1.一种批次化工过程的模型预测跟踪控制方法，其特征在于该方法具体是：步骤1、建立批次过程中被控对象的状态空间模型，具体是：

1.1、首先采集批次过程中的输入输出数据，利用该数据建立该批次过程的模型，形式如下：A(qt-1)y(t,k)＝B(qt-1)u(t,k)A(qt-1)＝1+H1qt-1+H2qt-2+…+Hmqt-mB(qt-1)＝L1qt-1+L2qt-2+…+Lnqt-n其中t,k分别是离散时间和循环指数，y(t,k)和u(t,k)分别是在第k周期中的t时刻的过程输出和控制输入，qt-1…qt-m,qt-1…qt-n分别是后移1…m,1…n位算子；H1,H2,…,Hm；L1,L2,…,Ln分别是多项式A(qt-1),B(qt-1)中相应的系数；m,n分别是A(qt-1),B(qt-1)的最大阶次；

1.2、将步骤1.1中模型进一步处理成如下形式：A(qt-1)Δty(t,k)＝B(qt-1)Δtu(t,k)结合步骤1.1，上式可写成如下形式：

Δty(t+1,k)+H1Δty(t,k)+…+HmΔty(t-m+1,k)＝L1Δtu(t,k)+L2Δtu(t-1,k)+…+LnΔtu(t-n+1,k)其中，Δt是时域后向差分算子，y(t+1,k)…y(t-m+1,k)和u(t,k)…u(t-n+1,k)分别是k周期在t+1,…,t-m+1和t,…,t-n+1时刻的过程输出和控制输入；

1.3、选择状态空间向量，形式如下：

Δtx(t,k)＝[Δty(t,k),Δty(t-1,k),…,Δty(t-m+1,k),Δtu(t-1,k),Δtu(t-2,k),…,Δtu(t-n+1,k)]T其中，T为转置符号；x(t,k)是第k周期t时刻的状态变量；

相应的过程模型如下所示：

Δtx(t+1,k)＝AΔtx(t,k)+BΔtu(t,k)Δty(t+1,k)＝CΔtx(t+1,k)其中，x(t+1,k)是第k周期t+1时刻的状态变量；A,B,C分别为该过程模型的状态矩阵、输入矩阵和输出矩阵；

B＝[L1 0 0 … 1 0 … 0]T

C＝[1 0 0 … 0 0 0 0]

1.4、在批次过程中，根据步骤1.3的过程模型，定义输出跟踪误差e(t,k)如下所示：e(t,k)＝y(t,k)-yr(t,k)

其中，e(t,k)是第k周期里t时刻的输出跟踪误差，y(t,k)和yr(t,k)分别是在第k周期里t时刻的过程输出和参考轨迹，yr(t,k)采取以下形式：yr(t+i,k)＝ωiy(t,k)+(1-ωi)c(t+i)其中yr(t+i,k)是第k周期里t+i时刻的参考轨迹，c(t+i)是t+i时刻的输出设定值，ωi是t+i时刻的参考轨迹的平滑因子，i是预测步长；再结合步骤1.3，得到t+1时刻的输出跟踪误差：e(t+1,k)＝e(t,k)+CAΔtx(t,k)+CBΔtu(t,k)-Δtyr(t+1,k)e(t+1,k)是第k周期里t+1时刻的输出跟踪误差，yr(t+1,k)是第k周期里t+1时刻的参考轨迹；

1.5、选取扩展状态向量xm(t,k)：

将步骤1.1-1.4处理过程综合为一个过程模型：xm(t+1,k)＝Amxm(t,k)+BmΔtu(t,k)+CmΔtyr(t+1,k)其中

xm(t+1,k)为该过程模型第k周期里t+1时刻的扩展状态向量，yr(t+1,k)是第k周期里t+

1时刻的参考轨迹，Am和Cm中0是有着适当维度的0矩阵；

1.6、对于步骤1.5，引入迭代更新控制，改进的状态空间模型改写为：xm(t+1,k)＝xm(t+1,k-1)+Am(xm(t,k)-xm(t,k-1))+Bmr(t,k)+Cm(Δtyr(t+1,k)-Δtyr(t+1,k-1))其中，r(t,k)是第k周期里t时刻的更新法则，xm(t+1,k-1)，xm(t,k-1)分别为该过程模型第k-1周期里t+1，t时刻的扩展状态向量；yr(t+1,k-1)是第k-1周期里t+1时刻的参考轨迹；

通过上式，状态预测整理成矩阵形式，被描述为：Xm(k)＝Xm(k-1)+F(xm(t,k)-xm(t,k-1))+φR(k)+S(Yr(k)-Yr(k-1))其中，

步骤2、设计被控对象的批次过程控制器，具体是：

2.1、为了在约束条件下跟踪轨迹，并且在未知过程中保持期望的控制性能，选取被控对象的性能指标函数J，形式如下：其中，P和M分是优化时域和控制时域，Δt，Δk分别是时域和周期后向差分算子，r(t+j,k)是第k周期里t+j时刻的更新法则，xm(t+i,k)为该过程模型第k周期里t+i时刻的扩展状态向量，u(t+j,k)是第k周期里t+j时刻的参考轨迹，λ(i),α(j),β(j),γ(j)是相关权系数矩阵，其中i取值为1…P，j取值为1…M；

2.2、根据步骤2.1，性能指标函数J改写为以下形式：

2 2 2 2

J＝λXm(k) +αR(k) +β(ΔtU(k-1)+R(k)) +γ(ΔkU(t-1)+ηR(k))其中，

2.3、根据步骤2.2中的性能指标函数J，将其最小化可以得到最优更新法则R(k)：R(k)＝-(φTλφ+α+β+ηTγη)-1(φTλ(F(xm(t,k)-xm(t,k-1))+Xm(k-1)+S(Yr(k)-Yr(k-

1)))+βΔtU(k-1)+ηTγΔkU(t-1))取出R(k)的第一项r(t,k)，最优控制量如下式：u(t,k)＝u(t,k-1)+u(t-1,k)-u(t-1,k-1)+r(t,k)其中u(t,k),u(t-1,k)分别是第k周期里t和t-1时刻的控制输入，u(t,k-1),u(t-1,k-

1)分别是第k-1周期里t和t-1时刻的控制输入；

由于周期1没有历史数据，其相应的最优更新定律和控制律通过MPC策略获得如下：R(k)＝-(φTλφ+α)-1(φTλ(Fxm(t,k)+SYr(k)))u(t,k)＝u(t-1,k)+r(t,k)得到的最优控制量u(t,k)作用于被控对象；

2.4、在下一时刻，重复步骤2.1到2.3继续求解新的最优控制量u(t+1,k)，并依次循环。