1.一种批次过程的状态补偿模型控制方法，其特征在于该方法具体是：步骤一.设计批次过程的新型状态控制模型，具体是：

1.1给传统的批次过程状态表达式添加时间后向差分算子F(qt-1)Δty(t,k)＝H(qt-1)Δtu(t,k)其中，y(t,k)和u(t,k)是批处理过程第k个周期t时刻的输出和出入；qt-1是单位时间后移算子，Δt是时间后向差分算子，F(qt-1),H(qt-1)的形式如下：F(qt-1)＝1+f1qt-1+f2qt-2+…+fmqt-m-1 -1 -2 -n

H(qt )＝h1qt +h2qt +…+hnqtf1,f2…fm，h1,h2…hn分别是F(qt-1)和H(qt-1)的对应系数；m和n分别是输入和输出模型的最大阶次；

1.2选择状态向量

xm(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获得新型的状态补偿模型

xm(t+1,k)＝Amxm(t,k)+BmΔtu(t,k)Δty(t+1,k)＝Cmxm(t+1,k)其中

Bm＝[h1 0 0 … 1 0 … 0]TCm＝[1 0 0 … 0 0 0 0]

y(t,k),y(t-1,k)…y(t-m+1,k)分别为批处理过程第k个周期t时刻，t-1时刻，…，t-m+

1时刻的输出；u(t,k),u(t-1,k)…u(t-n+1,k)分别为批处理过程第k个周期t时刻，t-1时刻，…，t-n+1时刻的输入；xm(t,k)为批处理过程第k个周期t时刻的状态向量；xm(t+1,k)为批处理过程第k个周期t+1时刻的状态向量；

1.3挑选参考轨迹yr(t,k)

yr(t+i,k)＝αiy(t,k)+(1-αi)c(t+i)其中，y(t,k)是第k个周期t时刻的实际输出值，c(t+i)是设置点，αi是参考轨迹的平滑因子，yr(t+i,k)是第k个周期第t+i时刻的预测输出值；

1.4将跟踪误差表示为

et(t,k)＝y(t,k)-yr(t,k)其中，et(t,k)表示第k个周期t时刻的时间上的跟踪误差，y(t,k)为批处理过程第k个周期t时刻输出的实际值，yr(t,k)为批处理过程第k个周期t时刻输出的预测值；

步骤二.引入新的状态补偿模型，结合状态变量和跟踪误差设计新的状态补偿模型控制器；

2.1根据步骤1.2、1.4得到批次过程第k个周期的t+1时刻的时间上的跟踪误差为et(t+1,k)＝et(t,k)+CmAmxm(t,k)+CmBmΔtu(t,k)-Δtyr(t+1,k)

2.2上述步骤1.2的状态向量扩展为

2.3得到相关状态补偿模型

x(t+1,k)＝Ax(t,k)+BΔtu(t,k)+CΔtyr(t+1,k)其中

A和C中的0是对应维数的零向量；

2.4根据步骤2.3，得到状态预测值

式中

yr(t+1,k)，yr(t+2,k)…yr(t+P,k)其中，P,M分别预测时域和控制时域；x(t+1,k)，x(t+2,k)…x(t+P,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+P时刻的状态值；yr(t+1,k)，yr(t+2,k)…yr(t+P,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+P时刻的预测输出值；u(t+1,k)，u(t+2,k)…u(t+M-1,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+M-1时刻的输入值；

2.5引入周期的跟踪误差来修正跟踪误差的预测值Xm(k)＝X(k)+Ec(k-1)

式中，Xm(k)是修改后的状态预测向量，Ec(k-1)是周期上的跟踪误差；

其中，ec(t+i,k-1)是批处理过程第k-1个周期t+i时刻的周期上的跟踪误差,其中的0是对应维数的零向量；xm(t+1,k)，xm(t+2,k)…xm(t+P,k)分别为批处理过程第k个周期t+1时刻，t+2时刻，…t+P时刻修改后的状态值；ec(t+1,k-1),ec(t+2,k-1)…ec(t+P,k-1)分别为批处理过程第k-1个周期t+1时刻，t+2时刻，…t+P时刻的周期上的跟踪误差；ec(t+i,k-1)表示批处理过程第k-1个周期t+i时刻的周期上的跟踪误差；

2.6选定提出的批处理状态补偿模型控制策略的对象函数；

其中，γ(i),λ(j),β(j)是对应的加权矩阵，Δk是周期后向差分算子，min J是对象函数的最小值；xm(t+i,k)为批处理过程第k个周期t+i时刻修改后的状态值；u(t+j-1,k)批处理过程第k个周期t+j-1时刻的输入值；

2.7简化后，上式的对象函数重写为

min J＝γXm(k)2+λΔtU(k)2+β(U1(k)+φΔtU(k)-U2(k-1))2其中

2.8得到最优控制律