[发明专利]基于自学习的多模型控制方法

说明书

技术领域

本发明主要涉及到复杂非线性系统的控制领域，特指一种基于自学习的多模型控制方法，它是利用增强学习和近似动态规划思想来实现多个控制器之间的最优转换，因此属于一种多模型自学习转换控制方法。

背景技术

随着现代工业和技术的发展，工程系统装置的复杂程度正具有着一个平稳上升的趋势。更重要的是，这一趋势在很大程度上强调了对于一种方法需求：那就是可以帮助工程技术人员更好地理解和演绎复杂模型以及完成控制任务的实用方法。

几十年来，尽管已经出现了很多关于解决复杂非线性模型的研究，但是在这些研究中提出的高级模型和先进控制方法并没有被广泛地用于解决实际问题。其困难就在于以下两个方面：一是由于这些方法复杂难懂，需要大量的理论知识；二是由于这些方法仍对控制模型的表述具有很强的要求，但同时可利用的精确系统知识却很少。

正是因为上述两项困难，近年来关于多模型的控制方法研究才受到了越来越多人的关注。现今主要的一些多模型研究方法是拆分系统的工作范围，从而解决复杂的非线性建模以及控制问题。此方法的原理是：对于局部模型之间所出现的相关现象的交互要比全局模型来的简单得多，因此，局部模型更加的简单，并且局部模型的建立方法还具有诸如更好的理解性、更少的计算复杂性以及更多的包含先验知识等优势。

正因为上述这些优势的存在，这一领域已经投入了大量的研究工作，并且也取得了一定的成果。到目前为止，现有的多模型控制方法可被分为许多种，其中主要包括增益调度控制（gain scheduling control）、多模型自适应控制（multiple model adaptive control,MMAC）和多模型预测控制（multiple model predictive control）。从传统意义上来讲，增益调度控制是实际运用中最普遍的对于严重非线性系统的控制方法。但是，这种控制方式所表现出的瞬态特性却不是很好。与增益调度控制关系密切的多模型预测控制或者监督控制，它们与增益调度控制最主要的区别就在于运用了一个基于调度算法的估计器。而多模型自适应控制方法提出的主要动机就是要在不增加系统稳态噪声灵敏度的基础上提高它的瞬态特性。MMAC方法最早是被用于解决线性系统的控制问题，但近些年来，由于非线性模型的预测控制被广泛关注，MMAC方法才被延伸用于对非线性系统进行控制。而当今对于非线性系统多模型预测控制方法的进一步推进，则是出现了多模型的动态矩阵控制方式，它除了具有先进的理论意义之外，还有成功的应用案例。

不同于局部控制器已有的成熟设计方法，对于多模型之间的转换策略问题并没有被很好的研究，而且可用于进行设计的控制工具也非常短缺。现有的例如增益调度控制，其转换策略是基于模糊逻辑或者是内插法。此方法的最大缺陷就是自主优化能力和瞬态性能都不是很能令人满意。而另一种多模型自适应控制方法，它的转换策略是基于由估计误差驱动的微小监控信号。虽然这种方法能在一定程度上提高系统的瞬态性能，但是当有未知干扰存在时，系统反馈缺乏鲁棒性，当然，这也是自适应方法存在的通病。

发明内容

本发明要解决的技术问题在于：针对现有技术存在的技术问题，本发明提供一种原理简单、适应范围广、可靠性强、能够保证控制的一般性能以及收敛性的基于自学习的多模型控制方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于自学习的多模型控制方法，其步骤为：

(1)构建模型库，由非线性模型的一组局部模型组成；

(2)构建一组控制器，根据模型库中的局部模型设计出来一组局部控制器；

(3)执行性能评测:观察输出误差以及系统输出y和模型输出y_i之间的差异；基于这些信号，一个性能反馈或者价值函数将被计算出并送到API模块；一个基于实际输出与预期输出误差的价值函数被定义为r(t)=R[|e(t)|]=R[|y_sp-y(t)|]，其中R为非负的函数并且关于|e(t)|单调递减；

(4)执行近似策略迭代算法:观察性能反馈信号，接收参考输出和系统输出之间的误差信号，这些信号将作为Markov决策过程的状态，同时状态反馈将成为增强学习的回报信号。

作为本发明的进一步改进：

所述步骤（1）中，构建模型库的流程为：

模型组由n个局部模型组成：