[发明专利]一种数据驱动的时滞系统改进自适应广义预测控制方法

说明书

本发明公开了一种数据驱动的时滞系统改进自适应广义预测控制方法，包括：首先确定被控量与控制量，采集时滞系统输入输出数据构建历史数据库，处理异常数据，采用时变遗忘因子递推最小二乘法，建立时滞系统的带控制量的自回归积分滑动平均模型；根据期望值，设计参考轨迹，求解Diophantine方程，设计GPC控制律，构造优化性能指标；计算并实施最优控制量，同时采集输入输出数据，更新历史数据库。本发明能够使得系统的时滞问题能够得到有效解决，提高离线和在线输入输出测量数据的利用率，有效抑制输入输出干扰及异常数据对控制的影响，保证系统具有稳定性和很好的鲁棒性。

技术领域

本发明涉及自适应控制技术领域，具体为一种数据驱动的时滞系统改进自适应广义预测控制方法。

背景技术

在客观世界和实际过程中，时滞是一种广泛存在的现象，在大型系统尤其是在工业过程控制中，绝大多数的被控对象都具有强时滞特性，例如火箭发送机燃烧室的燃烧过程、炼钢厂的融铁水过程以及精馏塔提馏级温度控制过程等等，这些都是实际控制中非常典型且具有时滞特性的系统。

在实际的控制过程中，大多数系统具有或多或少的非线性以及不确定性，使得系统受客观因素的影响呈现出不同程度的时滞，而时滞的存在会使得被控系统的控制品质下降，因此实际应用过程中常常希望减少甚至消除时滞对系统带来的影响，而且目前很多研究表明现在已有的无时滞控制方法很难推广应用到时滞系统上，因此需要研究新的控制方法克服甚至抵消时滞对控制效果带来的负面影响。

当被控系统中出现时滞时，加入系统的扰动不能够被控制器及时接收并作出相应的调节，往往需要滞后一定的时间，这样一来，无疑也会使得系统的调节时间加大、超调量增大，调节不够及时的话系统的稳定性就会下降，导致控制效果失效甚至引发安全问题。

在实际系统控制过程中，开关控制和PID控制是目前应用最多的控制方法，也有自适应控制、模糊控制、神经网络控制等方法。前者控制方式简单易于使用，但控制精度不高、波动大、能耗高；模糊控制则需要掌握大量的现场控制经验知识且缺乏自学习能力。而且这些控制方法都没有把系统的模型整合到控制器的设计当中，不能很准确地反映过程的实际特性。传统预测控算法将系统模型应用到控制器的设计中，并取得较好的控制结果，但是当面对较大干扰情况时，就不能很好的保持控制效果的稳定，因此为了改善传统预测控制算法的效果，针对实际过程中的很多系统中具有非线性、大时变、大滞后、干扰严重等特征，设计一种可以跟随控制环境变化而做出相应改变的自适应广义预测控制方法是十分有必要的。

基于此，本发明设计了一种数据驱动的时滞系统改进自适应广义预测控制方法，以解决上述提到的问题。

发明内容

本发明的目的在于提供一种数据驱动的时滞系统改进自适应广义预测控制方法，以解决上述提到的问题。

为实现上述目的，本发明提供如下技术方案：一种数据驱动的时滞系统改进自适应广义预测控制方法，包括：根据时滞系统历史数据库，采用数据驱动方法，利用改进的自适应广义预测控制器，建立基于广义预测控制算法的模型，实现过程控制参量的实时在线估计，具体包括以下几个步骤：

步骤1：确定时滞系统被控变量和控制变量，采集时滞系统输入输出历史数据，建立历史数据库，对数据进行预处理、初始化；

步骤2：进行预测模型建模，设置初值待估向量初值中间变量值P(0)、遗忘因子记忆长度m、遗忘因子参数σ(k)的均方差σ_τ(k)；

步骤3：通过时滞系统输入输出历史数据，采用时变遗忘因子递推最小二乘法，得到时滞系统带控制量的自回归积分滑动平均模型，通过所述自回归积分滑动平均模型预测控制算法求解控制变量；