[0120] 下面结合附图及实施例对本发明的具体实施方式作详细说明。
[0121] 针对基于遗传算法优化的间歇过程2D模型预测控制方法,包括以下步骤:
[0122] 步骤一:建立多阶段具有不确定性的间歇过程模型,并构建2D等价预测控制模型;
[0123] 1.1多阶段具有不确定性的间歇过程模型
[0124] 针对间歇过程多阶段特有的特性,在不确定性的影响下给出切换系统模型,考虑如下带有不确定参数扰动的离散切换系统
[0125]
[0126] 其中,t和k分别表示运行的时间和批次;x(t,k)∈Rn,y(t,k)∈Rl,u(t,k)∈Rm分别表示第k批次t时刻系统的状态变量,输出变量和输入变量;x0,k表示第k批次的初始状态,σ(·,·):Z+×Z+→q={1,2,…,q}表示同时依赖于时间和批次的切换信号,且每一个批次被分为q个阶段;σ(·,k)=s表示系统在第k批次切换到i阶段,其中,系统矩阵可描述为s s s{A ,B ,C }表示适维常数矩阵, 表示
带有未知参数摄动矩阵,其中 0≤t≤
s
T,k=1,2,…,Is表示适维单位矩阵, 表示已知常数矩阵,ω (t,k)表示外部未知s
扰动;考虑多阶段间歇过程,s(s=1,2…q)阶段的系统状态x(t+1,k)可表示如下:
[0127]
[0128] 1.2构建其新型预测控制模型
[0129] 1.2.1构建新型的扩维误差模型
[0130] 为了实现上述目标,可利用迭代学习控制策略设计如下控制器:
[0131]
[0132] 其中,us(t,0)表示迭代过程的初始值,通常将其置为零;rs(t,k)∈Rm表示s阶段待s s设计的迭代学习更新律;显然,迭代学习控制器u (t,k)的设计可以转化为更新律r(t,k)的s
设计,以使得控制输出y(t,k)能够尽可能地跟踪上设定输出
[0133] 定义误差如下:
[0134]
[0135] 1.2.2引入一个新的状态变量:
[0136]
[0137] 其中 的选取是基于状态的拓展信息ei(t,k)决定的。
[0138] 由式(3),(4),(5),有
[0139]
[0140]
[0141] 其中
[0142]
[0143]
[0144] δ(ΔBs)us(t,k‑1)=(ΔBs(t,k)‑ΔBs(t,k‑1))us(t,k‑1) (10)[0145] δ(ωs(t,k))=ωs(t,k)‑ωs(t,k‑1) (11)
[0146] 显然,对于重复性扰动, 反之,对于非重复性扰动, 进而可以得到一个如下的2D‑FM模型:
[0147]
[0148] 其中,s s
G =[0 0 I],
[0149] 则第i阶段预测控制模型为:
[0150]
[0151] 用切换系统模型展示为:
[0152]
[0153] 1.2.3构建新型闭环预测控制系统
[0154] 针对第s阶段,设计如下预测更新律:
[0155]
[0156] 使性能指标 在约束条件(16)下最小化, 和zs(t+i|t,k+j|s
k)分别代表在第t时刻第k批次的状态预测值和输出预测值,r(t+i|t,k+j|k)代表第t时刻s s
第k批次的预测更新律;特别是, r(t|t,k|k)=r(t,k);
[0157] 根据间歇过程的特点,可分为重复性干扰和非重复性干扰,因此,性能指标的定义也不同,当干扰是重复性干扰时,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:
[0158]
[0159]
[0160] 其中, 称为终端约束
[0161]
[0162] 约束条件为:
[0163]
[0164]
[0165] 其中, Rs均表示相关权重矩阵,γs>0, 分别为变量rs(t+i|t,k+j|k)s s和y(t+i|t,k+j|k)的上界值, Ω为不确定集。
[0166] 步骤二:设计模型预测跟踪控制器及切换律
[0167] 2.1设计控制器
[0168] 针对模型(14)采用预测控制的理论,设计预测更新律(15),并研究系统的鲁棒稳定性,在控制器(14)下,则第I阶段闭环预测模型可以表示成:
[0169]
[0170] 2.2设计控制器增益
[0171] 2.2.1定义V函数
[0172] 利用Lyapunov稳定性定理证明系统的稳定性,定义Lyapunov函数为:
[0173]
[0174] 其中,
[0175] 其中,Ps, 均为待定的正定矩阵。
[0176] 为保证系统的鲁棒稳定性以及优化问题可解,需要以下李雅普诺夫不等式约束成立:
[0177]
[0178] 对于闭环预测模型(17)假设存在一系列初始条件,有两个正整数i,j,有[0179]
[0180] 其中,l1<∞和l2<∞是正整数,相应的 和 时间方向的边界和批次方向的边界,l=max{l1,l2};
[0181] 将
[0182]
[0183] 从i,j=0到i,j=∞进行叠加,得到下列不等式:
[0184]
[0185] 其中,θs是 的上边界;
[0186] 要使式(19)‑(21)成立,需下列不等式可解
[0187]
[0188]
[0189]
[0190]
[0191] 同时,系统的输入输出条件要满足:
[0192]
[0193]
[0194] 且所求控制律增益矩阵可表示如下:
[0195]
[0196] 其中, 正定矩阵 Rs∈Rm×m,γs>0,s (n+l)×(n+l)
给定, 和L ∈R 正定对称矩阵存在,矩阵 以及正数
s s
ε>0, λ>0待求;
[0197] 不同阶段的系统状态满足:
[0198] Vi(X(t,k))≤μiVj(X(t,k))i,j∈q (24)
[0199] 则对于任意平均驻留时间满足下列不等式的切换信号(25),闭环系统(17)是指数稳定的;
[0200]
[0201] 其中,
[0202] 2.3切换律的设计
[0203] 2.3.1构建状态转移矩阵及其切换序列
[0204] 在实际生产中,相邻阶段间的系统模型维度可能不同,但两个阶段的系统状态一般可通过某一变量相关联,例如,在注塑成型过程中,注射阶段和保压阶段的系统状态都与模腔压力相关,模腔压力便可作为两个阶段系统状态之间的关联变量,当系统从一个阶段切换到另一个阶段时,阶段间的系统状态转换可描述如下:
[0205]
[0206] 其中, 表示状态转移矩阵,若相邻阶段的系统状态拥有相同的维度,则Jss=I;
[0207] 在系统状态已知的前提下,当满足某一切换条件时,系统状态就会发生切换,发生切换时的切换时间 可表示如下:
[0208]
[0209] 其中, 称为切换时间;Gs(x(t,k))<0表示与系统状态相关的切换条件,因此,根据运行时间及上述描述,整个运行过程的切换序列可表达如下:
[0210]
[0211]
[0212] 其中, 表示当前批次末状态与下一批次初始状态的连接点;
[0213] 由于系统状态在切换前后是连续的,则切换瞬间系统状态的变化可描述如下:
[0214]
[0215] 其中,
[0216] 2.3.2平均驻留时间
[0217] 首先对平均驻留时间进行定义:
[0218] 对任意t>t0和任意切换信号σ(k),t0≤k<t,Ns(t0,t)表示第s个子系统在时间间隔(t0,t)的切换次数, 称为第i个子系统在时间间隔(t0,t)上的总运行时间,若对任意给定的τs>0有如下式子成立:
[0219]
[0220] 则称τs>0为切换信号的平均驻留时间;平均驻留时间需要满足的条件为:当V函数满足Vi(X(t,k))≤μiVj(X(t,k))i,j∈q;并且切换信号满足以下不等式:
[0221]
[0222] 2.4求取K
[0223] 根据步骤2.2‑2.3就可以求取K值,即在Vi<μiVi‑1条件下,函数V和切换信号均满足,设计状态反馈控制律为:
[0224]s s s
[0225] 其中, 为所提出的控制器的增益, 可求,r可求,u (t+i|t,k+j|k)=us(t+i|t,k+j‑1|k)+r(t+i|t,k+j|k)可求。
[0226] 2.5基于 选择的遗传算法最优化
[0227] 通常,流程响应在 上与其中的元素相关联,指出性能指标的加权因素需要达成妥协之间的输出跟踪误差和控制输入工作,因此过程输出跟踪误差qje的权重因子可以设置为一个固定值,其余的工作是优化加权因素与控制相关工作,注意,qje被选为1,同理,注式(16)中的 是过程输出变化的加权因子,预测函数控制框架通常需要快速的过程响应,即一般不考虑控制输入的权重因素,从上面的分析中,过程输入变化qjx1,qjx2,L,qjxn可以被最优化。
[0228] 本发明以所有阶段性能指标的总和
[0229]
[0230] 为目标函数,决策变量 的初始种群规模设为20个,交叉率设为0.8,突变率设为0.05,并在遗传算法中采用精英策略(每代中保留最好的两个解保留至下一代),终止准则为连续50次迭代不再产生更好的解。
[0231] 实施例1
[0232] 本实施例,引用注塑过程从注射段转换为保压段为例,定义注射段为第一阶段,保压段为第二阶段。
[0233] 定义后,在注射段,对应阀门开度(VO)的注射速度(IV)的模型可描述为:
[0234]
[0235] 且对应于注射速度的喷嘴压力(NP)模型为:
[0236]
[0237] 令1 1
u (t,k)=VO(t,k),y (t,k)=IV(t,k)。
[0238] 注射速度对于比例阀的响应动态已被描述为阶跃模式,转化为状态空间模型为:
[0239]
[0240] 其中,δ(t,k)是[0,1]之间的随机变量,式(36)为填充阶段的状态空间模型。
[0241] 类似地,在保压段,对应于阀门开度的喷嘴压力模型为:
[0242]
[0243] 令 u2(t,k)2
=VO(t,k),y(t,k)=NP(t,k)。
[0244] 由式(37),保压段的状态空间模型为:
[0245]
[0246] 其中,δ(t,k)是[0,1]之间的随机变量,式(38)为保压压力的状态空间模型。
[0247] 切换条件为G1(x(t,k))=350‑[0 0 1]x1(t,k)<0,即当喷嘴压力大于350Pa时发生切换.为了评估跟踪性能,引入下面的性能指标:
[0248]
[0249] DT(k)值越小,表示批次k的跟踪效果越好。系统具有非重复性扰动的情况下,设第1 2
一阶段和第二阶段的动态模型如式(37)和式(38)所示,其中ω (t,k)和ω (t,k)为非重复
1 T 2 T
扰动且满足ω=0.5×[Δ1 Δ2 Δ3] ,ω(t,k)=0.5×[Δ1 Δ2]。干扰Δs(s=1,2,3)在[0,1]范围内沿时间方向随机变化,但是沿批次方向上是非重复性的。通过步骤2(2.1‑2.4)可以求解出控制律,注塑过程两个阶段初始时刻控制器的增益为:
[0250]
[0251]
[0252]
[0253] 为了说明本发明所提出的基于遗传算法优化的间歇过程2D模型预测控制方法效果更优,利用MATLAB对所提出的方法和传统方法进行对比实验,由图1我们可以看到,本文所提遗传算法误差比传统方法小,进而说明控制效果更佳。