专利名称：基于时间序列的多模型自适应控制器及控制方法
技术领域：
本发明涉及一种非线性被控对象，具体涉及基于时间序列的多模型自适应控制方法在非线性系统中的应用。
背景技术：
随着社会科技与经济的发展，生产工业的自动化程度不断提高，大多数的流程工业都实现了生产控制设备的集成化和系统化。大型工业控制系统以其设备的多样性和复杂性为特点，这种系统存在大量不确定性和强非线性，快时变，多工况等特点。在这种情况下，以往的控制方法因为无法达到良好的控制性能，而导致生产效率低下、生产资料的浪费。对于这种数学模型事先难以确定，或模型经常变化的复杂系统，反馈控制、最优控制等都不能很好的解决其控制问题。针对对象特性参数变化范围较大的情况，自适应控制算法可以不断测量被控对象状态、性能或参数的变化，通过决策来改变自适应控制器的结构，参数或根据自适应律来改变控制作用，从而克服或降低系统受外来干扰或内部参数变动所带来的对控制性能的影响，以保证系统在某种意义下的最优状态。自适应控制作为现代控制理论的一个重要分支，在控制方案、控制系统结构、稳定性、收敛性等方面都有了突破性的进展。尽管自适应控制方法能够处理一定范围内的系统参数变化，但对于复杂的工业过程来说，系统的故障或子系统动态变化引起的系统参数大幅度跳变或者被控对象从一个工况突然变化到其它工况的情况下，由于系统的自适应模型无法适应剧烈的变化，易导致控制性能的恶化。
发明内容
针对上述现有技术中存在的技术问题，本发明提供一种基于时间序列的多模型自适应控制器及控制方法。该方法利用系统的时间序列和方向导数来辨识系统工作点的缓慢变化，通过系统数据间的时间与空间关系来对多模型集进行优化，从而达到减少模型数量，提高系统辨识精度和系统控制性能的目的。为达到上述目的，本发明所采用的技术方案如下一种基于时间序列的多模型自适应控制控制器，主要由多模型集、控制器和切换机构三部分组成，其中，多模型集用来对系统进行逼近，对系统的参数及工作点的变化进行辨识，切换机构用来在多模型集中选择一个与被控对象最为接近的模型，以实现对被控对象的精确辨识，控制器是由切换机构选出的最优模型设计而来，从而实现对系统的最优控制。所述多模型集包括多个线性局部模型、一个线性加权模型和两个全局线性自适应模型。建立线性局部模型需要对系统的已知数据利用模糊核聚类自适应算法(KernelFuzzy Clustering Method with Self-adaption, KFCMA)来对系统数据进行聚类处理，将系统数据按照聚类隶属度划分成若干个子集，再对各个子集，利用递推最小二乘法(Recursive Least Squares, RLS)建立局部线性模型。在每一个采样时刻，将新获得的系统输入输出数据根据其与各聚类中心的距离分类到最近的聚类中去。利用系统数据的时间序列及新数据点到其它聚类中心的方向导数来判断系统工作点的变化趋势。并利用新数据点所在的聚类局部模型与趋势聚类局部模型来建立一个局部加权模型。多模型集中还包括两个全局的自适应模型，其中一个为自由的自适应模型，另一个为可重新赋值的自适应模型。这两个模型用来在线性局部模型的基础上，根据系统的实时变化来更新模型参数，从而得到更好的辨识精度。系统的切换机构包括一个适当定义的性能指标，在每一个采样时刻，计算各个模型的性能指标值，由切换机构选出性能指标值最小的模型作为最优模型。一种基于时间序列的多模型自适应控制方法，用于设计上述的多模型自适应控制器，该控制方法所包含的步骤如下S1:用KFCMA算法对先验数据聚类，得聚类数c ；S2 :根据RLS方法对各类建立局部模型；S3 :初始化两个全局自适应模型；S4 :寻找局部模型Mk和Mh，计算a a 2，得到线性加权模型；S5 :各模型的性能指标V⑺，选择性能指标的值较小的模型；S6 :设计控制器产生控制输入u(t);S7 :在每个采样周期重复S4-S6。本发明技术所带来的有益效果如下本发明的基于时间序列的多模型自适应控制器及控制方法，利用系统数据的时间和空间的关系来建立多模型集，这使得多模型集对系统的工作点发生变化时的辨识程度得到了大大提高，从而设计出的控制器可以更好的实现对系统的控制。与现有的其他多模型自适应控制器相比，能够减小系统的暂态误差，提高系统暂态性能和稳态性能。
图1是本发明所公开的多模型自适应控制器的系统结构框图；图2(1)和2(2)分别是在单个自适应控制器下系统的输出曲线和输入曲线；图3(1)和3(2)是在传统的多模型自适应控制器下系统的输出曲线和输入曲线；图4(1)和(2)分别为本发明的控制器下系统的输出曲线和输入曲线。
具体实施例方式下面结合附图和具体实施例对本发明的技术方案作详细说明， 本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。如图1所示，本发明所针对的被控对象为如下的离散时间非线性系统，该非线性系统可分为线性部分和非线性部分
式中，u(t)，y(t) G R分别是系统的输入和输出序列，x(t) G Rn是系统状态向量，F( )，H( )是高阶函数。式(I)可以表示为如下形式
权利要求
1.一种基于时间序列的多模型自适应控制器，其特征在于，该控制器主要由多模型集、 切换机构和控制器三部分组成，其中，多模型集用来对系统进行逼近，对系统的参数及工作点的变化进行辨识，切换机构用来在多模型集中选择一个与被控对象最为接近的模型，以实现对被控对象的精确辨识，控制器是由切换机构选出的最优模型设计而来，实现对系统的最优控制。
2.根据权利要求1所述的多模型自适应控制器，其特征在于，所述的多模型集包括若干个线性局部模型，一个线性局部加权模型以及两个全局自适应模型。
3.根据权利要求2所述的多模型自适应控制器，其特征在于，所述的若干个局部线性模型是由模糊核聚类自适应算法对系统数据进行聚类处理，将系统数据按照聚类隶属度划分成若干个子集，再对各个子集利用递推最小二乘法建立局部线性模型。
4.根据权利要求2所述的多模型自适应控制器，其特征在于，所述的线性局部加权模型是由分析系统数据时间和空间的关系，由系统的时间序列和方向导数共同预测系统工作点变化趋势，寻找到的两个局部线性模型加权得到的。
5.根据权利要求4所述的多模型自适应控制器，其特征在于，所述的两个局部线性模型是在每一个采样时刻，将新获得的系统输入输出数据根据其与各聚类中心的距离分类到最近的聚类中去，利用系统数据的时间序列及新数据点到其它聚类中心的方向导数来判断系统工作点的变化趋势，得到新数据点所在的聚类局部模型与趋势聚类局部模型。
6.根据权利要求3所述的自适应控制器，其特征在于，所述的两个全局自适应模型的其中一个是自由的全局自适应模型，另一个是可重新赋值的自适应模型，即在每一次系统模型发生切换时，如果切换到一个局部模型或是自由的自适应模型上时，则用其参数值初始化可重新赋值的自适应模型的参数。
7.根据权利要求1所述的多模型自适应控制器，其特征在于，所述的切换机构包括一个预先定义的性能指标，在每一个采样时刻，计算各个模型的性能指标值，由切换机构选出性能指标值最小的模型作为最优模型。
8.一种基于时间序列的多模型自适应控制方法，其特征在于，用于设计权利要求1至7 中任一所述的多模型自适应控制器，该控制方法所包含的步骤如下51:用KFCMA算法对先验数据聚类，得聚类数c ；52:根据RLS方法对各类建立局部模型；53:初始化两个全局自适应模型；54:寻找局部模型Mk和Mh，计算α ” α 2，得到线性加权模型；S5:各模型的性能指标·7ω，选择性能指标的值较小的模型；S6:设计控制器产生控制输入u (t)；S7 :在每个采样周期重复S4-S6。
全文摘要
本发明公开一种基于时间序列的多模型自适应控制器及控制方法，该控制器主要由多模型集、切换机构和控制器三部分组成，多模型集用来辨识系统的变化，包含若干个局部线性模型、一个加权模型和两个自适应模型，局部线性模型用来覆盖系统模型的所有变化范围，加权模型用来辨识系统工作点的缓慢变化，自适应模型用来提高控制精度，切换机构选择最优模型实现控制。该控制器及控制方法不但具有良好的暂态性能，较快的控制速度，而且在相似的控制效果下，可以极大地减少模型的数量。
文档编号G05B13/04GK103034122SQ20121049611
公开日2013年4月10日 申请日期2012年11月28日 优先权日2012年11月28日
发明者王昕 , 黄淼, 牟金善 申请人:上海交通大学