[发明专利]一种基于2D理论的综合预测迭代学习控制方法

权利要求书

1.一种基于2D理论的综合预测迭代学习控制方法，其特征在于该方法包括以下步骤：

1)与实际生产过程相结合，设置一个批次生产的数据采集和存储环节，该环节可以利用生产企业现有的工业控制计算机、PLC等设备；

2)根据采集到的生产历史数据库中以往的生产过程数据，在进行数据预处理后采用适当的方法建立生产过程的简单数学模型；

3)数据采集环节采集得到工业生产线中产品加工的输入输出数据，并根据目标跟踪轨迹计算跟踪误差曲线；

4)依据步骤3)得到的跟踪误差，采用基于2D理论的整合预测迭代学习控制算法计算新的实时控制量；

5)在每个新的采样点，实施步骤4)，实现对输出目标轨迹的有效跟踪。

2.如权利要求1所述的一种基于2D理论的综合预测迭代学习控制方法，其特征在于：所述步骤2)中，建立生产过程的数学模型方法如下：

①根据历史数据库中以往的生产过程数据，在进行数据预处理后采用适当的方法建立过程数学模型；

假定某时刻输入样本集U＝(u₁,u₂,...,u_m)^T∈R^m，表示m个监测传感器在某个时刻的历史数据，m表示监测传感器的个数，R^m表示m维列向量；u_j表示在样本U中，第j个传感器数据的单个样本数据值，j＝1,2,...,m；该时刻的输出样本集为Y＝(y₁,y₂,...,y_n)^T∈Rⁿ，表示n个监测传感器在某个时刻的历史数据，n表示监测传感器的个数，Rⁿ表示n维列向量；y_j表示在样本Y中，第j个传感器数据的单个样本数据值，j＝1,2,...,n，假设采取N组历史数据，得到的输入数据总样本集如下：Q_u＝{U₁,...,U_m}，输入数据总样本集为：Q_y＝{Y₁,...,Y_m}，分别求得输入输出数据集的均值和方差，按照设定的数据限剔除不符合要求的样本点。最终得到总的样本集Q，在数据处理过程中，数据预处理的关键在于不合理数据的剔除和数据的归一化处理；

②建立数学模型：

假定过程模型能用以下的离散方程表示：

y(t)+a₁·y(t-1)+...+a_p·y(t-p)＝b₁·u(t-1)+...+b_q·u(t-q)+v(t)     (1)

将数据样本集Q中的数据分别代入离散方程的两端，采用最小二乘等适当方法取得离散方程中参数的近似值并找到离散方程的状态空间实现，以此作为间歇过程的数学模型，其得到的近似状态空间模型为：

x(t+1)=A·x(t)+B·u(t)y(t)=C·x(t)+d(t)---(2)]]>

考虑到间歇过程的重复性质，记k为批次方向，则间歇过程的状态空间模型可以表述为：

x(t+1,k)=A·x(t,k)+B·u(t,k)y(t,k)=C·x(t,k)+d(t,k)---(3)]]>

由此可以建立间歇过程的2D模型如下：

η(t+1,k)e(t,k+1)=A0-CAIη(t,k)e(t,k)+B-CBΔu(t-1,k)+0-IΔd(t,k)---(3)]]>

其中η代表批次间状态的变化量；Δd代表批次间噪声的变化；Δu代表了批次间输入的变化，基于2D理论的整合预测迭代学习控制算法目的旨在找到Δu使得下个批次间歇过程的输出更接近目标轨迹，在批次间的迭代学习控制率L确定后，2D系统变更形式为：

η(t+1,k)e(t,k+1)=ABL-CAI-CBLη(t,k)e(t,k)+B-CBδuMPC(t,k)+0-IΔd(t,k)---(4)]]>

其中实时模型预测控制用以确定δu^MPC即迭代学习控制量之外的控制修正量。