参数时变系统的广义预测控制研究

针对参数时变系统,研究了自适应预测控制器的设计问题.采用隐式广义预测控制算法(IGPC),无需辨识对象模型参数,而是利用输入/输出数据直接辩识控制器参数,以求解最优控制增量,具有计算量小、实时性高的特点.仿真结果表明,在不需要关于被控对象先验知识的情况下,隐式广义预测控制器可以很好地跟踪设定值的变化,同时对于系统外部干扰和模型参数的变化具有很好的适应能力,在参数时变系统控制器设计中具有良好的应用前景.     

基于多输出最小二乘支持向量回归建模的自适应非线性预测控制及应用

提出一种可有效提高常规预测控制方法控制性能与计算效率的数据驱动自适应非线性模型预测控制方法.首先,为了提高多输出非线性系统最小二乘支持向量回归(least squares support vector regression, LS–SVR)建模的精度,考虑各维输出间的耦合关系,采用在目标函数中加入样本整体拟合误差项,实现多输出LS–SVR(multi-output LS–SVR,M–LS–SVR)预测建模,同时采用粒子群算法优化模型参数;其次,针对动态过程建模的模型失配问题以及由于M–LS–SVR模型复杂导致传统智能算法求解预测控制律缓慢的问题,提出自适应非线性模型预测控制策略,包括两个非线性优化层:第1层采用梯度下降算法实时优化模型和实际过程输出的偏差,以自适应调节模型参数;第2层采用具有全局收敛性和超线性收敛速度序列二次规划(sequential quadratic programming, SQP)算法设计非线性预测控制器,以加速预测控制律的求解速度. Benchmark仿真实例及在高炉炼铁过程的数据试验表明:所提基于M–LS–SVR预测建模的自适应非线性模型预测控制具有较快的求解速度、较好的设定值跟踪和干扰抑制性能以及较强的鲁棒性.     

一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。     

稳定广义预测控制与性能分析

基于已有的一种稳定广义预测控制(SGPC)结构,以参考信号为优化变量对目标函数进行寻优,求出了控制器的滚动最优控制律,该控制律可以无静差地跟踪常数设定值.文中给出并证明了SGPC闭环控制系统的稳定性充分条件.数值仿真表明,该SGPC控制器可以保证闭环系统无稳态误差,并且适用于具有近似相消零极点的被控对象.     

卫星姿态直接自适应模糊预测控制

对具有模型不确定性和未知外干扰的卫星姿态系统提出了多输入多输出直接自适应模糊预测跟踪控制设计方法. 此方法先基于卫星姿态动力学模型设计出非线性广义预测控制律, 再构造直接自适应模糊控制器逼近预测控制律中因模型不确定性引起的未知项. 文中证明了所设计的控制律能使卫星跟踪给定的期望姿态轨迹, 跟踪误差收敛到原点的小邻域内. 仿真结果验证了此方法的有效性.     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

一种基于神经网络的鲁棒型预测控制算法

针对复杂工业过程中存在的时滞、强干扰的严重非线性控制对象,仿真研究了一种利用神经网络作为预测模型,遗传算法作为滚动优化策略的预测控制方法.在算法中为了提高辨识非线性系统的鲁棒性以及降低控制器对未建模动态的敏感性,引入了一种伪模型,即将系统实际输出与预测输出综合成的新的输出信号,由该信号代替量测输出.仿真结果表明对于非线性被控对象该方法具有良好的鲁捧性和跟踪性能,对于改善非线性预测控制不失为一种有益的尝试.     

基于遗传算法的结晶器液位约束广义预测控制

针对实际连铸过程中结晶器液位控制须满足多种约束的问题,将一种基于遗传算法的有约束广义预测控制方法（ＧＣＧＰＣ）应用于结晶器液位控制．首先基于机理模型构造了有约束结晶器液位广义预测控制器;然后以遗传算法处理带约束的非线性优化问题,并以此作为滚动优化策略,求得最优控制律．仿真结果表明,在有效处理了约束的基础上,基于遗传算法的有约束广义预测控制效果优于ＰＩＤ 控制以及无约束广义预测控制．     

液位对象的一种非线性广义预测控制策略研究

近似线性化是针对非线性系统的一种系统设计方法。该文针对液位系统建立机理模型，基于此机理模型，在工作点附近将其机理模型近似线性化，即很小的区域内其根据Taylor展开式将其近似一阶展开，并结合广义预测控制算法，提出了一种针对水箱液位系统的预测控制策略，通过在线辨识水箱模型的未知参数，从而对系统液位进行控制。仿真结果表明，该控制策略能够很好地跟踪设定值，并且对于设定值变化和系统参数的摄动等，均具有良好的自适应能力。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制(GPC)相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络"黑箱"的功能达到对非线性系统的预测控制.以机器人为控制对象进行仿真,取得了较好的控制效果.