1.一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，采用数据驱动方法，基于高斯回归通过系统的历史运行数据学习到系统的动态特性，实现过程控制对象的模型参数的估计，具体包括以下几个步骤：步骤1：确定起重机系统被控变量和控制变量，设计模型预测控制器，对控制器进行参数化，即建立起重机状态空间模型，并设计性能指标，通过采集系统输入输出历史数据，初始化数据库；其中，所述被控变量为台车位移与载荷摆角，控制变量为台车驱动力，性能指标为所述载荷摆角与台车位移的加权性能指标；

步骤2：根据所述数据库训练一个高斯过程模型模拟起重机系统动态特性，设计运行实验，进行实验得到系统的状态数据；

步骤3：通过传感器采集输入输出数据，更新系统的历史数据库，并返回步骤2，直到满足终止条件，进入步骤4；

步骤4：不断通过数据学习到满足最佳控制性能的参数作为最终的实际控制预测控制模型。

2.根据权利要求1所述的一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，所述起重机状态空间模型的动力学方程定义如下:其中，m,M分别为小车质量和有效载荷，θ是垂直载荷的方向角，g为重力加速度，l为提升绳的长度，在运输过程中固定不变，γ为小车与平台之间的摩擦力，是载荷与空气之间的摩擦系数，F为驱动力，x为台车水平位移；是载荷摆角加速度，是载荷摆角加速度的导数，是绳长的一节导数，是绳长的二阶导数，是台车速度，是台车加速度。

3.根据权利要求1所述的一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，所述模型预测控制结构，包括闭环控制、闭环实验和高斯回归三部分，所述闭环控制采用MPC控制器对预测模型进行优化，实现快速防摇和精确定位，同时解决在线约束优化问题，处理系统状态约束和控制约束，所述闭环实验通过起重机进行最优闭环实验。

4.根据权利要求1所述的一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，所述不断通过数据学习到满足最佳控制性能的参数作为最终的实际控制预测控制模型，包括：根据数据库训练一个高斯过程近似性能指标，根据高斯过程设计采集函数，基于贝叶斯优化学习得到控制器的下一个参数，进行实验得到运行数据，通过性能指标计算控制性能。

5.根据权利要求4所述的一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，所述根据数据库训练一个高斯过程模型模拟起重机系统动态特性，设计运行实验，进行实验得到系统的状态数据，包括：设计模型预测控制器，解决以下优化问题：s.t.xk，t+1＝fG(xk，t，uk，t)其中U是控制向量，xk,t和uk,t分别是k+t时刻的预测状态和预测输入，l(xk，t，uk，t)是k+tT T

时刻的成本函数，用于跟踪任务的加权二次成本，即l(xk，t，uk，t)＝xk，tQxk，t+uk，tRuk，t，其中Q和R权重矩阵，并且 和 N是时间k处的预测长度， 和 是包含原点的凸集，x0是系统的初始状态， 和 分别是系统状态和输入的终端约束集；xk,N和uk,N是k+N时刻的预测状态和预测输入，fG是先验数据，xk,t+1是k+t+1时刻的预测状态；

使用高斯回归来评估具有加性高斯噪声的模型，并生成训练数据集；将系统的初始未知动力学建模为高斯过程。

6.根据权利要求5所述的一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，所述训练数据集如下：

yi＝f(zi)+wi

其中 是独立同分布的高斯噪声， 是要在回归中使用的相关特征，f是真正的未知动力系统，yi和zi分别是输出和输入数据，并假设每个yi是独立的；

y0，…，yn是输出的训练数据，z0，…，zn是输入的训练数据。

7.根据权利要求5所述的一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，所述将系统的初始未知动力学建模为高斯过程包括：其中m(z)和k(z,z′)分别是 函数的平均值和协方差；

在测试点z处评估的f的后验分布也是高斯分布，如下所示：其中

[K(z，z′)]ij＝k(zi，zj′)G G

μ和∑分别是先验数据fG的均值和方差；

其中 和 分别是系统的变量方差和正对角长度比例矩阵，因此，将所有超参数表示为矩阵θ：其中，l1，l2，...，lng分别是系统对应矩阵的对角元素。

8.根据权利要求7所述的一种基于数据驱动的桥式起重机模型预测控制方法，其特征在于，核函数K(·)选择使用平方指数核函数，可更好地进行超参数调整：