一些实际工程系统具有在有限的时间内重复地执行相同控制任务的特性。迭代学习控制为这类具有重复特性的系统提供了一种有效的解决方法。迭代学习控制中的“学习”是指在构造当前控制算法时，利用存储设备存储的前几次迭代过程中产生的控制输入和跟踪误差信息，对当前控制输入进行学习和修正，以提高当前迭代的控制性能。数据驱动控制是指在控制器设计中不明确包含被控过程的数学模型信息，而仅利用被控系统的在线或离线输入输出数据以及通过数据处理获得的知识来设计控制器。因此，数据驱动控制方法为复杂系统的精确控制和优化提供了一种新的思路。此外，在实际工程应用中，噪声是普遍存在且不可避免的，这可能导致一些算法求解任务失败。因此，本文针对一类受各种噪声污染的离散非仿射非线性多输入多输出系统，提出了一种新的数据驱动迭代学习控制方法。

成果介绍

吉林大学通信工程学院胡云峰教授团队联合同济大学电子与信息工程学院陈虹教授团队，提出了一种面向多输入多输出重复系统的抗噪型数据驱动迭代学习控制方法，该方法利用动态线性化以及抗噪调零神经网络实现了对受各种噪声污染的离散非仿射非线性多输入多输出系统的精确控制。此外，该方法成功应用到了燃料电池热管理系统，实现了对燃料电池电堆温度的精确控制。研究成果发表于IEEE/CAA Journal of Automatica Sinica2024年第十一卷第二期：Y. Hu, C. Zhang, B. Wang, J. Zhao, X. Gong, J. Gao, and  H. Chen,  “Noise-tolerant ZNN-Based data-driven iterative learning control for discrete nonaffine nonlinear MIMO repetitive systems,” IEEE/CAA J. Autom. Sinica, vol. 11, no. 2, pp. 344–361, Feb. 2024. doi: 10.1109/JAS.2023.123603 

本文研究问题所面临控制挑战如图1（b）所示：非线性控制、多输入多输出系统的解耦控制和数据噪声污染抑制。因此，本文旨在为受到噪声污染的离散非仿射非线性多输入多输出重复系统，提出一种特定的数据驱动迭代学习控制方法。具体而言，利用迭代动态线性化技术和迭代扩展状态观测器得到与原系统等价的解耦动态线性化数据模型，用于后续控制器的综合，如图1（a）所示。在此基础上，融合解耦数据模型和抗噪调零神经网络，设计迭代学习控制器，系统控制框图如图1（c）所示。

图1  基于抗噪调零神经网络的数据驱动迭代学习控制方案

提出的数据驱动迭代学习控制方法应用于燃料电池热管理系统上，其原理图如图2所示，控制效果如图3所示，提出的控制方法在系统输出受到噪声污染时，仍能实现高精度的控制效果。

图2  燃料电池热管理系统原理图

图3  燃料电池热管理系统性能验证

作者及团队

胡云峰，吉林大学唐敖庆特聘教授，博士生导师，入选国家级青年人才，吉林省杰青，长春市第八批有突出贡献专家。主要从事汽车动力总成系统建模与优化控制、智能汽车规划控制及测试评价方面的研究工作。主持国家自然科学基金区域创新发展联合基金、科技创新2030-“新一代人工智能”重大专项-课题等项目；相关成果获中国自动化学会技术发明一等奖1项、中国交通运输协会科学技术奖一等奖1项、吉林省科技进步二等奖1项。

张冲，吉林大学控制科学与工程专业博士研究生，主要研究方向包括迭代学习控制、非线性控制和神经网络等。

王博，吉林大学控制科学与工程专业博士研究生，主要研究方向包括模型预测控制、非线性控制及其在发动机减排中的应用等。

赵晶，澳门大学研究员，2016年获澳门大学机电工程专业博士学位，主要研究方向包括动力学与控制、流体力学与有限元分析等。

宫洵，吉林大学副教授，2016年获吉林大学控制理论与控制工程专业博士学位，主要研究方向包括基于模型的非线性控制和最优控制及其在汽车系统中的应用等。

高金武，吉林大学教授，2012年获哈尔滨工业大学控制科学与工程专业博士学位，主要研究方向包括控制理论及其在汽车动力系统中的应用等。

陈虹，同济大学特聘教授，1997年获德国斯图加特大学系统动力学与控制工程专业博士学位，主要研究方向包括模型预测控制、非线性控制及其在汽车系统中的应用等。

感谢本文作者提供以上简介