CN103941586B - 一种掘进机主驱动系统转速的预测函数控制方法 - Google Patents

Abstract

本发明提供的一种掘进机主驱动系统转速的预测函数控制方法，包括以下步骤：（1）建立驱动系统的传递函数模型；（2）分解出每个输入与输出的关系，得到多个实际模型，每个实际模型包括单个输入与单个输出；（3）辨识每个实际模型的一阶预测模型；（4）利用可测扰动前馈补偿，设计预测函数控制器。本发明提供的驱动系统的预测函数控制方法，将预测函数控制方法应用于掘进机刀盘驱动系统的转速控制中，以实现驱动系统较强的鲁棒性和良好的跟踪能力；将随机跳变的负载力矩和周期时变的传递误差作为掘进机刀盘驱动系统的可测扰动，利用可测扰动前馈补偿，设计预测函数控制器，提高了驱动系统的抗扰动能力，改善了系统的动态输出特性。

Description

一种掘进机主驱动系统转速的预测函数控制方法

技术领域

本发明涉及一种掘进机主驱动系统转速的预测函数控制方法，具体是一种掘进机主驱动系统转速的预测函数控制方法。

背景技术

刀盘驱动系统是硬岩掘进机掘进的主要驱动系统，在掘进过程中发挥着重要的作用。硬岩掘进机主要应用于硬岩地质条件下，高硬度、高温、高石英含量(“三高”)环境，这使得硬岩掘进机面临的围岩工况条件极端复杂、且具有不确知性和不确定性。在掘进作业过程中硬岩破碎所产生的强冲击问题十分突出。

由于刀盘切削岩石和土壤时面对的地质环境是复杂多变的，那么就需要刀盘系统能够适应这样的环境变化。刀盘是掘进作业中的主要工作机构，刀盘驱动系统具有功率大、功率变化范围宽等特点，对刀盘驱动系统的建模和控制研究是硬岩掘进机工程设计的重要部分。

刀盘安装在硬岩掘进机的前端，刀盘上分布着不同类型的刀具，刀具是切削岩石的主要工具，刀盘驱动系统是刀盘旋转的主要动力提供者。目前刀盘驱动系统采用开环控制技术，在复杂多变的地质环境下，特别是在硬岩掘进的过程中，硬岩破碎所产生的强冲击，造成刀盘的负载力矩发生随机跳变，同时存在周期时变的传递误差，使得开环控制下的刀盘转速，其抗干扰能力和控制效果都不能够满足实际施工的需要。

因此，对刀盘驱动系统新的控制技术的研究是非常必要的。

发明内容

鉴于现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种掘进机主驱动系统转速的预测函数控制方法，将预测函数控制方法应用于驱动系统的控制中，以实现掘进机主驱动系统较强的鲁棒性和良好的跟踪能力。

本发明提供的掘进机主驱动系统转速的预测函数控制方法，利用可测扰动前馈补偿，设计预测函数控制器，提高了驱动系统的抗扰动能力，改善了系统的动态输出特性。

本发明提供的一种掘进机主驱动系统转速的预测函数控制方法，其特征在于，包括以下步骤：

(1)建立驱动系统的传递函数模型，传递函数模型包括多个输入与单个输出；

(2)分解出每个输入与输出的关系，得到多个实际模型，每个实际模型包括单个输入与单个输出；

(3)利用辨识方法，辨识每个实际模型的一阶预测模型；

(4)利用可测扰动前馈补偿，设计预测函数控制器；

其中，输入包括掘进机主驱动系统的执行器的输入与掘进机主驱动系统的可测扰动，输出为掘进机主驱动系统的可测输出。

“可测”为控制领域的专业术语，可测扰动变量是指能够通过测量变送器，在线的将其转换为前馈补偿器所能接受的信号的变量；可测输出是指系统输出能够通过传感器测量并将其作为系统控制反馈量的输出。

进一步地，驱动系统为掘进机刀盘驱动系统。

进一步地，掘进机主驱动系统的执行器的输入为掘进机刀盘驱动系统的感应电动机的力矩输入。

进一步地，可测扰动为掘进机刀盘驱动系统的负载力矩。

对于掘进机刀盘驱动系统，在复杂多变的地质环境下，特别是在硬岩掘进的过程中，硬岩破碎所产生的强冲击，造成刀盘的负载力矩发生随机跳变；利用可测扰动前馈补偿，设计预测函数控制器，能够提高掘进机刀盘驱动系统抗随机跳变的负载力矩的干扰的能力。

进一步地，可测扰动为掘进机刀盘驱动系统的齿轮啮合传递误差变化率。

对于掘进机刀盘驱动系统，还存在周期时变的齿轮啮合传递误差，利用可测扰动前馈补偿，设计预测函数控制器，能够提高掘进机刀盘驱动系统抗周期时变的齿轮啮合传递误差的干扰的能力。

进一步地，掘进机主驱动系统的可测输出为掘进机刀盘驱动系统的角速度。

进一步地，步骤(2)中的实际模型包括掘进机刀盘驱动系统的被控对象的模型，被控对象模型为：

$\frac{{\mathrm{\ω}}_m\left(s\right)}{T_e\left(s\right)}=\frac{{\mathrm{qni}}_m(c_{t}s+k_t)s}{q\[J_m{s}^2+(b_m+{\mathrm{ni}}_m^2{c}_t)s+{\mathrm{ni}}_m^2{k}_t\]\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(J_m{s}^2+b_{m}s)(c_{t}s+k_t)}$

其中，J_d＝J_g+J_z，b_d＝b_g+b_z，k_t＝k_ir_i ²，c_t＝c_ir_i ²；

其中，ω_m为大齿轮角速度，T_e为感应电动机输入力矩，q为减速器的减速比，n为小齿轮个数，i_m为齿轮传动比，c_i为啮合阻尼参数，k_i为啮合刚度参数，r_i为小齿轮半径，J_g为感应电动机转动惯量，J_z为联轴器转动惯量，b_g为感应电动机阻尼系数，b_z为联轴器阻尼系数，J_m为大齿轮转动惯量，b_m为大齿轮阻尼系数，J_c为小齿轮转动惯量，b_c为小齿轮阻尼系数。

进一步地，步骤(3)中辨识的所述被控对象的一阶预测模型的输出公式为：

s_m(n)＝a_ms_m(n-1)+b_mK_me(n-1)，

其中，e(n-1)为所述被控对象的一阶预测模型的输入信号，T_s为采样周期，T_m为一阶预测模型的时间常数，b_m＝1-a_m，K_m为一阶预测模型的增益。

进一步地，步骤(4)中设计的预测函数控制器的输出的计算公式为：

$MV\left(n\right)=\frac{(Setpo\mathrm{int}-s_p(n\left)\right)l_h+s_m\left(n\right)(1-a_m^h)+S_{Lpert}(n+h)+S_{Fpert}(n+h)-S_{DVm}\left(n\right)}{K_m(1-a_m^h)}$

其中，Setpoint是设定值，h为预测步长，S_DVm(n)为实际扰动模型输出，S_Lpert(n+h)为可测干扰辨识模型的自由输出，S_Fpert(n+h)为可测干扰辨识模型的约束输出，s_p为实际被控对象模型的输出，s_m为被控对象一阶预测模型的输出，K_m为一阶预测模型的增益；

其中，l_h＝1-λ^h；

选取指数函数作为参考轨迹，则

$\mathrm{\λ}=e^{-\frac{T_s}{T}},$

其中，T_s为采样周期，T为刀盘转动的周期。

进一步地，辨识的形式为：

$G\left(s\right)=\frac{K_m}{1+T_{m}s},$

其中，T_m为一阶预测模型的时间常数，K_m为一阶预测模型的增益。

与现有技术相比，本发明提供的掘进机主驱动系统转速的预测函数控制方法，具有如下有益效果：

(1)将预测函数控制方法应用于掘进机刀盘驱动系统的转速控制中，以实现驱动系统较强的鲁棒性和良好的跟踪能力；

(2)将随机跳变的负载力矩和周期时变的传递误差作为掘进机刀盘驱动系统的可测扰动，利用可测扰动前馈补偿，设计预测函数控制器，提高了驱动系统的抗扰动能力，改善了系统的动态输出特性。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1为本发明的一个实施例中的掘进机刀盘的正视图；

图2为图1所示的刀盘驱动系统的机械传动结构图；

图3为图1所示的刀盘驱动系统的齿轮啮合模型图；

图4为图1所示的掘进机主驱动系统的带扰动补偿的预测函数控制的结构图。

具体实施方式

以硬岩掘进机刀盘角速度控制系统为例，对本发明提供的掘进机主驱动系统转速的预测函数控制方法进行详细说明。

附图和部分公式中出现的符号以及符号所表示的物理量如表1所示：

表1

如图1所示，硬岩掘进机刀盘1包括小齿轮11、大齿轮12以及轮辐13。

如图2所示，硬岩掘进机刀盘驱动系统主要包括感应电动机、联轴器、减速器、小齿轮、大齿轮等机械部件，由于大齿轮与刀盘旋转是同步的，因此大齿轮的角速度也就是刀盘的角速度。

如图3所示，描述了小齿轮和大齿轮之间齿轮啮合模型，其中考虑了齿轮传递误差、齿轮啮合刚度、齿轮啮合阻尼对齿轮啮合的影响。

如图4所示，为掘进机刀盘驱动系统的带扰动补偿的预测函数控制的结构图，其中将随机跳变的负载力矩和周期时变的传递误差作为扰动，被控对象的输入为电动机的力矩。进行前馈可测扰动补偿设计，增加系统的抗扰动能力。

刀盘驱动系统机理模型:

图2为刀盘驱动系统的机械传动结构图，如图2所示，硬岩掘进机刀盘驱动系统主要包括了感应电动机、联轴器、减速器、小齿轮、大齿轮等机械部件。

刀盘驱动系统包括多个感应电动机，感应电动机用于提供动力，每个感应电动机带动一个小齿轮旋转，多个小齿轮共同带动大齿轮转动。

本实施例中刀盘驱动系统包括10个感应电动机。

感应电动机输入力矩与输出力矩的关系如下：

$T_{e,i}=J_g{\stackrel{\·\·}{\mathrm{\θ}}}_i+b_g{\stackrel{\·}{\mathrm{\θ}}}_i+T_{o,i}---\left(1\right)$

联轴器用于连接电动机与减速器，在感应电动机带动下，联轴器会与感应电动机以相同的转速转动，因此感应电动机的输出力矩就是联轴器的输入力矩，因此：

$T_{o,i}=J_z{\stackrel{\·\·}{\mathrm{\θ}}}_i+b_z{\stackrel{\·}{\mathrm{\θ}}}_i+M_{1,i}---\left(2\right)$

减速器一方面可以降低转速，另一方面提高了小齿轮的输入扭矩。

${\mathrm{\θ}}_{p,i}=\frac{1}{q}{\mathrm{\θ}}_i---\left(3\right)$

M_2,i＝qM_1,i(4)

减速器到小齿轮通过一个连接装置连接，从减速器的输出端到小齿轮的输出端的平衡方程如下：

$M_{2,i}=J_{c,i}{\stackrel{\·\·}{\mathrm{\θ}}}_{p,i}+b_{c,i}{\stackrel{\·}{\mathrm{\θ}}}_{p,i}+M_{c.i}---\left(5\right)$

大齿轮模型：假设有n个小齿轮带动大齿轮运动，大小齿轮力矩方程为：

$M_m=i_{m,1}{M}_{c,1}+i_{m,2}{M}_{c,2}+...+i_{m,n}{M}_{c,n}=\underset{k=1}{\overset{n}{\Σ}}{i}_{m,k}{M}_{c,k}---\left(6\right)$

大齿轮的动态平衡方程为：

$M_m=J_m{\stackrel{\·\·}{\mathrm{\θ}}}_m+b_m{\stackrel{\·}{\mathrm{\θ}}}_m+T_L---\left(7\right)$

图3为刀盘驱动系统的齿轮啮合模型图，o为小齿轮，o’为大齿轮，θ_p为小齿轮的转动角度，θ_m为大齿轮的转动角度，e(t)为传递误差，k为啮合刚度，c为啮合阻尼。

传递误差是周期性时变参数，该参数的傅里叶级数形式为：

$e\left(t\right)=e_0+\underset{i=1}{\overset{\mathrm{\∞}}{\Σ}}{e}_{i}cos(2{\mathrm{\πif}}_z+{\mathrm{\φ}}_i^e)---\left(8\right)$

第i个小齿轮输出的力矩表达式为：

$M_{c,i}=k_i{r}_i^2({\mathrm{\θ}}_{p,i}-i_{m,i}{\mathrm{\θ}}_m-\frac{e\left(t\right)}{r})+c_i{r}_i^2({\stackrel{\·}{\mathrm{\θ}}}_{p,i}-i_{m,i}{\stackrel{\·}{\mathrm{\θ}}}_m-\frac{\stackrel{\·}{e}\left(t\right)}{r_i})---\left(9\right)$

基于上述机理模型，本实施例中的硬岩掘进机刀盘驱动系统角速度预测函数控制方法的具体步骤如下：

步骤1：根据上述机理模型，假定各相同机械部件的参数值相同，可以建立整个刀盘驱动系统的动力学模型，其中刀盘的角速度ω_m作为模型输出，感应电动机的输入力矩T_e作为模型的输入，负载力矩T_L和传递误差变化率作为模型可测干扰：

联合上述方程得出以下的方程：

$\begin{array}{c}{\mathrm{\ω}}_m\left(s\right)=\frac{{\mathrm{qni}}_m(c_{t}s+k_t)s}{q\[J_m{s}^2+(b_m+{\mathrm{ni}}_m^2{c}_t)s+{\mathrm{ni}}_m^2{k}_t\]\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(J_m{s}^2+b_{m}s)(c_{t}s+k_t)}{T}_e\left(s\right)\\ -\frac{qs\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(c_{t}s+k_t)}{q\[J_m{s}^2+(b_m+{\mathrm{ni}}_m^2{c}_t)s+{\mathrm{ni}}_m^2{k}_t\]\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(J_m{s}^2+b_{m}s)(c_{t}s+k_t)}{T}_L\left(s\right)\\ -\frac{{\mathrm{qni}}_m(c_{t}s+k_t)s\[(J_{d}q+\frac{J_c}{q})s+(b_{d}q+\frac{b_c}{q})\]}{qr\[J_m{s}^2+(b_m+{\mathrm{ni}}_m^2{c}_t)s+{\mathrm{ni}}_m^2{k}_t\]\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(J_m{s}^2+b_{m}s)(c_{t}s+k_t)}\stackrel{\·}{e}\left(s\right)\end{array}---\left(10\right)$

其中，J_d＝J_g+J_z，b_d＝b_g+b_z，k_t＝k_ir_i ²，c_t＝c_ir_i ²；

其中，ω_m为大齿轮角速度，T_e为感应电动机输入力矩，q为减速器的减速比，n为小齿轮个数，i_m为齿轮传动比，c_i为啮合阻尼参数，k_i为啮合刚度参数，r_i为小齿轮半径，J_g为感应电动机转动惯量，J_z为联轴器转动惯量，b_g为感应电动机阻尼系数，b_z为联轴器阻尼系数，J_m为大齿轮转动惯量，b_m为大齿轮阻尼系数，J_c为小齿轮转动惯量，b_c为小齿轮阻尼系数。

步骤2：在上述建立的模型的基础上，进一步分解出可测扰动变量(负载力矩T_L和传递误差变化率)与刀盘的角速度ω_m的关系以及感应电动机的输入力矩T_e与刀盘的角速度ω_m的关系，那么可以得出以下分解关系：

$\frac{{\mathrm{\ω}}_m\left(s\right)}{T_e\left(s\right)}=\frac{{\mathrm{qni}}_m(c_{t}s+k_t)s}{q\[J_m{s}^2+(b_m+{\mathrm{ni}}_m^2{c}_t)s+{\mathrm{ni}}_m^2{k}_t\]\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(J_m{s}^2+b_{m}s)(c_{t}s+k_t)}---\left(11\right)$

$\frac{{\mathrm{\ω}}_m\left(s\right)}{T_L\left(s\right)}=-\frac{qs\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(c_{t}s+k_t)}{q\[J_m{s}^2+(b_m+{\mathrm{ni}}_m^2{c}_t)s+{\mathrm{ni}}_m^2{k}_t\]\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(J_m{s}^2+b_{m}s)(c_{t}s+k_t)}---\left(12\right)$

$\frac{{\mathrm{\ω}}_m\left(s\right)}{\stackrel{\·}{e}\left(s\right)}=-\frac{{\mathrm{qni}}_m(c_{t}s+k_t)s\[(J_{d}q+\frac{J_c}{q})s+(b_{d}q+\frac{b_c}{q})\]}{qr\[J_m{s}^2+(b_m+{\mathrm{ni}}_m^2{c}_t)s+{\mathrm{ni}}_m^2{k}_t\]\[(J_{d}q+\frac{J_c}{q})s^2+(b_{d}q+\frac{b_c}{q})s\]+(J_m{s}^2+b_{m}s)(c_{t}s+k_t)}---\left(13\right)$

为了便于处理，传递误差取其导数，即传递误差变化率作为输入变量。的模型是被控对象模型，即刀盘模型，而和的模型作为可测扰动模型，被控对象模型与可测扰动模型均为实际模型。

步骤3：在被控对象模型和可测扰动模型的基础上，分别辨识出预测模型：

利用最小二乘方法辨识上述三个分解的实际模型的一阶预测模型，辨识的形式如下：

$G\left(s\right)=\frac{K_m}{1+T_{m}s}---\left(14\right)$

其中，T_m为一阶预测模型的时间常数，K_m为一阶预测模型的增益。

预测模型的动态特性需要尽可能的与实际模型相符合，动态结果越接近，则预测模型的精度越高。这将更加有利于带扰动补偿的预测函数控制器的设计。

步骤4：在上述步骤完成的基础上，设计完整的控制器：

刀盘驱动系统被控对象的预测模型的输出公式可以表示为：

s_m(n)＝a_ms_m(n-1)+b_mK_me(n-1)(15)

其中，e(n-1)为一阶预测模型输入信号，T_s为采样周期，T_m为一阶预测模型的时间常数，b_m＝1-a_m，K_m为一阶预测模型的增益。

对于有可测干扰的系统，采用干扰补偿的方法，提高控制系统的抗干扰能力，那么控制器的输出MV的计算公式为：

$MV\left(n\right)=\frac{(Setpo\mathrm{int}-s_p(n\left)\right)l_h+s_m\left(n\right)(1-a_m^h)+S_{Lpert}(n+h)+S_{Fpert}(n+h)-S_{DVm}\left(n\right)}{K_m(1-a_m^h)}---\left(16\right)$

其中，Setpoint是设定值，λ的取值与选取的参考轨迹有关，这里选取指数函数作为参考轨迹h为预测步长，T为刀盘转动的周期。

其中，l_h＝1-λ^h，S_DVm(n)为实际扰动模型输出，S_Lpert(n+h)和S_Fpert(n+h)分别为可测干扰辨识模型的自由输出(FreeOutput)和约束输出(ForcedOutput)。

在本实施例中，考虑的可测扰动即为T_L和传递误差变化率

完成的带扰动补偿的预测函数控制结构图见图3，根据上述设计完成的控制器，能够较好的控制刀盘转速，具有较强的抗干扰能力。

对刀盘驱动系统建模与带扰动补偿的预测函数控制器的设计进行了详细说明。

本发明提供的掘进机主驱动系统转速的预测函数控制方法，将预测函数控制方法应用于掘进机刀盘驱动系统的转速控制中，以实现刀盘驱动系统较强的鲁棒性和良好的跟踪能力；将随机跳变的负载力矩和周期时变的传递误差作为掘进机刀盘驱动系统的可测扰动，利用可测扰动前馈补偿，设计预测函数控制器，提高了驱动系统的抗扰动能力，改善了系统的动态输出特性。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域的技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种掘进机主驱动系统转速的预测函数控制方法，其特征在于，包括以下步骤：

(1)建立掘进机主驱动系统的传递函数模型，所述传递函数模型包括多个输入与单个输出；

(2)分解出每个所述输入与所述输出的关系，得到多个实际模型，每个所述实际模型包括单个所述输入与单个所述输出；

(3)利用辨识方法，辨识每个所述实际模型的一阶预测模型；

(4)利用可测扰动前馈补偿，设计预测函数控制器；

其中，所述输入包括所述掘进机主驱动系统的执行器的输入与所述掘进机主驱动系统的可测扰动，所述输出为所述掘进机主驱动系统的可测输出；

步骤(2)中所述实际模型包括掘进机刀盘驱动系统的被控对象的模型，所述被控对象模型为：

$\frac{{\mathrm{\ω}}_m\left(s\right)}{T_e\left(s\right)}=\frac{{\mathrm{qni}}_m\left(c_{t}s+k_t\right)s}{q\[J_m{s}^2+\left(b_m+{\mathrm{ni}}_m^2{c}_t\right)s+{\mathrm{ni}}_m^2{k}_t\]\[\left(J_{d}q+\frac{J_c}{q}\right)s^2+\left(b_{d}q+\frac{b_c}{q}\right)s\]+\left(J_m{s}^2+b_{m}s\right)\left(c_{t}s+k_t\right)}$

其中，J_d＝J_g+J_z，b_d＝b_g+b_z，k_t＝k_ir_i ²，c_t＝c_ir_i ²；

其中，ω_m为大齿轮角速度，T_e为感应电动机输入力矩，q为减速器的减速比，n为小齿轮个数，i_m为齿轮传动比，c_i为啮合阻尼参数，k_i为啮合刚度参数，r_i为小齿轮半径，J_g为感应电动机转动惯量，J_z为联轴器转动惯量，b_g为感应电动机阻尼系数，b_z为联轴器阻尼系数，J_m为大齿轮转动惯量，b_m为大齿轮阻尼系数，J_c为小齿轮转动惯量，b_c为小齿轮阻尼系数。

2.如权利要求1所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，所述掘进机主驱动系统为掘进机刀盘驱动系统。

3.如权利要求2所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，所述掘进机主驱动系统的执行器的输入为所述掘进机刀盘驱动系统的感应电动机的力矩输入。

4.如权利要求3所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，所述可测扰动为所述掘进机刀盘驱动系统的负载力矩。

5.如权利要求4所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，所述可测扰动为所述掘进机刀盘驱动系统的齿轮啮合传递误差变化率。

6.如权利要求5所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，所述掘进机主驱动系统的可测输出为所述掘进机刀盘驱动系统的角速度。

7.如权利要求1所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，步骤(3)中辨识的所述被控对象的一阶预测模型的输出公式为：

s_m(n)＝a_ms_m(n-1)+b_mK_me(n-1)，

其中，e(n-1)为所述被控对象的一阶预测模型的输入信号，T_s为采样周期，T_m为一阶预测模型的时间常数，b_m＝1-a_m，K_m为一阶预测模型的增益，n为小齿轮个数。

8.如权利要求7所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，步骤(4)中设计的预测函数控制器的输出的计算公式为：

$MV\left(n\right)=\frac{(Setpo\mathrm{int}-s_p(n\left)\right)l_h+s_m\left(n\right)(1-a_m^h)+S_{Lpert}(n+h)+S_{Fpert}(n+h)-S_{DVm}\left(n\right)}{K_m(1-a_m^h)}$

其中，Setpoint是设定值，h为预测步长，S_DVm(n)为实际扰动模型输出，S_Lpert(n+h)为可测干扰辨识模型的自由输出，S_Fpert(n+h)为可测干扰辨识模型的约束输出，s_p为实际被控对象模型的输出，s_m为被控对象一阶预测模型的输出，K_m为一阶预测模型的增益，n为小齿轮个数；

其中，l_h＝1-λ^h，

选取指数函数作为参考轨迹，则

$\mathrm{\λ}=e^{-\frac{T_s}{T}},$

其中，T_s为采样周期，T为刀盘转动的周期。

9.如权利要求1所述的掘进机主驱动系统转速的预测函数控制方法，其特征在于，步骤(3)中辨识一阶预测模型的形式为：

$G\left(s\right)=\frac{K_m}{1+T_{m}s},$

其中，T_m为一阶预测模型的时间常数，K_m为一阶预测模型的增益。