[发明专利]一种基于函数型权RBF-ARX模型的双回路水箱液位预测控制方法

权利要求书

1.一种基于函数型权RBF-ARX模型的双回路水箱液位预测控制方法，其特征在于，包括 以下步骤：

1)对双回路水箱系统离线建立如下结构函数型权RBF-ARX模型：

f(t)=φ0(w(t-1))+Σk1=122φf,k(w(t-1))f(t-k1)+Σk2=120φe,k(w(t-1))e(t-k2)+ξ(t);]]>

φ0(w(t-1))=c00+Σm=12vm0(t-1)exp(-λmf||w(t-1)-zmf||22),φf,k1(w(t-1))=ck1,00+Σm=12vm,k10(t-1)exp(-λmf||w(t-1)-zmf||22),φe,k2(w(t-1))=ck2,0e+Σm=12vm,k2e(t-1)exp(-λme||w(t-1)-zme||22),vm0(t-1)=vm,00+vm,10w1t-1+vm,20w2t-1,vm,k1f(t-1)=vm,k1,0f+vm,k1,1fw1t-1+vm,k1,2fw2t-1,vm,k2e(t-1)=vm,k2,0e+vm,k2,1ew1t-1+vm,k2,2ew2t-1,w(t-1)=w1t-1w2t-1T.;]]>

其中：f(t)为t时刻的水箱液位输出向量；e(t)为t时刻的水箱电磁调节阀门开度输入 向量；ξ(t)为高斯白噪声；状态向量为2范数；为RBF神经网络的中心向量和缩放因子；为RBF神经网 络的函数型权系数，是水箱状态量w(t-1)的线性函数；是RBF神经网络相 应的权重系数；为常数系数；非线 性参数和线性参数均通过SNPOM优化方法离线优化辨识获得；

2)基于水箱系统函数型权RBF-ARX模型的全局非线性特性设计预测控制器结构如下：

minV^(t)J=||F^(t)-Fr(t)||Q2+||E^(t)||R12+||ΔE^(t)||R22s.t.Emin≤E^(t)≤Emax,ΔEmin≤ΔE^(t)≤ΔEmax]]>

其中，F_r(t)分别表示t时刻的预 测输出序列和期望输出序列，为t时刻模型预测的t+g时刻的输出液位，f(t+g|t) 为t时刻输出液位的t+g时刻的期望值；分别表示t时刻的预测控制输入序列和输 入增量序列，Δe(t)＝e(t)-e(t-1)为t时刻的输入增量；e(t+q)＝e(t+5)为t+q时刻的输入 信号，30≥q≥6；R₁＝diag{R₁,…,R₁}₆、R₂＝diag{R₂,…,R₂}₆为控制加权矩阵，R₁＝[0.0001 0.0、00R₂＝[0.280.32]；Q＝diag{Q,…,Q}₃₀为误差加权矩阵，Q＝[11]；E_min、 E_max为控制输入量约束序列，ΔE_min、ΔE_max为控制输入增量约束序列，其中，E_min＝[0,0；…； 0，0；]_6×2、E_max＝[100,100；…；100,100；]_6×2、ΔE_min＝[-10,-10；…；-10,-10]_6×2、ΔE_max＝ [10,10；…；10,10]_6×2；基于水箱系统函数型权RBF-ARX模型的全局非线性特性设计的预测 控制算法，通过实时优化得到电磁调节阀的开发控制信号量e(t)，最终达到精确控制水箱 中液位的目的。

2.根据权利要求1所述的基于函数型权RBF-ARX模型的双回路水箱液位预测控制方法， 其特征在于：

未来g步向前预测输出的多项式结构如下：

f^(t+g|t)=f(t+g|t)+d(t)=Σk1=122ak1,t+g-1|tf^(t+g-k1|t)+Σk2=120bk2,t+g-1|te(t+g-k2)+φ0(t+g-1|t)+d(t)]]>

φ0(t+g-1|t)=c00+Σm=12vm0(t+g-1|t)exp(-λmf||w^(t+g-1|t)-zmf||22),ak1,t+g-1|t=ck1,0f+Σm=12vm,k1f(t+g-1|t)exp(-λmf||w^(t+g-1|t)-zmf||22),bk2,t+g-1|t=ck2,0e+Σm=12vm,k2e(t+g-1|t)exp(-λme||w^(t+g-1|t)-zme||22),vm0(t+g-1|t)=vm,00+vm,10w^1t+g-1|t+vm,20w^2t+g-1|t,vm,k1f(t+g-1|t)=vm,k1,0f+vm,k1,1fw^1t+g-1|t+vm,k1,2fw^2t+g-1|t,vm,k2e(t+g-1|t)=vm,k2,0e+vm,k2,1ew^1t+g-1|t+vm,k2,2ew^2t+g-1|t,w^(t+g-1|t)=w^1t+g-1|tw^2t+g-1|tT.]]>

其中：扰动补偿项d(t)＝f(t)-f(t|t-1)，f(t)为t时刻的水箱液位输出向量，f(t|t-1) 为t-1时刻的水箱系统函数型权RBF-ARX模型的一步向前预测输出向量； 为t时刻的未来g-1步向前预测的状态向量；其中，g＝1, 2；…，30，k₁＝1,2,…,22，当且仅当g-k₁≤0时当且仅当g-k₂≥5时e(t+g-k₂)＝e(t+5)。