1.一种注塑成型喷嘴压力鲁棒启发式迭代学习控制方法,其特征在于,所述方法包括:第一步、确定注塑成型喷嘴压力系统的离散状态空间方程,包括:基于开环测试,注塑成型喷嘴压力对液压控制阀开度的响应确定为如下的自回归模型:
其中,z表示液压控制阀开度,p表示注塑成型喷嘴压力,括号中的数字显示了系统模型不确定参数扰动的典型范数界限;
同时考虑系统受到时变状态时滞的影响,将模型转换为如下的不确定的离散状态空间方程:其中,t和k分别表示采样时间和运行批次,0≤t≤Tp≤∞,Tp是固定的有限批次长度,uk(t)、yk(t)和xk(t)分别为输入向量、输出向量和状态向量,xk(t+1)表示在采样时刻t+1的状态向量,A、Ad、B、C表示离散系统参数矩阵;d(t)为时变状态时滞满足dm≤d(t)≤dM,dM和dm分别为时滞的上下界;对任意的t∈[‑dM,0],假设xk(t)=x0,k,其中x0,k是每个运行批次的初始状态;范数不确定性表述为:[ΔA(t,k) ΔAd(t,k)]=EΔ(t,k)[Fa Fd] (3)其中,E、Fa和Fd为已知矩阵,表示不确定性的结构和相应的权系数;Δ(t,k)表示时变、T沿批次变的不确定性,满足Δ (t,k)Δ(t,k)≤I,I为单位矩阵;其他的过程不确定性,包括来自输入执行器和测量输出的信号,集中到ΔA(t,k)和ΔAd(t,k)以作简要分析;
第二步、基于状态反馈设计学习律进行模型变换,包括:定义期望输出轨迹yd(t),则第k+1批次的跟踪误差为:ek+1(t)=yd(t)‑yk+1(t) (4)设计如下基于状态反馈的迭代学习控制律:uk+1(t)=uk(t)+rk+1(t) (5)其中,uk+1(t)表示当前批次控制作用,uk(t)为前一批次控制作用,rk+1(t)是待设计的更新项;
定义状态误差为:
ηk+1(t+1)=xk+1(t)‑xk(t) (6)对所有的t∈[‑dM,0],有ηk+1(t)=0;利用式(2)、(4)、(5)和(6),得到:其中,
wk+1(t+1)=[ΔA(t,k+1)‑ΔA(t,k)]xk(t)+[ΔAd(t,k+1)‑ΔAd(t,k)]xk(t‑d(t));
其中,wk+1(t)≠0看作是由沿批次变化非重复不确定性所带来的扰动;wk+1(t)也用于表述外在扰动,进而分析被控系统的稳定性和性能;
设式(5)中的所述更新项为如下的PD型状态反馈ILC控制律:rk+1(t)=L1ηk+1(t+1)+L2ek(t)+L3(ek(t+1)‑ek(t)) (8)其中,L1、L2和L3是状态反馈学习增益,所述更新项由状态反馈信息和PD型前次跟踪误差信息构成;
引入增广向量,令 得到式(9)的基于状态反馈的离散重复过程模型:
其中,
基于式(9)的所述离散重复过程模型进行系统的稳定性分析和状态反馈学习增益求解:
选取如下的Lyapunov‑krasovskii函数:V(k,t)=Vh(t,k)+Vv(k,t)其中,下标h和v分别表示沿时间方向和沿批次方向的状态能量, 展开如下:
其中,σk+1(i)=ξk+1(i+1)‑ξk+1(i);对称正定矩阵P=diag{P1,P2}>0,Q=diag{Q1,Q2}>0,R=diag{R1,R2}>0,S=diag{S1,S2}>0,T>0;
定义状态能量的增量为:
因此,有:
其中, 表示状态能量的增量,即状态能量在状态点的能量转移;
和 表示一个批次内沿时间方向与状态时滞有关的状态能量增量;
函数的总增量为:
其中,
N11=‑P+(dM‑dm+2)Q+R‑S;
由稳定性定理可知,如果对任意的φk+1(t)≠0, 都成立,则系统沿批次稳定,其等价条件为:
T
HMH+N<0 (11)对上式(11)使用Schur补引理,得到以下不等式:对上式(11)不等式的左右分别同乘 并作变量代换:
‑1 ‑1
P1 =W1, T =W5,
得到下述不等式:
其中,
θ1=‑W6+(dM‑dm+2)W8+W10‑W3,θ2=‑W7+(dM‑dm+2)W9+W11‑W4,θ3=‑W10‑W3‑W8,θ4=‑W11‑W4‑W9,又因为 中系统矩阵 和 的存在,因而上式(13)是非线性的,有必要将系统矩阵中的不确定项进行分离,上式(13)表述为:Ω+sym(XΔY)<0 (14)其中,
T T T T
X=[E 0 dME 0 ‑(CE) 0 0 0 0 0 0 0],Y=[0 0 0 0 0 FaW3 0 FdW3 0 0 0 0],由Finsler引理,上式(14)等价于:T ‑1 T
Ω+εXX+ε YY<0 (15)对上式(15)使用Schur补引理,得到:不等式的左右同乘 得到:
得到以下结论:
对于式(9)所述的基于状态反馈的离散重复过程模型,在重复性不确定性,即wk+1(t)=
0的情况下,若存在对称正定矩阵Wi>0,i=1,2,…,11,矩阵 和正常数ε>0,使得下列线性矩阵不等式成立:
其中,
则式(9)沿批次稳定,式(8)的状态反馈学习增益L1、L2和L3为:第三步、基于输出反馈设计学习律进行模型变换,包括:设计如下PD型输出反馈ILC控制律:rk+1(t)=K1δk+1(t+1)+K2ek(t)+K3(ek(t+1)‑ek(t)) (20)其中,δk+1(t+1)=yk+1(t)‑yk(t),K1、K2和K3是待设计的ILC控制器增益;
令K=K2‑K3,得到如下的基于输出反馈的离散重复过程模型:其中,
然后,通过第二步求解的所述状态反馈学习增益L1、L2和L3,进一步求解基于输出信息的输出反馈学习增益K1、K2和K3;
根据第二步中的稳定性分析过程,式(21)所述的基于输出反馈的离散重复过程模型沿批次稳定的充分条件是存在对称正定矩阵P=diag{P1,P2}>0,Q=diag{Q1,Q2}>0,R=diag{R1,R2}>0,S=diag{S1,S2}>0,T>0,使得下列不等式成立:其中,
上式(22)重新表述为:
其中,
上式(23)等价于以下的拓展矩阵不等式:⊥ T ⊥
(Σ ) Γ(Σ )<0 (24)其中,
⊥ T
选取(Λ ) =[07×5 I7×7 07×1],得到:⊥ T ⊥
(Λ ) Γ(Λ )<0 (25)由投影定理可知,上述两式(24)和(25)成立等价于存在矩阵W使得下述不等式成立:T
Γ+sym{ΛWΣ}<0 (26)其中,W=diag(W1,W2,W3,W4,W5,W6),作变量代换,令W6K1=Z1,W6K=Z2和W6K3=Z3,又因为上述不等式存在不确定项 和因而式(26)是非线性的,拆分系统矩阵不确定项,式(26)表述为:其中,
Θ33=‑sym(W6),
ψ1=‑P1+(dM‑dm+2)Q1+R1‑S1,ψ2=‑P2+(dM‑dm+2)Q2+R2‑S2,ψ3=‑R1‑S1‑Q1,ψ4=‑R2‑S2‑Q2,通过类似第二步的证明处理,得到以下结论:对于式(21)所述的基于输出反馈的离散重复过程模型,在重复性不确定性,即wk+1(t)=0的情况下,若存在对称正定矩阵P=diag{P1,P2}>0,Q=diag{Q1,Q2}>0,R=diag{R1,R2}>
0,S=diag{S1,S2}>0,T>0,矩阵W1,W2,W3,W4,W5,W6,Z1,Z2,Z3和正常数ε>0,使得下列线性矩阵不等式成立:其中,
则式(21)沿批次稳定,式(20)的输出反馈学习增益为:第四步、对模型进行非重复不确定性抑制的鲁棒分析,包括:定义H∞性能指标:
其中,γ为衰减性能指标;
上式(30)写成:
考虑初始边界条件,当t≤0时,对任意的k,有ζk+1(t)=0,当k=0时,对任意的0≤t≤Tp,有ζ0(t)=0,因而得到:所以得到:
其中,
如果对任意的ζk+1(t)≠0, 保证了J<0,即则式(21)对任意扰动wk+1(t)≠0具有H∞衰减性能指标γ;
表示成:
其中,
式(33)等价于以下的拓展不等式:其中,
选取 得到:
由投影定理可知,上述两式(34)和(35)成立等价于存在矩阵W使得下述不等式成立:其中,W=diag{W1,W2,W3,W4,W5,W6},又因为上述不等式(36)存在不确定性 和 因而式(36)是非线性的,拆分系统矩阵不确定项,得到:
2
其中, ρ2=‑γI,
通过类似第三步的证明处理,由式(37)得到以下结论:对于式(21)所述的基于输出反馈的离散重复过程模型,在非重复性不确定性即wk+1(t)≠0的作用下,若存在对称正定矩阵P=diag{P1,P2}>0,Q=diag{Q1,Q2}>0,R=diag{R1,R2}>
0,S=diag{S1,S2}>0,T>0,矩阵W1,W2,W3,W4,W5,W6,Z1,Z2,Z3和正常数ε>0,使得下列线性矩阵不等式成立:则式(21)沿批次鲁棒稳定且具有H∞衰减性能指标γ,式(20)的输出反馈学习增益由式(29)给出;
第五步、利用所述输出反馈学习增益的迭代控制器将所述注塑成型喷嘴压力跟踪上给定的期望压力轨迹。