CN116700017B - 一种基于观测状态的可重入制造系统的动态调控方法 - Google Patents
一种基于观测状态的可重入制造系统的动态调控方法 Download PDFInfo
- Publication number
- CN116700017B CN116700017B CN202310988116.XA CN202310988116A CN116700017B CN 116700017 B CN116700017 B CN 116700017B CN 202310988116 A CN202310988116 A CN 202310988116A CN 116700017 B CN116700017 B CN 116700017B
- Authority
- CN
- China
- Prior art keywords
- state
- matrix
- manufacturing system
- fuzzy
- gain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000033228 biological regulation Effects 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 abstract description 2
- 230000000087 stabilizing effect Effects 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 42
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 8
- 239000011265 semifinished product Substances 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于控制科学与工程技术领域,尤其涉及一种基于观测状态的可重入制造系统的动态调控方法。该方法首先构建复杂网络下的可重入制造系统的动态演化方程,接着利用模糊方法构建出可重入制造系统的模糊模型并据此设计一种模糊状态观测器并给出观测误差收敛的条件;再者,基于观测状态设计了一种模糊动态控制器并给出可重入制造系统镇定的条件;最后提出各项参数求解的方法。所述动态调控方法可以有效实时监测实际工业生产过程中的状态并依据监测状态调控生产,保证产品生产制造过程中的均衡性。
Description
技术领域
本发明属于控制科学与工程技术领域,尤其涉及一种基于观测状态的可重入制造系统的动态调控方法。
背景技术
可重入制造系统是指一个产品工件在工艺路线的不同阶段多次访问同一个加工站的制造系统,随着半导体制造业的迅速发展而兴起。可重入制造系统与传统离散制造系统不同,具有工件加工工序多,在加工不同阶段重复访问某些机器等特点,这同时也增加了制造流程的复杂性。
考虑到可重入制造系统的复杂性,国内外众多学者考虑采用建立一种连续模型来描述系统。该连续模型由一阶双曲型偏微分方程描述,其中偏微分项系数表示流水线的速度,与整个工厂的负载有关。通常针对单线生产主要通过控制原材料的投入去控制整条生产线的均衡生产,即采用一种边界控制的方法。然而,随着工厂规模的扩大,多条生产线间并行生产,不同生产线之间也将必然存在着半成品的运输与交换,这将会大大增加系统的复杂性。同时,考虑到系统复杂性和建模精确性,建模误差也是应当考虑的一项重要内容。由于实际生产中各阶段产品的宏观总数量更容易把控和统计,为实现系统各个状态的实时监测,观测器的设计具有重要意义,利用监测状态可以对系统进行调控,进而保证整个可重入制造系统生产的均衡。因此以非线性偏微分方程系统研究复杂网络下可重入制造系统的动态调控问题具有重要意义。
本发明研究了复杂网络下的可重入制造系统的状态监测和智能调控问题,提出一种针对复杂非线性模型的状态观测和基于观测状态的控制方法:首先,构建在复杂网络下的可重入制造系统的动态演化方程;接着,利用模糊方法构建出系统的模糊模型并据此设计一种模糊状态观测器并给出观测误差收敛的条件;再者,基于观测状态设计了一种模糊动态控制器并给出系统镇定的条件;最后提出各项参数求解的方法。
发明内容
基于现有技术的不足,本发明研究了复杂网络下的的状态监测和智能调控问题,提出一种基于观测状态的可重入制造系统的动态调控方法,该方法首先构建复杂网络下的可重入制造系统的动态演化方程,接着利用模糊方法构建出可重入制造系统的模糊模型并据此设计一种模糊状态观测器并给出观测误差收敛的条件;再者,基于观测状态设计了一种模糊动态控制器并给出可重入制造系统镇定的条件;最后提出各项参数求解的方法。所述动态调控方法可以有效实时监测实际工业生产过程中的状态并依据监测状态调控生产,保证产品生产制造过程中的均衡性。
本发明的技术方案具体如下:
一种基于观测状态的可重入制造系统的动态调控方法,包括以下步骤:
S1:建立复杂网络下的可重入制造系统的状态演化方程;
S2:由所述状态演化方程获得可重入制造系统的控制方程;
S3:将所述控制方程模糊化,得到模糊模型;
S4:基于所述模糊模型设计状态观测器,将状态观测器增益求解转化为求解线性可微矩阵不等式,即得状态观测器增益;
S5:基于获得的状态观测器增益,测试状态观测器性能,以实现复杂网络下可重入制造系统的多个场景的实时状态观测;
S6:基于实时状态观测结果设计控制器,将控制器增益求解转化为求解线性可微矩阵不等式,即得控制器增益;
S7:结合控制器增益和实时状态观测结果,确定使可重入制造系统的多个场景实现生产负荷平衡的目标函数,并依据目标函数进行动态调控。
优选的,所述S1中状态演化方程如下:
其中,是可重入制造系统中在时间t时完成度为s的n维产品密度;表示产品的完成度,表示产品还未开始加工,表示产品已完成加工;是m维控制输入;是一个已知的对角负定矩阵;表示代表产品密度、控制输入和完成度通过复杂网络连接,是一个非线性的复杂函数,是可重入制造系统的输出参量,是可重入制造系统的输出向量。
优选的,所述S2具体包括:
S2-1:定义新的控制量:
其中,r s表示期望的产品密度;
S2-2:获得可重入制造系统控制方程为:
令
。
其中,
边界条件:。
优选的,所述S3具体包括:
S3-1:选择前提变量对控制方程进行模糊化
通过选择l维前提变量,得到模糊模型如下:
系统规则:如果是,…,是,那么
其中,是一个正整数,表示前提变量的个数,是模糊集合,是模糊规则的数量,和是已知系统矩阵,和第个模糊子系统对应的不确定性矩阵;
S3-2:基于模糊规则,计算对应的隶属度函数
其中,是模糊集合的隶属度函数的梯度,,,,t 。
由此,得到控制方程的模糊模型:
S3-3:估计模糊模型中的不确定性项
通过比较模糊模型与控制方程,估计不确定性项满足的矩阵条件:
其中,是已知的矩阵,为不确定因子,满足,I为单位矩阵。
优选的,所述S4具体包括:
S4-1:设计状态观测器
其中,是给定的状态观测器初值,为状态观测器的状态变量,为状态观测器增益;
S4-2:基于线性可微矩阵不等式获得状态观测器增益
任给一个大于0的常数λ,如果存在一个正定对角矩阵和一系列矩阵使得下列矩阵不等式成立:
则观测误差收敛,状态观测器能够观测可重入制造系统状态,状态观测器增益;
其中,
,I为单位矩阵。
优选的,所述S6具体包括:
S6-1:设计控制器
基于所述状态观测器,设计控制器:
其中,是给定的控制器初值,是给定的对角负定矩阵,和均为目标函数;
S6-2,基于线性可微矩阵不等式获得控制器增益
定义如下矩阵:
控制器增益求解等价于求解以下线性可微矩阵不等式:
任给两个常数,一个衰减率,如果存在两个正定对角矩阵和一系列矩阵使得以下矩阵不等式成立:
则控制器能够镇定系统,控制器增益;
其中,
。
相比现有技术,本发明具有如下优点:
本发明提出了一种基于观测状态的可重入制造系统的动态调控方法,该方法对复杂网络下的可重入制造系统的多生产场景建模,考虑的是采用非线性偏微分方程进行描述,更具有一般性;之后对控制方程进行模糊化处理,考虑建模过程中存在的不确定项并对其进行合理范围的估计,更符合实际建模过程;设计的状态观测器能够有效实时监测可重入制造系统中的各生产状态;采用基于观测状态的动态控制策略,减少对系统已知状态的要求,同时控制方法也更具有鲁棒性,进一步地,采用动态控制策略能够快速有效调控实际的工业制造系统中产品负荷问题,从而保证系统能够实现快速平稳的运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1是本发明的基于观测状态的可重入制造系统的动态调控方法的流程图。
图2是本发明获得可重入制造系统的模糊模型的流程图。
图3是本发明获得状态观测器增益的流程图。
图4是本发明求解状态观测器线性可微矩阵不等式的流程图。
图5是本发明提供的获得控制器增益的流程图。
图6是本发明求解控制器线性可微矩阵不等式的流程图。
图7是本发明实施例1中模糊规则1对应的状态观测器增益的示意图。
图8是本发明实施例1中模糊规则2对应的状态观测器增益的示意图。
图9是本发明实施例1中模糊规则1对应的控制器增益的示意图。
图10是本发明实施例1中模糊规则2对应的控制器增益的示意图。
图11是本发明实施例1中一个被控变量变化示意图。
图12是本发明实施例1中另一个被控变量变化示意图。
图13是本发明实施例1中一个误差系统状态变化示意图。
图14是本发明实施例1中另一个误差系统状态变化示意图。
图15是本发明实施例1中控制输入变化示意图。
图16是本发明实施例1中一个生产场景的产品密度示意图。
图17是本发明实施例1中另一个生产场景的产品密度示意图。
图18是本发明一个单线生产应用场景模型示意图。
图19是本发明一个多线生产应用场景模型示意图。
图20是本发明实施例1中可重入制造系统的生产过程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图18展示了本发明应用场景的一个单线生产模型示意图,通过将原材料放入缓冲站实施产品的对应步骤,待上一步骤完成后将半成品进行下一相关工序直至产品完成,通常来说可重入制造系统工序可达成百上千道,因此近些年有一种采用连续化的方法构建模型,可重入系统的基本模型依据质量守恒原则,如下
其中,表示可重入制造系统中在时间t时完成度为s的产品密度,与时间t和当前的完成度有关,是一个速度常数,表示整条生产线始终保持匀速生产加工。该式表示当前产品密度随时间的变化与向下一生产阶段变化量乘产品的生产速度始终满足着质量守恒。然而,实际生产中往往会多条生产线并行,某一条生产线的半成品又是另一生产线的某一步骤的原料,这就会导致一些半成品的交互,如图19所示。在实际过程中生产过程可能存在一些材料浪费等,对于这些交互、浪费的影响这里以一个非线性函数表示,具体模型如后续所述。
考虑一个具有n个生产场景的可重入制造系统,它们的系统状态、控制输入通过一个复杂网络相互耦合连接,耦合包括但不限于不同生产线间通过运输车或传送带等进行半成品的交换,生产线之外对可重入制造系统的额外输入与调控等,可重入制造系统输出是但不限于当前所有生产线各个处于不同阶段的产品的总量,也可以是其他满足可观性的线性组合形式。本发明针对多线复杂网络下的可重入制造系统,设计状态观测器实时监测生产场景中的各个生产线的产品数量,并基于监测值设计控制方法使各个生产场景中的系统状态达到一致均衡。下面进行具体详细介绍。
图1是本发明提供的一种基于观测状态的可重入制造系统的动态调控方法的流程图。该方法包括:
S1,根据可重入制造系统模型建立复杂网络下的可重入制造系统的状态演化方程。
示例性地,考虑包含n个生产场景的复杂网络连接下的可重入制造系统:
其中,是可重入制造系统中在时间t时完成度为s的n维产品密度;表示产品的完成度,表示产品还未开始加工,表示产品已完成加工;是m维控制输入;是一个已知的对角负定矩阵;表示代表产品密度、控制输入和完成度通过复杂网络连接,是一个非线性的复杂函数,是可重入制造系统的输出参量,是可重入制造系统的输出向量。
控制输入是通过外接条件的变化来影响产品的生产速度,如在化工生产中,可以是压强、温度、甚至进料速度等。通常来说,在可重入制造系统中希望在各个阶段的产品密度相同处于一个稳定的值,不妨假设为,该值是一个提前设计的量,通常希望与进料速度和出加工好的产品速度一致,即。
S2,根据状态演化方程获得可重入制造系统的控制方程;
在控制中,为了解决问题的方便,不失一般性都会采用引入新的变量来使原点成为期望达到的目标。
首先,定义新的控制量:
获得系统的控制方程为:
其中,
该方程即为控制方程且边界条件变为。
S3,选择合适的前提变量将控制方程模糊化得到模糊模型;
图2为本发明中获得系统模糊模型的流程图。
S3-1,选择合适的前提变量对控制方程模糊化。
通过选择合适的维前提向量,得到如下的模糊模型:
系统规则:如果是,…,是,那么
其中,是一个正整数,表示前提变量的个数,是模糊集合,是模糊规则的数量,和是已知系统矩阵,和第个模糊子系统对应的不确定性矩阵;
S3-2,基于模糊规则,计算对应的隶属度函数;
通过使用中心平均去模糊器、乘积推理和单例模糊器,可以得到如下的模糊隶属度函数:
其中,是模糊集合的隶属度函数的梯度,,,,t ;
进一步地可以得到控制方程的模糊模型:
;
S3-3,基于模糊建模过程估计模糊模型中的不确定性项;
通过模糊模型与实际的控制方程比较,估计不确定性项满足的矩阵条件,即
其中,是已知的矩阵,为不确定因子,满足,I为单位矩阵。
S4,基于模糊模型设计状态观测器,利用现有的LMI工具箱求解线性矩阵不等式获得状态观测器增益;
图3为本发明提供的获得观测器增益的流程图。具体如下:
S4-1,设计状态观测器。
基于上述建立的模糊模型,设计如下的状态观测器:
其中,是给定的状态观测器初值,为状态观测器的状态变量,为状态观测器增益。
S4-2,基于线性可微矩阵不等式获得状态观测器增益。
状态观测器的增益求解等价与求解下列的线性可微矩阵不等式:
任给一个大于0的常数λ,如果存在一个正定对角矩阵和一系列矩阵使得下列矩阵不等式成立:
则观测误差收敛,状态观测器能够观测可重入制造系统状态,状态观测器增益;
其中,
。
由于上述的的线性矩阵不等式是无限组线性矩阵不等式,采用有限差分的方法对其进行离散,进而去求解有限组的线性矩阵不等式,利用LMI工具箱对有限组线性矩阵不等式求解得到状态观测器增益。
图4为本发明求解状态观测器线性可微矩阵不等式的流程图,具体流程如下:
流程一:选择一个比较大的整数,将完成度[0,L]均分成N等份;
流程二:给定一个正定矩阵,一个期望的衰减率,计数p=0;
流程三:通过后向差分代替,用第k轮迭代中的矩阵求解得到矩阵,如果存在可行解则执行流程四,否则返回流程二调整两个给定参数重新开始计算。
流程四:利用得到的求得状态观测器增益矩阵,如果,则执行流程五,否则,令,执行流程三。
流程五:返回所有增益矩阵,状态观测器增益求解完成。
S5,基于获得的状态观测器增益,测试状态观测器性能以使在复杂网络连接下的可重入制造系统的多个场景实现实时状态监测;
通过上述离散求解线性矩阵不等式的方法能获得状态观测器增益参数,而状态观测器增益是一个标量函数,在实际应用中应该不断地根据所求数据反复测试结果,选择收敛最快性能最佳的增益函数。
S6,基于实时状态观测结果设计控制器,利用LMI工具箱求解线性矩阵不等式获得控制器增益,如图5所示:
S6-1,设计控制器。
基于上述建立的状态观测器,设计如下的控制器:
其中,是给定的控制器初值,是给定的对角负定矩阵,和均为目标函数。
S6-2,基于线性可微矩阵不等式获得控制器增益
定义如下矩阵:
控制器增益求解等价与求解下列的线性可微矩阵不等式:
任给两个常数,一个衰减率,如果存在两个正定对角矩阵和一系列矩阵使得以下矩阵不等式成立:
则控制器能够镇定系统,控制器增益;
其中,
。
类似地,由于上述的的线性矩阵不等式是无限组线性矩阵不等式,采用有限差分的方法对其进行离散,进而去求解有限组的线性矩阵不等式,利用LMI工具箱对有限组线性矩阵不等式求解得到控制器增益。
图6为求解本发明中控制器线性矩阵不等式的流程图,具体流程如下:
流程一:选择一个比较大的整数,将完成度[0 ,L]均分成等份;
流程二:给定正定矩阵初值和,负定对角矩阵,两个常数以及一个期望的衰减率,计k=0;
流程三:通过后向差分代替和,用第k轮迭代中的矩阵和求解得到矩阵和,如果存在可行解则执行流程四,否则返回流程二调整给定参数重新开始计算。
流程四:利用得到的和求得控制器的增益矩阵,如果,则执行流程五,否则,令,执行流程三。
流程五:返回所有增益矩阵,控制器增益求解完成。
S7,基于获得的控制器增益,确定目标函数以使可重入制造系统的多个场景的生产负荷平衡。
通过上述离散求解线性矩阵不等式的方法能获得大部分控制的参数,而控制器中的增益同样是一个标量的函数,在实际应用中应该不断地根据所求数据反复测试结果,选择最佳的增益函数。需要指出的是,由于控制器的结果获取需要用到状态观测器增益的结果,因此在实际最终增益函数的确定上需要平衡两者,使可重入制造系统观测性能和控制性能均取得较好的结果。
在本发明中由于控制器独特的控制形式,存在较多自由调整的参数,可以采用这样一种策略来选择参数:在初始时选择合适的,,以及,如果控制器能达到期望的性能,则无需修改;如果控制性能没有达到期望或者出现不可行解,首先调整指数衰减率观察求解过程终止阶段将其调整为最大(该过程由LMI工具箱求解方法所限定,由于求解过程是一个迭代的过程,其不可行解一定会出现在后面,而且一旦出现后续解将始终是不可行解),调整尽可能不出现不可行解或使系统性能更好即更快收敛,最终调整,根据状态变化向着最好的性能调整,不断迭代直到控制性能满足要求。需要指出的是,该策略仅是一种参考方法,因为不合适的初值同样会带来求解或性能差的问题,类似地,都是耦合一起影响系统的,具体调节方法需要依据具体系统灵活考虑选择。
本发明首先构建复杂网络下的可重入制造系统多生产场景下的连续偏微分动态演化方程,接着根据状态的期望目标构建出系统控制方程,之后构建出系统的模糊模型并设计一种状态观测器,通过求解线性矩阵不等式获得状态观测器增益参数以实现对多生产场景下负荷的状态监测,基于观测状态设计出一种模糊动态控制器,通过求解线性矩阵不等式获得控制器增益参数以实现对多生产场景下负荷的智能调控。本发明使用一种模糊观测器对实际工业中仅有线性输出信息的系统实现全部状态的实时监测,同时提出一种基于观测状态的模糊动态鲁棒的控制策略对用非线性偏微分方程描述的实际工业系统进行控制,能够有效地平衡多生产场景的负荷,使生产制造快速平稳地进行。
实施例1
一类典型的可重入制造生产过程如图20的PN结隔离的掺金TTL电路工艺流程,其从初始材料需要多次经过氧化、光刻、扩散、分布等流程,直至完成过程产品去中测,图中不同阶段的过程已用不同的虚线加以区分。在该生产场景下,本发明中的产品密度对应生产过程中各个阶段半成品的产品密度,平衡点为当前外部市场环境的需求,控制输入为仓库库存半成品的补充或者已完成的半成品入库调整,最终所要实现的是在仅仅存在原料的投入的情况下,无需外部输入的调整实现对当前市场需求的跟踪。当市场需求发生变动,需要同时改变产品密度的平衡点以重新采用本发明中的方法进行控制调整。同时需要指出的是,本发明所考虑的模型是基于统计意义下的模型,模型更关注整个产品的流向即是否当前工厂的生产能同市场保持一致,而忽视模型中具体的生产细节,在细节上的具体调整需要参考已有的其他精确模型的相关内容,本发明中各个参量产品密度等也是表示相应的均值。
这里,考虑2个生产场景下的复杂网络下的可重入制造系统的动态演化方程:
其中,
,
令
其中,和分别是两个生产场景下对应于产品完成度和时间的产品密度,是控制输入,并且假设在两个生产场景下满足已加工产品密度为和未加工产品密度为3,即和,和表示产品密度、完成度与控制输入的之间的非线性复杂网络耦合。
考虑期望达到的生产场景中产品密度的平衡点为,。通过本发明中的方法,构建控制变量
可以得到控制方程:
令
则控制方程可以写成:
对控制方程建立模糊模型,选择前提变量,假定,可以得到如下的2个模糊子模型:
系统规则:如果是,那么
其中,
进一步可以得到如下的隶属度函数:
在本实验中,取,衰减率为,时域及空间域划分细度分别选择和,通过前述方法,可以得到模糊规则1对应的观测器增益、模糊规则2对应的观测器增益、模糊规则1对应的控制器增益和模糊规则2对应的控制器增益,如图7-10所示。
控制量的初值条件为:,控制输入的初值为,得到系统的控制效果:
图11是被控变量的变化示意图,图12是被控变量的变化示意图,从这两张图中可以看出,在有限的时间内可重入制造系统的状态都趋向零,证明了本发明的有效性。
图13和图14是本发明提供的两个误差系统变化示意图。可以看出,在有限的时间内,观测误差收敛为0,即表示所设计的状态观测器能够准确监测系统的状态,证明观测器的适用性。
图15是本发明提供的控制输入变化示意图。同样可以看出,随着时间的推移,控制输入也趋向零,即被控变量为零时控制输入也为零,这说明就是原系统的平衡点。
图16是本发明提供的一个生产场景的产品密度示意图,图17是本发明提供的另一个生产场景的产品密度示意图。图16和图17的产品密度变化趋势说明了本发明的方法能够快速地平衡不同生产场景下的产品密度,使复杂网络下的可重入制造系统生产达到平衡。具体地来说,在该实例中,产品密度几乎在时间维度为30分钟后就达到了平衡,说明生产场景能够较快地达到了平衡,该控制方法可以对非仿射非线性的系统实现较好的控制。该实例充分说明了本发明的作用,但需要指出的是,系统平衡的快慢与系统本身各项参数存在很大关系,在实际其他模型应用该方法需要针对具体模型分析求解。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、 “上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于观测状态的可重入制造系统的动态调控方法,其特征在于,包括以下步骤:
S1:建立复杂网络下的可重入制造系统的状态演化方程;
S2:由所述状态演化方程获得可重入制造系统的控制方程;
S3:将所述控制方程模糊化,得到模糊模型;
S4:基于所述模糊模型设计状态观测器,将状态观测器增益求解转化为求解线性可微矩阵不等式,即得状态观测器增益;
S5:基于获得的状态观测器增益,测试状态观测器性能,以实现复杂网络下可重入制造系统的多个场景的实时状态观测;
S6:基于实时状态观测结果设计控制器,将控制器增益求解转化为求解线性可微矩阵不等式,即得控制器增益;
S7:结合控制器增益和实时状态观测结果,确定使可重入制造系统的多个场景实现生产负荷平衡的目标函数,并依据目标函数进行动态调控;
所述S3具体包括:
S3-1:选择前提变量对控制方程进行模糊化
通过选择l维前提变量,得到模糊模型如下:
系统规则:如果是,…,是,那么
其中,是一个正整数,表示前提变量的个数,是模糊集合,是模糊规则的数量,和是已知系统矩阵,和第个模糊子系统对应的不确定性矩阵,表示控制量,是m维控制输入,是一个已知的对角负定矩阵;
S3-2:基于模糊规则,计算对应的隶属度函数
其中,是模糊集合的隶属度函数的梯度,,,,t ;
由此,得到控制方程的模糊模型:
;
S3-3:估计模糊模型中的不确定性项
通过比较模糊模型与控制方程,估计不确定性项满足的矩阵条件:
其中,是已知的矩阵,为不确定因子,满足,I为单位矩阵。
2.根据权利要求1所述的动态调控方法,其特征在于,所述S1中状态演化方程如下:
其中,是可重入制造系统中在时间t时完成度为s的n维产品密度;表示产品的完成度,表示产品还未开始加工,表示产品已完成加工;是m维控制输入;是一个已知的对角负定矩阵;表示代表产品密度、控制输入和完成度通过复杂网络连接,是一个非线性的复杂函数,是可重入制造系统的输出参量,是可重入制造系统的输出向量。
3.根据权利要求2所述的动态调控方法,其特征在于,所述S2具体包括:
S2-1:定义新的控制量:
其中,r s表示期望的产品密度;
S2-2:获得可重入制造系统控制方程为:
令
其中,
边界条件:。
4. 根据权利要求3所述的动态调控方法,其特征在于,所述S4具体包括:
S4-1:设计状态观测器
其中,是给定的状态观测器初值,为状态观测器的状态变量,为状态观测器增益;
S4-2:基于线性可微矩阵不等式获得状态观测器增益
任给一个大于0的常数λ,如果存在一个正定对角矩阵和一系列矩阵使得下列矩阵不等式成立:
则观测误差收敛,状态观测器能够观测可重入制造系统状态,状态观测器增益;
其中,
,I为单位矩阵。
5. 根据权利要求4所述的动态调控方法,其特征在于,所述S6具体包括:
S6-1:设计控制器
基于所述状态观测器,设计控制器:
其中,是给定的控制器初值,是给定的对角负定矩阵,和均为目标函数;
S6-2,基于线性可微矩阵不等式获得控制器增益
定义如下矩阵:
其中,表示m×n的零矩阵,表示m阶单位矩阵;
控制器增益求解等价于求解以下线性可微矩阵不等式:
任给两个常数,一个衰减率,如果存在两个正定对角矩阵和一系列矩阵使得以下矩阵不等式成立:
则控制器能够镇定系统,控制器增益;
其中,
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988116.XA CN116700017B (zh) | 2023-08-08 | 2023-08-08 | 一种基于观测状态的可重入制造系统的动态调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988116.XA CN116700017B (zh) | 2023-08-08 | 2023-08-08 | 一种基于观测状态的可重入制造系统的动态调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116700017A CN116700017A (zh) | 2023-09-05 |
CN116700017B true CN116700017B (zh) | 2023-11-03 |
Family
ID=87826198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988116.XA Active CN116700017B (zh) | 2023-08-08 | 2023-08-08 | 一种基于观测状态的可重入制造系统的动态调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116700017B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215249B (zh) * | 2023-11-01 | 2024-02-13 | 北京航空航天大学 | 可重入制造系统的动态调控方法及相关产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873558A (zh) * | 2017-03-22 | 2017-06-20 | 东北大学 | 一种非线性系统的模糊重复输出控制器及其控制方法 |
CN114047706A (zh) * | 2022-01-11 | 2022-02-15 | 北京航空航天大学 | 面向可重入工业制造系统的模糊动态积分滑模控制方法 |
CN115097737A (zh) * | 2022-08-24 | 2022-09-23 | 北京航空航天大学 | 一种可重入制造系统的多层级调控方法 |
CN116088306A (zh) * | 2022-12-19 | 2023-05-09 | 中国科学院光电技术研究所 | 基于线性二次型最优控制下模糊扩张状态观测器设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8407077B2 (en) * | 2006-02-28 | 2013-03-26 | Palo Alto Research Center Incorporated | System and method for manufacturing system design and shop scheduling using network flow modeling |
CN113341726B (zh) * | 2021-06-18 | 2022-05-27 | 江南大学 | 一种多质点车辆队列行驶系统的迭代学习控制方法 |
-
2023
- 2023-08-08 CN CN202310988116.XA patent/CN116700017B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873558A (zh) * | 2017-03-22 | 2017-06-20 | 东北大学 | 一种非线性系统的模糊重复输出控制器及其控制方法 |
CN114047706A (zh) * | 2022-01-11 | 2022-02-15 | 北京航空航天大学 | 面向可重入工业制造系统的模糊动态积分滑模控制方法 |
CN115097737A (zh) * | 2022-08-24 | 2022-09-23 | 北京航空航天大学 | 一种可重入制造系统的多层级调控方法 |
CN116088306A (zh) * | 2022-12-19 | 2023-05-09 | 中国科学院光电技术研究所 | 基于线性二次型最优控制下模糊扩张状态观测器设计方法 |
Non-Patent Citations (1)
Title |
---|
Time-varying group formation-tracking control for general linear multi-agent systems with switching topologies and unknown input;Yizhou Lu.etc;《Optimizing Interface Conductivity in Electronics》;第32卷(第4期);第1925-1940页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116700017A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116700017B (zh) | 一种基于观测状态的可重入制造系统的动态调控方法 | |
Jiang et al. | Parameter estimation of solar cells and modules using an improved adaptive differential evolution algorithm | |
Hua et al. | Robust output feedback tracking control for time-delay nonlinear systems using neural network | |
Rodrigues et al. | Automated control design for a piecewise-affine approximation of a class of nonlinear systems | |
CN110209148A (zh) | 一种基于描述系统观测器的网络化系统的故障估计方法 | |
CN106325075B (zh) | 一类时滞线性参数变化离散系统的h∞控制方法 | |
CN114047706B (zh) | 面向可重入工业制造系统的模糊动态积分滑模控制方法 | |
CN113156263B (zh) | 电缆状态监测方法及存储介质 | |
JP2010263754A (ja) | 配電系統状態推定方法及び配電系統状態推定装置 | |
CN109856973A (zh) | 一种基于模糊神经网络的温室环境控制方法及系统 | |
Govindarajan et al. | A sparse collocation method for solving time-dependent HJB equations using multivariate B-splines | |
Li et al. | Online switching control with stability and regret guarantees | |
Roy et al. | A nonlinear adaptive excitation controller design for two‐axis models of synchronous generators in multimachine power systems to augment the transient stability during severe faults | |
Foo et al. | On reproducing existing controllers as model predictive controllers | |
Mohammadi et al. | Leader-following consensus of nonlinear multi-agent systems based on position and velocity estimations | |
CN116339145A (zh) | 机台参数调控方法、设备及存储介质 | |
Salehi et al. | Adaptive output feedback tracking controller for a class of uncertain strict feedback nonlinear systems in the absence of state measurements | |
CN117215249B (zh) | 可重入制造系统的动态调控方法及相关产品 | |
CN113987841A (zh) | 一种求解界面处声子热输运的方法和存储介质 | |
Sersour et al. | Identification of Wiener fractional model using self-adaptive velocity particle swarm optimization | |
Abd Samad et al. | Effect of penalty function parameter in objective function of system identification | |
Huang et al. | Distributed stochastic nash equilibrium learning in locally coupled network games with unknown parameters | |
Tiwari et al. | An LMI approach to optimal guaranteed cost control of uncertain 2-D discrete shift-delayed systems via memory state feedback | |
Baumann et al. | Controllability and Optimal Control of Water Networks–A Comparison of Three Lumped Models | |
Van Scoy et al. | A tutorial on the structure of distributed optimization algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |