基于遺傳算法優(yōu)化的批次過(guò)程的預(yù)測(cè)函數(shù)控制方法
【專(zhuān)利摘要】本發(fā)明提供一種基于遺傳算法優(yōu)化的批次過(guò)程的預(yù)測(cè)函數(shù)控制方法。本發(fā)明通過(guò)結(jié)合過(guò)程狀態(tài)和輸出誤差建立了批次過(guò)程中的擴(kuò)展?fàn)顟B(tài)空間模型，然后通過(guò)遺傳算法優(yōu)化過(guò)程狀態(tài)和輸出誤差的權(quán)系數(shù)，進(jìn)而設(shè)計(jì)了改進(jìn)后的預(yù)測(cè)函數(shù)控制器，以獲得期望的閉環(huán)系統(tǒng)響應(yīng)，從而保證了閉環(huán)系統(tǒng)良好的控制性能。本發(fā)明可以很好的處理批次過(guò)程中執(zhí)行器故障和未知擾動(dòng)問(wèn)題，保證了形式簡(jiǎn)單并滿足實(shí)際工業(yè)過(guò)程的需要。
【專(zhuān)利說(shuō)明】基于遺傳算法優(yōu)化的批次過(guò)程的預(yù)測(cè)函數(shù)控制方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于自動(dòng)化【技術(shù)領(lǐng)域】，涉及基于遺傳算法優(yōu)化的批次過(guò)程的預(yù)測(cè)函數(shù)控制 方法。

【背景技術(shù)】
[0002] 目前，批次過(guò)程技術(shù)在生產(chǎn)小批量和高價(jià)值產(chǎn)品中引起了廣泛的關(guān)注并且取得了 較大的進(jìn)展，但是一些批次過(guò)程需要系統(tǒng)在很?chē)?yán)格的條件下才能進(jìn)行控制，這樣就可能會(huì) 引起系統(tǒng)故障。在化工過(guò)程中如果不對(duì)故障進(jìn)行檢測(cè)和校正，故障可能引起系統(tǒng)的毀壞或 性能降低。目前，容錯(cuò)控制（FTC)為在這種故障情形下保持閉環(huán)系統(tǒng)的控制效果提供了很 好的解決方法，但是由于批次過(guò)程的復(fù)雜性和技術(shù)支持的不成熟等因素，使得控制效果并 不顯著。因此，提出一種新的控制方法以解決批次過(guò)程控制中模型不匹配和執(zhí)行器故障等 問(wèn)題并保證系統(tǒng)控制性能是很有必要的。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是針對(duì)批次過(guò)程中可能出現(xiàn)的執(zhí)行器故障的問(wèn)題，提供一種基于遺 傳算法優(yōu)化的批次過(guò)程的預(yù)測(cè)函數(shù)控制方法，以維持控制器的閉環(huán)穩(wěn)定性并保持良好的控 制性能。
[0004] 本發(fā)明的技術(shù)方案是通過(guò)數(shù)據(jù)采集、模型建立、預(yù)測(cè)機(jī)理、優(yōu)化等手段，確立了一 種基于遺傳算法優(yōu)化的批次過(guò)程的預(yù)測(cè)函數(shù)控制方法，利用該方法可有效提高系統(tǒng)在未知 擾動(dòng)和執(zhí)行器故障情況下的控制性能。
[0005] 本發(fā)明方法的步驟包括：
[0006] 步驟（1).建立批次過(guò)程中被控對(duì)象的擴(kuò)展?fàn)顟B(tài)空間模型，具體方法是：
[0007] a.通過(guò)采集批次過(guò)程的輸入輸出數(shù)據(jù)，利用該數(shù)據(jù)建立該批次過(guò)程的狀態(tài)模型， 形式如下：
[0008]

【權(quán)利要求】
1.基于遺傳算法優(yōu)化的批次過(guò)程的預(yù)測(cè)函數(shù)控制方法，其特征在于該方法的具體步驟 是： 步驟（1).建立批次過(guò)程中被控對(duì)象的擴(kuò)展?fàn)顟B(tài)空間模型，具體是： a. 通過(guò)采集批次過(guò)程的輸入輸出數(shù)據(jù)，利用該數(shù)據(jù)建立該批次過(guò)程的狀態(tài)模型，形式 如下：
其中，x(k) eRn，y(k) eR，u(k) eR為k時(shí)刻批次過(guò)程的狀態(tài)、輸出、輸入，d為批次 過(guò)程的時(shí)滯，w(k) e R為測(cè)量噪聲，丨：?，瓦亡丨分別為系統(tǒng)矩陣； b. 將步驟a中的模型進(jìn)一步處理成如下形式：
選取如下所示的狀態(tài)變量： Axm(k) = [Ax(k) Au(k-l) Δu(k~2) ··· Δu(k-d) ]τ 從而得到批次過(guò)程的狀態(tài)空間模型如下： Δ xm (k+1) = Am Δ xm (k) +Bm Δ u (k) Δ y (k) = Cm Δ xm (k) 其中，
Bm = [0 1 0 …0]T m) 〇 …〇] Λ是差分算子，T為矩陣的轉(zhuǎn)置符號(hào)，石和Q均為適當(dāng)維數(shù)的零向量； c. 將步驟b中得到的狀態(tài)空間模型轉(zhuǎn)換成包含狀態(tài)變量和輸出跟蹤誤差的擴(kuò)展?fàn)顟B(tài) 空間模型，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)分別為k時(shí)刻的實(shí)際輸出值和跟蹤設(shè)定值，e(k)為k時(shí)刻的輸出誤差； 步驟（2).設(shè)計(jì)被控對(duì)象的預(yù)測(cè)函數(shù)控制器，具體是： a. 將作用于被控對(duì)象的控制量線性表示為： u(k+i) = TjT 其中， 凡=[A (i)，f2 ⑴，…，⑴]，（i = 〇, 1，…，P_l) 丁 一 [ y 1，y 2，…，ρ n] μ u μ 2, ···，μ N是一組線性組合系數(shù)，⑴，f2(i)，…，心⑴是與線性組合系數(shù)對(duì)應(yīng)的 基函數(shù)在k+i時(shí)刻的值，N是基函數(shù)的個(gè)數(shù)，P是預(yù)測(cè)時(shí)域； b. 選取批次過(guò)程的目標(biāo)函數(shù)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分別為過(guò)程狀態(tài)和輸入的權(quán)矩陣，Q為對(duì)稱(chēng)矩陣，，…，為過(guò)程狀態(tài)的權(quán)重系 數(shù)，％U1，…，％ud為過(guò)程輸入的權(quán)重系數(shù)，為輸出誤差的權(quán)重系數(shù) c. 依據(jù)步驟b中的目標(biāo)函數(shù)求解控制量，形式如下： 首先結(jié)合擴(kuò)展?fàn)顟B(tài)空間模型和目標(biāo)函數(shù)，得到線性組合系數(shù)向量，形式如下： T = -(cJ^QcDFcI^QCFzGO-GuGi-D+SAR) 進(jìn)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 結(jié)合上述式子，可以求得控制量u(k)為： u(k)-
L^ fj(0) = -/!z{k) +1Iuu{k -1)-MAR 尸1 其中， //=
Hu'-
M=
./(〇)/?, 步驟（3).基于遺傳算法優(yōu)化預(yù)測(cè)函數(shù)控制器的參數(shù)，具體是： a. 首先對(duì)每個(gè)權(quán)重系數(shù)q#，q#，…，進(jìn)行二進(jìn)制編碼并將其組成長(zhǎng)的二進(jìn)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表示十位的二進(jìn)制數(shù)； b. 選取步驟a中得到的字符串的適應(yīng)度函數(shù)f(t)，形式如下： f (t) = 1/[c+〇 (t)+tr (t)] 其中，〇 (t)是個(gè)體的超調(diào)量，tr(t)是個(gè)體的上升時(shí)間，c是常數(shù)； c. 進(jìn)行選擇、交叉、變異操作 利用轉(zhuǎn)輪選擇方法確定選擇算子，形式如下：
其中，P(Cl)是個(gè)體的選擇概率，f(Cl)是個(gè)體Cl的適應(yīng)值，Μ是種群數(shù)； 利用選擇算子將父代染色體中適應(yīng)度較高的個(gè)體選擇出來(lái)產(chǎn)生子代染色體，然后以交 叉概率Ρ。隨機(jī)選擇子代染色體中一部分進(jìn)行交叉操作并將交叉后染色體個(gè)體V u添加到 新種群中；以變異概率Pm隨機(jī)選擇子代染色體中另一部分進(jìn)行變異操作并將變異后染色體 個(gè)體c' 7添加到新種群中，子代染色體中的剩余部分直接復(fù)制到新種群中，從而形成新種 群； d.依據(jù)運(yùn)行收斂情況判斷是否達(dá)到最大的適應(yīng)度，選出適應(yīng)度最高的染色體個(gè)數(shù)所對(duì) 應(yīng)的權(quán)重系數(shù)作為最優(yōu)解，否則，依據(jù)步驟C繼續(xù)求解，依此循環(huán)； 步驟（4).將步驟（3)優(yōu)化后的權(quán)重系數(shù)帶入步驟（2)中求解出的控制量，得到遺傳算 法優(yōu)化后的控制量u(k)并作用于被控對(duì)象，在下一時(shí)刻，依據(jù)（2)到（3)中的步驟繼續(xù)求 解新的控制量u (k+Ι)，并依次循環(huán)。
【文檔編號(hào)】G05B19/04GK104102144SQ201410281507
【公開(kāi)日】2014年10月15日 申請(qǐng)日期:2014年6月20日 優(yōu)先權(quán)日:2014年6月20日
【發(fā)明者】張日東, 鄒琴, 吳鋒, 鄒洪波, 張樂(lè) 申請(qǐng)人:杭州電子科技大學(xué)