疊代學習模式預測控制之設計與其在批次製程應用之探討

Abstract

模式預測控制不僅適用於製程之多變數最佳控制，且能針對操作或被控變數依實際需求設限。疊代學習控制適用於具重複操作特性之控制系統，能逐步消除模式不確定性和重複性擾動對製程的影響。目前已有學者提出兩種疊代學習模式預測控制，分別使用動態矩陣控制與狀態空間模式預測控制，可用來改善批次製程之控制性能，其缺點為僅以輸出誤差來評估改善效果，且未完整探討變數設限與時延的問題。 本文首先比較二次動態矩陣控制與傳統數位控制，證實前者針對SISO和MIMO系統皆能獲得較佳的控制，但也發現在製程含未知擾動或模式不吻合時，其控制性能仍具改善空間。針對批次製程對受限多變數最佳控制的需求，本文提出疊代學習二次動態矩陣控制(ILQDMC)，能夠逐批改善製程的控制性能，其改善標準為在含特定輸出入加權的目標函數不變差的情況下，輸出誤差平方和持續變好。ILQDMC提供第一步設限和全部設限兩種操作變數設限方式，且所使用的設計公式極適合疊代學習計算。與疊代學習狀態空間模式預測控制(ILSSMPC)的比較發現，當模式相同且不含時延時，ILSSMPC之控制性能一般優於ILQDMC；當模式含時延或不易取得時，建議採用ILQDMC。模擬研究顯示，第一步設限方式適合輸入權重設定值較小的SISO系統；而全部設限方式適合MIMO系統。此外，在輸入權重值不變時，疊代學習控制無法保證控制性能長久持續改善，因此當改善效果變差時，可藉由增加權重值來停止疊代學習，以維持原有的良好控制。

Date of Award	2018 Aug 23
Original language	Chinese
Supervisor	Shyh-Hong Hwang (Supervisor)