一種基于正交參數化ltv模型的迭代學習預測控制方法
【技術領域】
[0001] 本發明涉及用于注塑過程領域，具體涉及一種針對注塑過程保壓段正交參數化 LTV(linear time-varying, LTV)模型的迭代學習預測控制方法。
【背景技術】
[0002] 塑料制品廣泛應用于人們日常生活當中，注塑成型是加工塑料制品的主要方法， 目前世界上80%的塑料制品采用該工藝進行生產。注塑過程的主要設備是注塑成型機， 簡稱注塑機。注塑成型根據金屬壓鑄成型原理發展而來，通過使用注塑機和注塑模具將塑 料原料轉變為成型制品，是一種典型的間歇生產過程。它是利用塑料的熱物理性質，把物 料從料斗加入料筒中，料筒外由加熱圈加熱，使物料熔融，在料筒內裝有在外動力馬達作用 下驅動旋轉的螺桿，物料在螺桿的作用下，沿著螺槽向前輸送并壓實，物料在外加熱和螺桿 剪切的雙重作用下逐漸地塑化、熔融和均化，當螺桿旋轉時，物料在螺槽摩擦力及剪切力的 作用下，把已熔融的物料推到螺桿的頭部，與此同時，螺桿在物料的反作用下后退，使螺桿 頭部形成儲料空間，完成塑化過程，然后，螺桿在注射油缸活塞推力的作用下，以高速、高壓 將儲料室內的熔融料通過噴嘴注射到模具的型腔中，型腔中的熔料經過保壓、冷卻、固化定 型后，模具在合模機構的作用下，開啟模具，并通過頂出裝置把定型好的制品從模具頂出落 下。由上可見，一次完整的注塑流程主要包括關模、注射、保壓、冷卻、開模五部分，注塑機作 業以此為基礎，不斷循環流程。
[0003] 保壓段是決定成品質量的一個重要階段，它的關鍵變量是保壓壓力，但由于保壓 過程運行區間內一般沒有穩態工作點，過程變量會在很大范圍內劇烈波動。另外，由于熔體 流速、壓力分布不均勻性，以及材料、工藝工況等因素影響，會導致過程表現出強烈的非線 性和時變特性，因此，線性時不變模型已經不能充分描述注塑過程，而基于線性模型的控制 策略也不能很好地發揮作用，這些特點決定了保壓過程控制要比連續過程控制更加復雜， 因此有必要研宄能更好描述保壓過程的非線性模型，并基于此模型控制過程變量。
[0004] 目前針對注塑過程保壓段的非線性模型主要有機理模型、模糊模型、神經網絡模 型、多模型等，但是對于機理模型來說，建立一個能夠充分描述過程的機理模型比較困難； 模糊模型的方法缺點在于模糊模型的設計缺乏系統性，信息簡單的模糊處理將導致系統的 控制精度降低和動態品質變差；神經網絡模型主要不便在于建模困難且外推性較差；多模 型方法缺點在于模型選擇和設計費時費力。
[0005] 然而，注塑過程具有過程重復運行、跟蹤軌跡已知的工藝特點，上述建模方法并沒 有充分利用這個特征以降低建模難度。
【發明內容】
[0006] 為克服上述建模方法的不足，充分利用注塑過程重復運行、跟蹤軌跡已知的工藝 特點，本發明提供了一種基于正交參數化LTV模型的迭代學習預測控制方法，既滿足精度 要求，又降低復雜度，并在正交參數化LTV模型基礎上推導出最優迭代學習預測控制算法。
[0007] 為了達到上述的目的，本發明采取如下技術方案予以實現：
[0008] 步驟（1)、建立正交參數化LTV模型：
[0009] 利用注塑過程重復運行、跟蹤軌跡已知的工藝特點，建立正交參數化LTV模型，用 以表征過程非線性問題；此模型在滿足精度要求的基礎上，又降低了復雜度，時變系數為時 間軸坐標t的非線性函數；
[0010] 步驟⑵、模型參數估計：
[0011] 確定模型參數的目的在于模型精度能在相關控制準則下達到最高，利用 Levenberg-Marquardt方法求解非線性最小二乘問題確定模型參數。
[0012] 步驟（3)、階次選擇；
[0013] 確定模型階次/結構的目的在于所獲模型能以最高精度滿足控制要求，利用赤池 (Akaike information criterion，AIC)信息準則確定模型階次。
[0014] 步驟（4)、推導ILC-MPC控制律；
[0015] 在所獲LTV模型基礎上求解優化命題，得到最優迭代學習預測控制律。本發明的 有益效果是：
[0016] 本發明充分利用注塑過程重復運行、跟蹤軌跡已知的工藝特點，通過引入正交參 數化LTV模型，改變了傳統建模方法復雜度高、外推性差的特點。在控制過程中，采用迭代 學習控制與模型預測控制相結合的控制策略，既可以充分利用歷史批次信息，又可以根據 預測模型在線進行滾動優化，從而能更迅速更穩定地完成控制需求。
【附圖說明】
[0017] 圖1是基于LTV模型ILC-MPC控制系統框圖；
[0018] 圖2是ILC-MPC算法流程圖；
[0019] 圖3是控制效果圖。
【具體實施方式】
[0020] 下面結合附圖對本發明做進一步的分析。
[0021] 基于正交參數化LTV模型的迭代學習預測控制系統框圖如圖1所示。
[0022] 基于正交參數化LTV模型迭代學習控制方法實施步驟如下：
[0023] 步驟（1)、建立正交參數化LTV模型：
[0024] 針對注塑過程保壓段，采用如下LTV模型表示：
[0025] yk (t) = G (q, t) uk (t) +vk (t) t = I, . . . , N, k = 1,2,... (I)
[0026] 其中t和k分別代表時間軸坐標和批次軸坐標；N為每個批次時間長度； yk(t)，Uk (t)，Vk (t)分別代表第k個批次t時刻的保壓壓力，閥門開度以及擾動；G (q，t)是 從uk(t)到yk(t)的線性時變傳遞函數；
[0027] 對注塑過程而言，由于擾動存在著很強的批次相關性，因此，不可測擾動可用如下 沿批次軸的積分白噪聲來描述：v k(t) = Vj^UHWkU)，其中wk(t)是零均值高斯白噪聲；
[0028] 對上述LTV模型即公式（1)，相鄰兩批次數據做差分，則有
[0029] yk(t) = G(q,t)uk(t)+ wk(i) (2) (3)
【主權項】
1. 一種基于正交參數化LTV模型的迭代學習預測控制方法，其特征在于該方法包括以 下步驟： 步驟（1)、建立正交參數化LTV模型： 利用注塑過程重復運行、跟蹤軌跡已知的工藝特點，建立正交參數化LTV模型，用以表 征注塑過程非線性問題；其中時變系數為時間軸坐標t的非線性函數； 步驟（2)、模型參數估計： 由于模型精度能在相關控制準則下達到最高，利用Levenberg-Marquardtt方法求解 非線性最小二乘問題確定模型參數； 步驟（3)、階次選擇： 為了使模型能以最高精度滿足控制要求，利用赤池信息準則確定模型階次； 步驟（4)、推導ILC-MPC控制律： 在步驟（1)所獲LTV模型基礎上求解優化命題，得到最優迭代學習預測控制律，實現注 塑機保壓段保壓壓力的控制。
2. 如權利要求1所述的一種基于正交參數化LTV模型的迭