[发明专利]基于李雅普诺夫-拉祖米欣函数的多阶段间歇过程迭代学习鲁棒预测控制方法

说明书

基于李雅普诺夫‑拉祖米欣函数的多阶段间歇过程迭代学习鲁棒预测控制方法，属于工业过程的先进控制领域，包括以下步骤：步骤一：建立具有时滞多阶段间歇过程的状态空间模型；步骤二：构建包含批次和时间信息的二维Rosser模型；步骤三：基于所建立的二维Rosser模型设计控制器；步骤四：构建李雅普诺夫‑拉祖米欣函数；步骤五：给出系统指数稳定的条件；步骤六：计算基于鲁棒正定不变集和终端约束集的控制器增益F^p和平均驻留时间；本发明通过在线求解方式，在每个切换时刻重新就是那个切换相关参数和控制器增益，得到每个阶段准确的驻留时间，避免异步切换情况出现，并结合实时最优控制律增益修正控制器参数，提高生产效率和产品质量。

技术领域

本发明属于工业过程的先进控制领域，涉及一种基于李雅普诺夫-拉祖米欣函数的多阶段间歇过程迭代学习鲁棒预测控制方法。

背景技术

由于其高附加值和小规模的特点，间歇过程作为主要的工业过程之一迅速崛起。目前，间歇过程的主流控制方法通常选用迭代学习方法。然而，早期的迭代学习控制方法和一维模型预测控制方法都有固有的局限性，难以提高批量工艺的控制性能。对于具有二维(2D)特征的批量过程，现有的ILC方法难以应对非重复干扰，并且需要漫长的学习周期，一维模型预测控制方法缺乏对批量方向的优化，控制精度差。因此，研究人员结合ILC和模型预测控制方法优点的迭代学习模型预测控制方法，该方法充分考虑了批量过程的二维特性，可以有效地应对不确定性和干扰的影响。遗憾的是，学习周期过长的问题仍未得到妥善解决。因此，为了提高生产效率，提升系统的稳定性，缩短学习所需的批次是必要的。

多阶段间歇过程相邻阶段的异步切换情况是一个值得注意的问题。以往对于多阶段间歇过程的研究，采用的都是同步切换的控制方法。但事实并非如此，实际的生产过程中控制器会受到诸多因素的影响，如信号传输延时，系统辨识速度等原因，控制器无法及时切换，就会出现系统状态已经切换到下一个阶段而控制器仍然是上一个阶段的情况。因此，本发明通过在线方法得到的控制律增益、与系统渐近稳定性相关的衰减系数、与切换相关的系数，在每个切换时刻更新驻留时间，避免异步切换情况的出现。

此外，时间延迟也是多阶段中需要考虑的问题之一。在以前的研究中对时滞的处理通常是利用延时的上界和下界信息来重新设计Lyapunov-Krasovsky函数(LKF)。以这种方式设计的控制器将不可避免地更加保守。然而，LKF方法带来的保守性在大型延时系统中是可以接受的。毕竟，它可以大大减少计算工作量。在小的时延系统中，LKF的缺点就很明显了，它既不可能规避大的保守性问题，也不可能有效减少计算量。因此，人们注意到了李雅普诺夫-拉祖米欣函数(LRF)的方法。在LRF方法中，V函数的维度与时间延迟的大小直接相关。时间延迟越小，设计的函数的维数越小，保守性越低。批量过程通常被认为是小的延时系统。因此，与LKF方法相比，基于维数扩展方式的LRF方法更有优势。遗憾的是，对于低延迟的多阶段间歇过程，很少有基于LRF的研究报道。

发明内容

针对具有小时间延迟和异步切换的MPBP，开发了一种二维迭代学习混杂鲁棒预测控制。首先，通过状态偏差和输出误差，构建了一个新颖的二维Roesser综合反馈误差切换模型，并利用该模型设计了一个ILHRPC法。其次，结合稳定性条件(由终端约束集给出)和指数稳定性分析，解决了控制法的实时增益，即匹配情况下的最短驻留时间，以及不匹配情况下的最长驻留时间。基于驻留时间，给出了提前切换信号，以保证切换发生时系统的稳定性。仿真结果最终表明，所提出的方法是有效和可行的。

本发明是通过一下方法实现的：

基于李雅普诺夫-拉祖米欣函数的多阶段间歇过程迭代学习鲁棒预测控制方法，其特征在于：具体步骤如下：

步骤一：建立具有时滞多阶段间歇过程的状态空间模型：

具有不确定性、区间时变时滞和外界未知干扰的状态空间模型如下：