在介紹了幾種數(shù)據(jù)驅動控制算法(比例-積分-微分控制PID、迭代學習控制ILC、無模型自適應控制MFAC)后，本文試圖探討這么一個問題：針對處于給定應用場景下的被控對象，如何選擇合適的動態(tài)控制方法以保證優(yōu)異的控制系統(tǒng)性能？為限定討論的范圍，這里動態(tài)控制指在參考輸入(ReferenceInput)已知的情況下，控制方法根據(jù)內(nèi)部觀測和被控對象信息計算出控制輸入指令(ControlInput)使得被控對象輸出跟隨參考輸入的過程。如圖1紅色虛線框所示，系統(tǒng)對外部環(huán)境的感知以及據(jù)此做出的軌跡規(guī)劃/決策暫不在本文的討論范圍。

圖1.自動化系統(tǒng)組成部分[1]

對于工業(yè)自動化系統(tǒng)來說，動態(tài)控制算法應該具備實時(運算時間可短至毫秒級別或者更低)、可靠(始終保持對系統(tǒng)的一致、有效控制，保證控制系統(tǒng)的穩(wěn)定性)、魯棒性(干擾或不確定情況下，輸出偏差在給定范圍內(nèi)，不能相差很大或得到完全相反的結果)、確定(輸出確定性指令使系統(tǒng)盡可能精確地跟隨參考輸入，而不是概率意義上的判斷)以及可解釋性(和現(xiàn)實的被控對象關聯(lián))的特點。根據(jù)在控制實施過程中是否引入被控對象動力學模型，可將控制方法分為兩類：基于模型的控制和數(shù)據(jù)驅動控制，分別如圖2(a)和(b)所示。基于模型的控制在合理建模假設下，首先建立被控對象模型描述其動力學特性并以該模型為中心，完成控制器設計、參數(shù)整定、性能分析以及實時運算；數(shù)據(jù)驅動控制則直接從系統(tǒng)可用數(shù)據(jù)出發(fā)，通過對數(shù)據(jù)的有效組織和整理(表現(xiàn)為數(shù)據(jù)模型)，完成包含設計、分析以及實時運算的整個控制流程。

圖2不同控制方法實施流程基于模型的控制

基于模型的控制根植于這樣一種理念：既然是對被控對象進行動態(tài)控制，如果能夠準確知道被控對象動力學行為，便能有針對性地設計控制器以給出正確的控制指令；被控對象動力學行為如果能夠通過數(shù)學模型精確描述，即數(shù)學模型所代表的系統(tǒng)和實際被控對象等效，那以模型為中心得到的理論控制性能和控制器實際實施中性能一致。因此，如圖2(a)所示，基于模型的控制器設計第一步就是建立被控對象模型，最終控制性能分析和實際運算也是依據(jù)模型，其中模型可以經(jīng)辨識得到或者從作用機理(物理、化學定理定律)出發(fā)推導而來。

理想情況下，如果建模精確、參數(shù)準確，模型能夠正確反映被控系統(tǒng)在各種激勵/工況下的變化情況：那么就能夠通過模型的計算結果得到被控系統(tǒng)的實時輸出值，代替?zhèn)鞲衅鞯淖饔?，這對于不便于安裝傳感器或傳感測量系統(tǒng)成本較高的場合至關重要；機理模型自動保證了被控系統(tǒng)輸入、輸出以及內(nèi)部狀態(tài)變量之間結構化、可解釋的聯(lián)系(這種聯(lián)系已經(jīng)自動包含在由大量實驗和理論發(fā)現(xiàn)總結得到的各種普適性定理定律中)，這正是利用深度學習利用各種深層神經(jīng)網(wǎng)絡所渴望達到的(相對于支持向量機等‘淺層學習’方法，深度學習在多層次網(wǎng)絡結構的架構下，通過對原始數(shù)據(jù)進行逐層處理，逐步組合低層特征形成更加抽象的高層類別或特征)。充分利用模型所給出的信息，可以達到對被控對象最優(yōu)的控制效果。從上世紀60年代以來，最優(yōu)控制(OptimalControl)、模型預測控制MPC(ModelPredictive)、自適應控制(IndirectAdaptiveControl)以及針對非線性系統(tǒng)的反饋線性化控制(FeedbackLinearization)、反步控制(Back-steppingcontrol)等各種基于模型的控制方法取得了重要研究進展，在實際應用中也已經(jīng)體現(xiàn)了巨大威力，如模型預測控制(即根據(jù)數(shù)學模型預測被控系統(tǒng)未來動態(tài)變化情況，并根據(jù)此預測和當前約束計算出最優(yōu)的控制輸入指令)已經(jīng)成功地控制人形機器人Atlas(@BostonDynamics))優(yōu)雅地完成奔跑、跳躍、后空翻以及高難度體操動作(在這些動作過程中，需要全身多達幾十個關節(jié)以及相應執(zhí)行機構同步、精準完成規(guī)定動作)。

由于高度依賴于模型，模型的準確性決定了基于模型的控制系統(tǒng)性能。為簡化模型并方便控制器設計，如圖2(a)所示，在建模時通常會進行合理假設，未建模動態(tài)不可避免地存在。加之未知外界干擾或噪聲，使得被控對象實際的動力學行為和模型所代表的動力學行為出現(xiàn)偏差，等效原則不再適用，會導致基于模型的控制系統(tǒng)性能惡化甚至系統(tǒng)失穩(wěn)。此時，在對未建模動態(tài)或干擾進行假設的前提下，可通過相應的魯棒性設計以保證控制系統(tǒng)的控制性能。

當被控對象無法準確建模(如隨機性或不確定性系統(tǒng))或者為高復雜性系統(tǒng)(用來等效描述其動力學行為的模型復雜度也隨之提高)，基于模型的控制方法面臨著控制算法結構復雜以及由此帶來的設計、分析、實時運算難度加大等問題，甚至無法設計出有效的基于模型的控制器。另一方面，隨著自動化系統(tǒng)數(shù)字化程度不斷增強，系統(tǒng)可用數(shù)據(jù)量也隨著增加。以上兩方面為數(shù)據(jù)驅動控制的發(fā)展及應用開辟了道路。

數(shù)據(jù)驅動控制

從字面上來看，數(shù)據(jù)驅動控制包含數(shù)據(jù)驅動和控制兩個詞，即利用數(shù)據(jù)驅動方法完成控制任務。從數(shù)據(jù)驅動的角度來看，一種常見的觀念是將數(shù)據(jù)驅動和機器學習、神經(jīng)網(wǎng)絡直接對應起來。實際上，機器學習或神經(jīng)網(wǎng)絡等方法并不代表著數(shù)據(jù)驅動的全部內(nèi)涵。數(shù)據(jù)驅動可以理解為利用特定框架或結構來組織整理數(shù)據(jù)并挖掘相關信息以完成特定任務，這個意義上來看，神經(jīng)網(wǎng)絡或者決策樹、支持向量機都可以理解為‘特定框架/結構’中的一種，對于工業(yè)自動化控制的應用場合來說，當然也存在著其它類型的組織、整理數(shù)據(jù)的方法。從控制的角度來看：數(shù)據(jù)驅動控制作為動態(tài)控制方法的一類，其性能應該滿足工業(yè)自動化系統(tǒng)對動態(tài)控制算法的一般性要求。在綜合了數(shù)據(jù)驅動控制的不同描述后，參考文獻[2]給出了數(shù)據(jù)驅動控制嚴格定義：

【數(shù)據(jù)驅動控制定義】：數(shù)據(jù)驅動控制包含所有這樣的控制理論及方法：這些理論和方法通過直接利用(被控系統(tǒng)在線/離線輸入/輸出數(shù)據(jù)或從數(shù)據(jù)處理過程中得到的知識)，而并不通過(顯式地利用從被控對象數(shù)學模型得到的信息)來設計控制器；這些理論和方法的穩(wěn)定性、收斂性和魯棒性能夠在合理假設前提下能夠通過嚴格的數(shù)學分析得到保證。如圖2(a,b)所示，與基于模型的控制方法相比，數(shù)據(jù)驅動控制方法直接從系統(tǒng)可用數(shù)據(jù)(數(shù)據(jù)本身包含了系統(tǒng)結構變化、未建模動態(tài)和未知干擾等信息)出發(fā)，擺脫了對被控對象模型的依賴由此提高了控制系統(tǒng)的魯棒性、并能夠有效地處理難以建模的被控對象的控制問題。值得注意的是，盡管目前機器學習、深度神經(jīng)網(wǎng)絡等數(shù)據(jù)驅動方法已經(jīng)成功地應用到外部環(huán)境感知、推理決策、故障診斷及預測等不同環(huán)節(jié)中(見圖1)，但其在動態(tài)控制中的應用、理論分析仍有待進一步發(fā)展。作為參考，這里給出參考文獻[1]對機器學習控制(MachineLearningControl)的定義：【機器學習控制定義】：機器學習控制是一種使用機器學習算法來學習有效控制率的概念，該概念用來因應難以或不可能(對要處理復雜控制任務的系統(tǒng))進行建模的場合。在該定義中，機器學習控制也是針對基于模型的控制方法無法應用的場合，以已經(jīng)存在的有效控制率為學習對象或內(nèi)容。然而關鍵性的問題正是面臨復雜控制任務時，如何設計這一有效控制率以保證系統(tǒng)正常運轉，并提供機器學習所需要的足夠數(shù)據(jù)。參考文獻[1]給出了這樣的例子：在受控/訓練環(huán)境下，用動作捕捉系統(tǒng)準確獲知無人機位置，并根據(jù)位置信息通過模型預測控制器準確控制無人機避障，然后使用強化學習對模型預測控制器進行學習；在測試環(huán)境中，撤掉動作捕捉系統(tǒng)(只有機載傳感器)，利用已經(jīng)訓練好的深度神經(jīng)網(wǎng)絡來控制無人機運動。這里實際利用了深度神經(jīng)網(wǎng)絡強大的擬合和泛化能力，使得控制系統(tǒng)面臨未知新情況也能進行有效控制。按照參考文獻[2]對數(shù)據(jù)驅動控制的定義，深度神經(jīng)網(wǎng)絡作為控制器雖然使用了離線數(shù)據(jù)進行訓練，但該訓練數(shù)據(jù)從模型預測控制而來，仍然顯式地使用了被控對象模型信息，并不嚴格屬于數(shù)據(jù)驅動控制的范疇。實際上，在深度學習取得重要進展的領域(如計算機視覺、自然語言處理等)中，所針對的系統(tǒng)已經(jīng)獨立自主地運行，而且存在著大批量相對容易獲取的‘場域’數(shù)據(jù)。對于工業(yè)自動化系統(tǒng)來說，如何對被控對象進行有效動態(tài)控制以保證其良好運轉已經(jīng)是一項艱巨的任務；加之數(shù)據(jù)大多為小批量、單點的數(shù)據(jù)，某些場景下甚至無法安裝傳感器獲取數(shù)據(jù)，如何提供足夠數(shù)據(jù)保證深度學習的訓練效果以用于動態(tài)控制又是另一項重大課題。因此，如何將以各類機器/深度學習算法和動態(tài)控制具體需求相結合，是一個開放性問題，需要不斷進行探索和研究。針對工業(yè)自動化系統(tǒng)的特點，應該開發(fā)適用于工業(yè)自動化場合的數(shù)據(jù)驅動控制方法。除已經(jīng)在前面文章介紹的PID，ILC，MFAC，去偽控制(unfalsifiedcontrol)、懶惰學習(lazylearning)、迭代反饋調(diào)節(jié)(iterativefeedbacktuning)等其它數(shù)據(jù)驅動控制方法也取得重要研究進展并得到了實際應用，會在后續(xù)文章中逐一進行介紹。

總結

回到最開始的問題，在選擇控制方法時應該清醒地意識到：沒有一類控制方法能夠適用于所有應用場合，各類控制方法的優(yōu)缺點也是相對應用場景來說的；不應存在對某一類控制方法的偏執(zhí)，控制算法的設計應該建立在對被控對象和應用場景的深入理解和把握的基礎上。如圖3(a)所示，參考文獻[2]給出了一種根據(jù)被控對象建模情況選用控制方法的方式：對于能夠建立精確模型的被控對象，應該優(yōu)先使用基于模型的控制方法(考慮到該方法能夠實現(xiàn)對被控對象的最優(yōu)控制)；對于被控對象模型不太精確且有不確定性的情況，既可選用各種魯棒、自適應控制，也可選擇數(shù)據(jù)驅動控制方法；對于基于模型的控制力有不逮的場合則選擇數(shù)據(jù)驅動控制方法。從另一個層面來說，為達到最佳的控制效果，兩種控制方法也可根據(jù)各自優(yōu)勢結合使用，形成各種混合控制方法。例如：在基于模型的控制方法中利用數(shù)據(jù)驅動方法處理難以建模部分或未知干擾(利用神經(jīng)網(wǎng)絡擬合能力)以提高魯棒性或者在線調(diào)節(jié)基于模型的控制器；在數(shù)據(jù)驅動控制方法中利用機理模型提供有用信息、數(shù)據(jù)給數(shù)據(jù)驅動控制器、或修正數(shù)據(jù)驅動控制器給出的控制指令。

圖3.控制方法總結[2]

綜上，基于模型和數(shù)據(jù)驅動控制方法不是互相排斥‘or’的關系，而是互為補充‘a(chǎn)nd’的關系，兩者結合構成了整個動態(tài)控制方法體系，如圖3(b)所示。

【參考文獻】

[1].S.Moe,RustadAM,HanssenKG."Machinelearningincontrolsystems:Anoverviewofthestateoftheart."InternationalConferenceonInnovativeTechniquesandApplicationsofArtificialIntelligence.Springer,Cham,2018:250-265.[2].Zhong-ShengHouandZhuoWang."Frommodel-basedcontroltodata-drivencontrol:Survey,classificationandperspective."InformationSciences2013,vol.235,pp.3-35.