[发明专利]一种批次注塑过程的状态补偿模型控制方法

摘要

本发明公开了一种批次注塑过程的状态补偿模型控制方法。本发明在控制器的设计中引入了一个新的误差补偿策略，首先在传统的控制模型中加入时间后向差分算子，然后引入状态模型，选取合适的状态向量，引入跟踪误差，最终获得所需要的控制模型，然后选取合适的对象函数，通过调节控制参数最终得到最优控制律，该方法结合了模型预测控制和迭代学习控制策略的优点，提高了批处理过程中控制策略的整体性能。

主权项

一种批次过程的状态补偿模型控制方法，其特征在于该方法具体是：步骤一.设计批次过程的新型状态控制模型，具体是：1.1给传统的批次过程状态表达式添加时间后向差分算子F(qt‑1)Δty(t,k)＝H(qt‑1)Δtu(t,k)其中，y(t,k)和u(t,k)是批处理过程第k个周期t时刻的输出和出入；qt‑1是单位时间后移算子，Δt是时间后向差分算子，F(qt‑1),H(qt‑1)的形式如下：F(qt‑1)＝1+f1qt‑1+f2qt‑2+…+fmqt‑mH(qt‑1)＝h1qt‑1+h2qt‑2+…+hnqt‑nf1,f2…fm，h1,h2…hn分别是F(qt‑1)和H(qt‑1)的对应系数；m和n分别是输入和输出模型的最大阶次；1.2选择状态向量xm(t,k)＝[Δty(t,k),Δty(t‑1,k),…,Δty(t‑m+1,k),Δtu(t‑1,k),Δtu(t‑2,k),…,Δtu(t‑n+1,k)]T获得新型的状态补偿模型xm(t+1,k)＝Amxm(t,k)+BmΔtu(t,k)Δty(t+1,k)＝Cmxm(t+1,k)其中Am=-f1-f2...-fm-1-fmh2...hn-1hn10...000...0001...000...00...........................00...100...0000...000...0000...001...00...........................00...000...10]]>Bm＝[h1 0 0 … 1 0 … 0]TCm＝[1 0 0 … 0 0 0 0]y(t,k),y(t‑1,k)…y(t‑m+1,k)分别为批处理过程第k个周期t时刻，t‑1时刻，…，t‑m+1时刻的输出；u(t,k),u(t‑1,k)…u(t‑n+1,k)分别为批处理过程第k个周期t时刻，t‑1时刻，…，t‑n+1时刻的输入；xm(t,k)为批处理过程第k个周期t时刻的状态向量；xm(t+1,k)为批处理过程第k个周期t+1时刻的状态向量；1.3挑选参考轨迹yr(t,k)yr(t+i,k)＝αiy(t,k)+(1‑αi)c(t+i)其中，y(t,k)是第k个周期t时刻的实际输出值，c(t+i)是设置点，αi是参考轨迹的平滑因子，yr(t+i,k)是第k个周期第t+i时刻的预测输出值；1.4将跟踪误差表示为et(t,k)＝y(t,k)‑yr(t,k)其中，et(t,k)表示第k个周期t时刻的时间上的跟踪误差，y(t,k)为批处理过程第k个周期t时刻输出的实际值，yr(t,k)为批处理过程第k个周期t时刻输出的预测值；步骤二.引入新的状态补偿模型，结合状态变量和跟踪误差设计新的状态补偿模型控制器；2.1根据步骤1.2、1.4得到批次过程第k个周期的t+1时刻的时间上的跟踪误差为et(t+1,k)＝et(t,k)+CmAmxm(t,k)+CmBmΔtu(t,k)‑Δtyr(t+1,k)2.2上述步骤1.2的状态向量扩展为x(t,k)=xm(t,k)et(t,k)]]>2.3得到相关状态补偿模型x(t+1,k)＝Ax(t,k)+BΔtu(t,k)+CΔtyr(t+1,k)其中A=Am0CmAm1;B=BmCmBm;C=0-1]]>A和C中的0是对应维数的零向量；2.4根据步骤2.3，得到状态预测值式中X(k)=x(t+1,k)x(t+2,k)...x(t+P,k);ΔtYr(k)=Δtyr(t+1,k)Δtyr(t+2,k)...Δtyr(t+P,k)]]>ΔtU(k)=Δtu(t,k)Δtu(t+1,k)...Δtu(t+M-1,k);R=AA2...AP]]>yr(t+1,k)，yr(t+2,k)…yr(t+P,k)其中，P,M分别预测时域和控制时域；x(t+1,k)，x(t+2,k)…x(t+P,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+P时刻的状态值；yr(t+1,k)，yr(t+2,k)…yr(t+P,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+P时刻的预测输出值；u(t+1,k)，u(t+2,k)…u(t+M‑1,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+M‑1时刻的输入值；2.5引入周期的跟踪误差来修正跟踪误差的预测值Xm(k)＝X(k)+Ec(k‑1)式中，Xm(k)是修改后的状态预测向量，Ec(k‑1)是周期上的跟踪误差；Xm(k)=xm(t+1,k)xm(t+2,k)...xm(t+P,k);Ec(k-1)=ec(t+1,k-1)ec(t+2,k-1)...ec(t+P,k-1)]]>ec(t+i,k-1)=0Σj=1k-1et(t+i,j)]]>其中，ec(t+i,k‑1)是批处理过程第k‑1个周期t+i时刻的周期上的跟踪误差,其中的0是对应维数的零向量；xm(t+1,k)，xm(t+2,k)…xm(t+P,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+P时刻修改后的状态值；ec(t+1,k‑1),ec(t+2,k‑1)…ec(t+P,k‑1)分别为批处理过程第k‑1个周期t+1时刻，t+2时刻，…t+P时刻的周期上的跟踪误差；ec(t+i,k‑1)表示批处理过程第k‑1个周期t+i时刻的周期上的跟踪误差；2.6选定提出的批处理状态补偿模型控制策略的对象函数；minJ=Σi=1Pγ(i)xm(t+i,k)2+Σj=1M(λ(j)(Δtu(t+j-1,k))2+β(j)(Δku(t+j-1,k))2)]]>其中，γ(i),λ(j),β(j)是对应的加权矩阵，Δk是周期后向差分算子，min J是对象函数的最小值；xm(t+i,k)为批处理过程第k个周期t+i时刻修改后的状态值；u(t+j‑1,k)批处理过程第k个周期t+j‑1时刻的输入值；2.7简化后，上式的对象函数重写为min J＝γXm(k)2+λΔtU(k)2+β(U1(k)+φΔtU(k)‑U2(k‑1))2其中U1(k)=u(t-1,k)u(t-1,k)...u(t-1,k);U2(k-1)=u(t,k-1)u(t+1,k-1)...u(t+M-1,k-1)]]>2.8得到最优控制律