一种批次过程二维预测函数控制方法技术

本发明专利技术公开了一种批次过程二维预测函数控制方法。本发明专利技术首先根据状态控制模型扩展一种新型结构型模型，通过新型模型得到状态预测并进行校正，然后提出一种新颖的误差补偿方法来提高控制性能，最后选取预测函数控制律和相应的代价函数，通过代价函数的最小化得到最优控制律。本发明专利技术通过一种改进的状态模型提高控制性能。性能指标中跟踪误差的独立权重又为控制器设计提供了更多的自由度。使得该方法针对批次过程具有良好的控制特性。

A two dimensional predictive functional control method for batch process

The invention discloses a batch process two dimensional predictive functional control method. The invention first expands a new structural model according to the state control model, obtains the state prediction through the new model and carries on the correction, then proposes a novel error compensation method to improve the control performance, finally selects the predictive function control law and the corresponding cost function, and obtains the most by minimizing the cost function. Excellent control law. The invention improves the control performance through an improved state model. The independent weight of the tracking error in the performance index provides more degrees of freedom for the controller design. This method has good control characteristics for batch process.

【技术实现步骤摘要】
一种批次过程二维预测函数控制方法
本专利技术属于自动化
，涉及一种批次工业过程的新型迭代学习控制方法。
技术介绍
随着经济的快速发展和需求的不断增长，控制要求也越来越严格，批量生产过程的控制也面临着挑战。重复性是批次处理过程中典型的问题。并且在实践生产过程中，各种不确定因素是不可避免真实存在的。现有的相关控制策略还有待提高，在不确定性条件下不能保证期望的控制性能。因此，研究一种批次过程的先进控制方法来处理具有模型不确定性和重复性的问题以提高控制性能是很有必要的。
技术实现思路
本专利技术目的是为改善批次工业过程中控制方法的控制性能，提出一种批次过程二维预测函数控制方法。本专利技术首先根据状态控制模型扩展一种新型结构型模型，通过新型模型得到状态预测并进行校正，然后提出一种新颖的误差补偿方法来提高控制性能，最后选取预测函数控制律和相应的代价函数，通过代价函数的最小化得到最优控制律。本专利技术的技术方案是通过模型建立、预测机理、优化补偿等手段，确立了一种二维预测函数控制方法对控制器进行设计。通过一种改进的状态模型提高控制性能。性能指标中跟踪误差的独立权重又为控制器设计提供了更多的自由度。使得该方法针对批次过程具有良好的控制特性。本专利技术方法的步骤包括：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对于具有重复性的典型批处理过程，引入状态控制模型并进行处理，可得如下形式：Δtxm(t+1,k)＝AΔtxm(t,k)+BΔtu(t,k)Δtym(t+1,k)＝CΔtxm(t+1,k)其中Δt是时间后向差分算子；xm(t+1,k)是第k个周期t+1时刻的模型状态；xm(t,k)是第k个周期t时刻的模型状态；u(t,k)是第k个周期t时刻的模型输入；ym(t+1,k)是第k个周期t+1时刻的模型输出；A,B,C是相应的系数矩阵。1.2定义参考轨迹形式如下：yr(t+i,k)＝wiy(t,k)+(1-wi)c(t+i)其中，yr(t+i,k)是第k周期t+i时刻的参考轨迹；i＝0,…,P-1；P是预测时域；y(t,k)是第k个周期t时刻的时间输出；c(t+i)是在t+i时刻的设定值；w是平滑因子。1.3由步骤1.2可得未校正的跟踪误差为：et(t,k)＝ym(t,k)-yr(t,k)其中，et(t,k)是第k个周期t时刻的未经校正的跟踪误差；ym(t,k)是第k个周期t时刻的模型输出；yr(t,k)是第k个周期t时刻的参考轨迹。1.4由步骤1.1到步骤1.3可得：et(t+1,k)＝et(t,k)+Δtym(t+1,k)-Δtyr(t+1,k)＝et(t,k)+CAΔtxm(t,k)+CBΔtu(t,k)-Δtyr(t+1,k)其中，et(t+1,k)是第k个周期t+1时刻未经校正的跟踪误差；yr(t+1,k)是第k个周期t+1时刻的参考轨迹。1.5选取扩展的状态向量得到相关的结构型扩展模型如下：z(t+1,k)＝Aez(t,k)+BeΔtu(t,k)+CeΔtyr(t+1,k)其中，z(t+1,k)是第k周期t+1时刻的结构扩展模型；矩阵Ae和Ce中的0表示具有一定维数的零矩阵。1.6对跟踪误差预测进行校正：etc(t+i,k)＝et(t+i,k)+e(t,k)e(t,k)＝y(t,k)-ym(t,k)其中，etc(t+i,k)是第k个周期t+i时刻的校正的跟踪误差预测；et(t+i,k)是第k周期t+i时刻未经校正的跟踪误差；e(t,k)是第k个周期t时刻实际过程输出和模型输出之间的误差。1.7根据步骤1.5的结构型扩展模型可得状态预测形式如下：Z(k)＝θz(t,k)+ψΔtU(k)+ξΔtYr(k)其中，z(t+1,k),z(t+2,k)...z(t+P,k)分别是第k个周期t+1时刻,t+2时刻…t+P时刻结构扩展模型；u(t,k),u(t+1,k)...u(t+P-1,k)是第k个周期t时刻，t+1时刻…t+P-1时刻模型输入；yr(t+1,k),yr(t+2,k)…yr(t+P,k)是第k个周期t+1时刻,t+2时刻…t+P时刻的参考轨迹。1.8将状态预测校正为以下形式：Zc(k)＝Z(k)+E(k)其中，ev(t,k)中的0表示具有一定维数的零向量；zc(t+1,k),zc(t+2,k)...zc(t+P,k)分别是第k个周期t+1时刻,t+2时刻…t+P时刻经校正的状态预测。1.9为了提高控制性能，进一步考虑跟踪误差，并引入误差补偿：Zc(k)＝Z(k)+E(k)+τEc(k-1)其中，er(t+i,j)＝y(t+i,j)-yr(t+i,j)；ec(t+i,k-1)中的0表示具有一定维数的零向量。τ是累积跟踪误差的加权系数；ec(t+1,k-1),ec(t+2,k-1)…ec(t+P,k-1)是第k-1个周期t+1时刻,t+2时刻,t+P时刻经校正后的误差。步骤2设计被控对象的批次过程控制器，具体步骤是：2.1选取预测函数控制律的结构形式如下：u(t+i,k)＝μ1+μ2i+μ3i2+μ4i3+…μNiN-1其中，1,i,i2,…,iN-1是基函数；μ1,μ2…μN是线性系数；N是大于1的整数。2.2结合步骤1.7和步骤2.1，状态预测可以进一步修改为：Z(k)＝θz(t,k)+χW(k)+ξΔtYr(k)-θuu(t-1,k)其中，2.3选取性能指标形式如下其中minJ是代价函数的最小化；γ(i),λ(i),β(i)是相对应的加权矩阵或系数；Δk是周期上的后向差分算子。2.4结合步骤2.1到步骤2.3，代价函数可进一步写成如下形式：minJ＝γZc(k)2+λ(GW(k))2+β(HW(k)-U(k-1))2其中，2.5通过最小化步骤2.4中的代价函数可得到基函数的最佳线性系数：W(k)＝-(χTγχ+GTλG+HTβH)-1(χTγ(θz(t,k)+ξΔtYr(k)-θuu(t-1,k)+E(k)+τEc(k))-HTβU(k-1))2.6由步骤2.5可得最优控制律u(t,k)＝μ1作用于被控对象。本专利技术有益效果如下：本专利技术提出了一种批次过程二维预测函数控制方法。该方法建立了一种结构型扩展模型，并设计了被控对象的批次过程控制器，使用结构型扩展模型，通过状态变量和跟踪误差的单独调整使得控制器设计调整具有更多自由度，保证了系统具有良好的控制性能。具体实施方式以批次过程中注射速度控制为例：步骤1建立批次过程的状态控制模型，具体是：1.1对于具有重复性的典型批处理过程，引入状态控制模型并进行处理，可得如下形式：Δtxm(t+1,k)＝AΔtxm(t,k)+BΔtu(t,k)Δtym(t+1,k)＝CΔtxm(t+1,k)其中Δt是时间后向差分算子；xm(t+1,k)是第k个周期t+1时刻的模型状态；xm(t,k)是第k个周期t时刻的模型状态；u(t,k)是第k个周期t时刻的模型输入；ym(t+1,k)是第k个周期t+1时刻的模型输出；A,B,C是相应的系数矩阵。1.2定义参考轨迹形式如下：yr(t+i,k)＝wiy(t,k)+(1-wi)c(t+i)其中，yr(t+i,k)是第k周期t+i时刻的参考轨迹；i＝0,…,P-1；P是预测时域；y(t,k)是第k个周期t时刻的时间输出；c(t+i)是本文档来自技高网...

【技术保护点】
1.一种批次过程二维预测函数控制方法，其特征在于该方法具体：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对于具有重复性的典型批处理过程，引入状态控制模型并进行处理，可得如下形式：Δtxm(t+1,k)＝AΔtxm(t,k)+BΔtu(t,k)Δtym(t+1,k)＝CΔtxm(t+1,k)其中Δt是时间后向差分算子；xm(t+1,k)是第k个周期t+1时刻的模型状态；xm(t,k)是第k个周期t时刻的模型状态；u(t,k)是第k个周期t时刻的模型输入；ym(t+1,k)是第k个周期t+1时刻的模型输出；A,B,C是相应的系数矩阵；1.2定义参考轨迹形式如下：yr(t+i,k)＝wiy(t,k)+(1‑wi)c(t+i)其中，yr(t+i,k)是第k周期t+i时刻的参考轨迹；i＝0,…,P‑1；P是预测时域；y(t,k)是第k个周期t时刻的时间输出；c(t+i)是在t+i时刻的设定值；w是平滑因子；1.3由步骤1.2可得未校正的跟踪误差为：et(t,k)＝ym(t,k)‑yr(t,k)其中，et(t,k)是第k个周期t时刻的未经校正的跟踪误差；ym(t,k)是第k个周期t时刻的模型输出；yr(t,k)是第k个周期t时刻的参考轨迹；1.4由步骤1.1到步骤1.3可得：et(t+1,k)＝et(t,k)+Δtym(t+1,k)‑Δtyr(t+1,k)＝et(t,k)+CAΔtxm(t,k)+CBΔtu(t,k)‑Δtyr(t+1,k)其中，et(t+1,k)是第k个周期t+1时刻未经校正的跟踪误差；yr(t+1,k)是第k个周期t+1时刻的参考轨迹；1.5选取扩展的状态向量...

【技术特征摘要】
1.一种批次过程二维预测函数控制方法，其特征在于该方法具体：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对于具有重复性的典型批处理过程，引入状态控制模型并进行处理，可得如下形式：Δtxm(t+1,k)＝AΔtxm(t,k)+BΔtu(t,k)Δtym(t+1,k)＝CΔtxm(t+1,k)其中Δt是时间后向差分算子；xm(t+1,k)是第k个周期t+1时刻的模型状态；xm(t,k)是第k个周期t时刻的模型状态；u(t,k)是第k个周期t时刻的模型输入；ym(t+1,k)是第k个周期t+1时刻的模型输出；A,B,C是相应的系数矩阵；1.2定义参考轨迹形式如下：yr(t+i,k)＝wiy(t,k)+(1-wi)c(t+i)其中，yr(t+i,k)是第k周期t+i时刻的参考轨迹；i＝0,…,P-1；P是预测时域；y(t,k)是第k个周期t时刻的时间输出；c(t+i)是在t+i时刻的设定值；w是平滑因子；1.3由步骤1.2可得未校正的跟踪误差为：et(t,k)＝ym(t,k)-yr(t,k)其中，et(t,k)是第k个周期t时刻的未经校正的跟踪误差；ym(t,k)是第k个周期t时刻的模型输出；yr(t,k)是第k个周期t时刻的参考轨迹；1.4由步骤1.1到步骤1.3可得：et(t+1,k)＝et(t,k)+Δtym(t+1,k)-Δtyr(t+1,k)＝et(t,k)+CAΔtxm(t,k)+CBΔtu(t,k)-Δtyr(t+1,k)其中，et(t+1,k)是第k个周期t+1时刻未经校正的跟踪误差；yr(t+1,k)是第k个周期t+1时刻的参考轨迹；1.5选取扩展的状态向量得到相关的结构型扩展模型如下：z(t+1,k)＝Aez(t,k)+BeΔtu(t,k)+CeΔtyr(t+1,k)其中，z(t+1,k)是第k周期t+1时刻的结构扩展模型；矩阵Ae和Ce中的0表示具有一定维数的零矩阵；1.6对跟踪误差预测进行校正：etc(t+i,k)＝et(t+i,k)+e(t,k)e(t,k)＝y(t,k)-ym(t,k)其中，etc(t+i,k)是第k个周期t+i时刻的校正的跟踪误差预测；et(t+i,k)是第k周期t+i时刻未经校正的跟踪误差；e(t,k)是第k个周期t时刻实际过程输出和模型输出之间的误差；1.7根据步骤1.5的结构型扩展模型可得状态预测形式如下：Z...

【专利技术属性】
技术研发人员：张日东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33