预测控制在绝干浆量控制中的应用研究

在造纸生产中把纸浆浓度和流量的乘积作为绝干浆量变量，控制策略将绝干浆量指标纳入控制器的设计，对浆流量和浓度采用综合控制，解决了造纸生产中难以控制的定量问题。应用结果表明，预测先进控制算法在解耦、克重指标、跟踪平稳性等方面表现出了良好的性能，表明了造纸对象上的成功应用。     

神经网络解耦预测函数控制

结合解耦思想研究多变量系统预测函数控制。通过引入神经网络补偿环节，对多变量系统解耦，在此基础上，对解耦后各子系统进行单变量预测函数控制，以确定各个控制量。同时基于系统脉冲传递函数，得到单变量PFC控制器的显式表达式。仿真表明，该算法有较好的跟踪特性，对解决多变量系统的优化和控制具有一定的适用性。     

卫星天线跟踪指向控制系统的全系数自适应控制

本文根据全系数自动适应控制的原理，进行了卫星天线跟踪指向控制系统的设计和数学仿真研究，论文尝试将单变量全系数自适应控制向多变量全系数自适应控制进行推广，并在多变量系统中取得了满意的解耦控制效果，最后，进一步探讨了所设计的控制器在工程应用中可能产生的问题，并给出了满意工程要求的卫星天线跟踪指向控制系统数学仿真结果。     

具有解耦性能的离散时间线性多变量系统最优跟踪控制

在传统线性二次跟踪控制方法的基础上, 针对一类具有强耦合特性的离散时间线性多变量系统, 提出了一种具有解耦性能的最优跟踪控制方法. 首先为实现解耦, 将耦合项作为可测干扰, 基于零和博弈思想提出了一种新的性能指标; 然后针对该性能指标, 利用极小值原理设计最优跟踪控制器, 通过适当加权矩阵的选择, 同步实现解耦和跟踪; 最后进行仿真实验, 仿真结果表明了该方法的有效性以及在最优性能等方面的优越性.     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

基于Hammerstein模型的多变量动态矩阵解耦控制研究

许多工业过程都具有强耦合、非线性等复杂过程特性；针对具有变量间强耦合和执行机构非线性的一类典型过程对象，提出基于Hammerstein模型的多变量动态矩阵解耦控制算法；并针对实验室电加热锅炉与强制对流换热器组成的广义对象，采用s7—300可编程序控制器，将控制策略应用于该对象，实现了对锅炉内胆水温及强制对流换热器出口水温的控制；实验结果表明，采用基于Hammerstein模型的多变量动态矩阵解耦控制策略，在解耦效果、设定值跟踪及抗干扰响应等方面，都能取得满意的结果，能够解决一类多变量非线性系统的控制问题。     

精馏塔的自适应解耦控制

本文针对某精馏塔提出了一种简单的自适应解耦控制器。该控制器将广义最小方差控制策略和解耦补偿器结合起来,不仅可以对随机多变量系统实现动静态解耦而且具有良好的伺服跟踪性能。该控制器与常规PI控制器在某精馏塔双组分控制中的对比实验结果表明自适应解耦控制的性能优越于常规PI控制。     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。