基于嵌入式多模型框架的非线性系统无模型自适应控制:方法与应用示例

《IEEE Transactions on Industrial Informatics》:Model-Free Adaptive Control of Discrete-Time Nonlinear Systems with Embedded Multimodel Framework: Approach and Example

【字体: 大 中 小 】 时间:2025年12月11日 来源:IEEE Transactions on Industrial Informatics 9.9

编辑推荐:

  本文针对传统无模型自适应控制(MFAC)中全形式动态线性化(FFDL)数据模型无法利用系统动态和先验知识的问题,提出了一种结合多模型(MM)技术和MFAC的新方法。研究人员通过将局部自回归外生输入(ARX)模型网络嵌入FFDL结构,构建了更鲁棒的时变数据模型(M-ARX-MFAC)。该方法在多输入多输出(MIMO)三容水箱系统(3TS)上的实验表明,其在不同测量噪声下均能稳定跟踪参考信号,且控制输入更平滑、强度更低,显著优于传统MFAC-FFDL,为复杂非线性系统的控制提供了更具物理意义和实用性的解决方案。

  
在控制理论领域,如何有效掌控复杂的非线性系统一直是个核心挑战。传统的模型基控制(MBC)方法严重依赖被控对象的精确数学模型,而实际系统中,建模误差、未建模动态和各种不确定性往往难以避免,导致控制器性能下降。虽然鲁棒控制和自适应控制等方法试图解决这些问题,但对于高度复杂的系统,构建高精度模型本身就需要耗费大量时间和精力。另一方面,数据驱动控制(DDC)方法应运而生,其目标是绕过复杂的系统辨识过程,直接利用系统的输入输出(I/O)数据来设计控制器。无模型自适应控制(MFAC)便是DDC阵营中的一员佼佼者,它特别适用于未知的非仿射非线性离散时间系统。
在MFAC框架中,全形式动态线性化(FFDL)是最具一般性的数据模型,它考虑了过去一段时间窗口内的I/O增量。然而,FFDL数据模型本质上是一种面向控制的模型,它缺乏对系统动力学的直接物理表征,其参数是纯粹基于数据在线估计的时变参数,与系统的物理特性脱节。这意味着,尽管MFAC方法结构简单且在许多实际应用(如电动汽车、四旋翼飞行器、大型风力发电机)中展现了其实用性,但其数据模型未能利用任何关于系统的先验知识,这在一定程度上限制了其性能和对系统行为的深入理解。此外,FFDL参数估计的演化需要精心设置重置条件以确保其有界性,这些重置条件的参数(如 b1, α, b2)整定在系统动态未知且无先验信息时尤为困难。
与此同时,现代工业系统虽然日益复杂并产生海量数据,但它们很少是“完全未知”的。工程师通常能获得系统在某些特定工作点附近的局部信息,例如通过系统辨识得到的局部线性模型。多模型(MM)框架为利用这种局部知识提供了一种强大而透明的数学工具。其核心思想是用一组局部模型(如自回归外生输入(ARX)模型)的加权组合来近似复杂的非线性系统在整个操作面上的全局行为。常见的实现方式包括基于工作模式的MM、局部模型网络和Takagi-Sugeno模糊局部模型等。这种方法为表示复杂系统提供了一个清晰且数学上易于处理的框架,非常适合于控制应用。
那么,能否将MFAC的数据驱动优势与多模型方法整合先验知识的能力结合起来,取长补短呢?这正是发表于《IEEE Transactions on Industrial Informatics》上的论文“Model-Free Adaptive Control of Discrete-Time Nonlinear Systems with Embedded Multimodel Framework: Approach and Example”所要探索的核心问题。这项研究由Soheil Salighe和Dirk Soffker(IEEE会员)完成,他们提出了一种新颖的方法,首次将部分系统知识(以在不同工作点辨识的局部ARX模型形式)集成到MFAC的FFDL数据模型中。
研究人员巧妙地利用了FFDL模型和ARX模型在结构上的相似性。具体而言,FFDL数据模型描述为 y(k+1) - y(k) = ΦH(k)ΔH(k),而ARX模型可以 rearranged 为类似形式 y(k+1) - y(k) = Θ?Δ?(k)。这种结构上的对应关系为融合提供了基础。论文提出的方法称为多ARX MFAC(M-ARX-MFAC),其核心在于用一个多ARX(M-ARX)模型来增强传统的FFDL模型。这个M-ARX模型是通过在非线性系统的多个操作点上预先辨识的局部ARX模型混合而成,混合权重由高斯有效性函数(如公式(17)所示)根据系统当前输出(即操作点)动态计算。
图1展示了M-ARX-MFAC的控制结构。关键在于对参数估计律的修改。传统的MFAC-FFDL通过最小化仅包含输出预测误差的准则(公式(6))来更新ΦH(k)(公式(7))。而M-ARX-MFAC则定义了一个新的目标函数(公式(21)),该函数同时最小化输出误差和当前参数估计ΦH(k)与由系统操作点决定的M-ARX系数Θ?M(y(k))之间的距离。这导出了新的参数估计算法(公式(23)),其中包含一个额外的项,引导ΦH(k)的估计值向包含局部系统信息的Θ?M(y(k))收敛。控制输入的计算则与MFAC-FFDL类似(公式(11))。
为验证所提方法的有效性,研究在一个典型的多输入多输出(MIMO)非线性工业过程——三容水箱系统(3TS)上进行了实验对比。
该系统(图2)包含三个相互连通的储水罐,有两个输入流量(q1, q2)和两个输出水位(h1, h2),其动力学由非线性微分方程(公式(24))描述,涉及水箱间的水流,具有很强的非线性特性。控制任务是让系统水位跟踪缓慢变化的期望参考轨迹,这些轨迹被设计为遍历由水位h1和h2张成的二维操作面上的九个不同区域(对应九个局部ARX模型的辨识点),如图3所示。
研究采用C-准则(结合均方误差(MSE)、均方输入(MSI)和均方输入差分(MSID)等多个性能指标)来全面评估控制器性能。首先,在无测量噪声的理想情况下,通过参数扫描选择了能使两种控制器(MFAC-FFDL和M-ARX-MFAC)性能相当的控制器参数(λ值)。结果显示,在选定的参数下,M-ARX-MFAC能够实现与MFAC-FFDL相似的跟踪精度(MSE),同时其控制输入特性(MSI, MSID)也表现相当。然而,M-ARX-MFAC的关键优势在于其数据模型参数ΦH(k)的演化:如图8所示,M-ARX-MFAC的ΦH(k)参数被有效地引导至M-ARX系数Θ?M(k)附近,这些系数反映了系统在当前操作区域的局部动态信息,因而具有更明确的物理意义,且演化更为平滑。相比之下,传统MFAC-FFDL的参数演化则显得更不规则。
在存在测量噪声的更实际场景下,M-ARX-MFAC的鲁棒性优势更加明显。研究考察了三种不同幅度的均匀分布测量噪声(Case 1-3)。当使用较小的参数μ(允许参数快速适应但易受噪声影响)时,两种控制器的参数估计都会受到噪声干扰(图11)。然而,M-ARX-MFAC提供了一个关键特性:通过增大μ值,可以有效地抑制噪声对参数估计的影响,同时由于估计律中引导项的存在,ΦH(k)仍然能够收敛到有物理意义的M-ARX系数附近,从而保持控制器的适应性和时变性。而传统MFAC-FFDL在增大μ时,参数更新会被限制在初始值附近,导致适应性丧失。
性能对比进一步表明(图12, 13),当两种控制器使用相同的控制参数(λ和μ)时,M-ARX-MFAC在控制输入的强度(M-MSI)和平滑度(M-MSID)方面均显著优于MFAC-FFDL,尤其是在存在测量噪声的情况下。这意味着M-ARX-MFAC能以更平稳、能量效率可能更高的控制动作实现相当的跟踪性能,这对于实际工程应用非常重要。
本研究的主要技术方法包括:1)构建基于局部ARX模型的多模型(MM)框架,利用高斯加权函数混合局部模型以描述非线性系统全局动态;2)将多模型结构与无模型自适应控制(MFAC)的全形式动态线性化(FFDL)数据模型相结合,通过修改参数估计准则,引导时变参数向包含先验知识的M-ARX系数收敛;3)在非线性MIMO三容水箱系统(3TS)实验平台上进行验证,该系统为具有两个输入和两个输出的工业过程典型代表;4)采用C-准则等多项性能指标,在不同测量噪声场景下与传统MFAC-FFDL进行对比评估。
研究结果
控制器性能对比:在无噪声和多种噪声条件下,基于C-准则的系统性评估表明,所提出的M-ARX-MFAC控制器在跟踪精度上与传统MFAC-FFDL相当。然而,其显著优势体现在控制输入特性上。当控制器参数设置相同时,M-ARX-MFAC产生的控制输入不仅强度(通过修正的均方输入M-MSI衡量)更低,而且变化更加平滑(通过修正的均方输入差分M-MSID衡量),这在图13的结果中得到了清晰展示,特别是在存在测量噪声的情况下,M-ARX-MFAC的性能优势更为突出。
数据模型参数演化:通过对估计参数矩阵ΦH(k)元素随时间变化的分析发现,传统MFAC-FFDL的参数演化可能因重置条件而出现跳变,且对测量噪声敏感。相比之下,M-ARX-MFAC的参数演化(图8)则表现出更强的鲁棒性和平滑性。其参数被有效地引导至由当前操作点决定的、包含物理意义的混合ARX系数Θ?M(k)附近。这种引导作用使得参数估计不再完全依赖于初始值的选择,并减少了对重置条件的依赖。
多模型贡献度分析:图7展示了在不同时间点,各个局部ARX模型对最终混合M-ARX模型的贡献权重(归一化后的高斯权重)。结果表明,当系统操作点靠近某个预定义的局部模型区域时,该模型的权重会显著增加,从而使其动态特性在整体模型中占据主导地位。这验证了多模型框架能够根据系统状态自适应地调整其内部模型组合,实现对非线性系统的平滑近似。
输入输出响应:如图9和图10所示,无论是无噪声环境还是存在显著测量噪声的情况,M-ARX-MFAC均能有效跟踪期望的水位参考轨迹。其控制性能与传统MFAC-FFDL相当,甚至在某些方面(如输入平滑性)更优,证明了该方法的有效性和实用性。
结论与意义
本研究成功地提出并验证了一种将多模型(MM)框架嵌入无模型自适应控制(MFAC)的新策略——M-ARX-MFAC。该方法通过整合在不同操作点预先辨识的局部ARX模型,有效地将部分先验系统知识引入到传统MFAC所依赖的、缺乏物理意义的FFDL数据模型中。这种创新不仅使数据模型参数ΦH(k)的演化具备了物理基础(收敛于反映局部动态的M-ARX系数),而且显著提升了参数在测量噪声干扰下的鲁棒性。
理论分析指出,M-ARX-MFAC的稳定性依赖于局部ARX模型的稳定性、参考轨迹的缓慢变化以保证模型间的平滑过渡,以及估计参数的有界性。在三容水箱系统(3TS)上的实验结果表明,M-ARX-MFAC在保持与传统MFAC-FFDL相当跟踪精度的同时,能够产生更平滑、强度更低的控制输入,尤其在面对实际中不可避免的测量噪声时,这一优势更为明显。这意味着M-ARX-MFAC可能具有更好的实际应用潜力和工程移植性。
这项工作的重要意义在于它为弥合数据驱动控制与模型基控制之间的鸿沟提供了一个有效的途径。它表明,即使是“部分”的先验知识,也能显著增强纯粹数据驱动方法的性能和可解释性。未来工作的方向包括将该方法扩展到无模型自适应预测控制(MFAPC)框架中,以利用M-ARX模型进行更可靠的输出预测,以及研究在系统操作超出预先定义区域或发生动态变化时,如何结合在线系统辨识技术来更新或扩展局部模型库,从而维持控制器的长期性能和适应性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号