基于粒子群算法优化的间歇过程2D输出反馈预测控制方法技术

本发明专利技术公布了基于粒子群算法优化的间歇过程2D输出反馈预测控制方法，其特征在于包括以下步骤：步骤1：建立具有范数有界的不确定性二维间歇过程状态空间模型；步骤2：设计二维迭代学习输出反馈预测控制器；步骤3：设计基于粒子群算法优化的2D输出反馈鲁棒预测跟踪控制器。本发明专利技术设计了具有扩展信息的控制器，该控制器具有较好的跟踪性能和鲁棒性，对系统不确定性和外界干扰具有较强的抵抗能力。考虑到实际生产中的输出和输入约束以及不可测量状态，输出反馈预测控制器实现了其控制目标并满足实际生产要求。采用PSO算法在传统控制器附近寻找更好的解，这弥补了由于手动调整，性能指标函数的某些参数可能不是最优的影响。标函数的某些参数可能不是最优的影响。标函数的某些参数可能不是最优的影响。

【技术实现步骤摘要】
基于粒子群算法优化的间歇过程2D输出反馈预测控制方法


[0001]本专利技术属于信息
，具体涉及基于粒子群算法优化的间歇过程2D输出反馈预测控制方法。

技术介绍

[0002]对于具有重复特性的间歇过程，ILC(迭代学习)是一个很好的选择。但由于环境因素和操作条件的变化，特别是化工间歇过程不能很好地重复，即间歇过程具有一定程度的非重复性(或不确定性)，所以单独对间歇过程使用ILC会导致收敛性和稳定性不佳。而MPC(模型预测控制)在无法精确建模的生产过程中应用广泛，所以在二维框架下将ILC和MPC结合设计对批次生产具有重要意义。
[0003]在实际系统中，系统的状态往往不易直接测量，或者由于测量设备在经济上和使用性上的限制，使状态反馈不可能在物理上实现，因此基于输出反馈的迭代学习鲁棒预测控制更具有实际意义。同时，为了防止生产过程中出现超调，需要对输入输出给予一定的限制，然而目前针对此问题的研究成果还很少。由于MPC优化的本质是通过手动调整性能指标的参数变量来实现优化，这与当今的高效高精度控制不相符。遗传算法作为一种智能搜索算法，在间歇本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于粒子群算法优化的间歇过程2D输出反馈预测控制方法，其特征在于包括以下步骤：步骤1：建立具有范数有界的不确定性二维间歇过程状态空间模型；步骤2：设计二维迭代学习输出反馈预测控制器；步骤3：设计基于粒子群算法优化的2D输出反馈鲁棒预测跟踪控制器。2.根据权利要求1所述的基于粒子群算法优化的间歇过程2D输出反馈预测控制方法，其特征在于：所述的二维间歇过程状态空间模型为：其中t为时刻，k为批次，T
p
为终止时刻,x(t,k)∈R
n
,y(t,k)∈R
l
,u(t,k)∈R
m
,w(t,k)∈R
n
,分别表示第t批次k时刻的状态、输出、输入和扰动信号,{A,B,C}分别是n
×
n,n
×
m,l
×
n维矩阵,ΔA(t,k),ΔB(t,k)代表系统参数的不确定性。3.根据权利要求1所述的基于粒子群算法优化的间歇过程2D输出反馈预测控制方法，其特征在于所述步骤2包括以下步骤：步骤2.1：设计二维迭代学习预测控制器：其中u(t+l|t,k+m|k)表示输入变量在k批次t时刻的预测值，r(t+l|t,k+m|k)∈R
m
表示k批次t时刻待设计的迭代更新律,且有r(t|t,k|k)＝r(t,k),u(t,0)表示迭代的初始值；步骤2.2：引入拓展信息，得到一个拓展的二维闭环状态空间模型；其中：
步骤2.3：设计输出反馈预测控制器：其中x
c
(t+l|t,k+m|k)∈R
n+2l
是控制器内部状态，{A
ci
,B
ci
,C
ci
,D
ci
}
i＝1,2
分别是(n+2l)
×
(n+2l),(n+2l)
×
3l,m
×
(n+2l),m
×
3l维的控制器参数。4.根据权利要求1所述的基于粒子群算法优化的间歇过程2D输出反馈预测控制方法，其特征在于所述步骤3包括以下步骤：步骤3.1：选取性能指标函数：步骤3.2：求解控制器；步骤3.3：基于粒子群算法对上述求取的控制器参数进行优化。5.根据权利要求4所述的基于粒子群算法优化的间歇过程2D输出反馈预测控制方法，其特征在于步骤3.1所述性能指标函数为：其中，V
m
(z(t+N|t,k+N|k))为终端约束；当干扰是非重复性干扰时，在无穷时域[t,∞)和[k,∞)下，一个“最坏”情况的性能指标在不确定系统的第t时刻第k批次被定义为：6.根据权利要求5所述的基于粒子群算法优化的间歇过程2D输出反馈预测控制方法，其特征在于所述性能指标函数的约束条件为：
其中Y1＝[D
c1
G C
c1
],...

【专利技术属性】
技术研发人员：张旺喜，王立敏，李春，
申请(专利权)人：海南师范大学，
类型：发明
国别省市：