本发明专利技术提供一种基于遗传算法优化的批次过程的预测函数控制方法。本发明专利技术通过结合过程状态和输出误差建立了批次过程中的扩展状态空间模型，然后通过遗传算法优化过程状态和输出误差的权系数，进而设计了改进后的预测函数控制器，以获得期望的闭环系统响应，从而保证了闭环系统良好的控制性能。本发明专利技术可以很好的处理批次过程中执行器故障和未知扰动问题，保证了形式简单并满足实际工业过程的需要。
【技术实现步骤摘要】
【专利摘要】本专利技术提供一种。本专利技术通过结合过程状态和输出误差建立了批次过程中的扩展状态空间模型，然后通过遗传算法优化过程状态和输出误差的权系数，进而设计了改进后的预测函数控制器，以获得期望的闭环系统响应，从而保证了闭环系统良好的控制性能。本专利技术可以很好的处理批次过程中执行器故障和未知扰动问题，保证了形式简单并满足实际工业过程的需要。【专利说明】
本专利技术属于自动化
，涉及基于遗传算法优化的批次过程的预测函数控制 方法。
技术介绍
目前，批次过程技术在生产小批量和高价值产品中引起了广泛的关注并且取得了 较大的进展，但是一些批次过程需要系统在很严格的条件下才能进行控制，这样就可能会 引起系统故障。在化工过程中如果不对故障进行检测和校正，故障可能引起系统的毁坏或 性能降低。目前，容错控制（FTC)为在这种故障情形下保持闭环系统的控制效果提供了很 好的解决方法，但是由于批次过程的复杂性和技术支持的不成熟等因素，使得控制效果并 不显著。因此，提出一种新的控制方法以解决批次过程控制中模型不匹配和执行器故障等 问题并保证系统控制性能是很有必要的。
技术实现思路
本专利技术的目的是针对批次过程中可能出现的执行器故障的问题，提供一种基于遗 传算法优化的批次过程的预测函数控制方法，以维持控制器的闭环稳定性并保持良好的控 制性能。 本专利技术的技术方案是通过数据采集、模型建立、预测机理、优化等手段，确立了一 种，利用该方法可有效提高系统在未知 扰动和执行器故障情况下的控制性能。 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扩展状态空间模型，具体方法是： a.通过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状态模型， 形式如下： 【权利要求】1.，其特征在于该方法的具体步骤 是： 步骤（1).建立批次过程中被控对象的扩展状态空间模型，具体是： a. 通过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状态模型，形式 如下：其中，x(k) eRn，y(k) eR，u(k) eR为k时刻批次过程的状态、输出、输入，d为批次 过程的时滞，w(k) e R为测量噪声，丨：?，瓦亡丨分别为系统矩阵； b. 将步骤a中的模型进一步处理成如下形式：选取如下所示的状态变量： Axm(k) = τ 从而得到批次过程的状态空间模型如下： Δ xm (k+1) = Am Δ xm (k) +Bm Δ u (k) Δ y (k) = Cm Δ xm (k) 其中，Bm = T m) 〇 …〇] Λ是差分算子，T为矩阵的转置符号，石和Q均为适当维数的零向量； c. 将步骤b中得到的状态空间模型转换成包含状态变量和输出跟踪误差的扩展状态 空间模型，形式如下： z (k+1) = Az (k) +B Δ u (k) +C Δ r (k+1) 其中，e (k) = y (k) ~r (k) y(k)、r(k)分别为k时刻的实际输出值和跟踪设定值，e(k)为k时刻的输出误差； 步骤（2).设计被控对象的预测函数控制器，具体是： a. 将作用于被控对象的控制量线性表示为： u(k+i) = TjT 其中， 凡=，（i = 〇, 1，…，P_l) 丁 一 μ u μ 2, ···，μ N是一组线性组合系数，⑴，f2(i)，…，心⑴是与线性组合系数对应的 基函数在k+i时刻的值，N是基函数的个数，P是预测时域； b. 选取批次过程的目标函数J，形式如下： J = ztqz Q = blockdiag {Q1； Q2, ···, QP} Z = Fz (k) -Gu (k~l) +Φ T +S Δ R 其中，Qj = diag{qJxl, qJx2, - , qJxn, qJul, qJu2, -, qJud, qJe}, 1 ^ j ^ Ρ? Q、R分别为过程状态和输入的权矩阵，Q为对称矩阵，，…，为过程状态的权重系 数，％U1，…，％ud为过程输入的权重系数，为输出误差的权重系数 c. 依据步骤b中的目标函数求解控制量，形式如下： 首先结合扩展状态空间模型和目标函数，得到线性组合系数向量，形式如下： T = -(cJ^QcDFcI^QCFzGO-GuGi-D+SAR) 进一步得到： μ ! = -(1, Ο, -, 0) (ΦτΘΦ)_1ΦτΘ(Ρζ(^-6π(^1)+8ΔΚ) =-h^ (k) +hulu (k~l) -η?! Δ R μ 2 = -(0, 1, -, 0) (ΦτρΦ)_1Φτρ(Ρζ (k)-Gu(k-l)+SAR) =-h2z (k) +hu2u (k~l) -m2 Δ R ? ? μΝ = -(0,0, ···, 1) (Φτ〇Φ)^Φτρ(Ρζ (k)-Gu(k-l)+SAR) =-hNz (k) (k-1) _mN Δ R 结合上述式子，可以求得控制量u(k)为： u(k)-L^ fj(0) = -/!z{k) +1Iuu{k -1)-MAR 尸1 其中， //=Hu'-M=./(〇)/?, 步骤（3).基于遗传算法优化预测函数控制器的参数，具体是： a. 首先对每个权重系数q#，q#，…，进行二进制编码并将其组成长的二进制字符 串，形式如下： qjxi = max (qjxi) *b/210 (i = 1，2,…，η) 其中，max表示求最大值，b表示十位的二进制数； b. 选取步骤a中得到的字符串的适应度函数f(t)，形式如下： f (t) = 1/ 其中，〇 (t)是个体的超调量，tr(t)是个体的上升时间，c是常数； c. 进行选择、交叉、变异操作 利用转轮选择方法确定选择算子，形式如下：其中，P(Cl)是个体的选择概率，f(Cl)是个体Cl的适应值，Μ是种群数； 利用选择算子将父代染色体中适应度较高的个体选择出来产生子代染色体，然后以交 叉概率Ρ。随机选择子代染色体中一部分进行交叉操作并将交叉后染色体个体V u添加到 新种群中；以变异概率Pm随机选择子代染色体中另一部分进行变异操作并将变异后染色体 个体c' 7添加到新种群中，子代染色体中的剩余部分直接复制到新种群中，从而形成新种 群； d.依据运行收敛情况判断是否达到最大的适应度，选出适应度最高的染色体个数所对 应的权重系数作为最优解，否则，依据步骤C继续求解，依此循环； 步骤（4).将步骤（3)优化后的权重系数带入步骤（2)中求解出的控制量，得到遗传算 法优化后的控制量u(k)并作用于被控对象，在下一时刻，依据（2)到（3)中的步骤继续求 解新的控制量u (k+Ι)，并依次循环。【文档编号】G05B19/04GK104102144SQ201410281507【公开日】2014年10月15日 申请日期:2014年6月20日 优先权日:2014年6月20日 【专利技术者】张日东, 邹琴, 吴锋, 邹洪波, 张乐 申请人:杭州电子科技大学本文档来自技高网...
【技术保护点】
基于遗传算法优化的批次过程的预测函数控制方法，其特征在于该方法的具体步骤是：步骤(1).建立批次过程中被控对象的扩展状态空间模型，具体是：a.通过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状态模型，形式如下：x(k+1)=A‾x(k)+B‾u(k-d)y(k)=C‾x(k)+w(k)]]>其中，x(k)∈Rn，y(k)∈R，u(k)∈R为k时刻批次过程的状态、输出、输入，d为批次过程的时滞，w(k)∈R为测量噪声，分别为系统矩阵；b.将步骤a中的模型进一步处理成如下形式：Δx(k+1)=A‾Δx(k)+B‾Δu(k-d)Δy(k)=C‾Δx(k)]]>选取如下所示的状态变量：Δxm(k)＝[Δx(k) Δu(k‑1) Δu(k‑2)…Δu(k‑d)]T从而得到批次过程的状态空间模型如下：Δxm(k+1)＝AmΔxm(k)+BmΔu(k)Δy(k)＝CmΔxm(k)其中，Bm＝[0 1 0 … 0]TCm=C‾00···0]]>Δ是差分算子，Τ为矩阵的转置符号，0均为适当维数的零向量；c.将步骤b中得到的状态空间模型转换成包含状态变量和输出跟踪误差的扩展状态空间模型，形式如下：z(k+1)＝Az(k)+BΔu(k)+CΔr(k+1)其中，A=Am0CmAm1,B=BmCmBm,C=0-1]]>z(k)=Δxm(k)e(k)]]>e(k)＝y(k)‑r(k)y(k)、r(k)分别为k时刻的实际输出值和跟踪设定值，e(k)为k时刻的输出误差；步骤(2).设计被控对象的预测函数控制器，具体是：a.将作用于被控对象的控制量线性表示为：u(k+i)＝TiΥ其中，Ti＝[f1(i),f2(i),…,fN(i)],(i＝0,1,…,P‑1)Υ＝[μ1,μ2,…,μN]Tμ1,μ2,…,μN是一组线性组合系数，f1(i),f2(i),…,fN(i)是与线性组合系数对应的基函数在k+i时刻的值，N是基函数的个数，P是预测时域；b.选取批次过程的目标函数J，形式如下：J＝ZTQZQ＝blockdiag{Q1,Q2,…,QP}Z＝Fz(k)‑Gu(k‑1)+ΦΥ+SΔR其中，Φ=BT0(AB-B)T0+BT1(A2B-AB)T0+(AB-B)T1+BT2···Σk=1P-1(AkB-Ak-1B)TP-1-k+BTP-1]]>Z=z(k+1)z(k+2)···z(k+P),ΔR=Δr(k+1)Δr(k+2)···Δr(k+P)]]>Qj＝diag{qjx1,qjx2,…,qjxn,qju1,qju2,…,qjud,qje},1≤j≤P，Q、R分别为过程状态和输入的权矩阵，Q为对称矩阵,qjx1,…,qjxn为过程状态的权重系数,qju1,…,qjud为过程输入的权重系数,qje为输出误差的权重系数c.依据步骤b中的目标函数求解控制量，形式如下：首先结合扩展状态空间模型和目标函数，得到线性组合系数向量，形式如下：Υ＝‑(ΦTQΦ)‑1ΦTQ(Fz(k)‑Gu(k‑1)+SΔR)进一步得到：μ1＝‑(1,0,…,0)(ΦTQΦ)‑1ΦTQ(Fz(k)‑Gu(k‑1)+SΔR)＝‑h1z(k)+hu1u(k‑1)‑m1ΔRμ2＝‑(0,1,…,0)(ΦTQΦ)‑1ΦTQ(Fz(k)‑Gu(k‑1)+SΔR)＝‑h2z(k)+hu2u(k‑1)‑m2ΔR···μN＝‑(0,0,…,1)(ΦTQΦ)‑1ΦTQ(Fz(k)‑Gu(k‑1)+SΔR)＝‑hNz(k)+huNu(k‑1)‑mNΔR结合上述式子，可以求得控制量u(k)为：u(k)=Σj=1Nμjfj(0)=-Hz(k)+Huu(k-1)-MΔR]]>其中，H=Σj=1Nfj(0)hj]]>Hu=Σj=1Nfj(0)huj]]>M=Σj=1Nfj(0)mj]]>步骤(3).基于遗传算法优化预测函数控制器的参数，具体是：a.首先对每个权重系数qjx1,qjx2,…,qjxn进行二进制编码并将其组成长的二进制字符串，形式如下：qjxi＝max(qjxi)*b/210(i＝1,2,…,n)其中，max表示求最大值，b表示十位的二进制数；b.选取步骤a中...
【技术特征摘要】
【专利技术属性】
技术研发人员：张日东，邹琴，吴锋，邹洪波，张乐，
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。