一种数据驱动预测云控制方法与流程

本发明属于云控制技术领域，涉及一种数据驱动预测云控制方法。

背景技术：

信息技术的发展催生了许多科技理论成果，为人熟知的就有云计算、物联网、网络化控制等。在新时代，基于这三者的快速发展，云控制系统的概念被提出。现代控制理论的研究方法主要可以分为基于模型(model-based)和数据驱动(data-driven)两大类。前者的本质是采用机理或辨识模型的方法建立被控对象的数学模型，然后基于此模型实现系统的控制、优化与决策等目标；数据驱动理论则是利用数据完成对系统的预测、控制、调度、优化、决策等期望功能。当前，工业和控制系统的规模和复杂性持续增长，基于模型的传统分析和控制方法难以解决此类问题；同时，在工业生产过程中，产生、存储了海量的经验和数据，但因计算能力和理论技术的限制，这些数据没有被有效利用。这些问题制约着国民经济的进一步发展。

基于数据驱动预测的云控制系统可有效解决以上问题。作为云控制系统中的一项关键技术，数据驱动预测云控制系统基于网络化控制理论技术，以物联网为应用场景，借助云计算的强大处理能力，不需对被控对象进行机理分析，利用历史数据，直接实现精确、可靠的控制与决策作用。同时，在存在网络时延的条件下，有效、精准地补偿了时延的影响。其中，设计辨识和控制算法是数据驱动预测云控制的关键技术。利用输入输出历史数据，对控制系统进行辨识分析，再由模型预测控制方法获得预测控制序列，以期在网络时滞干扰下，获得精确、可靠的控制效果。但是现有数据驱动云控制方法存在以下两个问题：一，对于快速启动系统，数据准备阶段用时过长；二，数据驱动云控制算法中未考虑约束且存在网路时延。

技术实现要素：

有鉴于此，本发明提供了一种数据驱动云控制方法，能够快速启动，并且可以处理约束。

为了达到上述目的，本发明的技术方案包括如下步骤：

步骤1，在本地受控系统和云服务器之间建立通信系统，形成云端-本地控制回路；

步骤2，在云服务器中首先使用pid算法生成或随机输入控制量获得离线数据，将其传输并施加到本地受控系统中，将本地受控系统返回的控制量和对应的输出信息以hankel矩阵形式储存，得到hankel矩阵；

步骤3，云服务器根据hankel矩阵，辨识获得本地受控系统的状态空间矩阵；

步骤4，在云服务器中根据本地受控系统的状态空间矩阵，先利用系统辨识得到本地受控系统的数学模型，基于本地受控系统的数学模型，利用预测控制方法建立系统应满足的约束条件，计算出当前k时刻的最优预测控制序列；记录开始计算时的时刻t1，并将最优预测控制序列和时刻t1发送到本地受控系统；

步骤5，本地受控系统记录接收到最优预测控制序列时的时刻t2；由时刻t1和时刻t2算出网络时延τ；在最优预测控制序列中，从第ceil(τ)个分量开始作为实际施加的控制量，施加到本地受控系统，得到对应的输出信息；其中ceil(·)代表向上取整；

将实际施加控制量和对应的输出信息一起返回云服务器，更新hankel矩阵；重复执行步骤3-5，直至实现稳定控制或重复次数达到设定值，实现数据驱动云控制。

其中，所述步骤3中，根据hankel矩阵，采用子空间方法、集员理论、无模型自适应理论或迭代学习方法，辨识获得本地受控系统的状态空间矩阵。

其中，所述步骤3中，其中，采用子空间方法具体为：对hankel矩阵依次进行正交投影、加权映射、svd分解、确定阶数、获得状态序列估计、求解最小二乘问题，辨识出本地受控系统的状态空间矩阵。

其中，所述步骤4中，在系统应满足的约束条件下，通过求解当前系统实际状态的最优化问题得到最优预测控制序列。

其中，所述步骤2中，通过如下子步骤得到hankel矩阵：

步骤s20、设置预测步长n和信息步长j的值；所述设定的控制步长n大于网络时延τ，其中已知网络时延τ的估计值；

步骤s21、输入本地受控系统2n+j-1个有效的随机输入，得到2n+j-1个输出，即得到2n+j-1个输入输出对，继而得到本地受控系统当前时刻输入数据的hankel矩阵up,0、uf,0和输出数据的hankel矩阵yp,0、yf,0，其中下标p和f分别表示过去和将来。

其中，所述步骤1中，采用python在受控系统与云服务设备之间建立udp半双工通信，形成控制回路；本地受控系统使用一个host和port的数据对为数据通信元组；云服务器使用另一个host和port的数据对作为通信元组。

有益效果：

本发明采用离线数据准备方式，为数据驱动算法准备初始数据，解决了控制系统要求快速启动的问题；同时本发明将云辨识器和云控制器分开设计，首先通过云辨识器得到系统状态空间模型；然后根据模型，添加实际约束，建立最优化问题，使用模型预测控制方法，即滚动优化的方法，求解出最优预测控制序列，解决了现有数据驱动云控制方法不能处理约束的问题，并通过对应时延控制量实现网络补偿。

附图说明

图1为本发明的云控制系统结构图；

图2为本发明的内外网间udp半双工通信示意图；

图3为本发明的算法流程图；

图4为本发明的网络延时测量示意图；

图5为本发明的数据驱动预测控制补偿策略示意图；

图6为本发明的球杆系统实验示范系统框图；

图7为本发明的球杆系统实验示范数据流图；

图8为本发明的球杆系统实验示范系统输出(中国)；

图9为本发明的球杆系统实验示范系统输出(新加坡)。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明涉及的符号：所述hankel矩阵，以输入信息为例，形如

形式的矩阵称为hankel矩阵，其中下标“p”代表“past”，即过去；“f”代表“future”，即未来；

n，j表示预测步长和信息步长，即hankel矩阵的行和列，预测步长同时代表控制序列的预测步数；

k为k时刻；

系统矩阵[abcd]：

x(k+1)＝ax(k)+bu(k)；

y(k)＝cx(k)+du(k).

其中x(k)为状态量，u(k)为控制量，y(k)为输出量；

up|k,uf|k表示k时刻，输入数据组成的hankel矩阵，输出数据同理；

t1,t2为云端向本地传送、本地接收信息时对应的时刻；

ts表示采样时间周期；

τ表示云端向本地传送、本地接收信息的单位时延数；

ωp1,k,ωp2,k,ωp,k为定义输入、输出信息在预测时域内及组成的数据列向量

wp为定义yp,k和up,k组成的中间变量

wp＝[yp,k；up,k]；

表示yf的行子空间在uf的行子空间上的投影；

yf^-、uf、wp⁺等，定义或类似定义如下：

u1、s1、γk、xk为中间变量；w1、w2为权重矩阵，可选取为单位阵；

γk、表示γk除去最后一行和第一行的矩阵。

本发明的云控制系统结构图如图1所示，网络化云控制是基于云的网络化控制，控制器部署在云端，通过网络与本地受控系统连接形成闭合回路，包括控制系统内外网实时通信、预测控制算法、网络延时测量以及时延补偿等。本发明利用网络化控制、云计算技术部署云控制系统，丰富了控制器的设计途径，拓宽了控制系统拓扑结构，包括以下步骤：

步骤1，建立通信。在本地受控系统p和云服务器之间建立通信系统，形成云端-本地通信回路；具体包括如下子步骤：采用python在受控系统与云服务设备之间建立udp(userdatagramprotocol)半双工通信，形成控制回路；设置受控系统为本地端，使用一个host和port的数据对作为数据通信元组，如图1所示，socket(host1，port1)；设置云服务设备为云端，使用另一个host和port的数据对作为通信元组，如图1所示，socket(host2,port2)。

以受控系统p(比如球杆系统)为例，其模型未知，但能获取到不同采样时刻的输入u(k)对应的输出y(k)；存在云服务设备(如云主机，隶属于云计算中的iaas服务)，可以安装运行控制程序。采用python在受控系统与云服务设备之间建立udp半双工通信，形成控制回路。受控系统为本地端，使用socket(host1，port1)作为数据通信元组；云服务设备为云端，使用socket(host2,port2)作为通信元组，如图2所示。本地接收传感器数据并发送至云端，云端运行控制算法得到控制量，发回到本地，由执行器驱动系统。传输过程中，socket(host2,port2)必须实时读取数据源(本地受控系统)ip和端口，以保证控制量能通过napt网关成功转发。

步骤2，在云服务器中首先使用pid算法生成或随机输入控制量获得离线数据，将其传输并施加到本地受控系统中，将本地受控系统返回的控制量和对应的输出信息以hankel矩阵形式储存，得到hankel矩阵，具体包括如下子步骤：

s20、设置预测步长n和信息步长j的值；所述设定的控制步长n大于网络时延τ，其中已知网络时延τ的估计值；

s21、由本地受控系统2n+j-1个有效的pid控制输入或随机输入，可以得到2n+j-1个输出，即得到2n+j-1个输入输出对，继而得到本地受控系统初始时刻输入数据的hankel矩阵up,0、uf,0和输出数据的hankel矩阵yp,0、yf,0，其中下标0代表当前时刻，即初始时刻；

步骤3，云服务器根据离线准备数据建立起的hankel矩阵，可以采用子空间方法、集员理论、无模型自适应理论以及迭代学习方法等辨识出k时刻本地受控系统矩阵[abcd]。本实施例中采用的是子空间方法。状态空间是现代控制理论中描述系统的最常用的模型，子空间方法基于状态空间模型，对于多输入多输出系统，不需要特殊的模型参数化；不需要使用非线性优化问题的迭代求解方法，只需要数值鲁棒性强的计算工具，如qr分解、奇异值分解等，运算快速。通过进行正交投影、加权映射、svd分解、确定阶数、获得状态序列估计、求解最小二乘问题等操作，辨识出k时刻本地受控系统矩阵[abcd]，数据量满足要求时(至少2n+j-1个)，该阶段终止，获得本地受控系统的状态空间矩阵，具体包括如下步骤：

s30、计算正交投影：

s31、对加权后的正交投影做svd分解：

s32、通过svd分解确定阶数，并求出u1和s1；

s33、通过下式求解γk和γk-1：

s34、通过下式求解和

s35、通过求解下式最小二乘问题确定[abcd]：

步骤4，在云服务器中根据本地受控系统的状态空间矩阵，先利用系统辨识得到本地受控系统的数学模型，基于本地受控系统的数学模型，利用预测控制方法建立系统应满足的约束条件，计算出当前k时刻的最优预测控制序列uf,k＝[u(k|k),u(k+1|k),…,u(k+n-1|k)]^t，其中，“f”代表“future”即未来，u(k+i|k),i＝0,1,…,n-1代表当前k时刻对此后第i个时刻的预测控制量；记录开始计算时的时刻t1，并将此序列和时刻t1打包发往本地受控系统。具体包括如下子步骤：

获得系统矩阵[abcd]后，求解最优预测控制序列。本地受控系统的模型为：

x(k+1)＝ax(k)+bu(k)；

y(k)＝cx(k)+du(k).

其中x(k)为状态量，u(k)为控制量，y(k)为输出量；

所述系统的实际状态和控制约束为：

在满足控制约束的条件下，通过计算当前系统实际状态的最优化问题得到最优预测控制序列，所述最优化问题为：

s.t.x(k+i+1|k)＝ax(k+i|k)+bu(k+i|k),i＝0,1,…,n-2

x(k|k)＝x(k)

x(k+i|k)∈x,i＝1,2,…,n-1

u(k+i|k)∈u,i＝0,1,…,n-1

其中u(k+i|k),i＝0,1,…,n-1是优化问题的决策变量，由此得到最优预测控制序列。

步骤2-4算法流程如图3所示，离线数据准备和数据驱动算法都在云端加载，本地受控系统及相关机制部署在边缘，数据驱动预测云控制步骤包括云辨识和云控制。

步骤5，本地受控系统记录接收到最优预测控制序列时的时刻t2；由时刻t1和时刻t2算出网络时延τ；在最优预测控制序列中，从第ceil(τ)个分量开始作为实际施加的控制量，施加到本地受控系统，得到对应的输出信息；其中ceil(·)代表向上取整；将实际施加控制量和对应的输出信息一起返回云服务器，更新hankel矩阵；重复执行步骤3-5，直至实现稳定控制或重复次数达到设定值，实现数据驱动云控制。具体包括如下子步骤：

s50、时间标记：每一次循环中，本地向云端发送数据时，记录下本地发送时刻，并随数据包发送；云端计算得到控制序列后，与对应的本地发送时刻一齐发到本地端；

s51、时滞估计：本地接收到云端数据后，记录下接收时刻的值，计算发送时刻与接收时刻的时间差，选择控制序列中与当前时刻对应的控制量。具体说明如下，如图4所示，假定k时刻本地端发送本地受控系统的输出y(k)的时间为t1，测试步骤如下：

“本地-云端”发送的数据包为packet(y(k),t1)；云控制器接收到后，取y(k)进行计算得到控制序列uf,k，“云端-本地”发送数据包为packet(uf,k,t1)；本地收到数据包的时间为t2，取出uf,k和t1，计算网络时延：

其中，ts为本地受控系统采样时间，τ为单位数据延时。

理想状况下，k时刻云控制器产生的预测控制序列为：

u^*(k)＝[uk|k,uk+1|k,…,uk+n-1|k]^t＝[u(k,k),u(k+1,k),…,u(k+n-1,k)]＝uf,k

理想情况下，认为不存在网络时延，在本地端接收到u^*(k)，亦即uf,k，可以选择uk|k作为系统输入量。但是事实上，由于网络传输延时和复杂算法执行耗时，测量值的发送和控制量的接收之间存在较大滞后。假定在k时刻，本地受控系统收到的最新的控制序列对应的测量数据发送时间为t1，当前时间为t2。可以算出t2时刻是t1时刻的未来τ步：

ceil代表向上取整。因此t1时刻的预测控制序列为

u^*(k-τ)＝[uk-τ|k-τ,uk-τ+1|k-τ,…,k-τ+n-1|k-τ]^t＝uf,k-τ

所以选择第τ+1个值，即uk|k-τ作为k时刻(t1时刻，当前时刻)系统的输入，即u(k)。需要说明的是控制步长n必须大于网络时延τ，才能保证有效的网络补偿。实际上，如图5所示，网络化控制系统中的数据传输时延包含三部分。以依次增大的a、b、c时刻为例，传感器到辨识器之间的网络时延a，称为上行时延。辨识器和控制器在同一计算节点中，不存在时延。辨识和控制算法的运行时延(b-a)，称为计算时延。控制器到补偿器或执行器之间的时延(c-b)，称为下行时延。因此系统输出y(k)到达控制器时，已经是a时刻以前的输出，而控制器计算得到的预测控制量已经是b时刻以前的系统输出对应的预测控制量，到达补偿器或执行器时，已经延至c时刻。而此时时延τ＝c，当前时刻应该选择的控制量为u(k|k-c)。

为了进一步阐释本发明的应用，特设计子空间预测云控制球杆系统，其系统结构框图如图6所示。该系统由球杆机械部分、本地主机和云主机组成，实验目的是使小球到达横杆上某一指定位置，并停下来保持不变。本地主机负责球杆系统的小球位置测量、滤波和控制驱动，还有与云主机进行网络通信并对网络时延进行补偿；云主机运行数据驱动预测控制算法。系统的数据流传输路径如图7所示。其中球杆的测量、滤波和驱动由本地(localsimulink)负责，而与云端网络通信和网络时延补偿由本地(localpython)负责。云端(cloudpython)与localpython通信并运行控制算法。

本地的实验地点为北京，实验用的3台云主机申请自腾讯云服务，分别来自北京、广州、新加坡三个服务区。经测试，中国境内服务区的时延低至0.02s左右，不超过0.1s，而球杆系统的数据采样时间为0.02s，此时时延无需补偿，系统输出如图8所示。当云服务区位于新加坡，网络时延高达0.2s，网络时滞超过系统采样时刻的10倍，意味着必须进行补偿。设置子空间预测控制参数为n＝40，j＝20，系统输出如图9所示。在子空间预测控制算法实现过程中，需要先准备2n+j-1组输入输出序列，整个过程分为信息准备阶段和预测控制阶段，应用pid算法产生的准备信息能加快系统稳定。实验示范证明，“本地+云端”的网络化云控制具备确切的可实施性，子空间预测控制能有效解决一定程度的网络时滞。推广开来，在面对复杂的系统，仍具备很大的优越性。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。