[发明专利]一种批次工业过程的新型迭代学习控制方法

说明书

技术领域

本发明属于自动化技术领域，涉及一种批次工业过程的新型迭代学习控制方法。

背景技术

在实际工业生产中，批次过程在实践中广泛应用于生产高附加值产品，相关控制策略的发展取得了很大进展。为了满足日益增长的产品质量要求，现有方法还有待提高。批次处理过程重复相同的操作直到获得产品，表明其存在重复性。为了在批次过程中处理这些重复和非重复的动态问题，引入了反馈控制与迭代学习控制结合的方案，以保证沿时间和周期指数的控制性能。模型预测控制是系统中反馈控制的不错选择。然而，由于传统的状态空间模型的限制，状态变量的调整可能不足以适用于传统的迭代学习控制算法。模型预测控制和迭代学习控制基于两阶段优化的思想组合，可以获得更好的批量处理的集成控制性能。现有的结构型扩展模型，其状态变量和输出跟踪误差是联合的，并且可以在控制器设计中单独调节，但控制性能仍然受到限制。因此将新型的结构型扩展模型引入到控制系统的框架中，以提高控制性能是很有必要的。

发明内容

本发明目的是为改善批次工业过程中控制方法的控制性能，提出一种批次工业过程的新型迭代学习控制方法。

本发明首先选取合适的状态变量建立状态控制模型，进一步将状态控制模型转换为包含输出和跟踪误差的结构型扩展模型，然后结合迭代学习控制得到新的结构型扩展模型，最后选取相应的性能指标，结合迭代学习控制方程求得最优更新律和控制律。

本发明的技术方案是通过数据采集、模型建立、预测机理、迭代学习算法、优化等手段，确立了一种基于迭代学习控制方法的新型结构型扩展模型进而对控制器进行设计，利用该方法可有效改善工业过程中控制方法的跟踪性能，增加控制器的调节自由度，改善系统的控制性能。

本发明方法的步骤包括：

步骤1.建立批次过程中被控对象的状态控制模型，具体是：

1-1首先采集批次过程的输入输出数据，利用该数据建立该批次过程的模型，形式如下

A(q_t^-1)y(t,k)＝B(q_t^-1)u(t,k)

A(q_t^-1)＝1+H₁q_t^-1+H₂q_t^-2+…+H_mq_t^-m

B(q_t^-1)＝L₁q_t^-1+L₂q_t^-2+…+L_nq_t^-n

其中，t,k分别表示离散时间和周期指数。A(q_t^-1),B(q_t^-1)都是时间后向移位算子。y(t,k)和u(t,k)分别是在第k个周期t时刻的输出和输入。H₁,H₂...H_m和L₁,L₂...L_n是A(q_t^-1),B(q_t^-1)中对应项的系数，m和n是最大阶次。

1-2将步骤1-1中的模型进一步简化处理成如下形式

A(q_t^-1)Δ_ty(t,k)＝B(q_t^-1)Δ_tu(t,k)

即：

Δ_ty(t+1,k)+H₁Δ_ty(t,k)+…+H_mΔ_ty(t-m+1,k)＝L₁Δ_tu(t,k)+L₂Δ_tu(t-1,k)+…+L_nΔ_tu(t-n+1,k)