一种基于参考批次的指数时变增益型迭代学习控制算法
【专利摘要】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，属于工业生产自动化控制【技术领域】。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。计算量小，而且寻优过程简单，应用范围广。该方法构思巧妙，简单实用，可广泛应用于工业生产线间歇生产过程的高精度轨迹曲线跟踪控制。
【专利说明】一种基于参考批次的指数时变增益型迭代学习控制算法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 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】
[0006] 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。
[0007] 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：
[0008] 步骤1)采集工业生产装置的历史批次数据，并进行剔除数据坏值等常规预处理 后得到输入输出样本，记为
【权利要求】
1. 一种基于参考批次的指数时变增益型迭代学习控制算法，其特征在于包括以下步 骤： 步骤1)采集工业生产装置的历史批次数据，并进行剔除数据坏值等常规预处理后得 到输入输出样本，记为 uk = [uk (0)，uk (1)，…，uk (N-l) ]T e Rn，Yk = [yk (1)，yk ⑵，…，yk (N)] T e Rn，其中k代表批次，N为每个批次的样本数，表示每个批次采集到输入输出量的N个数 据点，针对历史批次数据计算平均值作为构成初始的参考批次轨迹曲线U s、Ys ;记批次数k 初始为0,且记Uk = Us、Yk = Ys ;根据目标轨迹曲线Yd，计算第k个批次生产后的跟踪误差 Ek = Yd_Yk= [ek(l)，ek(2)，"、ek(N)]T;设定误差跟踪指标ε (ε为较小的正实数）、输入 微小偏移δ等参数； 步骤2)利用采集到的生产过程在第k个批次生产后的输入数据，生成参考批次的输入 量仏,，其中先判断该批次内的起始差别时刻，然后取时刻之后输入量Uk的微小偏移 S (δ为非零实数），即得参考批次的输入向量UA，其中各时刻值1^(〇为：
步骤3)采用步骤2)中得到的参考批次的输入向量Μ乍为生产装置的输入，在生产装 置上进行实施，并采集该批次相应的输出量数据ΥΑ ; 步骤4)取出第k个批次的生产数据（Uk，Yk)和步骤3)中参考批次输入的生产数据 (UA，YA)进行计算，按照迭代学习控制律计算得到第k+Ι个批次的输入向量Uk+1，其中各时 刻值u k+1⑴为
其中以第k批次与参考批次在对应时刻的输入之差与输出之差的比值 与指数时变增益之积^、作为跟踪误差的学习增益，α为学习增益 e~{t-trs)a 参数； 步骤5)采用步骤4)中得到的第k+l个批次的输入量队+1作为生产装置的输入量，在 生产装置上进行实施，并采集该批次相应的输出量数据YA，计算跟踪误差Ek+1 ; 当该批次运行结束后进行判断，验证跟踪误差的收敛性条件|Ek+1| < |Ek|，若不满足则 调整学习增益参数α与调整新参考轨迹（Us、Ys)，以自适应地跟踪生产装置的变化，加快跟 踪目标轨迹的速度，实现对输出目标轨迹的有效跟踪； 步骤6)若批次数k+Ι未达到设定的最大生产批次数kmax，则返回步骤2)，继续进行迭 代。若超过kmax，则表明达到生产装置本次产品加工生产的最大批次数，可以结束。若新的 生产重新启动，则置k = 0,算法返回步骤1)重新开始。
2. 如权利要求1所述的基于参考批次的指数时变增益型迭代学习控制算法，其特征在 于：所述步骤2)中，参考批次输入量的生成步骤如下： ①确定起始差别时刻t"，根据设定的跟踪收敛指标ε (ε为较小的正实数），判断当前 批次在时刻t的跟踪误差是否小于该收敛指标，从而得到参考输入向量^，与当前批次输入 向量uk的起始差别时刻trs:
(1) ②计算生成参考输入向量uA，当〇彡t < tre时，保持当前批次输入向量uk不变；当 Kt<NW，取Uk的微小偏移δ (δ为非零实数），即得参考输入向量UA，其中各时刻值 Urk(t)为
(2) 若= N，表明当前批次在所有时刻上的跟踪误差均小于设定的收敛指标，即当前 批次已实现了目标轨迹跟踪的要求，算法不会再更新输入量。在通常情况下，则会满足 <N，因此将由式（4)计算得到的参考输入向量U A作为系统输入，在生产装置上进行实施， 得到系统输出向量YA，其中批次UA称为参考批次（reference batch);批次Uk称为基本批 次（basic batch)。
3. 如权利要求1所述的基于参考批次的指数时变增益型迭代学习控制算法，其特征在 于：所述步骤4)中，迭代学习控制算法增益生成步骤如下： ① 取出基本批次Uk和对应参考批次UA的生产数据，并计算该批次Uk的跟踪误差E k+1 ; ② 计算新的基本批次输入向量Uk+1，其中当0彡t < 时，由于参考批次输入量1^(〇 不变，因此基本批次也保持输入uk+1⑴不变；当K t < N时，迭代学习控制算法则以第 k批次与参考批次在对应时刻的输入之差与输出之差的比值
与指数时变 增益之积作为跟踪误差的学习增益，α为学习增益参数，如下式所示：
(5) 其中，为在tre < t < Ν采用的指数时变增益，α为指数时变增益系数，由式（5) 可知，在计算新的批次输入量时，仅仅采用了采集到的输入输出数据，而不需要了解对象的 先验知识，也不需要建立对象的数学模型。
4. 如权利要求1所述的基于参考批次的指数时变增益型迭代学习控制算法，其特征在 于：所述步骤5)中，自适应调整参考轨迹曲线（U S，YS)的方法是在当第k+Ι个批次结束后采 集输入输出轨迹曲线（Uk+1，Y k+1)，用输出轨迹Yk+1与参考轨迹Ys进行比较计算，得轨迹偏差 △Yk+1 = Yk+1_YS，计算该偏差的均方根值，然后与预先设定的阈值ζ，（ ζ为非零正实数）进 行比较，若超过该阈值ξ则判断生产发生了变化，需要更新参考轨迹，取（US，Y S)为当前第 k+Ι个批次的输入输出轨迹曲线（Uk+1，Yk+1)，以自适应地跟踪生产的变化，其中阈值ξ可以 结合实际生产装置的操作变化情况事先给出。
【文档编号】G05B19/418GK104298213SQ201410601654
【公开日】2015年1月21日 申请日期:2014年10月30日 优先权日:2014年10月30日
【发明者】熊智华, 公衍海, 陈宸, 耿辉, 徐用懋 申请人:清华大学