提出方法属于工业过程的先进控制领域，涉及一种基于动态输出反馈的非线性间歇过程迭代学习容错预测控制方法。
背景技术：
1、在过去的三十年里，批量工艺控制理论在多个领域得到了广泛应用，如半导体制造、塑料加工和制药等。迭代学习控制(ilc)方法因其能够快速适应产品类型和数量的变化，成为处理批量流程的关键方法之一。然而，传统的ilc方法缺乏时域闭环结构，难以满足日益提高的控制精度要求。为了克服这些局限性，二维(2d)ilc方法被提出，该方法在保证批量和时间维度上的稳定性同时，抑制了非重复性干扰。但在实际工业过程中，该方法在处理物理约束方面存在不足。
2、模型预测控制(mpc)因其能够处理约束，被广泛应用于批量工艺控制。研究者们将2d-ilc与鲁棒mpc结合，提出了一系列迭代学习mpc方法，以提高系统的控制性能和稳定性。然而，这些方法大多基于线性模型，将非线性特性视为不确定性或干扰，难以实现高精度控制。模糊迭代学习控制方法通过建立更精确的模型，在一定程度上缓解了非重复干扰对系统稳定性的影响，但由于控制律增益是离线求解的，难以有效处理系统的实时不确定性，且收敛速度较慢。
3、在实际工业生产环境中，状态往往是不可测量的。目前的大部分研究基于状态可测量的假设，使得理论在实践中具有一定的困难。输出反馈方法被提出以应对状态不可用的问题。然而，这些方法仅在每一批次给出一个全局最优解，无法为系统输出提供实时反馈，导致输出偏离设定值。
4、此外，执行器故障在批处理过程中不可忽视，其潜在影响可能对稳定性和控制性能造成严重破坏。容错控制(ftc)策略分为主动容错和被动容错两种，主动容错具有更好的适应性，但由于其结构复杂，难以即时调试。被动容错则在故障发生时维持控制性能在可接受水平，更适合批处理流程中的故障问题。在ilc框架下，提出了一些新的容错策略，以应对执行器故障和外部干扰，尽管有效，但其复杂的优化过程增加了设计和实现的难度。
技术实现思路
1、针对存在执行器故障的非线性间歇过程，开发了一种基于动态输出反馈的迭代学习预测容错控制方法。首先，构建了一个新的t-s模糊rosser模型，该模型整合了时间维度和批次维度的信息。考虑到状态不可测的问题，将动态输出反馈与迭代学习模型预测控制结合起来进行控制器设计。然后，利用鲁棒正定不变集和终端约束集给出稳定性条件，使系统在执行器出现故障时的状态能收敛在安全区域内，从而确保稳定性和容错性。通过求解这些条件，可获得实时最优控制法则增益。最后，进行了仿真验证，结果表明所提出的方法是有效的。
2、提出方法是通过以下方法实现的：
3、步骤一：针对具有执行器故障的非线性间歇过程，建立状态空间模型：
4、非线性间歇过程的模型如下：
5、
6、式中，s,κ分别代表时间维度和批次维度，分别代表系统状态，控制输出和控制输入；表示欧几里得空间，nx,ny,nu表示适当的维数，t和δ是非线性函数；利用t-s模糊方法并考虑到外部有界干扰，非线性间歇过程可表示如下：
7、rules q:
8、
9、then:
10、
11、式中，ω(s,κ)代表外部有界干扰，q表示模糊规则，l表示模糊集，z→{z1,…,z}是前件变量，代表模糊集，aq(s,κ)表示第κ批次离散s时刻第q个模糊规则的状态不确定性矩阵，且满足aq(s,κ)＝aq+δa(s,κ)，其中δa(s,κ)＝nqδ(s,κ)ha；aq，bq和c分别代表第q个模糊规则的系统状态常数矩阵，控制输入常数矩阵和输出常数矩阵；n和ha是具有适当维数的常数矩阵；δ(s,κ)代表有界扰动且满足δ(s,κ)δ(s,κ)≤i，i表示适当维数的单位矩阵；非线性间歇过程(2)进一步改写为：
12、
13、式中，μq(z)表示隶属度函数，aμ(s,κ)表示第κ批次离散s时刻状态不确定性加权和矩阵，满足bμ，cμ分别表示控制输入常数加权和矩阵和输出常数加权和矩阵，满足代表模糊规则的数量；q满足表示正整数集；uf(s,κ)是第κ批次离散s时刻具有部分执行器故障得控制输入，满足如下表达：
14、uf(s,κ)＝αu(s,κ) (4)
15、步骤二：设计一个包含时间维度和批次维度的t-s模糊rosser模型：
16、在这一部分中，将设计一个包含时间维度和批次维度的t-s模糊rosser模型，并重构非线性模型(3)，为控制器设计提供强有力的保障。首先，定义一个输出误差：
17、e(s,κ)＝y(s,κ)-yr (5)
18、式中，yr表示设定值；
19、其次，定义如下的控制律：
20、
21、式中，r(s,κ)表示第κ批次离散s时刻的迭代学习控制输入；
22、因此，得到一个状态增强的t-s模糊roesser模型如下：
23、
24、式中，表示第κ批次离散s时刻扩展的状态不确定性加权和矩阵，表示第κ批次离散s时刻第q个模糊规则的扩展状态不确定性矩阵，第q个模糊规则的扩展系统状态常数矩阵满足，是具有适当维数的扩展常数矩阵，满足和表示第κ批次离散s时刻扩展的控制输入加权和矩阵，满足表示第κ批次离散s时刻扩展的控制输入常数矩阵，d＝[i cμ]t是干扰矩阵，表示扩展的输出矩阵，表示第κ批次离散s+1时刻的扩展状态，满足表示第κ批次离散s时刻的扩展状态，满足表示扩展的未知有界干扰，满足
25、步骤三：基于t-s模糊rosser模型，设计基于动态输出反馈的迭代学习鲁棒模型预测控制器：
26、基于式(7)，在状态不可测量的情况下，设计了基于动态输出反馈的鲁棒模型预测控制器如下：
27、
28、式中，表示第κ批次离散s时刻的控制器状态，代表适当的维数，ac,bc,cc则是控制器增益；
29、基于动态输出反馈的迭代学习鲁棒模型预测控制器进一步被表示为：
30、
31、式中，是控制输入的增益矩阵，满足l和m分别是时间和批次方向的预测步长；
32、结合式(7)、(8)和(9)，得到以下闭环t-s模糊roesser反馈误差预测模型：
33、
34、式中，表示第s+1+l时刻第κ+m批次的闭环系统状态，满足表示闭环系统的输出矩阵，表示闭环系统的干扰矩阵，表示闭环系统状态不确定性矩阵，满足
35、然后，给出了如下鲁棒模型预测控制的有限最优成本函数，并描述了鲁棒模型预测控制优化问题：
36、
37、受以下约束条件限制：式中，是终端代价，ωt是终端约束集；输入扰动满足迭代学习控制输入r，满足η是一个已知常数，τ是一个正标量，rk是控制输入的第k个元素；
38、步骤四：构建lyapunov-krasovskii函数：
39、给出具有时间和批次方向信息的lyapunov-krasovskii函数如下：
40、
41、式中，pμ为适当维数的正定矩阵；
42、步骤五：利用鲁棒正定不变集和终端约束集，计算基于动态输出反馈的鲁棒模型预测控制器的增益ac,bc,cc：
43、系统控制律增益ac,bc,cc是通过求解鲁棒正定不变集和终端约束集体条件得到，参考具体实施方式中式(25)-(28)，确保系统在状态不可测和执行器部分故障情况下的稳定性和有效性。
44、较于现有的方法，提出方法的优势如下：
45、提出方法的主要优点包括
46、(1)通过实时求解控制律增益，弥补了初始批次缺乏历史数据进行优化学习的缺陷，缩短了沿批次方向的收敛速度，在较少的运行周期内实现设定点的稳定跟踪。
47、(2)在处理故障和不确定性时，本方法没有引入额外的性能指标，而是利用鲁棒正定不变集和终端约束集推导出在执行器故障和干扰情况下的稳定性条件，以确保系统始终处于安全区域内。这一改进不仅增强了系统的鲁棒性和容错性，还减少了计算量。
1.基于动态输出反馈的非线性间歇过程迭代学习容错预测控制方法，其特征在于：具体步骤如下：
