1.一种基于数据驱动模型预测控制的挖掘机铲斗控制方法，其特征在于：包括以下步骤，S1、采集挖掘机系统模型离线输入输出数据；

所述步骤S1中挖掘机铲斗与土壤交互作用构成系统模型，且输入数据为挖掘机铲斗液压缸压力，输出数据为铲斗斗尖位移距离；

S2、根据S1中的数据使用最小二乘法辨识出挖掘机系统的模型参数，每一组模型参数按照行依次排列，构建数据集；

所述步骤S2具体包括以下步骤，

S2.1、挖掘机与土壤交互作用可以近似为弹簧‑质量‑阻尼系统：其中，m(t)为质量，ksp(t)为弹簧常数，c(t)为阻尼系数且随挖掘环境条件变化而发生改变，u(t)为挖掘机铲斗液压缸压力，y(t)为铲斗斗尖位移距离；

S2.2、将S2.1的(1)转换为差分方程形式：其中，Ts为采样时间；

令：

S2.3、把(2)式写为：

y(k)＝‑a1(k)y(k‑1)‑a2(k)y(k‑2)+b0u(k‑1)  (6)令：

S2.4、使用(7)式模型形式，采用最小二乘法以离线方式获取系统模型参数向量，结构如下：其中，‑1表示y(k)的系数，j为模型参数在数据集中的位置；

S2.5、定义建模误差阈值为err；每个模型的误差阈值由three‑sigma规则定义；

S2.6、对S2.4、S2.5中的数据进行组合生成数据集，结构如下：S3、在线更新模型参数；

所述步骤S3包括以下步骤，

S3.1、计算当前挖掘机系统模型输出与步骤S2中数据集模型输出距离；

所述步骤S3.1包括以下步骤，

S3.1.1、在k时刻，将历史输入输出y(k)、y(k‑1)、y(k‑2)、u(k‑1)组成查询向量S3.1.2、查询向量 与数据集中第j个系统模型 距离定义如下：S3.1.3、计算查询向量 的系统模型真实输出与数据库中第j个系统模型 输出y的距离：可以得到

S3.2、计算当前挖掘机系统模型输出与步骤S2中数据集模型最优输出距离和权重值；

所述步骤S3.2包括以下步骤，

S3.2.1、设置距离阈值dth，对S3.1.3中计算的所有距离进行初步筛选；

S3.2.2、对S3.2.1中小于距离阈值dth的距离值进行保留，并将符合阈值要求的距离个数记为kn；

S3.2.3、根据真实挖掘机系统模型的输出和数据集模型输出的差值，并取其绝对值，得出当前模型的误差ek；

S3.2.4、对S3.2.2中kn个满足要求的距离值进行优化，并计算对应的权重；

所述步骤S3.2.4包括以下步骤，S3.2.4.1、选取kn个距离和对应权重乘积的和作为优化目标函数J，目标函数J如下：S3.2.4.2、对权重进行约束，要求kn个距离对应的权重和为1，同时保证每个权重值都要大于等于0，权重约束如下：S3.2.4.3、对误差进行约束，根据最优距离对应的权重计算数据集模型误差阈值，约束如下：S3.2.4.4、如果数据集模型误差ek大于建模误差阈值，则说明当前数据集模型和挖掘机系统模型偏差较大，需要对数据集模型参数进行更新；否则保留上一时刻使用的数据集模型参数；

S3.2.4.5、参数更新如下：S3.2.4.6、更新后的模型参数如下：S4、根据S3中的参数通过MPC控制器控制挖掘机铲斗作业。

2.根据权利要求1所述的一种基于数据驱动模型预测控制的挖掘机铲斗控制方法，其特征在于：所述步骤S3.1.2包括以下步骤，S3.1.2.1、非线性系统线性化，挖掘机与环境交互作为受控对象具有非线性特征，在t时刻的平衡点附近对交互作用做局部线性化，并使用公式(7)对交互作用进行建模；

S3.1.2.2、计算当前真实挖掘机系统模型与数据集模型的距离，公式(16)记为查询向量，通过点到直线距离求解公式，计算查询向量与数据集中每一个线性化模型的距离，得到公式(19)所示的距离矩阵。

3.根据权利要求1所述的一种基于数据驱动模型预测控制的挖掘机铲斗控制方法，其特征在于：所述步骤S4包括以下步骤，S4.1、利用数据驱动方法得出与系统模型当前时刻最匹配的模型参数，根据获得的参数设计模型预测控制器，进而得出控制律作为系统的输入；

S4.2、获得的模型参数信息转换为状态空间表达式，状态空间模型形式如下：x(k+1)＝A(k)x(k)+B(k)u(k)y(k)＝Cx(k)    (20)可以得到

S4.3、已知

Δx(k+1)＝x(k+1)‑x(k)  (22)Δy(k+1)＝y(k+1)‑y(k) (23)将其带入公式(21),可以得到

Δx(k+1)＝A(k)Δx(k)+B(k)Δu(k) (24)Δy(k+1)＝CΔx(k+1)＝CA(k)Δx(k)+CB(k)Δu(k)  (25)y(k+1)＝CA(k)Δx(k)+CB(k)Δu(k)+y(k)  (26)S4.4、增广矩阵形式状态空间表达式如下：

2×1

其中0I∈R

可以得到

xaug(k+1)＝Aaugxaug(k)+Baug(k)Δu(k)yaug(k)＝Caugxaug(k)    (28)为了与原始状态空间模型区分，其中aug表示增广矩阵；

S4.5、增广状态空间模型系数如下：T

Baug(k)＝[b0(k) 0 b0(k)]  (30)Caug(k)＝[0 0 1]     (31)T

x(k)＝[Δy(k)  Δy(k‑1) y(k)] (32)S4.6、预测区间Np设置为20，控制区间Nc设置为4，参考信号为阶跃信号；

S4.7、参考值rp＝[r(k+1) r(k+2) … r(k+Np)]S4.8、输出值yp＝[y(k+1) y(k+2) … y(k+Np)]yp＝Φx(k)+FΔup    (33)其中，

S4.9、误差代价权重Qe为100×Ie，输入权重Qu为1×Iu，代价函数如下：S4.10、代入模型信息，得到：S4.11、设置输入约束为[‑5,5]，控制律Δu约束为[‑10,10]，约束条件如下：s.t.umin≤u(k)≤umax   (39)Δumin≤Δu(k)≤Δumax   (40)S4.12、对式(38)中Δup求偏导得：令

可以得到

T ‑1 T

Δup＝‑(FQeF+Qu) FQe(Φx(k)‑rp) (42)S4.13、取控制序列的第一项作为系统的输入，Δuk＝[1 0 ... 0]Δup (43)。