[发明专利]一种基于参考批次的指数时变增益型迭代学习控制算法

说明书

技术领域

本发明涉及一种间歇式制造生产过程的迭代学习控制算法，特别是对象具体知识所知甚少情况下的一种带参考批次的指数时变增益型迭代学习控制算法，属于工业生产自动化控制技术领域。

背景技术

间歇式生产过程是一种制造生产过程按批次进行重复操作，并且批次之间存在一定的间歇时间的生产方式。在生物制品、药品生产、精细化工、半导体集成电路等工业领域，间歇过程生产都有很广泛的应用。间歇过程具有间歇性、重复性、时变非线性、高纯度、多品种和小批量等特点。为了保证产品质量的稳定性和最终产品的高质量，质量控制显得尤为重要。但是由于间歇过程内部变化机理通常非常复杂，不同制造装置形式又各不相同，因而建立间歇过程的精确模型非常困难。由于目前的产品质量先进控制技术主要是基于线性模型控制的方法，直接应用在间歇过程中还有一定的困难。在间歇过程生产中，当制造配方不变时，生产过程基本上是重复运行的，在每个批次运行周期内控制变量和产品质量都是沿着一定的操作变化轨迹运行，因而具有较强的重复性。

迭代学习控制(Iterative Learning Control,ILC)适合于一类具有周期性、重复运行特性的被控对象，其任务是寻找控制输入，使得被控对象的实际输出轨迹在有限时间区间上沿整个期望输出轨迹实现零误差的完全跟踪，并且整个控制过程要求快速完成。对于现有的大多数迭代学习控制算法来说，在设计其迭代学习律时，或多或少都需要一定的对象具体知识。也就是说，控制对象的系统模型结构应已建立，系统模型的全部或部分参数也应已知晓。在控制实践中，对象具体知识的取得并非易事，有时甚至是不可能的。例如，对于一个间歇过程来说，当处在：①过程的运行批次有限②处于初始若干批次阶段③过程具有较强的非线性④建模成本太高等情况下，对象具体知识的取得都较为困难或昂贵。因此，在这些情况下，需要面临对象具体知识所知甚少的问题。然而，对于现有的大多数迭代学习控制算法来说，或多或少都需要一定的对象具体知识才能应用；也就是说，当对象具体知识所知甚少时，现有的大多数迭代学习控制算法难以直接应用。

在对象具体知识所知甚少的情况下，设计迭代学习控制算法时可以利用过程在以往批次的输入输出数据。结合间歇过程重复运行的特点，可以将先前一个批次或多个批次的信息用来改进下一批次的运行。从过程在以往批次的输入输出数据中提取有用的信息来设计迭代学习控制算法，主要有两种思路：一种是直接根据以往批次的输入输出数据，计算新批次上的输入向量，例如基于神经元网络的迭代学习控制算法；另一种是根据以往批次的输入输出数据，在计算学习律矩阵后，遵循迭代学习控制算法的一般形式，来计算新批次上的输入向量，例如非参数自适应迭代学习控制算法。

总体而言，在对象具体知识所知甚少的情况下，如何设计合适的迭代学习控制算法的现有研究成果很少。

发明内容

本发明的目的是提出一种基于参考批次的指数时变增益型迭代学习控制算法，该方法对于大多数批次加工制造生产过程，可以在对象具体知识所知甚少的情况下，通过在迭代学习控制过程中引入合适的“参考批次”，并对参考批次与当前批次的输入输出数据加以利用，来设计迭代学习律，从而实现对输出目标轨迹的有效跟踪，同时还引入了指数时变增益，从而改善了轨迹跟踪过渡过程的性能。

本发明提出的基于参考批次的指数时变增益型迭代学习控制算法，包括以下步骤：