[00333527]复杂系统的动态建模与学习控制理论

1、课题来源与背景 随着社会经济和科学技术的快速发展,企业规模越来越大,生产过程越来越复杂。复杂系统的建模过程往往比控制任务本身更加复杂,甚至是不可能的。因此,传统的基于模型的控制方法变得越来越困难。实际中,许多复杂系统都有丰富的在线和离线测量数据,蕴含着系统的动力学规律和模式。因此,如何有效利用量测数据,对复杂系统进行控制和评价,已成为控制领域研究的新热点。 2、研究目的与意义 基于在线数据的控制方法,对控制环境的适应能力、系统的镇定能力较强,且收敛速度较快。基于离线数据的控制方法,可确定相对较好的控制模式或控制器参数,提高在线控制系统的性能。因此,本项目探讨了如何利用离线数据所表征的动态系统的运行规律和控制信息,增强基于在线数据的控制方法的性能和品质,即研究基于离线/在线数据的控制方法,具有重要意义。 3、主要论点与论据 迭代学习控制是一种数据驱动的控制方法,可对离线/在线数据有效利用,实现有限时间区间上的完全跟踪任务,已成为智能控制领域中研究及开发的重要发展方向。然而,迭代学习控制在工程实际中的应用研究还存在的三个关键的开放问题： （1）控制参数选取对模型知识的部分依赖性; （2）相同初始条件的假设问题; （3）非一致轨迹跟踪的问题。因此,如何建立一套基于离线/在线数据的学习控制的设计方法和分析手段,并可利用离线/在线数据对系统的不确定性进行估计、预测或逼近,使ILC系统能有效处理非严格重置、非一致目标跟踪以及非严格重复扰动等关键问题,是本项目研究的主要目标。进一步,该项目将探讨基于离线/在线数据对ILC的性能评价,以保证ILC系统安全有效地运行。 4、创见与创新 该项目研究取得了一些原创性的成果,主要包括： （1）提出了一系列自适应ILC方法,放宽了ILC对初始条件和期望轨迹严格重复的限制; （2）给出了一般非线性系统的等价动态线性化策略,提出了数据驱动的自适应ILC、无模型自适应ILC以及高阶无模型自适应控制方法; （3）研究了设定点跟踪问题,提出了数据驱动的广义最优学习控制方法,包括终端跟踪问题、轨迹跟踪问题和多点的跟踪问题; （4）提出了入口匝道的基于宏观交通流增广模型的ILC方法和基于分布参数系统的ILC设计;提出了快速路交通系统的ALINEA控制器参数的迭代反馈整定方法,研究了基于ADRC的非线性ALINEA控制器; （5）其他应用方面,分别提出了非线性化学反应器的受限终端ILC方法,直线电机的自适应ILC方法,和包装机拨叉系统的前馈ILC+反馈PID的模块化设计方法。 5、社会经济效益,存在的问题 该项目发表论文共27篇,其中刊物文章11篇（SCI检索7篇,EI检索3篇）,会议文章16篇,EI检索16篇。国际刊物文章共6篇,包括IEEE T-II 1篇,Automatica 1篇, IEEE T-ASE 2篇,JPC 1篇,AJC 1篇;国内期刊文章共5篇,其中《自动化学报》文章1篇,《控制理论与应用》文章2篇,《中国化学工程学报（英文版）》1篇,《交通运输系统工程与信息》1篇。在该项目结题后的持续研究中,又在国际SCI权威刊物上发表了3篇主要论文。 该项目给出了所设计控制器的具体参数调节步骤以及相应的软件程序,为后续的成果转化奠定了基础,可加强横向课题的研究和为社会服务的能力,为山东省的经济建设提供更大的智力支持和完成新一轮的人才培养任务,创造更多的经济效益和社会效益。该项目有待于进一步研究的问题如下： （1）相对完善的数据驱动学习控制方法的稳定性和收敛性分析方法。有待于提出新的基于系统输入输出数据的数学工具作为理论基础,促进理论的进一步完善和发展。 （2）有待于提出新的稳定性和鲁棒性分析方法。在数据驱动控制理论框架下的系统采样,数据处理,传输过程中乱码、延时、数据丢失,网络多智能体协调一致等问题都有待于深入研究。 （3）项目的研究内容偏重理论基础研究,研究结果在实际应用中还存在需要进一步解决的问题,如输入输出受限问题、延时问题等。 6 历年获奖情况 依托该项目研究取得的一些成果得到了国内外同行的认可,并获得了一些科研奖项,包括山东高校优秀科研成果奖一等奖2项（2009,2014）,二等奖（2011）、三等奖（2013）各1项,北京市科学技术奖三等奖1项（2014）。