对象的特征值，并采集所述被控对象特征值改变后的在线输入输出数据；
步骤三：以步骤二中采集到的所述在线输入输出数据为对象，通过子空间模型辨识方法对被控对象进行在线辨识，获取所述被控对象的在线状态空间模型；
步骤四：不断更新所述在线状态空间模型，直至根据所述在线状态空间模型控制的系统输出值与所述被控对象的真实输出值的差值小于预设值时，确定出该时刻下的所述在线状态空间模型为所述被控对象的最终预测控制模型。
在本发明的一个实施例中，步骤一中获取所述被控对象的状态空间方程的系统参数包括，
S11、实验环境下给定所述被控对象在离线状态下的输入输出数据，根据该输入输出数据建立Hankel矩阵
Figure BDA0003347420550000021
k为Hankel矩阵的行数；0k-1为Hankel矩阵第一列的第一个到最后一个参数；
S12、基于多变量输出误差状态空间算法MOESP处理Hankel矩阵以计算出所述被控对象的状态空间方程的系统参数，该系统参数包括状态空间方程的常数矩阵A、B、C、D；
所述状态空间方程为：
Figure BDA0003347420550000022
其中，
Figure BDA0003347420550000023
为状态矢量，
Figure BDA0003347420550000024
为控制输入，
Figure BDA0003347420550000025
为输出矢量，
Figure BDA0003347420550000031
为常数矩阵；n为状态矢量的维数；m为控制输入的维数；p为输出矢量的维数。
在本发明的一个实施例中，步骤S12中，建立Hankel矩阵
Figure BDA0003347420550000032
后,根据所述状态空间方程迭代出Hankel矩阵的以下输入输出方程：
Y0|k-1＝ΟkX0+ΨkU0|k-1 (1)
其中，
Figure BDA0003347420550000033
为扩展可观测矩阵；
Figure BDA0003347420550000034
为Toeplitz矩阵；
Figure BDA0003347420550000035
为初始状态矩阵；
N为Hankel矩阵的列数。
在本发明的一个实施例中，步骤S12中，计算所述系统参数包括，
对Hankel矩阵进行LQ分解，得到右上方为零的下三角矩阵，
Figure BDA0003347420550000036
对L22进行奇异值分解得到系统状态矢量的维数n；
根据奇异值分解得到的结果计算出矩阵A、B、C和D；
其中，
Figure BDA0003347420550000037
且L11,L22为下三角矩阵；
Figure BDA0003347420550000038
互为正交矩阵。
在本发明的一个实施例中，L22的奇异值分解为：
Figure BDA0003347420550000041
Figure BDA0003347420550000042
Σ1为一个对角矩阵；V1和V2为奇异值分解后得到的矩阵；
根据以下等式确定出矩阵C：
C＝Οk(1:p,1:n) (4)；
通过求解以下线性方程得到矩阵A：
Οk(1:p(k-1),1:n)A＝Οk(p+1:kp,1:n) (5)。
在本发明的一个实施例中，根据以下等式确定矩阵B和D的线性方程，
Figure BDA0003347420550000043
通过最小二乘法求解以上式(6)，求解出矩阵B和D。
在本发明的一个实施例中，步骤二中，模型预测控制策略包括，
S21、构建以下优化模型函数：
Figure BDA0003347420550000044
其中，W＞0和R＞0为权重矩阵；·(s+i|s)表示系统状态的矢量x(t)或者控制输入u(t)在s时刻时t＝s+i的值；i表示步长；
S22、在线求解所述优化模型函数的最优值；
S23、将步骤S22中求解得到的最优值作为模型预测控制器的输出，该输出用于控制被控对象。
在本发明的一个实施例中，基于最小-最大方法求解所述优化函数模型的最优值，其包括，
求解所述优化模型函数的最大界V(x(s|s))，其满足以下关系：
Figure BDA0003347420550000051
求解所述最大界V(x(s|s))的最小值，该最小值用作所述优化模型函数的最优值。
在本发明的一个实施例中，求解所述最大界V(x(s|s))的最小值时通过舒尔补定理将不等式的问题优化转化为矩阵不等式的优化。
在本发明的一个实施例中，求解所述优化模型函数的最优值时考虑函数的以下约束：
Figure BDA0003347420550000052
其中，
Figure BDA0003347420550000053
表示约束条件中输入的最大值。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于数据驱动的子空间模型辨识预测控制方法，采用子空间辨识和模型预测控制相结合，以及离线子空间辨识与在线子空间辨识相结合，通过子空间辨识方法辨识离线状态下的输入输出数据即可获得离线状态空间模型，随后使用该离线状态空间模型作为预测模型，采集在线输入输出数据，并通过子空间辨识方法辨识该在线输入输出数据获得在线状态空间模型，通过不断更新在线状态空间模型，直至根据在线状态空间模型控制的系统输出值与真实输出值的差值小于预设值时，确定出该时刻下的在线状态空间模型为预测控制模型，最后使用该预测控制模型控制系统。该方法既能辨识更新后的状态空间模型，又能实现闭环控制系统的稳定，最终使得被控对象模型辨识准确且稳定运行，达到良好的运行状态，简化了建模过程，计算量适中适用于获取复杂模型的控制系统。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1为本发明基于数据驱动的子空间模型辨识预测控制方法的流程图；
图2为本发明实施例中具体应用场景下辨识模型和实际模型的频率响应幅值误差图；
图3为本发明实施例中具体应用场景下辨识模型控制输入示意图；
图4为本发明实施例中具体应用场景下辨识模型下电感电流值示意图；
图5为本发明实施例中具体应用场景下辨识模型下输出电压值示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1所示，本发明公开一种基于数据驱动的子空间模型辨识预测控制方法，包括以下步骤，步骤一：以离线状态下被控对象的输入输出数据为对象，通过子空间模型辨识方法对被控对象进行离线辨识，获取被控对象的状态空间方程的系统参数，根据该系统参数确定出所述被控对象的离线状态空间模型；步骤二：将获得的所述离线状态空间模型作为预测模型，并基于模型预测控制策略控制系统，在控制过程中改变所述被控对象的特征值，并采集所述被控对象特征值改变后的在线输入输出数据；步骤三：以步骤二中采集到的所述在线输入输出数据为对象，通过子空间模型辨识方法对被控对象进行在线辨识，获取所述被控对象的在线状态空间模型；步骤四：不断更新所述在线状态空间模型，直至根据所述在线状态空间模型控制的系统输出值与所述被控对象的真实输出值的差值小于预设值时，确定出该时刻下的所述在线状态空间模型为所述被控对象的最终预测控制模型。
本发明所述的基于数据驱动的子空间模型辨识预测控制方法，采用子空间辨识和模型预测控制相结合，以及离线子空间辨识与在线子空间辨识相结合，通过子空间辨识方法辨识离线状态下的输入输出数据即可获得离线状态空间模型，随后使用该离线状态空间模型作为预测模型，采集在线输入输出数据，并通过子空间辨识方法辨识该在线输入输出数据获得在线状态空间模型，通过不断更新在线状态空间模型，直至根据在线状态空间模型控制的系统输出值与真实输出值的差值小于预设值时，确定出该时刻下的在线状态空间模型为预测控制模型，最后使用该预测控制模型控制系统。该方法既能辨识更新后的状态空间模型，又能实现闭环控制系统的稳定，最终使得被控对象模型辨识准确且稳定运行，达到良好的运行状态，简化了建模过程，计算量适中适用于获取复杂模型的控制系统。
具体的，步骤一中获取所述被控对象的状态空间方程的系统参数包括，
S11、实验环境下给定所述被控对象在离线状态下的输入输出数据，根据该输入输出数据建立Hankel矩阵
Figure BDA0003347420550000071
k为Hankel矩阵的行数；0k-1为Hankel矩阵第一列的第一个到最后一个参数；
S12、基于多变量输出误差状态空间算法MOESP处理Hankel矩阵以计算出所述被控对象的状态空间方程的系统参数，该系统参数包括状态空间方程的常数矩阵A、B、C、D；
所述状态空间方程为：
Figure BDA0003347420550000072
其中，
Figure BDA0003347420550000073
为状态矢量，
Figure BDA0003347420550000074
为控制输入，
Figure BDA0003347420550000075
为输出矢量，
Figure BDA0003347420550000076
为常数矩阵；n为状态矢量的维数；m为控制输入的维数；p为输出矢量的维数。
例如，实验环境下给定以下输入输出数据(u(0)u(1)…u(k+N-2))，(y(0)y(1)…y(k+N-2))；其中，
Figure BDA0003347420550000077
为控制输入，
Figure BDA0003347420550000078
为输出矢量；m为控制输入的维数；p为输出矢量的维数；N为Hankel矩阵的列数。根据以上输入输出数据建立如下所示的Hankel矩阵
Figure BDA0003347420550000081
Figure BDA0003347420550000082
Figure BDA0003347420550000083
建立Hankel矩阵
Figure BDA0003347420550000084
后,根据所述状态空间方程迭代出：
Figure BDA0003347420550000085
为了简化以上公式1，定义：
Figure BDA0003347420550000086
扩展可观测矩阵Οk和Toeplitz矩阵：
Figure BDA0003347420550000087
由此公式1可表达为如下：
yk(t)＝Οkx(t)+Ψkuk(t),t＝0,1,… (公式2)；
Hankel矩阵U0|k-1和Y0|k-1可以分别表示为由uk(t)和yk(t)组成的形式：U0|k-1＝[uk(0) uk(1) … uk(N-1)]，Y0|k-1＝[yk(0) yk(1) … yk(N-1)]，将公式2进一步表达为如下形式：
Y0|k-1＝ΟkX0+ΨkU0|k-1 (1)
Figure BDA0003347420550000091
为初始状态矩阵。式(1)是具有初始状态X0的矩阵输入输出方程，Hankel矩阵U0|k-1和Y0|k-1表示过去的输入输出。
被控对象状态空间方程的系统参数的求取，采用子空间辨识方法的多变量输出误差状态空间算法，具体实施步骤和结果如下：
首先对Hankel矩阵U0|k-1和Y0|k-1进行LQ分解得到右上方为零的下三角矩阵，
Figure BDA0003347420550000092
其中，
Figure BDA0003347420550000093
且L11,L22为下三角矩阵；
Figure BDA0003347420550000094
互为正交矩阵。
由式(2)可以分别得到Hankel矩阵U0|k-1和Y0|k-1的表达式：
Figure BDA0003347420550000095
Figure BDA0003347420550000096
由于L11是非奇异矩阵，公式3a变换得到
Figure BDA0003347420550000097
将
Figure BDA0003347420550000098
代入公式3b可以写成：
Figure BDA0003347420550000099
通过比较式(1)和公式3b，都是有关Y0|k-1的表达式，由此可知：
Figure BDA00033474205500000910
需要注意的是，虽然公式4右边是正交和，但其左边是直和，所以其中的两个量不一定是正交的，这意味着
Figure BDA0003347420550000101
将公式4右乘以Q2得到ΟkX0Q2＝L22，其中
Figure BDA0003347420550000102
已知rank(Οk)＝n，等于rank(L22)，接下来通过奇异值分解(SVD)对
Figure BDA0003347420550000103
进行分解得到系统的状态矢量的维数n(即系统的阶数)。
Figure BDA0003347420550000104
的奇异值分解为：
Figure BDA0003347420550000105
Figure BDA0003347420550000106
Σ1为一个对角矩阵；已知ΟkX0Q2＝L22，然后我们有ΟkX0Q2＝U1Σ1V1 T。定义Οk为
Figure BDA0003347420550000107
并且n＝dimΣ1，随后就容易得到矩阵C：
C＝Οk(1:p,1:n) (4)；
通过求解如下的线性方程可以得到矩阵A
Οk(1:p(k-1),1:n)A＝Οk(p+1:kp,1:n) (5)。
接下来考虑矩阵B和D的估计，由于
Figure BDA0003347420550000108
公式4左乘
Figure BDA0003347420550000109
得到
Figure BDA00033474205500001010
对前面公式中右乘Q1：
Figure BDA00033474205500001011
式(6)给出了关于矩阵B和D的线性方程，然后采用最小二乘法求解出矩阵B和D。
综上，通过子空间辨识方法的多变量输出误差状态空间算法计算出状态空间方程的系统参数，即计算出状态空间方程的矩阵A、B、C和D。
作为本发明实施例的进一步改进，基于以上方法在模型结构未知的情况下确定出预测模型，随后基于该预测模型采用模型预测控制策略进行系统控制，其包括，
S21、构建以下优化模型函数：
Figure BDA0003347420550000111
其中，W＞0和R＞0为权重矩阵；·(s+i|s)表示系统状态的矢量x(t)或者控制输入u(t)在s时刻时t＝s+i的值；i表示步；
S22、在线求解所述优化模型函数的最优值；
S23、将步骤S22中求解得到的最优值作为模型预测控制器的输出，该输出用于控制被控对象。
具体的，基于最小-最大方法求解所述优化函数模型的最优值，其包括，
首先，求解所述优化模型函数的最大界V(x(s|s))，其满足以下关系：
Figure BDA0003347420550000112
再，求解所述最大界V(x(s|s))的最小值，该最小值用作所述优化模型函数的最优值。
其中，求解所述优化模型函数的最优值时考虑函数的以下约束：
Figure BDA0003347420550000113
其中，
Figure BDA0003347420550000114
表示约束条件中输入的最大值。
即在线求解的优化问题为：
Figure BDA0003347420550000115
为了求解所述最大界V(x(s|s))的最小值，采用状态反馈控制律，定义u(s+i|s)＝Fx(s+i|s),i≥0，其中F为控制增益，定义一个函数V(x)＝xTPx,P＞0，引入一个标量变量γ，并且考虑最小化γ，该γ满足V(x(s|s))≤γ，则问题转化为求解γ的最小值，通过舒尔补定理将不等式的优化问题转化为矩阵不等式的优化。
定义矩阵Q＝γP-1，由舒尔补定理可知V(x(s|s))≤γ等价于如下的矩阵不等式：
Figure BDA0003347420550000121
将定义的反馈控制律等式代入式(8)，进一步得到：
x(s+i|s)T[(A+BF)TP(A+BF)-P+FTRF+W]x(s+i|s)≤0 (12)；
由以下式(13)可以保证式(12)满足i≥0所有要求：
(A+BF)TP(A+BF)-P+FTRF+W≤0 (13)；
定义F＝YQ-1，式(13)代入P＝γQ-1和F＝YQ-1，在式(13)两边乘以Q，通过舒尔补定理，得到以下线性矩阵不等式：
Figure BDA0003347420550000122
式(14)中符号"*"表示对称位置的分块。
基于此，在线求解的优化问题为：
Figure BDA0003347420550000123
转换成求解以下优化问题：
Figure BDA0003347420550000131
下面介绍一个具体的应用场景：
考虑升压DC-DC变换器电路模型，选择状态空间向量xT＝(il v)，状态空间动态模型：
Figure BDA0003347420550000132
其中，Rs＝(1-D)2R+Rl+D(1-D)(Rc||R)；
Figure BDA0003347420550000133
Vg为直流输入电压，
Figure BDA0003347420550000134
为电压变化值；
Figure BDA0003347420550000135
X为状态向量的直流值，
Figure BDA0003347420550000136
叠加的交流摄动值。同样的，
Figure BDA0003347420550000137
假设占空比随着周期的变化，也就是
Figure BDA0003347420550000138
D为稳态直流占空比，
Figure BDA0003347420550000139
为叠加的变化值。
如图2所示，基于本发明的子空间辨识方法更新后的模型与系统实际模型一致，波德幅值图差异小，由此可知，本发明的子空间辨识方法的多变量输出误差状态空间算法MOESP可以更准确地识别被控对象模型。由图3可以看出，当使用升压变压器模型时，仿真在247ms，旧模型的负载电阻由5Ω变为50Ω。模型更改后，收集更新后的输入输出数据，新数据集的长度为30组，在子空间辨识方法MPC下，更新后的模型可以继续控制和稳定运行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于数据驱动的子空间模型辨识预测控制方法，其特征在于：包括以下步骤，
步骤一：以离线状态下被控对象的输入输出数据为对象，通过子空间模型辨识方法对被控对象进行离线辨识，获取被控对象的状态空间方程的系统参数，根据该系统参数确定出所述被控对象的离线状态空间模型；
步骤二：将获得的所述离线状态空间模型作为预测模型，并基于模型预测控制策略控制系统，在控制过程中改变所述被控对象的特征值，并采集所述被控对象特征值改变后的在线输入输出数据；
步骤三：以步骤二中采集到的所述在线输入输出数据为对象，通过子空间模型辨识方法对被控对象进行在线辨识，获取所述被控对象的在线状态空间模型；
步骤四：不断更新所述在线状态空间模型，直至根据所述在线状态空间模型控制的系统输出值与所述被控对象的真实输出值的差值小于预设值时，确定出该时刻下的所述在线状态空间模型为所述被控对象的最终预测控制模型。
2.根据权利要求1所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：步骤一中获取所述被控对象的状态空间方程的系统参数包括，
S11、实验环境下给定所述被控对象在离线状态下的输入输出数据，根据该输入输出数据建立Hankel矩阵
Figure FDA0003347420540000011
k为Hankel矩阵的行数；0k-1为Hankel矩阵第一列的第一个到最后一个参数；
S12、基于多变量输出误差状态空间算法MOESP处理Hankel矩阵以计算出所述被控对象的状态空间方程的系统参数，该系统参数包括状态空间方程的常数矩阵A、B、C、D；
所述状态空间方程为：
Figure FDA0003347420540000021
其中，
Figure FDA0003347420540000022
为状态矢量，
Figure FDA0003347420540000023
为控制输入，
Figure FDA0003347420540000024
为输出矢量，
Figure FDA0003347420540000025
为常数矩阵；n为状态矢量的维数；m为控制输入的维数；p为输出矢量的维数。
3.根据权利要求2所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：步骤S12中，建立Hankel矩阵
Figure FDA0003347420540000026
后,根据所述状态空间方程迭代出Hankel矩阵的以下输入输出方程：
Y0|k-1＝ΟkX0+ΨkU0|k-1 (1)
其中，
Figure FDA0003347420540000027
为扩展可观测矩阵；
Figure FDA0003347420540000028
为Toeplitz矩阵；
Figure FDA0003347420540000029
为初始状态矩阵；
N为Hankel矩阵的列数。
4.根据权利要求3所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：步骤S12中，计算所述系统参数包括，
对Hankel矩阵进行LQ分解，得到右上方为零的下三角矩阵，
Figure FDA00033474205400000210
对L22进行奇异值分解得到系统状态矢量的维数n；
根据奇异值分解得到的结果计算出矩阵A、B、C和D；
其中，
Figure FDA0003347420540000031
且L11,L22为下三角矩阵；
Figure FDA0003347420540000032
互为正交矩阵。
5.根据权利要求4所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：L22的奇异值分解为：
Figure FDA0003347420540000033
Figure FDA0003347420540000034
Σ1为一个对角矩阵；V1和V2为奇异值分解后得到的矩阵；
根据以下等式确定出矩阵C：
C＝Οk(1:p,1:n) (4)；
通过求解以下线性方程得到矩阵A：
Οk(1:p(k-1),1:n)A＝Οk(p+1:kp,1:n) (5)。
6.根据权利要求5所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：根据以下等式确定矩阵B和D的线性方程，
Figure FDA0003347420540000035
通过最小二乘法求解以上式(6)，求解出矩阵B和D。
7.根据权利要求2所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：步骤二中，模型预测控制策略包括，
S21、构建以下优化模型函数：
Figure FDA0003347420540000036
其中，W＞0和R＞0为权重矩阵；·(s+i|s)表示系统的状态矢量x(t)或者控制输入u(t)在s时刻时t＝s+i的值；i表示步长；
S22、在线求解所述优化模型函数的最优值；
S23、将步骤S22中求解得到的最优值作为模型预测控制器的输出，该输出用于控制被控对象。
8.根据权利要求7所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：基于最小-最大方法求解所述优化函数模型的最优值，其包括，
求解所述优化模型函数的最大界V(x(s|s))，其满足以下关系：
Figure FDA0003347420540000041
求解所述最大界V(x(s|s))的最小值，该最小值用作所述优化模型函数的最优值。
9.根据权利要求8所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于:求解所述最大界V(x(s|s))的最小值时通过舒尔补定理将不等式的问题优化转化为矩阵不等式的优化。
10.根据权利要求7或8所述的基于数据驱动的子空间模型辨识预测控制方法，其特征在于：求解所述优化模型函数的最优值时考虑函数的以下约束：
Figure FDA0003347420540000042
其中，
Figure FDA0003347420540000043
表示约束条件中输入的最大值。
CN202111327470.5A 2021-11-10 2021-11-10 基于数据驱动的子空间模型辨识预测控制方法 Pending CN114077195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111327470.5A CN114077195A (zh) 2021-11-10 2021-11-10 基于数据驱动的子空间模型辨识预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111327470.5A CN114077195A (zh) 2021-11-10 2021-11-10 基于数据驱动的子空间模型辨识预测控制方法

Publications (1)

Publication Number Publication Date
CN114077195A true CN114077195A (zh) 2022-02-22

Family

ID=80283821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111327470.5A Pending CN114077195A (zh) 2021-11-10 2021-11-10 基于数据驱动的子空间模型辨识预测控制方法

Country Status (1)

Country Link
CN (1) CN114077195A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685746A (zh) * 2022-09-20 2023-02-03 四川大学 一种机床工作台的离线和在线结合的系统辨识方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685746A (zh) * 2022-09-20 2023-02-03 四川大学 一种机床工作台的离线和在线结合的系统辨识方法
CN115685746B (zh) * 2022-09-20 2023-09-01 四川大学 一种机床工作台的离线和在线结合的系统辨识方法

Similar Documents

Publication Publication Date Title
Shah et al. Review of fractional PID controller
CN109212974B (zh) 区间时变时滞系统的鲁棒模糊预测容错控制方法
CN111459051B (zh) 一种带扰动观测器的离散终端滑模无模型控制方法
CN114077195A (zh) 基于数据驱动的子空间模型辨识预测控制方法
Peng et al. Nonlinear inversion-based control with adaptive neural network compensation for uncertain MIMO systems
CN104423321B (zh) 用于识别低频干扰的位置控制装置
CN113067334A (zh) 基于神经网络的有源电力滤波器非线性预测控制方法
Potturu et al. Model order reduction of LTI interval systems using differentiation method based on Kharitonov’s theorem
Hashjin et al. Active stabilization of a microgrid using model free adaptive control
Padula et al. Inversion-based feedforward and reference signal design for fractional constrained control systems
Lin et al. Stability indices for a self-organizing fuzzy controlled robot: A case study
CN116382093A (zh) 用于模型未知的非线性系统最优控制方法及设备
CN116880184A (zh) 无人船轨迹追踪预测控制方法、系统及存储介质
Büyükçakir et al. Stochastic optimization of pid parameters for twin rotor system with multiple nonlinear regression
Saha et al. Output feedback control using state observers of a class of nonlinear nonstandard two-time-scale systems
Rao et al. A two-phase approach for the design of two-degree-of-freedom of robust controller for higher order interval system
Guojun et al. A real-time updated model predictive control strategy for batch processes based on state estimation
Lian Intelligent control of a constant turning force system with fixed metal removal rate
Kheriji et al. Efficient implementation of constrained robust model predictive control using a state space model
CN108646559A (zh) 输出反馈型预测函数控制器设计方法
Grelewicz et al. Corelation between conventional and data-driven control performance assessment indices for heating process
Joshi et al. Design of inverse response compensator for complex process
Jamalabadi et al. Robust Laguerre based model predictive control for trajectory tracking of LTV systems
CN113568309B (zh) 用于温度场的在线时空控制方法
Sivakumar et al. Design of Robust PI and PID Controller for DC Motor–Fuzzy Parametric Approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination