基于过程时段相似性分析的迭代自学习控制算法、理论及应用

Iterative learning control is an intelligent control mimicking the learning activity of human beings. As a learning mechanism used in the control algorithm, it results in high precision trajectory tracking performance with fewer requirements for prior knowledge of processes. Currently, however, all the proposed iterative learning control schemes are only suitable for the periodic or repetitive processes because the fixed cycle to cycle learning concept is adopted in the control algorithms. In this project, an iterative self-learning control scheme is proposed in which the learning information can be automatically sought from the historical data by using a searching algorithm based on the process segment similarity analysis, and then feed back to the iterative learning controller. This self-learning control scheme not only has all the advantages of the traditional iterative learning control schemes, is also applicable to any nonperiodic or non-repetitive processes. The main contents of this project include: process segment similarity analysis algorithm; iterative self-learning control algorithms based on the process segment similarity analysis; convergence (stability) analysis of the control systems; test and applications on industrial processes. This research work will not only extend the iterative learning control theory and technology but also develop a general control scheme which maybe more applicable than PID control scheme.

迭代学习控制是一种模仿人学习行为的智能控制技术，其主要特点是算法中引入了“学习”机制，可在较少依赖过程模型知识的前提下，实现大范围、高精度的轨迹跟踪控制。但目前所有迭代学习控制都是针对周期/重复过程而提出，控制算法中采用的都是周期到周期“固定式”的学习机制，无法适用于非周期/非重复的一般过程。本项目计划研究一种基于过程时段相似性分析，通过快速从过程历史信息中寻找与当前过程时段最具相似性的过程历史时段，然后提取相关信息进行迭代“学习”的自学习控制方案。这种控制方案不仅具有传统迭代学习控制的优点，同时也能适用于一般的非周期/非重复过程。研究的主要内容包括：过程时段相似性分析算法；基于过程时段相似性分析的迭代自学习控制算法；系统的收敛性(稳定性)理论；初步的工业应用测试。本项目的研究不仅是对现有迭代学习控制理论和技术的进一步拓展，同时也有望发展成一种能够取代传统PID控制的实用控制技术。

对于具有重复特性的生产过程，迭代学习控制是一种有效的控制方案。但对于实际工业过程来说，完全的重复性难以得到保证。为此，迭代学习控制方案的性能和应用范围受到限制。为了将迭代学习控制中先进的“学习”思想扩展应用到一般的过程控制，本项目在深入分析学习控制思想以及重复特性本质的基础上，提出了通过分析过程历史数据，发现相似过程时段，并在此基础上通过强化迭代学习控制的鲁棒性，实现拟周期甚至非周期系统的“自学习”控制。基于该研究思路，本项目历经四年的研究，在如下四个方面取得了研究进展：.1..针对一般过程的时段相似性分析问题，提出了两种分析算法：一种是直接针对高维时段信息，基于多元统计分析技术的相似度分析算法，另一种是基于深度无监督特征提取和聚类的相似度分析算法，从技术层面上解决了过程时段信息的相似度分析问题。基于该方面的研究成果，已发表期刊论文5篇，会议论文2篇。.2..针对拟周期过程中不可避免的非重复特性，在二维系统理论框架下，提出了两种新型迭代学习控制系统设计方案：一种是串行迭代学习控制系统的集成设计方案，该方案使得反馈控制与迭代学习控制自动融合成串级控制系统，提高了系统的鲁棒性；另一种是基于二维渐消记忆最小二乘辨识算法的二维自适应模型预测迭代学习控制方案，该方案能够有效解决具有时变动态特性的复杂过程控制问题。基于该方面的研究成果，已发表期刊论文3篇，会议论文1篇，出版专著1部。.3..针对迭代学习模式易受非重复因素干扰的难题，提出引入强化学习控制方案来提升系统的鲁棒性，提出了基于迭代学习控制引导的强化学习控制方案和基于模型预测控制引导的强化学习控制方案。这两种控制方案既保证控制系统具有学习能力，同时极大提高了控制系统的鲁棒性。基于该方面的研究成果，已投会议论文2篇。.4..在控制方案的工业应用研究方面，开发了基于恒温箱的算法测试平台，并通过与企业合作，实现了二维自适应模型预测控制方案的工业化应用。