模型预测控制在STD—V40工控机上的实现及应用

本文描述了一类基于差分方程模型的模型预测控制（ＭｏｄｅｌＰｒｅｄｉｃｔｉｖｅＣｏｎｔｒｏｌ，简称ＭＰＣ）的方法，给出了其详细算法，论述了ＭＰＣ算式在ＳＴＤ－Ｖ４０工控机上的实现步骤及方法。     

基于连续映射小脑模型的广义预测控制快速算法

文中把改进后的小脑模型（ＣＭＡＣ）应用于广义预测控制（ＧＰＣ）算法中，避免了该算法需实时进行的复杂计算，本文的方法对ＧＰＣ在实际中的应用有重要的意义。     

基于模糊模型的多变量预测控制算法

将模糊模型应用于模型预测控制，提出一种可用于非线性过程控制的模糊模型预测控制算法（ＦＭＰＣ）。模糊模型与单纯形调优的非线性规划方法相结合可获得优化的控制律。仿真结果表明，ＦＭＰＣ可获得良好的控制效果，具有较高的应用价值。     

基于状态空间的稳定广义预测控制器

给出了稳定广义预测控制（ＳＧＰＣ）算法的状态空间表达形式，并讨论了基于状态空间表达式的ＳＧＰＣ和基于输入输出表达式的ＳＧＰＣ之间的等价性。最后给出了算法的仿真结果。     

模型预测控制发展概况

０引言模型预测控制（ＭＰＣ）又称基于模型的预测控制（ＭＢＰＣ）,最初由Ｒｉｃｈａｌｅｔ和Ｃｕｌｔｅｒ等人提出。１９６８年模型预测控制的四个基本原则提出,１９７３年模型预测控制方法在工业控制中得到应用,接着出现了三代模型预测控制器即７０年代后半期的第一...     

讲座：预测控制：第三讲 模型算法控制

讲座：预测控制──第三讲　模型算法控制电子科技大学（成都）周云钟模型算法控制是７０年代后期发展起来的一种预测控制算法，在热工和化工等过程控制领域获得了广泛应用，并取得了巨大成功。１预测模型模型算法控制（ＭＡＣ）适用于渐近稳定的线性对象。测定了此类对象...     

局域网设计预测

论述对先进结构模型ＣＳＭＡ局域网设计实现预测的方法，讨论了ＣＳＭＡ型局域网结构模型，并给出了吞吐量和局域网络效率的计算值，文末用５个程序的模块流程图说明模拟ＣＳＭＡ局域网的算法。     

GPC的预测状态空间形式及预测控制算法形式的统一

提出一种与ＭＡＣ，ＤＭＣ预测状态空间形式算法相似的ＧＰＣ预测状态空间形式的算法，使ＧＰＣ可以进行多步迭代预测，并讨论了ＧＰＣ预测状态空间算法可作为预测控制算法的一种统一形式。     

一种前馈广义预测控制算法的研究及其仿真

研究了原油常压蒸馏塔的前馈广义预测控制算法（ＧＰＣ）,克服了可测扰动对系统的作用,建立了以进料温度为可测扰动的常压塔常一线温度控制的ＣＡＲＩＭＡ模型,实现了前馈ＧＰＣ算法的仿真,验证了该算法对具有可测扰动的过程系统具有良好的控制作用,使系统具有良好的鲁棒性。     

基于关联预测法的递阶生产计划与控制*

本文在研究实现有多种递阶生产计划和控制模型的基础上，提出用关联预测法来解决柔性自动化车间（ＦＡＷ）的最优递阶生产计划与控制问题。文中首先建立ＦＡＷ生产控制的数学模型，然后推导ＦＡＷ递阶生产计划的关联预测算法，编写了基于该算法的ＩＰＡ软件包并进行了算例研究，同现有的计划分解方法相比，这里的方法更适于将ＣＩＭＳ／ＭＲＰⅡ下达给ＦＡＷ的中期计划最优分解成由ＦＡＷ中各ＦＭＳ执行的短期计划。     

基于滑模预测控制的海底采矿车轨迹跟踪算法

海底采矿车多工作于稀软底质,其面临的外部扰动较大,难以快速收敛跟踪误差,精准地跟踪预设轨迹。为此,本文提出了一种海底采矿车的滑模预测控制（sliding model predictive control,SMPC）轨迹跟踪算法。基于海底采矿车的运动学模型,首先设计滑模控制率实现轨迹跟踪误差快速收敛,其次利用少预测时域的线性时变模型预测控制算法（linear time varying model predictive control,LTV-MPC）优化该滑模控制率。而后,通过证明滑模控制率收敛和模型预测控制稳定,保证了闭环控制系统的稳定性。RecurDyn&Simulink联合仿真结果表明,与单一的滑模控制（sliding mode control,SMC）和线性时变模型预测控制算法相比,所提出的SMPC轨迹跟踪算法提高了轨迹跟踪精度,且算法具有较好的实时性。     

Stochastic model predictive control for constrained discrete-time Markovian switching systems

In this paper we study constrained stochastic optimal control problems for Markovian switching systems, an extension of Markovian jump linear systems (MJLS), where the subsystems are allowed to be nonlinear. We develop appropriate notions of invariance and stability for such systems and provide terminal conditions for stochastic model predictive control (SMPC) that guarantee mean-square stability and robust constraint fulfillment of the Markovian switching system in closed-loop with the SMPC law under very weak assumptions. In the special but important case of constrained MJLS we present an algorithm for computing explicitly the SMPC control law off-line, that combines dynamic programming with parametric piecewise quadratic optimization.     

Sliding mode predictive control: A survey

This paper reviews the development and application of sliding mode predictive control (SMPC) in a tutorial manner. Two core design paradigms are revealed in the combination of sliding mode control (SMC) and model predictive control (MPC). In the first case, MPC is used in the reaching phase to ensure a sliding mode is attained. In the second case, MPC is used to solve the existence problem and define the required performance in the sliding mode. The two approaches are discussed in detail from the perspectives of both theory and application. Finally, some future challenges and opportunities in the area of SMPC are summarized.     

A new robust model predictive control method I: theory and computation

The success of the single-model MPC (SMPC) controller depends on the accuracy of the process model. Modeling errors cause sub-optimal control performance and may cause the control system to become closed-loop unstable. The goal of this paper is to examine the control performance of the robust MPC (RMPC) method proposed by Wang and Rawlings [34] on several illustrative examples. In this paper, we show the RMPC method successfully controls systems with time-varying uncertainties in the process gain, time constant and time delay and achieves offset-free non-zero set point tracking and non-zero disturbance rejection subject to input and output constraints.     

Sliding mode predictive tracking control for uncertain Steer-by-Wire system

The Steer-by-Wire (SbW) system is probably the most significant innovation among drive-by-Wire technologies in the automotive industry. Without the mechanical link, the most challenging issue is to control the wheels to closely follow the driver’s command. To improve the robustness of the model predictive control (MPC) in the presence of modeling uncertainties and disturbances in the steering control processes, a sliding mode predictive tracking control (SMPC) strategy for a SbW system with uncertain dynamics is proposed. The simulation and experimental results demonstrate that the performance of the proposed SMPC tracking controller is superior to both SMC and MPC methods for the steering angle tracking task.     

Robust discrete-time set-based adaptive predictive control for nonlinear systems

The problem of robust adaptive predictive control for a class of discrete-time nonlinear systems is considered. First, a parameter estimation technique, based on an uncertainty set estimation, is formulated. This technique is able to provide robust performance for nonlinear systems subject to exogenous variables. Second, an adaptive MPC is developed to use the uncertainty estimation in a framework of min–max robust control. A Lipschitz-based approach, which provides a conservative approximation for the min–max problem, is used to solve the control problem, retaining the computational complexity of nominal MPC formulations and the robustness of the min–max approach. Finally, the set-based estimation algorithm and the robust predictive controller are successfully applied in two case studies. The first one is the control of anonisothermal CSTR governed by the van de Vusse reaction. Concentration and temperature regulation is considered with the simultaneous estimation of the frequency (or pre-exponential) factors of the Arrhenius equation. In the second example, a biomedical model for chemotherapy control is simulated using control actions provided by the proposed algorithm. The methods for estimation and control were tested using different disturbances scenarios.     

带有内动态的离散不确定非线性系统的滑模预测跟踪控制

对于一类带有内动态的单输入-单输出不确定离散非线性系统,基于滑模预测控制技术设计了一个控制器.通过反馈校正和滚动优化技术,可以及时补偿不确定性的影响,提高了匹配和不匹配不确定项的鲁棒性.然后,通过滚动优化技术得到期望的滑模控制律.特别地,通过预测控制,滑模控制的抖振现象可以消除.最后,在不确定项的界未知的情况下,得到闭环系统的所有信号都是有界的,并且跟踪误差是鲁棒稳定的.仿真例子说明所提出控制方法的有效性.     

通讯信息约束下具有全局稳定性的分布式系统预测控制

本文针对一类由状态相互耦合的子系统组成的分布式系统, 提出了一种可以处理输入约束的保证稳定性的非 迭代协调分布式预测控制方法(distributed model predictive control, DMPC). 该方法中, 每个控制器在求解控制率时只与 其它控制器通信一次来满足系统对通信负荷限制; 同时, 通过优化全局性能指标来提高优化性能. 另外, 该方法在优化 问题中加入了一致性约束来限制关联子系统的估计状态与当前时刻更新的状态之间的偏差, 进而保证各子系统优化问 题初始可行时, 后续时刻相继可行. 在此基础上, 通过加入终端约束来保证闭环系统渐进稳定. 该方法能够在使用较少 的通信和计算负荷情况下, 提高系统优化性能. 即使对于强耦合系统同样能够保证优化问题的递推可行性和闭环系统的 渐进稳定性. 仿真结果验证了本文所提出方法的有效性.     

基于灰色系统模型的预测函数控制方法研究

以灰色系统模型为基础，建立了一种预测函数控制方法．分析了灰色系统建模、模型预测输出和控制量计算方程的求解．通过仿真结果表明，该算法具有鲁棒性好、跟踪快速和抑制干扰能力强等特点。     

基于增量加权的预测函数控制

介绍了预测函数控制方法的主要思想和特点。针对通常的预测函数控制在优化求解的目标函数中仅含有输出误差的平方和序列,没有考虑控制增量的变化,通过在性能指标中对控制增量适当加权,提出了一种双值预测函数控制算法,提高了系统的稳定性,克服了系统的稳态偏差。在工业过程模型中,用Matlab软件进行了仿真研究,取得了良好的控制效果,表明该算法跟踪快、控制精度高、稳定性强,是一种比较有效的控制方法。