【热点专题】数据驱动控制、学习及优化

2019 年 6 月 19 日 中国自动化学会

数据驱动控制、学习与优化最早来源于计算机科学领域，旨在强调出发点和归宿都是数据，是一种“闭环”方式。自“数据驱动”的相关概念和想法提出以来，就受到了国内外信息领域研究的高度重视，尤其是在应用数学、计算机科学和控制界等。数据驱动的控制理论及方法是指控制器设计不显含受控过程的数学模型信息，仅利用受控系统的在线/ 离线输入输出数据及经过处理得到的知识来设计控制器并在一定假设下有收敛性、稳定性和鲁棒性分析保障的控制理论与方法。

本专题推荐自动化学报和IEEE/CAA JAS近年发表的相关文章。

间歇过程最优迭代学习控制的发展：从基于模型到数据驱动

本文简要综述了基于模型的最优迭代学习控制的研究进展，详细回顾了数据驱动的迭代动态线性化方法，包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法，包括完整轨迹跟踪的数据驱动最优迭代学习控制方法，提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法，和终端输出跟踪的数据驱动最优终端迭代学习控制方法.

池荣虎, 侯忠生, 黄彪. 间歇过程最优迭代学习控制的发展：从基于模型到数据驱动. 自动化学报, 2017, 43(6): 917-932.

数据驱动的浮选过程运行反馈解耦控制方法

浮选过程是利用矿物本身的亲水或疏气性质或经药剂处理得到的亲水或疏气性质进行矿物分离的物理过程.本文通过建立以矿浆液位和矿浆流量为输入，以浮选过程的精矿品位与尾矿品位为输出的多变量、强耦合、非线性、时变的运行过程模型，利用未建模动态前一拍可测的特点，提出了包括矿物品位运行过程控制器驱动模型、PID控制器、反馈解耦控制器、未建模动态补偿器的数据驱动的一步最优未建模动态补偿PID解耦控制方法，实现了消除稳态误差、静态解耦与未建模动态的补偿，通过浮选过程运行反馈控制仿真实验验证了本文所提方法的有效性.

单浮选槽原理图

姜艺, 范家璐, 贾瑶, 柴天佑. 数据驱动的浮选过程运行反馈解耦控制方法. 自动化学报, 2019, 45(4): 759-770.

不完备信息下的迭代学习控制

该综述详细回顾了近年来在数据丢包、通信延迟与有限传输带宽、批次变长度三个主要问题的进展，为相关问题的进一步完善提供了思路。着重讨论了采样和量化两种降低数据量的主要手段，剖析了降低数据量与保持系统控制性能两者之间的矛盾关系，将信息不完备问题提炼为数据鲁棒性问题，分析了若干具有潜力的研究方向。

迭代学习控制原理框图

D. Shen, “Iterative learning control with incomplete information: a survey,” IEEE/CAA J. Autom. Sinica, vol. 5, no. 5, pp. 885−901, Sep. 2018.

An exploration on adaptive iterative learning control for a class of commensurate high-order uncertain nonlinear fractional order systems

该篇文章探索了将自适应迭代学习控制方法用于分数阶系统的控制，仿真结果证明了所提出方法的有效性。

Stability domain for fractional order linear systems with 0<α<1

J. M. Wei, Y. A. Zhang, and H. Bao, “An exploration on adaptive iterative learning control for a class of commensurate high-order uncertain nonlinear fractional order systems,” IEEE/CAA J. Autom. Sinica, vol. 5, no. 2, pp. 618-627, Mar. 2018.

Observer-based iterative and repetitive learning control for a class of nonlinear systems

该篇文章提出了用于时变不确定非线性系统的输出-反馈迭代学习控制和重复学习控制。

Output tracking errors in the case of RLC

S. Zhu, X. J. Wang, and H. Liu, “Observer-based iterative and repetitive learning control for a class of nonlinear systems,” IEEE/CAA J. Autom. Sinica, vol. 5, no. 5, pp. 990−998, Sep. 2018.

基于数据特征融合的管网信息物理异常诊断方法

本文根据管网系统数据量大、耦合性强的特点，提出一种基于数据特征融合的信息物理异常诊断方法.首先通过站场信息数据构建信息增维矩阵并且通过矩阵预分析实现信息传输中断异常的判断.然后基于不同站场信息构建的信息增维协方差矩阵，通过矩阵特征值分布的变化情况对物理异常以及信息传输错误异常进行区分.在此基础上，为了对管网物理异常分类实现系统运行状态的有效分析，将管网信息增维协方差矩阵最大特征向量映射的二维图像作为输入，采用卷积神经网络进行研究，进而实现对物理异常的准确判断.最后通过某实际管网数据进行仿真分析，验证所提方法的有效性.

管网信息物理系统结构

马大中, 胡旭光, 孙秋野, 郑君, 王睿. 基于数据特征融合的管网信息物理异常诊断方法. 自动化学报, 2019, 45(1): 163-173.

基于迭代神经动态规划的数据驱动非线性近似最优调节

利用数据驱动控制思想，建立一种设计离散时间非线性系统近似最优调节器的迭代神经动态规划方法.提出针对离散时间一般非线性系统的迭代自适应动态规划算法并且证明其收敛性与最优性.通过构建三种神经网络，给出全局二次启发式动态规划技术及其详细的实现过程，其中执行网络是在神经动态规划的框架下进行训练.这种新颖的结构可以近似代价函数及其导函数，同时在不依赖系统动态的情况下自适应地学习近似最优控制律.值得注意的是，这在降低对于控制矩阵或者其神经网络表示的要求方面，明显地改进了迭代自适应动态规划算法的现有结果，能够促进复杂非线性系统基于数据的优化与控制设计的发展.

评判网络结构

王鼎, 穆朝絮, 刘德荣. 基于迭代神经动态规划的数据驱动非线性近似最优调节. 自动化学报, 2017, 43(3): 366-375

基于虚拟样本生成技术的多组分机械信号建模

本文提出一种基于虚拟样本生成技术的多组分机械信号建模方法.首先，将机械信号自适应分解为具有不同时间尺度的平稳子信号并变换为多尺度谱数据；接着，采用适合于小样本高维数据建模的改进选择性集成核偏最小二乘算法构建面向真实训练样本的基于可行性的规划模型，提出一种综合先验知识和FBP模型等手段面向高维谱数据的VSG技术，用以弥补真实训练样本的短缺问题；然后，基于互信息对由真实和虚拟训练样本组成的混合建模数据进行自适应特征选择；最后，基于约简的混合训练样本采用SENKPLS构建软测量模型.以近红外谱数据和磨矿过程实验球磨机的筒体振动/振声信号验证所提VSG技术和面向多组分机械信号建模方法的合理性和有效性.

基于VSG的多组分机械信号建模策略

汤健, 乔俊飞, 柴天佑, 刘卓, 吴志伟. 基于虚拟样本生成技术的多组分机械信号建模. 自动化学报, 2018, 44(9): 1569-1589

数据驱动的可靠性评估与寿命预测研究进展:基于协变量的方法

本文根据系统运行环境中协变量数据的不同变化规律，将基于协变量方法的可靠性评估模型分为：固定协变量模型、时变协变量模型和随机协变量模型，并分别讨论了各模型的发展现状.最后，讨论了协变量处理中存在的一些挑战及未来的研究方向.

基于协变量方法的分类

喻勇, 司小胜, 胡昌华, 崔忠马, 李洪鹏. 数据驱动的可靠性评估与寿命预测研究进展:基于协变量的方法. 自动化学报, 2018, 44(2): 216-227.

平行视觉:基于ACP的智能视觉计算方法

本文将ACP理论引入智能视觉计算领域，提出平行视觉的基本框架与关键技术.平行视觉利用人工场景来模拟和表示复杂挑战的实际场景，通过计算实验进行各种视觉模型的训练与评估，最后借助平行执行来在线优化视觉系统，实现对复杂环境的智能感知与理解.这一虚实互动的视觉计算方法结合了计算机图形学、虚拟现实、机器学习、知识自动化等技术，是视觉系统走向应用的有效途径和自然选择.

虚拟火车站的平面图(包括站台和火车轨道(左)、主候车室(中)和购物商场(右).该摄像机网络包括16台虚拟摄像机)

王坤峰, 苟超, 王飞跃. 平行视觉:基于ACP的智能视觉计算方法. 自动化学报, 2016, 42(10): 1490-1500.

一种多源数据驱动的自动交易系统决策模型

本文综合利用新闻文本数据与股价技术指标数据，基于人工神经网络方法设计了一种多源数据驱动的股票自动交易决策模型.本文首先分析了各类财经新闻的特点及其对股价的影响，然后设计了相应模板抽取了中文文本中的财经新闻事件；在此基础上，设计了历史股价和新闻事件数据共同驱动的ANN-News模型，并利用实际数据验证了模型的有效性.实验发现，ANN-News模型比传统的机器学习类模型股价预测准确率提升约4%，收益率提升约7%.

基于ANN模型的自动交易框架

文丹艳, 马超群, 王琨. 一种多源数据驱动的自动交易系统决策模型. 自动化学报, 2018, 44(8): 1505-1517.

基于数据驱动的微小故障诊断方法综述

本文针对微小故障幅值低、易被系统扰动和噪声掩盖等特点，从数据驱动的角度对现有研究进行综述.并将其分为三大类: 基于统计分析的微小故障诊断技术、基于信号处理的微小故障诊断技术和基于人工智能的微小故障诊断技术，进而对不同方法的基本研究思想、研究进展、应用以及局限性予以介绍.最后不仅指出复杂系统微小故障诊断研究中的现存问题，而且从增加新的信息、挖掘未利用的隐含信息和采用新的数学工具三个角度进行展望，提出基于关联性分析、基于多源信息融合、基于机器学习和基于时频分析四个值得探究的微小故障诊断思想.

基于数据驱动的微小故障诊断方法分类

文成林, 吕菲亚, 包哲静, 刘妹琴. 基于数据驱动的微小故障诊断方法综述. 自动化学报, 2016, 42(9): 1285-1299.

过程工业大数据建模研究展望

人们对大数据的认识已从"3Vs" (Volume-大容量; Variety-多样性; Velocity-处理实时性)、"4Vs" ("3Vs"与Value-价值)、到现今的"5Vs" ("4Vs"与Veracity-真实性).在此背景下, 首先分析过程工业大数据的"5Vs"特性; 接下来, 综述现有数据建模方法, 并结合过程工业大数据特有性质 (包括:多层面不规则采样性、多时空时间序列性、不真实数据混杂性) 论述现有数据建模方法应用于工业大数据建模时的局限; 最后, 探讨过程工业大数据建模有待研究的问题, 包括:1) 多层面不规则采样数据的潜结构建模; 2) 用于事件发现、决策和因果分析的多时空时间序列数据建模; 3) 含有不真实数据的鲁棒建模; 4) 支持实时建模的大容量数据计算架构与方法.

过程工业多层面、不规则采样时间序列数据

刘强, 秦泗钊. 过程工业大数据建模研究展望. 自动化学报, 2016, 42(2): 161-171.

来源：JAS自动化学报

往期文章推荐