[发明专利]一种基于噪声数据的未知系统状态估计方法

说明书

本发明方法提供了一种基于噪声数据的未知系统状态估计方法，该方法的实时分为离线阶段和在现阶段。离线阶段，向系统施加一列持续激励的输入序列，记录相应的状态和输出。利用收集到的输入‑状态‑输出轨迹，通过求解三个低复杂的SDP问题进行控制器参数设计。利用求解获得的参数构建基于状态估计的反馈控制器。在线运行阶段，系统侧每一时刻向控制器侧传输当前时刻的输出值，控制器系统输出状态估计以及控制输入，并将控制输入传送回系统对系统进行镇定。由此可见，本发明不需要预先的系统辨识，只需要数据采样进行控制器设计，从而对未知系统进行状态估计和镇定。

技术领域

本发明涉及智能制造技术领域，具体涉及一种基于噪声数据的未知系统状态估计方法。

背景技术

为推动传统制造业向智能制造业转型升级，亟需解决生产线数据采集、信息处理、设备管控、作业调度、生产计划管理和决策等方面的难题。考虑到复杂生产线信息传输压力大，并且对于信息的保密性要求高等原因，在网络中仅发送处理后的信息，接收后对真实信息进行恢复是现在常用的一种策略。这一策略可以建模为系统的远程状态估计，即利用收集到的系统输入和输出数据恢复系统的状态数据。

状态估计在控制、监视以及错误诊断中应用广泛，因此获得了较多的关注，并被较多学者广泛研究，比如常用的卡尔曼滤波方法，以及基于模型预测的滚动时域估计等。但是，这些状态估计方法大多是基于模型的，即需要预先构建系统模型或者利用收集到的数据进行系统辨识。但是随着系统规模的不断增加，系统辨识的难度和计算量也呈现出指数级别的增长。另一方面，传统的状态估计方法大多针对自镇定的系统，即仅需设计状态估计法则而不考虑系统的镇定问题，但是对于开环不稳定系统来说，仍需要额外的控制法则进行控制。

为了解决上述问题，基于数据驱动的方法在这几年中掀起了研究热潮。这种方法直接从数据中学习到系统的控制法则，从而实现对系统的控制。但是现有的方法大多依赖于强化学习，这一方法需要大量的数据集进行预先训练，在数据样本较小的情况下无法达到期望的控制效果。同时，还应考虑数据获取时候的噪声，使得所设计的控制器对噪声具有一定的鲁棒性。

因此，目前亟需一种方法，能够基于带噪声系统的数据直接得到系统的控制律和状态估计，使得未知系统能够稳定运行的前提下，获得较为准确的系统状态估计值。

发明内容

有鉴于此，本发明提供了一种基于噪声数据的未知系统状态估计方法，能够基于系统离线收集到的带有噪声的输入、状态和输出数据构造基于数据的状态观测器，在在线运行过程中，仅通过系统的输入和输出数据进行系统状态估计并对利用估计状态对系统进行状态反馈控制，不需要预先的系统辨识.

为了实现上述发明目的，本发明的技术方案为：

一种基于噪声数据的未知系统状态估计方法，步骤包括：

S1、向未知系统施加控制输入，收集未知系统的状态和输出值，并根据施加的控制输入、收集到的未知系统的状态和输出值构建输入数据矩阵U₀、1步状态矩阵X₁、0步状态矩阵X₀和输出数据矩阵Y₀；

S2、利用S1中构造的输入数据矩阵U₀、1步状态矩阵X₁、0步状态矩阵X₀和输出数据矩阵Y₀求解三个SDP优化问题，得到状态-输入伪逆矩阵控制增益矩阵K^*和观测增益矩阵L^*；

S3、利用S2中求解得到的状态-输入伪逆矩阵控制增益矩阵K^*和观测增益矩阵L^*构造基于状态估计的反馈控制器；

S4，在线运行阶段，将未知系统和控制器通过网络进行连接，未知系统仅向控制器发送每一时刻的输出，控制器侧配置S3中设计的基于状态估计的反馈控制器对未知系统每一时刻的状态进行估计，并且将控制输入通过网络通道传回未知系统，对未知系统进行镇定；