注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案。同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法。仿真结果表明,该方法是有效的,其控制性能优于PID送代学习控制系统。     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的优点对非重复性的实时干扰进行处理,从而进一步提高交通信号的控制效率.通过仿真实验对该方法的有效性进行了验证.实验结果表明,基于迭代学习与模型预测控制的交通信号混合控制方法能够更有效地均衡路网内的车辆密度,进一步提高了路网的通行效率.最后,本文还对该方法的收敛性进行了分析.     

一种间歇过程的综合预测迭代学习控制方法

为了提高迭代学习控制方法在间歇过程轨迹跟踪问题中的收敛速度,本文将批次间的比例型迭代学习控制与批次内的模型预测控制相结合,提出了一种综合应用方法.首先根据间歇过程的线性模型,预测出比例型迭代学习控制的系统输出,然后在批次内采用模型预测控制,通过极小化一个二次型目标函数来获得控制增量.该方法可使系统输出跟踪期望轨迹的速度比比例型迭代学习控制方法更快些.最后通过仿真实例验证了该方法的有效性.     

变参考轨迹下的鲁棒迭代学习模型预测控制

迭代学习模型预测控制是针对间歇过程的先进控制方法.它能通过迭代高精度跟踪给定参考轨迹,并保证时域上的闭环稳定性.然而,现有的迭代学习模型预测控制算法大多基于线性/线性化系统,且没有考虑参考轨迹变化的情况.本文基于线性参变系统提出一种能有效跟踪变参考轨迹的鲁棒迭代学习模型预测控制算法.首先,采用线性参变模型准确涵盖原始非线性系统的动态特性.然后,将鲁棒H_∞控制与传统迭代学习模型预测控制相结合,抑制变参考轨迹带来的跟踪误差波动,通过优化线性矩阵不等式约束下的目标函数求得控制输入.深入分析了鲁棒迭代学习模型预测控制的鲁棒稳定性和迭代收敛性.最后,通过对数值例子和连续搅拌反应釜系统的仿真验证了所提出算法的有效性.     

迭代学习模型预测控制研究现状与挑战

历经20多年的发展, 迭代学习模型预测控制在理论和应用方面都取得了长足的进步. 但由于批次工业过程复杂多样、结构各异、精细化程度较高, 现有的迭代学习模型预测控制理论仍面临着巨大挑战. 本文简要回顾了迭代学习模型预测控制理论的产生及发展, 阐述了二维预测模型、控制律迭代优化及二维稳定性等基本理论问题; 分析了现有方法在理论及应用方面的局限性, 说明了迭代学习模型预测控制在迭代建模、高效优化、变工况适应等方面面临的难点问题, 提出了可行的解决方案. 简要综述了近年来迭代学习模型预测控制理论和应用层面的发展动态, 指出了研究复杂非线性系统、快速系统、变工况系统对进一步完善其理论体系和拓宽其应用前景的意义, 展望了成品质量控制和动态经济控制等重要的未来研究方向.     

带有迭代学习外环的快速路入口匝道无模型自适应预测控制

针对快速路交通系统复杂时变以及难以建模的特点,首先,本文设计了基于无模型自适应预测控制的快速路入口匝道控制方案.其次,根据快速路交通系统具有重复性特点,本文在无模型自适应预测控制方法的基础上引入开环迭代学习控制,提出一种带有迭代学习前馈外环的无模型自适应入口匝道预测控制方案.相比无模型自适应预测控制方案,该方案可以利用迭代学习前馈控制器补偿系统可重复扰动,实现系统的完全跟踪.值得说明的是,预测控制器和学习控制器可以独立工作也可以联合工作.最后,文章给出了控制方案的收敛性分析,并通过交通流仿真验证了所提控制方案的有效性.     

非线性欠驱动系统的实时控制

提出了一种基于专家系统及变步长预测控制的实时非线性系统控制方法.变步长一步 预测的使用不但打破了原有采样时间对预测控制最小步长的限制,而且有效地避开了复杂的非 线性推导.结合系统控制目标,设计了一类新的系统优化性能指标函数.利用专家系统实时地对 系统优化性能指标当中的控制参数进行修正,有效地提高了滚动优化的效率,从而实现对复杂 非线性系统的实时控制.利用这种方法,有效地实现了对三级倒立摆的稳定实时控制.     

基于2维性能参考模型的2维模型预测迭代学习控制策略

将迭代学习控制(Iterative learning control, ILC)系统看作一类具有2维动态特性的控制系统,根据模型预测控制(Model predictive control, MPC)和性能参考模型控制思想, 提出了一种基于2维性能参考模型的2维模型预测迭代学习控制系统设计方案.在该控制系统设计方案中,可以通过选择适当的2 维性能参考模型来构造2 维动态变化的设定值信号和预测控制信号,从而引导迭代学习控制系统收敛到合理的控制性能,并有效避 免系统性能收敛过程中控制输入可能发生的剧烈波动.通过对控制系统的结构分析可知,所得的迭代学习控制器本质上是由沿时 间指标的参考模型预测控制器和沿周期指标的迭代学习控制器组成,闭环系统的收敛性等价于一个2维滤波系统的稳定性.数值仿 真结果证明了该设计方案的有效性和鲁棒性.     

非线性快速批次过程高效迭代学习预测函数控制EI北大核心CSCD

迭代学习模型预测控制(Iterative learning model predictive control,ILMPC)具备较强的批次学习能力及突出的时域跟踪性能,在批次过程控制中发挥了重要作用.然而对于具有强非线性的快动态批次过程,传统的迭代学习模型预测控制很难实现计算效率与跟踪精度之间的平衡,这给其应用带来了挑战.对此本文提出一种高效迭代学习预测函数控制策略,将原非线性系统沿参考轨迹线性化得到二维跟踪误差预测模型,并在控制器设计中补偿所产生的线性化误差,构造优化目标函数为真实跟踪误差的上界.为加强优化计算效率,在时域上结合预测函数控制以降低待优化变量维数,从而有效降低计算负担.结合终端约束集理论,分析了迭代学习预测函数控制的时域稳定性及迭代收敛性.通过对无人车和典型快速间歇反应器的仿真实验验证所提出算法的有效性.     

氧乐果合成过程温度模糊预测学习控制研究

根据氧乐果合成反应过程分批重复进行且温度控制对象参数时变、时滞后的特点,将迭代学习控制方法应用于氧乐果合成反应过程温度控制。为了消除滞后产生的影响,采用T-S模糊预测模型,在原有反馈-前馈迭代学习算法基础上引入预测思想,研究了基于模糊预测的迭代学习算法,并设计了氧乐果合成过程温度模糊预测学习控制器。实验和仿真结果表明,该控制器能取得比较满意的控制效果。     

Nonlinear fuzzy model predictive iterative learning control for drum-type boiler–turbine system

Advanced control strategy is necessary to ensure high efficiency and high load-following capability in the operation of modern power plant. Model predictive control (MPC) has been widely used for controlling power plant. Nevertheless, MPC needs to further improve its learning ability especially as power plants are nonlinear under load-cycling operation. Iterative learning control (ILC) and MPC are both popular approaches in industrial process control and optimization. The integration of model-based ILC with a real-time feedback MPC constitutes the model predictive iterative learning control (MPILC). Considering power plant, this paper presents a nonlinear model predictive controller based on iterative learning control (NMPILC). The nonlinear power plant dynamic is described by a fuzzy model which contains local liner models. The resulting NMPILC is constituted based on this fuzzy model. Optimal performance is realized within both the time index and the iterative index. Convergence property has been proven under the fuzzy model. Deep analysis and simulations on a drum-type boiler–turbine system show the effectiveness of the fuzzy-model-based NMPILC     

APPLICATION OF A MODEL‐BASED ITERATIVE LEARNING TECHNIQUE TO TRACKING CONTROL OF A PIEZOELECTRIC SYSTEM

This paper presents the application of a model‐based iterative learning control technique to position tracking of a piezoelectric system. Identification of the closed‐loop piezoelectric system was undertaken first, and then an iterative learning control methodology based on the identified model was implemented for dynamic tracking control of the actuator. The methodology differs from the conventional iterative learning scheme in that it takes into account the difference of the one‐step‐ahead predictive input between two successive iterations. The methodology compensates for the predictive input difference as well as the causal error in the previous iteration. The results of the experiments prove the excellence of this technique for precision tracking control of the piezoelectric actuator.     

Latent variable iterative learning model predictive control for multivariable control of batch processes

A latent variable iterative learning model predictive control (LV-ILMPC) method is presented for trajectory tracking in batch processes. Different from the iterative learning model predictive control (ILMPC) model built from the original variable space, LV-ILMPC develops a latent variable model based on dynamic partial least squares (DyPLS) to capture the dominant features of each batch. In each latent variable space, we use a state–space model to describe the dynamic characteristics of the internal model, and an LV-ILMPC controller is designed. Each LV-ILMPC controller tracks the set points of the current batch projection in the corresponding latent variable space, and the optimal control law is determined and the persistent process disturbances is rejected along both time and batch horizons. The proposed LV-ILMPC formulation is based on general LV-MPC and incorporates an iterative learning function into LV-MPC. In addition, the real physical input that drives the process can be reconstructed from the latent variable space. Therefore, this algorithm is particularly suitable for multiple-input, multiple-output (MIMO) systems with strong coupling and serious collinearity. Three studies are used to illustrate the effectiveness of the proposed LV-ILMPC .     

Iterative Learning Model Predictive Control Approaches for Trajectory Based Aircraft Operation with Controlled Time of Arrival

International Journal of Control, Automation and Systems - In this work, iterative learning model predictive control approaches are presented to resolve the control problem of trajectory based...     

内模强化学习型模型预测控制及其在人工胰脏上的应用

在学习型模型预测控制的框架里,迭代学习控制器被用来更新模型预测控制器的设定点.在已经发表的研究成果里,学习型模型预测控制用到的是比例型的学习率,这种学习率的学习能力有限,而且怎样设计学习增益仍然是一个开放性问题.在本文中,基于内模控制理论提出的PID型的迭代学习控制器被用来更新模型预测控制器的设定点.为了方便起见,本文提出的结合算法可称为内模强化学习型模型预测控制.本文提出的算法应用在(1)型糖尿病人的人工胰脏闭环控制上.仿真结果显示,本算法对比于比例学习型模型预测控制可以达到更好的收敛性能,而且对非重复干扰有很好的鲁棒性.