[发明专利]基于时间序列的多模型自适应控制器及控制方法

说明书

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(Kernel Fuzzy 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M_k和M_h，计算α₁,α₂，得到线性加权模型； 

S5：各模型的性能指标 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：