基于OGPC的无人机姿态控制律设计

对最优广义预测控制算法进行了深入研究,将无人机的姿态分为快、慢两个回路,分别将最优广义预测控制算法应用到两个回路的控制律设计中,并进行了仿真分析。结果表明,基于最优广义预测控制算法的无人机姿态控制律具有良好的控制性能。     

基于Toeplitz方程的改进广义预测PID控制

针对具有较大时滞的复杂被控对象,研究了改进的广义预测(GPC)PID控制算法。在保证经典PID控制性能的前提下,用滚动预测优化原理,自整定PID控制参数,同时解决系统时滞引起控制问题。通过最后对仿真结果的分析来看,运用Toeplitz方程的改进算法能有效提高系统的稳定性和求解计算的快速性。     

广义预测控制系统的仿真软件设计与开发

介绍了基于广义预测控制的模型预测控制（MPC）系统仿真软件的开发与实现过程。该软件包含了MAC，IMAC，DMC，DDMC和GPC五种预测控制算法，可以用不同的方法实现对预测控制系统的综合性仿真以及控制器参数的调整。利用该软件可对模型预测控制系统的作用机理做进一步仿真分析，并有助于定性分析各种算法中设计参数对系统性能的影响以及不同算法之间的区别。     

广义预测控制算法在加热炉温度控制中的应用

以加热炉温度控制系统作为研究对象,搭建了加热炉数学模型,研究基于PID控制算法的控制方案。仿真结果表明,PID控制算法存在一些不足。在此基础上,提出了基于广义预测控制算法（GPC）的轧钢车间加热炉温度控制系统控制算法。仿真实验表明,这种方法可以提高系统的动态性能,比普通的PID控制具有更好的控制品质,它将会有较好的工程应用前景。     

支持向量机在广义预测控制中的应用

在推导了广义预测控制算法以及支持向量机算法的基础上,把两者结合起来,将支持向量机的系统辨识功能应用于广义预测控制算法中,提出了支持向量机在广义预测控制中的应用,可以解决广义预测控制在现实问题中遇到的一些问题。利用Matlab工具箱搭建仿真平台并进行仿真实验,结果证明了将支持向量机应用于广义预测控制是可行的。     

一种广义预测自适应控制算法

广义预测控制是一种基于被控对象参数模型的控制算法,适用于复杂的、数学模型难以精确建立的控制系统。现研究了该算法,并对一个被控对象模型进行了仿真。结果表明,广义预测控制算法响应速度快,无超调,控制效果理想。     

基于新型广义预测算法的含氧量软测量研究

文章给出了一种基于新型广义预测算法的烟气含氧量软测量方法,并与传统GPC算法软仪表以及氧化锆仪表的烟气含氧量进行了对比测量,结果表明运用新型广义预测控制算法构建的软仪表能够客观反映锅炉燃烧过程中任何时段的真实情况,提高了烟气含氧量的测量精度,优化了锅炉燃烧控制系数的性能.基于广义预测的含氧量软测量技术为工业锅炉的氧量测量提供了新的手段,也为锅炉燃烧过程中其它关键参数如烟气温度的准确、实时、在线软测量开辟了新的途径,对实现燃烧系统的闭环控制和优化运行具有重要的意义.     

基于奇异值分解的广义系统迭代学习控制算法

在对广义系统进行奇异值分解的基础上,研究了一类广义系统的迭代学习控制问题。针对快子系统和慢子系统的特点,分别利用状态误差代入输出误差,得到了一类新的广义系统迭代学习控制算法结构,这一算法是全新的。然后从理论上对所提出的算法进行完整的收敛性分析。分析结果表明,满足给定的收敛条件,系统输出可以渐近地跟踪给定的期望轨迹。     

基于Dahlin算法变风量空调自校正PID控制

变风量空调具有时变、延时、非线性等特点,在此类系统中传统的PID控制算法难以取得最佳的控制效果.基于广义预测自校正的控制算法,控制精度高,具有较强的跟踪性能,但是以增大的计算量和频繁的调节系统参数为代价的.文中提出一种基于改进的Dahlin参数整定方法的自校正PID控制器,该算法在理论建模的基础上,采用在线的带遗忘因子最小二乘法,实现传递函数的参数估计,建立了系统PID参数之间的关系式,实现变风量空调系统的末端控制.算法仿真运算及实验表明,与传统PID及广义预测自校正控制方法相比,文中方法控制精度高于传统PID,同时计算复杂度低于通常广义预测自校正控制.     

基于Dahlin算法变风量空调自校正PID控制

变风量空调具有时变、延时、非线性等特点,在此类系统中传统的PID控制算法难以取得最佳的控制效果。基于广义预测自校正的控制算法,控制精度高,具有较强的跟踪性能,但是以增大的计算量和频繁的调节系统参数为代价的。文中提出一种基于改进的Dahlin参数整定方法的自校正PID控制器,该算法在理论建模的基础上,采用在线的带遗忘因子最小二乘法,实现传递函数的参数估计,建立了系统PID参数之间的关系式,实现变风量空调系统的末端控制。算法仿真运算及实验表明,与传统PID及广义预测自校正控制方法相比,文中方法控制精度高于传统PID,同时计算复杂度低于通常广义预测自校正控制。