[0003] 本发明的目的是更好的处理批次过程的不确定性以及非线性问题,进而提出了一种新的批次过程模糊迭代学习控制方法。
[0004] 本发明首先通过分析一个非线性批次过程的状态空间模型,建立一个简单的模糊模型;然后采用迭代学习控制策略并定义了系统状态误差和输出跟踪误差,通过结合误差补偿的技术,得到了一种基于跟踪误差的控制更新律,进而得到控制量作用于被控对象。
[0005] 本发明方法的步骤包括:
[0006] 步骤1、模糊模型的建立,具体步骤是:
[0007] 1.1首先考虑连续形式的非线性批次过程,模型如下:
[0008]
[0009] 其中,t为时刻,k是批次,x(t,k),u(t,k),ω(t,k),y(t,k)分别表示第k批次t时刻的状态、输入、未知干扰和输出, 表示第k批次t时刻状态的导数,Tk是批次k的运行时间,f[],g[]都表示非线性函数。
[0010] 1.2将步骤1.1中的批次过程进一步处理成如下的模糊模型:
[0011]
[0012] 其中,
[0013]
[0014] r表示为一个大于等于1的任意自然数,p表示为预测时域,j=1,2...,p,Mij表示为模糊集,Ai,Bi,Ci分别表示在第i条规则之下系统的状态、输入和输出的对应的矩阵,x(t+1,k)表示第k批次t+1时刻的状态,z(t,k)表示第k批次t时刻的预测变量,z1(t,k),...,zp(t,k)分别表示第k批次t时刻在第1,...,p步的预测变量,Mij(zj(t,k))表示zj(t,k)在模糊集Mij作用下的一个重要过程参量。
[0015] 步骤2、设计批次过程控制器,具体步骤是:
[0016] 2.1对于一个模糊系统的描述,迭代学习控制律应具有以下一般形式:
[0017]
[0018] r(t,k)表示第k批次t时刻的更新律,u(t,0)表示迭代的初始值,u(t,k-1)表示第k-1批次t时刻的输入。
[0019] 2.2定义相邻批次过程中的系统状态误差和输出跟踪误差为:
[0020] δ(x(t,k))=x(t,k)-x(t,k-1)
[0021] e(t+1,k)=yr(t+1,k)-y(t+1,k)
[0022] δ(x(t,k))表示第k批次t时刻系统状态误差,e(t+1,k)表示第k批次t+1时刻的输出跟踪误差,x(t,k-1)表示第k-1批次t时刻状态,yr(t+1,k)表示第k批次t+1时刻预测输出,y(t+1,k)表示第k批次t+1时刻实际输出。
[0023] 2.3根据步骤2.2,可以确定批次处理的扩展状态变量为:
[0024]
[0025] 其中,
[0026]
[0027]
[0028]
[0029] 表示z(t,k)的定义,xj(t,k)表示第k批次t时刻在第j步时系统的状态,Mij(xj(t,k))表示xj(t,k)在模糊集Mij作用下的一个重要过程参量,δ(x(t+1,k))表示第k批次t+1时刻系统状态误差,e(t+1,k-1)表示第k-1批次t+1时刻的输出跟踪误差,I表示一个具有适当维数的单位矩阵,0表示一个具有适当维数的零矩阵,δ(ω(t,k)))表示第k批次t时刻的干扰的跟踪误差。
[0030] 2.4根据步骤2.3并且结合误差补偿的技术,得到一种基于跟踪误差的更新律:
[0031]
[0032] 其中,Ki表示在规则i下的控制增益。
[0033] 2.5根据步骤2.4,在规则i下得到一种化工批次过程模糊迭代学习控制的控制器的更新律:
[0034]
[0035] 2.6根据步骤2.1和步骤2.5,得到一种化工批次过程模糊迭代学习控制的控制量:
[0036]
[0037] u(t,0)=0
[0038] 2.7根据步骤2.2到步骤2.6,依次循环求解基于一种化工批次过程模糊迭代学习控制的控制量u(t,k),再将其作用于被控对象。
[0039] 本发明的有益效果:本发明提出了一化工批次过程模糊迭代学习控制的控制方法,该方法将迭代学习控制与模糊控制相结合,有效的解决了工业生产过程中的不确定性以及非线性问题,并且系统的稳定性也有一定的提升。