一种基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术技术方案

本发明专利技术公开一种基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术，属于智能控制领域。数据驱动框架下，针对带宽有限的重复网络化非线性系统的数据传输质量恶化问题，补偿策略如下：建立重复非线性系统；将其转化为等价线性数据模型；建立跟踪误差与编解码机制之间的数据关联关系；设计预测补偿机制实现不可用数据的预测补偿；设计更新算法估计线性数据模型中的伪偏导数；设计迭代学习控制算法保证重复非线性系统的收敛及稳定。本发明专利技术公开的编解码动态预测补偿技术可避免由于网络带宽限制而导致的数据传输质量下降，使用了数据驱动的方法，能够不依赖精确系统模型信息，在保证鲁棒性和良好适应性的同时节省有限网络资源并提高控制性能。络资源并提高控制性能。络资源并提高控制性能。

【技术实现步骤摘要】
一种基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术


[0001]本专利技术属于智能控制
，更具体地，涉及一种在有限时间区间内重复运行的具有有限通信容量和带宽限制的网络化非线性系统的数据传输质量恶化的预测补偿技术。

技术介绍

[0002]由于工业环境中网络技术的普及，数字通信与控制系统的相互渗透变得更加普遍，许多工业控制系统都面向网络传输，故网络控制系统以其高灵活性越来越为研究者们所重视。但网络控制系统的显著特征之一是通过公共共享的通信网络进行数据传输，这就引出了如何有效利用有限的网络信道容量提高信号传输质量和速率的问题。从节能角度看，数据量化控制技术是提高通信资源利用率的有效方法。其次，现代工业控制系统的规模和复杂度在不断增加，由于有限通信负载、远程信号传输、控制设备故障等各种原因而导致的被控系统数据的不可利用会造成控制精度的下降，预测补偿技术可以实现不可用数据的预测估计，进而有效提高系统的控制性能。此外，工业系统实际上是动态过程，其行为会因外部干扰，状态环境等因素发生很大变化，致使大型动态行为与基于离线数据的模型不匹配，故仅利用系统输入/输出数据的数据驱动控制技术，是面向网络传输的工业控制系统高性能高质量控制的最佳选择。
[0003]对于基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术的研究，需要考虑以下三方面的问题：1、该技术能够适用于高复杂的多样性网络化工业控制系统；2、在保证适用性的同时，实现较高预测精度和未知参数的有效估计；3、在保证节省有限网络通信资源的同时，提高数据传输质量及控制性能。
[0004]许多网络控制系统是在固定时间间隔内重复执行的，针对其重复运行特性，迭代学习控制作为一种典型的数据驱动控制方法是很好的选择。目前数据量化控制在数据驱动迭代学习系统中得到了广泛应用。量化器作为数据量化控制中的重要一环，吸引了国内外众多研究学者的关注。最常见的为静态对数量化器和动态均匀量化器，且已有的有关前者的研究成果远超后者。但静态对数量化器在每次调用时都需要重新计算，并且其量化数据独立于之前的状态变量，故其无法储存数据且计算负担大。由均匀量化器和编解码机制组成的动态均匀量化器能有效降低计算量并实现更好的控制性能。然而，动态均匀量化器在数据驱动学习系统中的应用仍处于起步阶段，并且已有结果或者基于线性系统，或者基于连续时间系统，或者基于系统模型信息，或者基于固定学习增益，在数据驱动框架下，对于非线性系统及离散时间系统的研究结果还很少，对这些问题的研究将具有更普遍的意义和应用价值。此外，如何针对编解码机制引入所导致的被控系统数据信息对于控制器的不可直接利用所带来的影响，设计一种不依赖精准模型的预测补偿技术及控制方法，是面向网络传输的实际工业系统中一项亟待开展和研究的工作。
[0005]为了有效利用有限的网络资源并提高控制性能，有必要针对有限时间区间内重复
运行的具有有限通信容量和带宽限制的网络化非线性系统的数据传输质量恶化问题，设计一种不依赖系统模型信息，具有较强适应性及灵活性的数据驱动学习控制系统，以保证较高的预测精度及参数实时估计性能。

技术实现思路

[0006]本专利技术公开的一种基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术要解决的技术问题是，保证有限时间区间内重复运行的具有有限通信容量和带宽限制的网络化非线性系统不依赖精确模型实现高性能控制的同时，提高数据传输质量并节省有限网络资源，能能够实时估计未知参数，增强对系统不确定性的适应能力，并具有良好的通用性。
[0007]本专利技术的目的通过以下技术方案实现：
[0008]本专利技术公开的一种基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术，主要针对有限时间区间内重复运行的具有有限通信容量和带宽限制的网络化非线性系统的数据传输质量恶化的预测补偿问题，在数据驱动框架下，设计的基于编解码机制的量子化参数更新算法能够实时估计线性化数据模型中迭代时变的伪偏导数，设计的基于编解码机制的量子化迭代学习控制算法能够不依赖具体的系统模型信息，具有较好的适用性和较强鲁棒性，满足了节省有限网络资源及提高控制性能的要求。
[0009]本专利技术公开的一种基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术，所述方法包括以下步骤：
[0010]步骤1、建立有限时间区间内重复运行的网络化非线性系统：
[0011]考虑一个在有限时间区间内重复运行的离散时间网络化非线性系统：
[0012]y
k
(t+1)＝f(y
k
(t),
…
,y
k
(t
‑
n
y
),u
k
(t),
…
,u
k
(t
‑
n
u
))；
[0013]其中，k∈{1,2,
…
}表示迭代次数；t∈{0,1,
…
,N}表示时刻，N是一个正整数，表示有限采样区间的终端点；y
k
(t)表示第k次迭代第t时刻，非线性系统的输出；u
k
(t)表示第k次迭代第t时刻，非线性系统的输入；n
y
和n
u
是两个未知的正整数，表示非线性系统的阶数；f(
·
)表示未知的非线性函数；
[0014]该系统满足：
[0015]非线性函数f(
·
)满足广义Lipschitz连续条件，对于任何的x1≠x2，x1,x2＞0，u1≠u2，有不等式|f(x1,u1)
‑
f(x2,u2)|≤c1|x1‑
x2|+c2||u1‑
u2||成立；系统输出的初始值在每次迭代时都是相等的，y
k
(0)＝y0；非线性函数f(
·
)对于控制输入的偏导数是有界且非奇异的，其符号是已知且固定不变的，不失一般性，在这里考虑的情况；当t＜0时，系统输出和控制输入为零，y
k
(t)＝0且u
k
(t)＝0；
[0016]其中，c1,c2＞0表示有界的Lipschitz常数；y0是常数；τ＞0是常数；
[0017]步骤2、将重复运行的网络化非线性系统转化为等价的线性化数据模型：
[0018]Δy
k
(t+1)＝θ
k
(t)Δu
k
(t)；
[0019]其中，θ
k
(t)表示第k次迭代第t时刻，定义的伪偏导数，它是迭代时变的；Δy
k
(t+1)表示第k次迭代第(t+1)时刻，系统输出沿迭代的差分；Δu
k
(t)表示第k次迭代第t时刻，系统输入沿迭代的差分；θ
k
(t)＝[θ
k
(0),θ
k
(1),
…
,θ
k
(t)]，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于均匀量化器的数据驱动学习系统的编解码动态预测补偿技术，其特征在于：所述方法包括以下步骤：步骤1、建立有限时间区间内重复运行的网络化非线性系统：考虑一个在有限时间区间内重复运行的离散时间网络化非线性系统：y
k
(t+1)＝f(y
k
(t),
…
,y
k
(t
‑
n
y
),u
k
(t),
…
,u
k
(t
‑
n
u
))；其中，k∈{1,2,
…
}表示迭代次数；t∈{0,1,
…
,N}表示时刻，N是一个正整数，表示有限采样区间的终端点；y
k
(t)表示第k次迭代第t时刻，非线性系统的输出；u
k
(t)表示第k次迭代第t时刻，非线性系统的输入；n
y
和n
u
是两个未知的正整数，表示非线性系统的阶数；f(
·
)表示未知的非线性函数；该系统满足：当t＜0时，系统输出和控制输入为零，y
k
(t)＝0且u
k
(t)＝0；非线性函数f(
·
)满足广义Lipschitz连续条件，对于任何的x1≠x2，x1,x2＞0，u1≠u2，有|f(x1,u1)
‑
f(x2,u2)|≤c1|x1‑
x2|+c2||u1‑
u2||成立；系统输出的初始值在每次迭代时都是相等的，y
k
(0)＝y0；非线性函数f(
·
)对于控制输入的偏导数是有界且非奇异的，其符号是已知且固定不变的，不失一般性，在这里考虑的情况；其中，c1,c2是两个正数，表示有界的Lipschitz常数；y0是一个常数；τ是一个正常数；步骤2、将重复运行的网络化非线性系统转化为等价的线性化数据模型：Δy
k
(t+1)＝θ
k
(t)Δu
k
(t)；其中，θ
k
(t)表示第k次迭代第t时刻，定义的伪偏导数，它是迭代时变的；Δy
k
(t+1)表示第k次迭代第(t+1)时刻，系统输出沿迭代的差分；Δu
k
(t)表示第k次迭代第t时刻，系统输入沿迭代的差分；θ
k
(t)＝[θ
k
(0),θ
k
(1),
…
,θ
k
(t)]，是有界的，满足sup
k
max
t
||θ
k
(t)||≤c2；u
k
(t)＝[u
k
(0),u
k
(1),
…
,u
k
(t)]
T
；Δy
k
(t+1)＝y
k
(t+1)
‑
y
k
‑1(t+1)；Δu
k
(t)＝u
k
(t)
‑
u
k
‑1(t)；步骤3、建立跟踪误差信号与均匀量化器和编解码机制之间的数据关联关系：其中，e
k
(t)表示第k次迭代第t时刻，系统的跟踪误差信号；
表示第k次迭代第t时刻，编解码后的误差量化信号；b
k
表示第k次迭代的尺度函数；γ
e,k
(t)表示第k次迭代第t时刻，跟踪误差信号e
k
(t)经均匀量化器量化后与原始数据之间产生的量化误差；步骤4、设计基于线性化数据模型的动态预测补偿机制实现不可用数据信息的预测补偿：其中，表示第k次迭代第(t+1)时刻，定义的预测输出；表示定义的伪偏导数θ
k
(t)的估计；y
d
(t+1)表示第(t+1)时刻，系统的期望输出，其沿迭代方向为常值；Γ>0表示学习增益，是一个常数；定义第k次迭代第(t+1)时刻，期望输出与预测输出之间的差值为步骤5、设计基于编解码机制的量子化参数更新算法实时估计线性化数据模型中的伪偏导数：偏导数：若或其中，表示第k次迭代第t时刻，定义的伪偏导数θ
k
(t)的估计；表示定义的伪偏导数估计的迭代初始值；表示第k次迭代，伪偏导数估计中的第(i+1)个元素，i∈{0,
…
,t}；表示控制输入迭代增量的转置；μ＞0表示权重因子；0＜η＜2表示步长因子；ε＞0是一个很小的正数；表示第k次迭代第(t+1)时刻，误差量化信号沿迭代的差分；表示第k次迭代第(t+1)时刻，期望输出与预测输出之间的差值经均匀量化器量化后产生的量化误差；步骤6、设计基于编解码机制的量子化迭代学习控制算法保证重复运行的网络化非线
性系统的渐近收敛及有界的输入输出稳定：其中，u
k
(t)表示第k次迭代第t时刻，系统的控制输入信号；i∈{0,1,
…
,t
‑
1}；u
k
(i)表示第k次迭代，控制输入u
k
(t)中的第(i+1)个元素；表示第k次迭代，伪偏导数估计中的第(i+1)个元素；ρ＞0表示步长因子；λ＞0表示权重因子，用来限制不同迭代次数之间控制输入的变化量。2.根据权利要求1所述方法，其特征在于：步骤2的线性化过程主要包括以下步骤：步骤2.1、对于步骤1所述非线性系统，应用状态转移技术，得到：其中，g
t
(
·
)为非线性函数f(
·
)的的复合函数，与f(
·
)性质相同，也满足广义Lipschitz连续，并且其对控制输入的偏导数也有界存在；步骤2.2、对于上述非线性系统的复合函数表达式，在相邻迭代之间作差，并应用均值定理，当y
k
(0)＝y0时，存在伪偏导数θ
k
(t)，得到：y
k
(t+1)
‑
y
k
‑1(t+1)＝θ
k
(t)(u
k
(t+1)
‑
u
k

【专利技术属性】
技术研发人员：池荣虎，张慧敏，林娜，刘洋，刘志卿，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：