一种基于速率线性化的非线性预测控制算法

提出了一种基于速率线性化方法的非线性预测控制算法。该算法采用速率线性化方法得到与原系统非线性模型相对应的线性变参数模型,这类变参数模型在结构上是线性的,而模型参数将随工作条件的变化而变化,在系统的整个工作区间内都能很好地逼近原非线性模型。在此模型的基础上设计了预测控制器,并利用基于置信域的Levenberg-Marquardt算法在线求得预测控制率。最后对连续搅拌反应釜进行了仿真研究,仿真结果表明了该算法的可行性和有效性。     

一种新型线性约束系统预测控制算法

通过对无约束预测控制算式的修正,应用线性规划求解技术,提出了一种基于脉冲响应模型的线性约束系统的预测控制算法。理论特性分析表明,该方法在一般情况下具有与无约束预测控制算法相同的稳定性和鲁棒性。以蒸馏塔质量控制为例进行了控制仿真,结果表明,这种新的预测控制算法不仅能满足系统存在的线性约束条件,而且有着比无约束预测控制和最优状态反馈控制更好的控制响应;与二次规划等优化算法比较,这种新的预测控制算法计算效率更高,能更好地满足生产过程实时控制需要。     

一种基于多模型切换的阶梯式广义预测控制算法

针对一类模型参数突变的系统,提出一种基于多模型切换的阶梯式广义预测控制算法。采用多个固定模型、一个常规自适应模型和一个可重新赋初值的自适应模型并行辨识系统的动态特性。多个固定模型可以提高系统的暂态性能,常规自适应模型可以保证系统的稳定性,可重新赋初值的自适应模型可以进一步提高系统的暂态性能。在每个采样时刻基于性能指标切换到最优的局部模型作为当前模型,设计阶梯式广义预测控制器,从而实现系统全局的控制。最后的仿真结果表明,其控制效果明显优于单一模型的控制器。     

内部重整固体氧化物燃料电池发电系统的非线性预测控制

固体氧化物燃料电池（SOFC）发电系统运行除了电堆本体外还需要包含诸多其他辅助组件以期获得系统输出的最大效率,为了使SOFC电堆能够对纯氢以外的燃料具有更好的适用性,加入了燃料内部重整装置和燃烧室两个重要辅助组件。文中在对系统展开建模的基础上提出了采用非线性模型预测控制策略,能够更有效地使输出燃料气体的组分、温度、压力、浓度和流率满足燃料电池堆正常运行的需要,通过仿真分别论证了线性模型预测控制和非线性模型预测控制两种不同控制方案的有效性和适用性。     

基于变分贝叶斯算法的线性变参数系统辨识

线性变参数系统（LPV）将多阶段、非线性的过程建模转化为线性多模型的辨识问题,是解决非线性过程建模的一个有效手段。由于实际工业过程存在各种干扰因素,导致被建模系统呈现随机性及模型参数的不确定性。针对这一问题,考虑采用变分贝叶斯（VB）算法对LPV模型进行辨识。该算法首先给定参数相应的先验分布,通过最大化目标函数的下界,从而估计得到参数的后验分布。不仅可实现对参数的点估计,同时量化了估计值的不确定性。针对典型二阶过程和连续搅拌反应釜（CSTR）,运用提出的算法进行仿真实验,表明了该贝叶斯估计方法的优越性。     

基于IGA和Hammerstein模型的非线性系统广义预测控制

针对非线性程度较高的系统,设计了一种广义预测控制器。该设计基于Hammerstein模型的动静态可分离特性,首先利用具有全局搜索能力的免疫遗传算法（IGA,Immune Genetic Algorithm）在线辨识模型的一些关键参数,然后运用广义预测控制策略实现对该系统的预测控制。仿真试验结果表明,该设计能够准确预测,而且稳定性好、稳态误差小。     

基于加权偏离度统计方法的预测控制性能评估算法

针对带区域约束条件的预测控制系统性能评估问题,在考虑过程输出变量约束类型的基础上,提出了基于加权偏离度统计方法的控制性能评估算法。该方法依据控制要求的不同,将输出变量分为质量变量和约束变量,并结合工程经验合理选择变量的权重。基于系统闭环运行数据和约束设置,通过计算变量的加权偏离度得到控制系统的性能评估指标,从而为预测控制器的参数调整和性能提升提供了决策依据。系统仿真实例和工程应用证明了该评估算法对区域预测控制系统性能评估的有效性。     

异步电机单神经元自适应智能控制系统

针对传统抽油电机控制器自适应性能较弱的特点,提出一种单神经元模型参考自适应控制方法,此法在模型参考自适应控制基础上,采用单神经元代替复杂神经网络,选择线性函数作为参考模型,并将速度变化考虑进误差函数,采取磁链开环、转速闭环的控制结构建立控制系统,建立基于此控制方法的异步电机控制系统仿真模型,并基于DSP构建实验控制系统,仿真及实验结果表明所述控制器输出平稳,具有参数及负载时变的自适应能力,应用前景广泛。     

基于永磁同步电动机模型的自适应混沌控制

基于永磁同步电动机的系统模型,运用简单的线性状态反馈方法,在系统参数给定和未给定的情况下针对系统的混沌现象提出了一种简单快速的混沌控制方法。当系统参数给定时使混沌系统的指数趋于稳定并给出反馈增益的范围,在系统参数未给定的时候设计一种自适应控制器,该控制器克服了以往一般自适应控制器中空置率不连续的缺点。最后通过Matlab进行仿真证明了所设计方法的可行性。     

基于控制性能比较的非线性不对称系统预测控制

生产过程某些非线性系统常常表现出不对称动态特性,相对于其在工业工程中经常出现的理论研究特别是控制方法研究则十分有限。本文针对基于正反方向上的两个线性模型分别设计PID控制器的缺陷,提出根据正反方向上的线性模型分别设计相应的状态反馈预测控制器。在每一步的控制率计算中,正反方向的控制器分别计算控制作用,并通过比较正反控制器的控制性能指标来确定最终采用的控制作用。通过pH值控制的仿真实验证明其对非线性不对称系统的控制效果明显优于传统的在正反方向分别采用PID控制的控制效果。     

大功率PEMFC空气供给系统建模与实验验证

近年来,质子交换膜燃料电池(PEMFC)作为车载燃料电池的主要动力源受到广泛关注。空气压缩机为电堆提供系统所需的氧气和阴极压力,是质子交换膜燃料电池系统中必不可少的一部分,其工作性能对燃料电池稳态和动态工作性能有很大的影响。基于实验室已有150 kW质子交换膜燃料电池系统,对离心式空压机的工作特性进行了研究,建立了包含离心式空气压缩机的空气供给系统应用模型。通过实验验证,仿真模型能够准确地反映离心式空压机与空气系统的特性,同时能真实反映包含离心式空压机的大功率质子交换膜燃料电池空气系统的稳态控制效果,以及不同控制策略下的动态响应效果。该模型对研究大功率质子交换膜燃料电池空气供给系统以及相应的控制策略提供理论支持,仿真模型与实验结果为下一步控制策略优化提供基础与参考。     

固体氧化物燃料电池温度系统的改进型广义预测控制方法

固体氧化物燃料电池的工作状态是一个高温、高速率变化的化学反应过程,其入口气体温度的稳定性直接影响到燃料利用率和电池效率。本文提出一种改进的带有外部输入的非线性自回归积分滑动平均模型,结合两极燃料和空气的流量比、负载电流变化值来实现入口气体温度的非线性广义预测控制方法,采用了基于非线性最小二乘法的Levenberg-Marquardt算法确定该模型的参数。仿真结果表明,该模型与温度控制系统的传递函数模型相结合后能有效并迅速的获得燃料、氧化剂流量这两种操作量的预测值并使系统在较高的温度工作点当负载电流发生波动时能克服变化引起的参数偏差,保持运行时输出电压的稳定性。     

基于广义预测控制策略的微生物燃料电池控制

针对MFC系统启动阶段输出响应不稳定以及调节时间较长的问题,结合微生物燃料电池自身特性,提出了基于广义预测控制(generalized predictive control,GPC)的微生物燃料电池(microbial fuel cell,MFC)控制策略。与加入PID控制方法对比得知,加入GPC的MFC系统输出能够避免响应出现大幅度的抖动,且响应速度快,动态调节鲁棒性好,保证了动态输出曲线快速准确地跟踪系统设定值。在给定外电阻为恒值和醋酸盐浓度随时间阶梯变化时,通过带遗忘因子的最小二乘法进行模型辨识,将所得线性模型作为预测模型,采用GPC算法进行控制。仿真表明,GPC能在控制响应速度方面取得好的控制效果以及系统调节过程中的鲁棒性也有了较大的改善。有效地实现了对微生物燃料电池系统的动态性能以及鲁棒性能的优化,验证了所提出的算法有效可行。     

Controlling of Proton Exchange Membrane Fuel Cell by Model Predictive Controller Based on ANFIS Model

Proton exchange fuel cell is one of the most promising new technologies in electrical energy production. Due to slow dynamic, nonlinearity and dependency of time changing variables of proton exchange membrane fuel cell (PEMFC), its control issue is a challenging problem. In this paper, model predictive controller (MPC) based on the adaptive neuro‐fuzzy interface model of the PEMFC is proposed to control the output voltage. First the adaptive neuro‐fuzzy interference system (ANFIS) model is identified to approximate the dynamic behavior of the PEMFC system with a set of data which are taken from a physical model of a 5 kW PEMFC setup plant. Then the branch‐and‐bound method and the greedy algorithm are used to solve the constrained optimization function of the predictive control problem. The results reveal that the ANFIS model can effectively approximate the dynamic behavior of the PEMFC and the predictive controller based on this model can successfully control the output and satisfy the constraints.     

执行器饱和受限约束下锅炉燃烧系统的鲁棒预测控制

针对执行器饱和受限锅炉燃烧系统,提出一种鲁棒预测控制方法。首先,建立燃烧过程的线性参数变化系统模型,将执行器饱和受限转变成凸包形式描述;进而,设计执行器饱和受限的鲁棒预测控制器;最后,以某电站300MW机组锅炉控制为实例,对所提出的方法进行验证。结果表明:该方法可以在满足执行器饱和受限约束的同时获得满意的性能。     

Steady-state operation of a compressor for a proton exchange membrane fuel cell system

The performance of a system consisting of a proton exchange membrane (PEM) fuel cell coupled to a centrifugal air compressor is simulated. Two modes of operation of the system are investigated: one in which the speed of the compressor is constant, and the other in which the compressor speed is varied with the electric load on the fuel cell stack. The operating characteristics of the compressor and the PEM fuel cell stack and their influence on the system efficiency are analyzed for a step change in the stack current. The effects of the fuel cell stack back-pressure and the electric load on the compressor power consumption and the system efficiency are studied. It is found that the system efficiency is higher when the fuel cell stack is operated at a constant oxygen gas stoichiometry by varying the compressor speed instead of at a constant compressor speed. The system model can be used to determine the rotation speed of the compressor for various electric loads.     

Modelling and explicit model predictive control for PEM fuel cell systems

We present an analytical dynamic model and a general framework for the optima control design of a PEM fuel cell system. The mathematical model consists of a detailed model for the PEM fuel cell stack and simplified models for the compressor, humidifier and cooling system. The framework features (i) a detailed dynamic process model, (ii) a reduced order approximating model obtained by performing dynamic simulations of the system and (iii) the design of an explicit/multi-parametric model predictive controller. The derived explicit/multi-parametric controller is tested and validated off-line on several operating conditions.     

Discrete-time contraction constrained nonlinear model predictive control using graph-based geodesic computation

Modern chemical processes need to operate around time-varying operating conditions to optimize plant economy, in response to dynamic supply chains (e.g., time-varying specifications of product and energy costs). As such, the process control system needs to handle a wide range of operating conditions whilst optimizing system performance and ensuring stability during transitions. This article presents a reference-flexible nonlinear model predictive control approach using contraction based constraints. Firstly, a contraction condition that ensures convergence to any feasible state trajectories or setpoints is constructed. This condition is then imposed as a constraint on the optimization problem for model predictive control with a general (typically economic) cost function, utilizing Riemannian weighted graphs and shortest path techniques. The result is a reference flexible and fast optimal controller that can trade-off between the rate of target trajectory convergence and economic benefit (away from the desired process objective). The proposed approach is illustrated by a simulation study on a CSTR control problem.     

Machine-learning-based construction of barrier functions and models for safe model predictive control

In this paper, we propose a control Lyapunov-barrier function-based model predictive control method utilizing a feed-forward neural network specified control barrier function (CBF) and a recurrent neural network (RNN) predictive model to stabilize nonlinear processes with input constraints, and to guarantee that safety requirements are met for all times. The nonlinear system is first modeled using RNN techniques, and a CBF is characterized by constructing a feed-forward neural network (FNN) model with unique structures and properties. The FNN model for the CBF is trained based on data samples collected from safe and unsafe operating regions, and the resulting FNN model is verified to demonstrate that the safety properties of the CBF are satisfied. Given sufficiently small bounded modeling errors for both the FNN and the RNN models, the proposed control system is able to guarantee closed-loop stability while preventing the closed-loop states from entering unsafe regions in state-space under sample-and-hold control action implementation. We provide the theoretical analysis for bounded unsafe sets in state-space, and demonstrate the effectiveness of the proposed control strategy using a nonlinear chemical process example with a bounded unsafe region.     

分布式预测控制全局协调及稳定性分析

实际的化工过程系统维数都较高,对系统进行关联分解并使各子系统进行协调来实现整个大系统全局最优是必要的。对于关联作用存在反馈的化工过程大系统,分散式预测控制算法和基于串联过程推导的邻域优化分布式预测控制算法都不适用,因此在这两个算法的基础上推导出约束条件下基于全局协调的分布式预测控制算法。针对分解后得到的子系统,假设子系统间关联信息的传递存在一个采样时间的滞后,建立每个子系统的预测模型时考虑滞后的关联信息;建立子系统的目标函数时,综合考虑所有关联子系统的输入和输出对本子系统的关联作用;每个子系统滚动优化并行求解各自的最优控制作用。然后,在一定条件下分析了基于全局协调的分布式预测控制算法与集中预测控制算法的一致性,并说明了闭环系统的全局稳定性。最后,通过对Shell公司重油分馏塔和TE过程两个例子进行仿真并与其他算法进行比较,验证了本文提出算法的可行性和有效性。