||
有一个名人是怎么说的来着,一个科学家应该当清洁工(看门人?)糊口,业余时间搞他的研究。我从1996年到2011年,可以说是卖软件养家糊口,业余爱好搞科研。
1999年公司开始盈利,我逐渐把自己在大学的工作降到20%,几年后变成了永久职位。我没有在公司盈利后离开学校,是因为自己总是有点搞研究的情结。这样我就成了80%开公司卖软件,公司就在自己的车房里,20%搞科研。我在学校没有教学任务,也不需要申请基金和各种项目,没有任何硬性任务和指标,可以完全自由地做点研究。同事和朋友们都说我做的是学校里最好的工作,我完全同意,乐在其中。当然如果我想当教授,日子可就不会这么自在了。因为荷兰的学术界越来越像美国,要升教授必须发表足够的文章并能搞到足够的纵向和横向项目。当了教授为搞项目还是非常辛苦。
对学校来说我的成本是20%的工资加上每年一到两次学术会议的费用,还有一台PC,除此之外我没花过国家基金和横向经费。我给自己营造了一个“贵族式”的研究环境,做研究完全是业余爱好的心情,唯一的功利思想是研究成果要有用。我有时已经分不出那是学术那是应用,因为我在公司和学校干的都是一件事:系统辨识。对我来说,学术和应用两者没有冲突,反而互相促进。马上会有例子来证明这点。
先说公司技术方面做了什么。我在辨识技术上的改进有三点:
(1) 多变量自动辨识实验。在我之前,MPC技术的前辈发明了单变量、手动的测试方法,行之有效,但成本极高。
(2) 闭环辨识。即辨识测试时MPC控制器可以在线控制。这样可以大大降低对生产的干扰。不知为什么,工业界认为闭环数据是不可辨识的。早在1970年代学术界就从理论上证明闭环数据在加了激励信号时是可以用来辨识的,但过程控制界一直没人用。
(3) 全自动辨识。即给定输入输出数据后,模型和误差上界自动算出,用户不用设定任何参数。
以前的博客已讲过,能解决以上工业应用问题,渐近理论的应用至关重要。
在工业界推广新技术不比发表SCI容易。我推广新的辨识技术,运气起到了很大作用。当工业界接受了开环多变量自动辨识实验(测试)后,我极力推广闭环辨识实验。但各家客户就是不相信,觉得开环就已经很好了。直到有一天Dow化学一家化工厂的一套反应装置的模型需要辨识,但开环实验无法进行,因为系统开环无法稳定操作,有停机的危险。他们打电话给我,问怎么办。我通过电话就成功指导他们做了闭环实验。第二次又是Dow化学的一套乙烯装置中的高纯度分馏塔的开环实验不顺利,我指导他们做了闭环实验。有了这两次成功的闭环辨识,其他客户才开始接受闭环辨识。几年后其他MPC供应商也开始学着用闭环辨识了。
有时候,试新东西,要等到一个死马当活马医的机会。我运气真是不错。
再说说我的研究。
1998年在学校兼职,我开始的工作是把渐进法推广到几种非线性系统,然后写我的第二本书。下面把这些年一些主要的思考、发现和成果罗列一下,供控辩识和控制界的同行参考。
(1) 最优试验信号设计。基于渐近理论,我推出了闭环实验最优实验信号的频谱,比L.Ljung的结果简单许多。我的一个波兰学生提出了一个病态系统实验信号的设计方法,简单可行。我做这些工作是因为辨识实验是工业应用成败的关键。
(2) 输出非均匀慢采样系统的辨识。这对MPC项目中软测量建模很重要。和许多人一样,我原以为这样的系统是不可辨识的。但想了十多年终于想通了,系统可辨识。提出辨识方法,是应用;证明可辨识性,是理论。后来发现我的一位IPCOS的同事早我十几年就想通了。
(3) 多次迭代递推(自适应)辨识算法。我发现所谓好的递推辨识算法是相应的离线的辨识算法逼近得到的。离线的辨识算法大都需要解一个数值优化问题,需要多次迭代。但相应的递推辨识算法只相当于一次迭代。这是极大的漏洞!看来1970和1980年代的学者们都搞分析、证明收敛性去了。我提出了多次迭代的递推算法,模型参数的跟踪速度可以提高好几倍。
(4) 非线性LPV系统辨识和预测控制。在MPC项目中我们发现LPV(线性变参数)模型很适合描述工业系统的非线性特征。于是我们提出了简单可用的LPV模型辨识方法和预测控制方法。
(5) 提出了间歇式适应预测控制(MPC)系统。这是我们MPC控制软件开发成果的总结。系统包含三个功能块:控制模块、辨识模块和监控模块。三个模块能自动交换数据和模型,使用方便,可以大大提高MPC项目的效率。
(6) 控制技术的免费午餐?这是一个还没有定论的问题。我们的MPC算法中使用一个递推(自适应)ARMA模型来描述不可测干扰。在无数次仿真中和几次应用中,我们的方法不仅能提高控制品质,还大大提高了鲁棒稳定性!后一点令我们非常吃惊。难道这是控制中的免费午餐?我请控制界的一些大牛们帮助分析一下,至今没有得到任何回复,不知是太难了还是不感兴趣。发现一个现象,提出一个理论难题,比发表N篇文章也许更有价值。
(7) 预测误差方法的全局收敛算法。预测误差方法是一类方法的统称,不是一个方法。理论上说,预测误差方法是系统辨识中最强大最完美的方法。除了ARX模型和FIR模型,预测误差方法的参数估计需要解数值优化问题,优化的损失函数一般是非凸的,很难得到全局解。得不到全局解,预测误差方法的优点也就无从谈起了。这是一个几十年没有解决的问题。经过多年的思考,我提出一个预测误差参数估计的方法,能证明在开环实验的条件下,该方法渐近全局收敛。我正在跟人合作完善该项成果。
(8) 渐近法的进一步扩展。经过多年思考,我发现渐近法的思想和技巧,可以用来解决Errors-in-variables (EIV)系统(输入信号含噪声)的辨识问题,还可以解决Wiener-Hammerstein模型的辨识问题。我计划把这几个问题解决后写一本书就叫《系统辨识的渐近法》。
还有其他想法和成果,就不列举了。
我认为我在理论和应用之间,太极打得不错。我30年研究系统辨识基本是从工厂应用中找问题,从来不跟风。
前面说过,这些学术研究工作基本属于业余爱好的性质,几乎没有得到过基金和其他项目的资助。当然也可以解释成为了改进我的辨识软件而做。如果用得到多少基金和项目来衡量我的工作,我死定了。
科研也可以这样搞。。。吗?
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-23 22:09
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社