1. 数据驱动控制的两大范式解析
在控制理论领域,数据驱动控制方法近年来获得了广泛关注。不同于传统基于模型的控制方法,数据驱动控制直接从系统输入输出数据中提取控制策略,避免了复杂建模过程。当前主流的数据驱动控制方法可分为两大范式:
1.1 间接数据驱动控制
间接方法采用"先辨识,后控制"的两阶段流程:
- 系统辨识阶段:利用历史数据(如输入u和输出y序列)估计系统模型参数或结构
- 控制设计阶段:基于辨识得到的模型设计控制器
技术特点:
- 常用辨识方法:最小二乘法、子空间辨识、最大似然估计等
- 控制设计可采用经典PID、LQG、MPC等成熟方法
- 理论体系完整,收敛性、稳定性分析较为成熟
典型局限:
- 辨识误差会传递到控制阶段,导致次优控制性能
- 对模型结构假设敏感(如线性/非线性、阶数选择)
- 辨识与控制目标可能存在冲突(如辨识关注全局拟合,控制关注局部性能)
1.2 直接数据驱动控制
直接方法跳过了显式建模步骤,将控制问题转化为数据空间中的优化问题。以DeePC(Data-enabled Predictive Control)为代表的方法基于以下核心思想:
- 行为系统理论:将系统视为输入输出轨迹的集合(行为),而非参数化模型
- 汉克尔矩阵构造:将历史数据排列为块汉克尔矩阵,用于预测未来行为
- 轨迹优化:寻找与历史数据一致的最优控制输入
数学表述:
给定历史数据序列{u,y},构建预测控制问题:
code复制min J(u,y)
s.t. [Up; Yp; Uf; Yf] ∈ Hankel(data)
其中Up/Yp为过去输入输出,Uf/Yf为未来输入输出预测。
优势场景:
- 非线性系统(无需预设模型结构)
- 模型不确定性高的场景
- 快速原型开发(省去建模环节)
实践挑战:
- 对数据质量敏感(噪声、激励不足等)
- 计算复杂度随数据量增长
- 理论分析相对复杂
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 方法论统一框架构建
2.1 多目标优化视角
论文提出通过多目标优化框架统一两种范式,核心思想是将辨识和控制目标同时纳入优化问题:
code复制min γ·L_identification + (1-γ)·L_contro
