非线性系统的自适应控制方法及装置

1.本发明涉及工程控制技术领域，尤其涉及一种非线性系统的自适应控制方法及装置。

背景技术：

2.在工业控制系统越来越复杂的背景下，模型预测控制(mpc)方法因其可以很好地解决时变、干扰等问题而受到广泛关注。然而，具有高度非线性和复杂性的实际工业过程很难获得精确的系统模型。但由于模型预测方法中的预测模型模块强调的是模型的功能而不是结构，只要模型可利用过去已知数据信息预测系统未来的输出行为就可以作为预测模型。因此许多专家学者开始研究数据驱动方法来设计mpc系统。其中一种典型方法是利用等价动态线性化数据模型,如紧格式数据模型、偏格式数据模型或全格式数据模型，来完成mpc中的预测功能。
3.但上述模型应用于实际系统时会存在如下不足：1)数据模型的参数无明确的物理含义，以至于难以界定其参数范围；2)需要在线实时估计多个模型参数，计算量大，且随着时间运行会出现偏离现象。

技术实现要素：

4.本发明的目的是提供一种非线性系统的自适应控制方法、装置、电子设备及存储介质，用于解决现有技术中存在的技术问题。
5.本发明提供一种非线性系统的自适应控制方法，所述方法包括：
6.确定所述被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
7.根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合；
8.根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
9.根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。
10.根据本发明提供的一种非线性系统的自适应控制方法，所述确定所述被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值，包括：
11.根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻和第k－1采样时刻之前的v个采样时刻的输入数据确定第k采样时刻的输出增量、第k－1采样时刻和第k－1采样时刻之前的v个采样时刻的输入增量，以及第k－1采样时刻的广义输入增量；
12.根据所述广义输入增量、所述输入增量、所述输出增量和第k－1采样时刻的三角数据模型中时变参数的估计值确定第k采样时刻的三角数据模型中时变参数的估计值。
13.根据本发明提供的一种非线性系统的自适应控制方法，所述根据所述广义输入增量、所述输入增量、所述输出增量和第k－1采样时刻的三角数据模型中时变参数的估计值确定第k采样时刻的三角数据模型中时变参数的估计值，包括：
14.根据所述广义输入增量、所述输入增量、所述输出增量和第k-1采样时刻的三角数据模型中时变参数的估计值采用以下计算公式确定第k采样时刻的三角数据模型中时变参数的估计值；
[0015][0016]
其中，为第k采样时刻的三角数据模型中时变参数的估计值，为第k-1采样时刻的三角数据模型中时变参数的估计值，δω(k-1)为第k-1采样时刻的广义输入增量；δy(k)为第k采样时刻的输出增量；其中：
[0017][0018]
其中，m为三角数据模型峰值对应的采样点，n为三角数据模型长度，v＝n；v为第k采样时刻之前采样时刻的数目；δu(k-b)和δu(k-s)分别为第k-b采样时刻、第k-s采样时刻的输入增量；
[0019]
δu(k-b)＝u(k-b)-u(k-b-1)，δu(k-s)＝u(k-s)-u(k-s-1)。
[0020]
根据本发明提供的一种非线性系统的自适应控制方法，所述根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k-1采样时刻及第k-1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p-1个采样时刻的预测输出数据集合，包括：
[0021]
根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k-1采样时刻及第k-1采样时刻之前的v个采样时刻的输入数据采用以下计算公式确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p-1个采样时刻的预测输出数据集合；
[0022]yz
(k+1)＝qy(k)+a1(k)δu(k)+b(k)δu
p
(k-1)
[0023]
q＝[1，1，
…
，1]
t
[0024][0025]
δu(k)＝[δu(k)，
…
，δu(k+n
u-1)]
t
[0026][0027]
δu
p
(k-1)＝[δu(k-1)，
…
，δu(k-n+2)]
t
[0028]
如果j＜m，aj和bj分别为：
[0029][0030][0031]
如果m≤j＜n，aj和bj分别为：
[0032][0033][0034]
δu(
·
)为采样时刻的输入增量数据，为第k采样时刻的三角数据模型中时变参数的估计值，a1(k)为矩阵a(k)的前nu列组成；nu小于或等于n
p
，n
p
小于v；yz(k+1)为第k采样时刻之后的n
p
个采样时刻的预测输出数据集合。
[0035]
根据本发明提供的一种非线性系统的自适应控制方法，所述根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差，包括：
[0036]
根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据采用以下计算公式确定第k采样时刻的反馈校正误差；
[0037]
e(k)＝f[y(k)-ym(k)]
[0038][0039]
[0040]
δuf(k-1)＝[δu(k-1)，
…
，δu(k+n
p-2)]
t
[0041]
其中，f为反馈系数矩阵，ym(k)为第k采样时刻的预测输出数据，y(k-1)为第k-1采样时刻的实际输出数据，e(k)为反馈校正误差。
[0042]
根据本发明提供的一种非线性系统的自适应控制方法，所述根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据，包括：
[0043]
根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合采用以下计算公式确定所述被控对象的第k采样时刻的输入数据；
[0044]
yf(k+1)＝yz(k+1)+e(k)
[0045]
j＝[yr(k+1)-yf(k+1)]
t
[yr(k+1)-yf(k+1)]+λδu(k)
t
δu(k)
[0046]
其中，λ＞0为权重因子。对等式j进行最小化得到如下最优预测控制律；
[0047][0048]
u(k)＝u(k-1)+g
t
δu(k)
[0049]
g＝[1，0，...，0]
t
[0050]
yr(k+1)＝[yr(k+1)，...，yr(k+n
p
)]
t
[0051]
其中，yf(k+1)为校正后的预测输出数据集合；yr(k+1)为参考信号集合。
[0052]
本发明还提供一种非线性系统的自适应控制装置，所述工程控制系统中包括多个被控对象，所述装置包括：
[0053]
辨识模块，用于确定所述被控对象的第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
[0054]
预测模块，用于根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k-1采样时刻及第k-1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p-1个采样时刻的预测输出数据集合；
[0055]
校正模块，用于根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
[0056]
优化模块，用于根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。
[0057]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述非线性系统的自适应控制方法的步骤。
[0058]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述非线性系统的自适应控制方法的步骤。
[0059]
本发明提供的非线性系统的自适应控制方法、装置、电子设备及存储介质，通过基于被控对象的实时输入和输出数据进行设计，通过三角数据模型中时变参数的估计值和实时输入和输出数据确定预测输出数据和预测输出数据集合，并在反馈校正误差的参与下，得到被控对象较为精确的输入数据，实现控制结构简单、灵活，易于推广的目的。
附图说明
[0060]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1是本发明提供的非线性系统的自适应控制方法的流程示意图；
[0062]
图2是本发明提供的非线性系统的自适应控制方法的数值仿真验证图之一；
[0063]
图3是本发明提供的非线性系统的自适应控制方法的数值仿真验证图之二；
[0064]
图4是本发明提供的非线性系统的自适应控制方法的数值仿真验证图之三；
[0065]
图5是本发明提供的非线性系统的自适应控制方法的数值仿真验证图之四；
[0066]
图6是本发明提供的非线性系统的自适应控制装置的结构示意图；
[0067]
图7是本发明提供的非线性系统的自适应控制系统的结构示意图；
[0068]
图8是本发明提供的电子设备的结构示意图。
具体实施方式
[0069]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0070]
图1是本发明提供的非线性系统的自适应控制方法的流程示意图，如图1所示，该方法适用于对工程控制系统中被控对象的控制，该工程控制涉及到电气工程的控制和机械工程的控制，在各类工程中，被控对象是工程中执行不同工作环境的被控设备。该方法包括以下步骤：
[0071]
11、确定被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
[0072]
12、根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合；
[0073]
13、根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
[0074]
14、根据预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻
之后的n
p
个采样时刻的参考信号集合确定被控对象的第k采样时刻的输入数据。
[0075]
对此，需要说明的是，工程控制系统中的每个被控对象在单个工作流程中均会被监测记录对应的输入数据和输出数据。在这里，单个工作流程对应一个采样时刻。在本发明中，获取被控对象的第k采样时刻和第k－1采样时刻的输出数据，以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，即获取当前采样时刻的输出数据，又获取历史采样时刻的输入数据和输出数据。在这里，v的数值根据具体场景具体设定。
[0076]
在本发明中，考虑一般离散时间非线性工程控制系统：
[0077]
y(k+1)＝f(y(k)，
…
，y(k-ny)，u(k)，
…
，u(k-nu))，
ꢀꢀ
(1)
[0078]
式中，y(k)和u(k)分别为被控对象在第k采样时刻的输出数据和输入数据，f(
·
)为预定的非线性函数，ny和nu分别为工程控制系统的输出阶数和输入阶数。
[0079]
若f(
·
)对u(k)存在连续偏导数，且满足对于任意时刻k和|δu(k)|≠0，均有|δy(k+1)|≤b|δu(k)|，其中b＞0为常数，可以得到一个时变有界参数h(k)使公式(1)等价地转换为如下三角数据模型：
[0080]
δy(k+1)＝h(k)δω(k)，
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0081]
其中，
[0082]082]
为广义输入增量，δy(k+1)＝y(k+1)-y(k)为输出增量，δu(k)＝u(k)-u(k-1)为输入增量。
[0083]
三角数据模型共有三个参数：h(k)、m和n，均具有明确的物理意义，即：h(k)为三角数据模型的峰值，m为三角数据模型峰值对应的采样点，n为三角数据模型长度。对于给定的非线性系统，时变参数h(k)可以在线实时估计，m和n可以根据系统在相应操作点的阶跃响应确定。
[0084]
由公式(2)可以看出，虽然三角数据模型是偏格式数据模型的一种特殊形式，但相比于具有多个参数的偏格式模型，三角数据模型只有一个时变参数需要在线实时辨识，计算量小，且具有明确的物理意义。
[0085]
在本发明中，由于上述对三角数据模型的陈述，根据第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值。
[0086]
具体为：根据第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻和第k-1采样时刻之前的v个采样时刻的输入数据确定第k采样时刻的输出增量、第k-1采样时刻和第k-1采样时刻之前的v个采样时刻的输入增量，以及第k-1采样时刻的广义输入增量；
[0087]
根据广义输入增量、输入增量、输出增量和第k-1采样时刻的三角数据模型中时变参数的估计值确定第k采样时刻的三角数据模型中时变参数的估计值。
[0088][0089]
其中，为第k采样时刻的三角数据模型中时变参数的估计值，为第k-1采样时刻的三角数据模型中时变参数的估计值(最初的可为1)，δω(k-1)为第k-1采样时刻的广义输入增量；δy(k)为第k采样时刻的输出增量；其中：
[0090][0091]
其中，m为三角数据模型峰值对应的采样点，n为三角数据模型长度，v＝n；v为第k采样时刻之前采样时刻的数目；δu(k-b)和δu(k-s)分别为第k-b采样时刻、第k-s采样时刻的输入增量；
[0092]
δu(k-b)＝u(k-b)-u(k-b-1)，δu(k-s)＝u(k-s)-u(k-s-1)。
[0093]
在本发明中，根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k-1采样时刻及第k-1采样时刻之前的v个采样时刻的输入数据采用以下计算公式确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p-1个采样时刻的预测输出数据集合。如下：
[0094]yz
(k+1)＝qy(k)+a1(k)δu(k)+b(k)δu
p
(k-1)
[0095]
q＝[1，1，
…
，1]
t
[0096][0097]
δu(k)＝[δu(k)，
…
，δu(k+n
u-1)]
t
[0098][0099]
δu
p
(k-1)＝[δu(k-1)，
…
，δu(k-n+2)]
t
[0100]
如果j＜m，aj和bj分别为：
[0101][0102][0103]
如果m≤j＜n，aj和bj分别为：
[0104]
[0105][0106]
δu(
·
)为某个采样时刻的输入增量数据，为第k采样时刻的三角数据模型中时变参数的估计值，a1(k)为矩阵a(k)的前nu列组成；nu小于或等于n
p
，n
p
小于v；yz(k+1)为第k采样时刻之后的n
p
个采样时刻的预测输出数据集合；y(k)为第k采样时刻的输出数据。
[0107]
在本发明中，根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据采用以下计算公式确定第k采样时刻的反馈校正误差；
[0108]
e(k)＝f[y(k)-ym(k)]
[0109][0110][0111]
δuf(k-1)＝[δu(k-1)，
…
，δu(k+n
p-2)]
t
[0112]
其中，f为反馈系数矩阵，ym(k)为第k采样时刻的预测输出数据，y(k-1)为第k-1采样时刻的实际输出数据，e(k)为反馈校正误差。
[0113]
在本发明中，根据预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合采用以下计算公式确定被控对象的第k采样时刻的输入数据；
[0114]
yf(k+1)＝yz(k+1)+e(k)
[0115]
j＝[yr(k+1)-yf(k+1)]
t
[yr(k+1)-yf(k+1)]+λδu(k)
t
δu(k)
[0116]
其中，λ＞0为权重因子，对等式j进行最小化得到如下最优预测控制律；
[0117][0118]
u(k)＝u(k-1)+g
t
δu(k)
[0119]
g＝[1，0，...，0]
t
[0120]
yr(k+1)＝[yr(k+1)，...，yr(k+n
p
)]
t
[0121]
其中，yf(k+1)为校正后的预测输出数据集合；yr(k+1)为参考信号集合。
[0122]
另外，还需要说明的是，上述各公式中存在相互关联。
[0123]
为了验证本发明控制方案相对于偏格式mpc方法的优势，下面利用matlab软件对非线性系统进行数值仿真验证：
[0124][0125]
两种控制方案共同的参数选为μ＝0.5、n
p
＝4、nu＝2、f＝[1，1，...，1]
t
。本发明控制方案的参数选为n＝5、m＝2、λ＝20、偏格式无模型自适应预测控制方法的参数选为l＝4、λ＝37.6、仿真如附图2-5所示。
[0126]
附图2是本发明和偏格式mpc对幅值为1的方波信号的跟踪效果，从附图2可以看出
两种控制方法在超调量几乎相等的情况下，本发明方法比偏格式mpc方法有更快的输出跟踪响应。
[0127]
附图3和4是本发明和偏格式mpc对幅值为1的正弦信号的跟踪效果，从附图3可以看出，在初始阶段，本发明方法的输出跟踪响应仍比偏格式mpc方法稍快一些，而且，随着运行时间的增长，本发明方法的性能保持不变，但偏格式mpc方法的性能则变差了很多，这是由于偏格式mpc方法同时辨识4个模型参数，随着运行时间的增长，模型参数的估计值出现了偏离现象，而三角数据模型的唯一参数的估计值则比较稳定，如附图5所示。由此可知，本发明方法与偏格式mpc方法相比，具有更优的跟踪性能，且计算量较小。
[0128]
本发明提供的非线性系统的自适应控制方法，通过基于被控对象的实时输入和输出数据进行设计，通过三角数据模型中时变参数的估计值和实时输入和输出数据确定预测输出数据和预测输出数据集合，并在反馈校正误差的参与下，得到被控对象较为精确的输入数据，实现控制结构简单、灵活，易于推广的目的。
[0129]
图6是本发明提供的非线性系统的自适应控制装置的结构示意图，如图6所示，该装置包括辨识模块61、预测模块62、校正模块63和优化模块64，其中：
[0130]
辨识模块61，用于确定被控对象的第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
[0131]
预测模块62，用于根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k-1采样时刻及第k-1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p-1个采样时刻的预测输出数据集合；
[0132]
校正模块63，用于根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
[0133]
优化模块64，用于根据预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定被控对象的第k采样时刻的输入数据。
[0134]
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
[0135]
需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模。
[0136]
本发明提供的非线性系统的自适应控制装置，通过基于被控对象的实时输入和输出数据进行设计，通过三角数据模型中时变参数的估计值和实时输入和输出数据确定预测输出数据和预测输出数据集合，并在反馈校正误差的参与下，得到被控对象较为精确的输入数据，实现控制结构简单、灵活，易于推广的目的。
[0137]
图7是本发明提供的非线性系统的自适应控制系统的结构示意图，如图7所示，该系统包括辨识器、三角模型预测器、反馈校正器以及优化控制器，其中：
[0138]
辨识器，用于确定所述被控对象的第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第
k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
[0139]
三角模型预测器，用于根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合；
[0140]
反馈校正器，用于根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
[0141]
优化控制器，用于根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。
[0142]
由于本发明实施例所述系统与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
[0143]
需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模。
[0144]
本发明提供的非线性系统的自适应控制系统，通过基于被控对象的实时输入和输出数据进行设计，通过三角数据模型中时变参数的估计值和实时输入和输出数据确定预测输出数据和预测输出数据集合，并在反馈校正误差的参与下，得到被控对象较为精确的输入数据，实现控制结构简单、灵活，易于推广的目的。
[0145]
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)81、通信接口(communication interface)82、存储器(memory)83和通信总线84，其中，处理器81，通信接口82，存储器83通过通信总线84完成相互间的通信。处理器81可以调用存储器83中的计算机程序，以执行非线性系统的自适应控制方法的步骤，例如包括：
[0146]
确定被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
[0147]
根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合；
[0148]
根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
[0149]
根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。
[0150]
此外，上述的存储器83中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使
得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0151]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的非线性系统的自适应控制方法，该方法包括：
[0152]
确定被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
[0153]
根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合；
[0154]
根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
[0155]
根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。
[0156]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的非线性系统的自适应控制方法，该方法包括：
[0157]
确定被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；
[0158]
根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合；
[0159]
根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；
[0160]
根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。
[0161]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0162]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可
借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0163]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种非线性系统的自适应控制方法，其特征在于，所述方法包括：确定所述被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合；根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。2.根据权利要求1所述的非线性系统的自适应控制方法，其特征在于，所述确定所述被控对象的第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及第k－1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值，包括：根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻和第k－1采样时刻之前的v个采样时刻的输入数据确定第k采样时刻的输出增量、第k－1采样时刻和第k－1采样时刻之前的v个采样时刻的输入增量，以及第k－1采样时刻的广义输入增量；根据所述广义输入增量、所述输入增量、所述输出增量和第k－1采样时刻的三角数据模型中时变参数的估计值确定第k采样时刻的三角数据模型中时变参数的估计值。3.根据权利要求2所述的非线性系统的自适应控制方法，其特征在于，所述根据所述广义输入增量、所述输入增量、所述输出增量和第k－1采样时刻的三角数据模型中时变参数的估计值确定第k采样时刻的三角数据模型中时变参数的估计值，包括：根据所述广义输入增量、所述输入增量、所述输出增量和第k－1采样时刻的三角数据模型中时变参数的估计值采用以下计算公式确定第k采样时刻的三角数据模型中时变参数的估计值；其中，为第k采样时刻的三角数据模型中时变参数的估计值，为第k－1采样时刻的三角数据模型中时变参数的估计值，δω(k-1)为第k－1采样时刻的广义输入增量；δy(k)为第k采样时刻的输出增量；其中：其中，m为三角数据模型峰值对应的采样点，n为三角数据模型长度，v＝n；v为第k－1采样时刻之前采样时刻的数目；δu(k-b)和δu(k-s)分别为第k-b采样时刻、第k-s采样时刻
的输入增量；δu(k-b)＝u(k-b)-u(k-b-1)，δu(k-s)＝u(k-s)-u(k-s-1)。4.根据权利要求3所述的非线性系统的自适应控制方法，其特征在于，所述根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k－1采样时刻及第k－1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p
－1个采样时刻的预测输出数据集合，包括：根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k-1采样时刻及第k-1采样时刻之前的v个采样时刻的输入数据采用以下计算公式确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p-1个采样时刻的预测输出数据集合；y
z
(k+1)＝qy(k)+a1(k)δu(k)+b(k)δu
p
(k-1)q＝[1，1，
…
，1]
t
δu(k)＝[δu(k)，
…
，δu(k+n
u-1)]
t
δu
p
(k-1)＝[δu(k-1)，
…
，δu(k-n+2)]
t
如果j＜m，a
j
和b
j
分别为：分别为：如果m≤j＜n，a
j
和b
j
分别为：分别为：δu(
·
)为采样时刻的输入增量数据，为第k采样时刻的三角数据模型中时变参数
的估计值，a1(k)为矩阵a(k)的前nu列组成；n
u
小于或等于n
p
，n
p
小于v；y
z
(k+1)为第k采样时刻之后的n
p
个采样时刻的预测输出数据集合。5.根据权利要求4所述的非线性系统的自适应控制方法，其特征在于，所述根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差，包括：根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据采用以下计算公式确定第k采样时刻的反馈校正误差；e(k)＝f[y(k)-y
m
(k)](k)]δu
f
(k-1)＝[δu(k-1)，
…
，δu(k+n
p-2)]
t
其中，f为反馈系数矩阵，y
m
(k)为第k采样时刻的预测输出数据，y(k-1)为第k-1采样时刻的实际输出数据，e(k)为反馈校正误差。6.根据权利要求5所述的非线性系统的自适应控制方法，其特征在于，所述根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据，包括：根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合采用以下计算公式确定所述被控对象的第k采样时刻的输入数据；y
f
(k+1)＝y
z
(k+1)+e(k)j＝[y
r
(k+1)-y
f
(k+1)]
t
[y
r
(k+1)-y
f
(k+1)]+λδu(k)
t
δu(k)其中，λ＞0为权重因子，对等式j进行最小化得到如下最优预测控制律；u(k)＝u(k-1)+g
t
δu(k)g＝[1，0，...，0]
t
y
r
(k+1)＝[y
r
(k+1)，...，y
r
(k+n
p
)]
t
其中，y
f
(k+1)为校正后的预测输出数据集合；y
r
(k+1)为参考信号集合。7.一种非线性系统的自适应控制装置，其特征在于，所述装置包括：辨识模块，用于确定所述被控对象的第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，根据第k采样时刻和第k-1采样时刻的输出数据以及第k-1采样时刻以及第k-1采样时刻之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；预测模块，用于根据第k采样时刻的三角数据模型中时变参数的估计值、第k采样时刻的输出数据以及第k-1采样时刻及第k-1采样时刻之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及第k+1采样时刻之后的n
p-1个采样时刻的预测输出数据集合；
校正模块，用于根据第k采样时刻的预测输出数据和第k采样时刻的实际输出数据确定第k采样时刻的反馈校正误差；优化模块，用于根据所述预测输出数据集合、第k采样时刻的反馈校正误差和预设的第k采样时刻之后的n
p
个采样时刻的参考信号集合确定所述被控对象的第k采样时刻的输入数据。8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述非线性系统的自适应控制方法的步骤。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述非线性系统的自适应控制方法的步骤。

技术总结

本发明提供一种非线性系统的自适应控制方法及装置，该方法包括：根据第k采样时刻和第k－1采样时刻的输出数据以及第k－1采样时刻以及之前的v个采样时刻的输入数据，确定第k采样时刻的三角数据模型中时变参数的估计值；根据估计值、第k采样时刻的输出数据以及第k－1采样时刻及之前的v个采样时刻的输入数据确定第k+1采样时刻的预测输出数据，以及其他采样时刻的预测输出数据集合；根据第k采样时刻的预测输出数据和实际输出数据确定第k采样时刻的反馈校正误差；根据预测输出数据集合、反馈校正误差和其他采样时刻的参考信号集合确定被控对象的第k采样时刻的输入数据，实现非线性系统的自适应控制，控制结构简单、灵活，易于推广。推广。推广。