目錄
前言：將控制技術進行分類
一說到控制，我想大多數人的第一反應就是PID控制，而工程上還有學術圈還有很多類型的控制，但爲什麼PID控制這麼流行，主要原因就是魯棒性好，易於在程序上進行實現，以至於到目前依舊寶刀不老。但控制離不開被控對象，因此選擇控制算法要依據被控對象以及工作環境的特點進行選擇，就像多大號腳就要穿多大號鞋一樣，選擇了合適的鞋子，腳穿上了纔會舒服，控制效果纔會事半功倍。本篇文章就是從鞋子和腳的關係上向大家強調解基於模型控制和基於數據驅動控制的重要性，以更廣的學術維度去看待你所要解決的問題，這樣纔會找到合適的解決方案。
其實對控制算法的分類還可以分成經典控制、現代控制以及智能控制。大家還聽到過什麼自適應控制，其實自適應控制可以分爲兩派：一派是利用什麼遺傳算法、蟻羣算法、粒子羣算法、爬山算法、退火算法這種優化算法去優化控制器參數的自適應控制，它們本身並不是控制器，只是用這種算法去優化控制器的參數，如PID控制器參數；另一種則是以神經網絡算法或深度學習算法爲代表的動態演化算法，簡單說就是你確定一組理想輸出數據，然後利用神經網絡算法或深度學習算法去不斷學習讓輸出結果去逼近這組樣本數據，在完成輸出數據逼近後在智能算法中一定會存在一組使得輸出數據滿足理想數據集的關鍵參數。也就是說神經網絡能夠根據目標輸出自動配置好自己的控制參數，當然在實際操作上會比較複雜。
1. 基於模型控制
基於模型的控制是用相對精確的數學表達式對受控目標的物理工作特性進行描述，通過對受控目標的數學描述方便對其進行相應的算法控制。因此在基於模型驗證下所得到的控制器轉化成實際控制器的作用效果是一致的。總的來說，基於模型控制是在對目標模型已知或能夠建立的前提下設計控制器以及進行參數整定。被控對象模型的建立可以通過參數辨識法或根據被控對象所具有的相關物理參數結合目標的物理定理推導出來，圖1爲基於模型控制的研究流程圖。
2.基於數據驅動控制
針對一些難以構建精準數學模型的受控目標，或根本無法構建受控目標的數學模型。基於模型控制的方法就很難在實際中獲得良好的控制效果甚至無法對其設計合適的控制器。解決上述問題的關鍵所在就是在設計控制器時弱化被控對象對於精確數學模型的要求。針對上述問題早在二十世紀八十年代就產生了基於數據驅動控制的思想。Takagi T等人在1985年的論文中闡述了模糊控制框架，通過在SISO數據中建立模糊規則和模糊參數以實現不依賴模型控制，可是該控制框架依然有不足之處，因爲建立模糊規則和參數只是在當前被控對象的輸入輸出數據下建立的，換成其他被控對象後其之前所建立的模糊規則和參數都會失效，必須從新分析建立規則和參數，缺乏自學習能力和自整定能力。其實在控制領域被廣泛應用的PID控制器也是基於數據驅動思想，PID控制器本質上並不需要具體受控目標的數學模型就可以對其控制，因爲傳統的PID控制器設計仿真都需要構建被控對象的數學模型讓很多人誤以爲PID控制器是基於模型的控制算法。但究其根本PID控制器僅僅利用輸入到控制器的數據作爲控制量。Ziegler等人於1942年提出了基於臨界係數的PID控制器參數整定方法以來，PID控制器憑藉其原理簡潔明瞭，工程上方便操作，穩定性強等優勢，廣泛運用於工業自動化控制領域。但該方法也只針對線性系統有良好的控制效果，因爲PID控制器存在滯後性，也可以通過增加前饋的方法提升系統的響應速度，但該控制器依舊存在着對強耦合、非線性時變系統無法實時控制的缺點。其根本原因就是PID控制器依舊沒有充分利用系統所產生的數據，很明顯系統所產生的數據本身就包含了被控對象系統結構的變化，未建模的動態特性以及無法建模的未知干擾等信息。常見的基於數據的控制算法還有機器學習控制、神經網絡控制、支持向量機、虛擬參考反饋整定、去僞控制、惰性學習、無模型自適應控制、迭代反饋整定、迭代學習控制等。其研究流程也與基於模型控制有異同，具體見圖2。
以上兩大類控制研究方法並無優劣之分，在選擇控制算法時應當明確一點就是沒有哪一種控制算法能夠適合所有被控對象，應當根據受控目標的特點以及控制要求，採取相應的控制手段。侯忠生教授在2013年對基於模型控制和基於數據驅動控制的選擇做出瞭解釋，提出應基於被控對象是否能精確建模的前提下選擇控制方式。該意見的提出給後續研究人員提供了參考，具體見圖3。
參考文獻：
往期博客：