一种基于负定补偿的混合驱动系统辨识方法

本技术涉及非线性系统辨识，特别是涉及一种基于负定补偿的混合驱动系统辨识方法。

背景技术：

1、状态估计与系统辨识是非线性动力系统控制工程中的核心环节，广泛应用于自动驾驶、机器人操纵和工业过程监控等领域。从有限的传感器测量中准确重建未测量的状态，对于实施先进的控制策略至关重要。

2、现有的系统辨识方法存在显著不足：部分方法仅将物理约束作为损失函数中的软约束，无法在网络结构层面强制保证稳定性；而基于严格lyapunov理论的方法往往需要求解复杂的线性矩阵不等式或依赖苛刻的结构假设，如lipschitz条件，导致计算复杂度高且设计过程保守。

3、目前，尚缺乏一种通用的、能通过网络结构设计直接构造出满足全局指数稳定性要求的自适应观测增益生成方法，这限制了现有技术在复杂非线性系统中的适用性。

技术实现思路

1、基于此，为了解决现有的非线性系统状态估计与辨识方法中，纯数据驱动方法缺乏理论稳定性保证，而传统模型驱动方法设计保守、难以适应复杂非线性动态，导致状态估计精度低、鲁棒性差的问题，有必要提供一种基于负定补偿的混合驱动系统辨识方法，该方法包括：

2、s1：采集加氢裂化工业过程中反应器内的多变量时序数据，所述多变量时序数据包括当前时刻的过程变量和目标变量，所述过程变量包括若干个传感器在反应器内采集的若干个不同类型的观测值，所述目标变量为航煤初馏点；

3、s2：构建并训练深度神经网络架构，所述深度神经网络架构包括特征提取网络、三个并行的预测头；特征提取网络用于将当前时刻的输入与上一时刻预测的状态估计值映射为潜在特征；第一预测头用于将所述潜在特征分别映射为期望收敛率原始值与稳定裕度原始值，第二预测头用于将所述潜在特征映射为负定补偿矩阵参数，第三预测头用于基于所述潜在特征预测当前时刻的状态估计先验；

4、s3：基于期望收敛率原始值、稳定裕度原始值、负定补偿矩阵参数以及当前时刻的状态估计先验搭建出观测增益；基于所述观测增益、所述特征提取网络、当前时刻的所述输出以及当前时刻的状态估计先验，构建出状态观测器；

5、s4：以当前时刻的所述过程变量为输入、当前时刻的所述目标变量为输出，经过训练后的深度神经网络架构与所述状态观测器，预测出当前时刻目标变量的状态估计值。

6、优选的，所述基于期望收敛率原始值、稳定裕度原始值、负定补偿矩阵参数以及当前时刻的状态估计先验搭建出观测增益，包括：

7、基于所述期望收敛率原始值计算出期望收敛率；

8、基于所述稳定裕度原始值计算出稳定裕度；

9、基于所述负定补偿矩阵参数构建非对角元素，并基于所述非对角元素和所述稳定裕度构建对角元素，基于所述非对角元素和所述对角元素构建出负定补偿矩阵；

10、基于当前时刻的状态估计先验计算雅可比矩阵；

11、基于所述期望收敛率、所述稳定裕度、所述负定补偿矩阵以及雅可比矩阵计算出所述观测增益。

12、优选的，所述基于所述期望收敛率原始值计算出期望收敛率，包括：

13、；

14、其中，表示期望收敛率，表示期望收敛率预设最小阈值，表示期望收敛率原始值，表示自然指数函数。

15、优选的，所述基于所述稳定裕度原始值计算出稳定裕度，包括：

16、；

17、其中，表示稳定裕度，表示稳定裕度预设最小阈值，表示稳定裕度原始值，表示自然指数函数。

18、优选的，所述基于所述负定补偿矩阵参数构建非对角元素，包括：

19、；

20、其中，表示负定补偿矩阵中第行第列的元素，表示非对角元素的上界，表示双曲正切函数，表示负定补偿矩阵参数中第行第列的元素。

21、优选的，所述基于所述非对角元素和所述稳定裕度构建对角元素，包括：

22、；

23、其中，表示负定补偿矩阵中第行第列的元素，表示负定补偿矩阵中第行第列的元素，表示模长，表示稳定裕度。

24、优选的，所述基于所述期望收敛率、所述稳定裕度、所述负定补偿矩阵以及雅可比矩阵计算出所述观测增益，包括：

25、；

26、其中，表示观测增益，表示时刻的状态估计先验，表示时刻的输入，表示最小奇异值函数，表示输出矩阵，表示转置，表示正则化常数，表示状态预测函数关于的雅可比矩阵，表示期望收敛率，表示稳定裕度，表示单位矩阵，表示负定补偿矩阵，表示时刻预测的状态估计值，表示状态估计值与与输入的拼接向量。

27、优选的，状态观测器的表达式为：

28、；

29、其中，表示时刻预测输出的状态估计值，表示状态预测函数，表示时刻的状态估计先验，表示时刻的输入，表示观测增益，表示时刻的输出，表示输出矩阵。

30、优选的，深度神经网络架构的训练过程包括：

31、将训练样本中的训练输入、训练输出经过深度神经网络架构、状态观测器，得到训练样本对应的期望收敛率、观测增益、负定补偿矩阵；

32、基于当前时刻的所述训练输出与预测的训练输出的状态估计先验构建估计误差损失；

33、基于训练样本对应的所述期望收敛率与所述观测增益构建稳定性引导损失；

34、基于训练样本对应的所述期望收敛率、所述稳定裕度、所述负定补偿矩阵构建正则化损失；

35、基于所述估计误差损失、所述稳定性引导损失、所述正则化损失进行加权求和，构建出复合损失；

36、采用时间反向传播算法最小化所述复合损失，以更新深度神经网络架构中的网络参数，得到训练后的所述深度神经网络架构。

37、优选的，复合损失的表达式为：

38、；

39、；

40、；

41、；

42、其中，表示复合损失，表示估计误差损失，表示稳定性引导损失，表示正则化损失，表示稳定性引导损失的权重，表示正则化损失的权重，表示期望，表示时刻的训练输出，表示输出矩阵，表示时刻预测的训练输出的状态估计先验，表示l1范数，表示1-范数矩阵测度函数，表示雅可比矩阵，表示训练样本对应的观测增益，表示训练样本对应的期望收敛率，表示训练样本对应的稳定裕度，表示训练样本对应的负定补偿矩阵，表示f范数，表示期望收敛率的权重，表示稳定裕度的权重，表示负定补偿矩阵的权重。

43、有益效果：该方法通过构建并训练包含特征提取网络、三个并行的预测头的深度神经网络架构，并基于映射的期望收敛率原始值、稳定裕度原始值、负定补偿矩阵参数以及当前时刻的状态估计先验搭建出观测增益；基于所述观测增益、所述特征提取网络、当前时刻的所述输出以及当前时刻的状态估计先验，构建出状态观测器；以当前时刻采集的加氢裂化工业过程中的多变量时序数据的所述过程变量为输入、所述目标变量为输出，经过训练后的深度神经网络架构与所述状态观测器，预测出当前时刻目标变量的状态估计值，实现了对复杂非线性系统状态的高精度、高可靠辨识与估计，有效解决了纯数据驱动方法缺乏稳定理论支撑，以及传统模型方法难以适配复杂动态、性能与安全性受限的问题。