基于远程预报辨识的非线性广义预测控制算法

推导了基于远程预报辨识的非线性广义预测控制算法.该算法在辨识基于Hammer-stein 模型的非线性过程时,采用了预测控制算法中远程预报的思想,并在广义预测控制器的设 计上采用了新的优化指标,这就使辨识机制与控制机制有机地结合起来,对系统的阶次不确定 有很好的鲁棒性.     

基于SVM逆系统的非线性系统广义预测控制

针对工业过程中普遍存在的非线性被控对象,提出了一种基于支持向量机（SVM）逆系统的广义预测控制算法。该方法根据广义预测控制基于预测模型的特点,将基于支持向量机系统辨识的方法应用于逆系统构建和广义预测控制。该方法利用SVM强大的非线性映射能力离线辨识被控非线性系统的α阶逆模型,并将辨识出的逆模型连接在原被控统之前形成一个α阶纯延时伪线性系统。然后采用广义预测控制（GPC）算法实现对构造出的伪线性系统的预测控制。仿真实验表明了该算法的有效性和优越性。     

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.     

基于小波分解的非线性系统多模型自适应控制

提出了一种改进的基于小波分解的非线性系统辨识算法,利用小波函数的逼近能力在线辨识被控对象的非线性项.针对基于小波分解的辨识算法缺乏预测能力,提出了根据线性鲁棒自适应控制器提供的当前控制信息预测未来的非线性项值新方法,并结合多模型方法,根据所定义的切换指标自动切换到当前最优控制器.仿真结果表明,改进的基于小波分解的辨识算法能够有效逼近非线性系统,基于小波分解的非线性系统多模型自适应控制方法改善了系统性能,随着系统运行跟踪误差明显减小,说明了该方法的有效性和可行性.     

液位系统的多模型广义预测控制研究

用多模型的广义预测控制器对复杂的非线性液位系统进行仿真控制。通过在覆盖工况的若干个平衡点采用最小二乘法离线辨识建立多个线性模型,形成非线性系统的多模型表示,然后对各个子模型分别设计子控制器,采用基于相对残差的方法来实现控制增量的加权以获取控制增量。通过对单容液位系统的仿真,表明该方法的有效性。     

一类未知非线性离散系统的直接自适应模糊预测控制

将自适应模糊逻辑系统引入预测控制,对一类未知非线性离散系统提出了直接自适应 模糊预测控制方法.首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直 接利用模糊逻辑系统设计预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中 的未知向量进行自适应调整.文中证明了此方法可使广义误差估计值收敛到原点的小邻域内.     

未知多变量非线性系统自适应模糊预测控制

对一类未知多变量非线性系统提出了直接自适应模糊预测控制方法,此方法首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直接用模糊逻辑系统组成的向量来设计预测控制器,并基于时变死区函数对控制器中的未知向量和广义误差估计值中的未知矩阵进行自适应调整．文中证明了此方法可使广义误差向量估计值收敛到原点的一个邻域内．     

基于支持向量机N4SID辨识模型的非线性预测控制

针对工业控制领域中非线性系统的模型辨识与预测控制问题,采用最小二乘支持向量机回归方法构造非线性函数,运用状态子空间（N4SID）模型辨识方法辨识非线性状态空间模型.在此基础上建立非线性预测控制器,利用拟牛顿算法进行非线性预测控制律的求解,从而实现了一种新的基于支持向量机N4SID辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

基于RBF-ARX模型的预测控制在液位系统中的应用

针对单容液位系统紊流时的非线性特征,研究了基于RBF-ARX模型预测控制策略控制单容液位系统;讨论RBF-ARX模型结构的选取,模型参数辨识,RBF参数优化,基于RBF-ARX模型的预测控制策略等问题;模型的仿真结果,证实了RBF-ARX模型在非线性系统建模和辨识中的有效性;同基于全局线性ARX模型的预测控制器和PID控制器相比较,基于此模型的预测控制取得了优异的控制效果。     

非线性系统参数自适应直接广义预测控制

针对广义预测控制 (Generalized predictive control, GPC) 计算量大的缺陷, 本文对参数未知非线性系统提出一种直接广义预测控制 (Direct generalized predictive control, DGPC) 方法. 该方法直接辨识广义预测控制器参数, 即基于广义误差估计值对控制器参数 θu 和广义误差估计值中的未知向量 θe 进行自适应辨识. 理论证明了该方法可使广义误差估值收敛到原点的一个小邻域内.     

采用Hammerstein模型的非线性预测控制

对于象ｐＨ中和，高纯度分离以及化学反等过程的控制，由于其过程本身的严重非线性而变得十分困难。本文提出了一种采用Ｈａｍｍｅｒｓｔｅｉｎ模型的预测控制方法来控制诸如上述的非线性过程，Ｈａｍｍｅｒｓｔｅｉｎ模型用两种方法进行辨识：联立辨识法与序贯识法，特别地，本文提示了一种改进型Ｈａｍｍｅｒｓｔｅｉｎ模型用于克服常规Ｈａｍｍｅｒｓｔｅｉｎ模型在控制器设计时的不足之处，对－ｐＨ中和过程的仿真结果表明，基于     

无人驾驶飞行器姿态的非线性扰动抑制控制

本文研究了无人驾驶飞行器(unmanned aerial vehicle,UAV)的姿态跟踪控制问题.针对在飞行器姿态跟踪时存在的系统模型不确定性和外界扰动,提出了一种基于四元数的姿态跟踪控制方法,基于UAV的姿态误差模型分别设计系统的观测器和控制器.首先,以四元数为姿态参数建立系统的非线性误差模型;在此基础之上,设计一种非线性干扰观测器(nonlinear disturbance observer,NDOB)用以在线估计误差模型中的复合扰动,并在控制输入端进行相应的补偿.然后通过设计非线性广义预测控制律设镇定误差系统,实现姿态跟踪.最后基于频域理论分析了非线性干扰观测器的扰动抑制性能.仿真与实验结果表明本文提出的方法在系统存在复合扰动的情况下能使系统姿态有效的跟踪期望值.     

一种新型非线性Hammerstein系统动态矩阵控制算法

将动态矩阵控制策略(DMC)推广到由一个非线性静态多项式函数和一个线性动态阶跃响应环节组成的非线性Ham-merstein系统,详细地给出了该新型非线性Hammerstein系统动态矩阵控制算法(NLH-DMC).把NLH-DMC应用于一套强非线性pH中和过程,给定值跟踪和抗干扰仿真结果表明,NLH-DMC比线性DMC(LDMC)和过程控制领域常用的非线性PID(NL-PID)具有更好的控制性能.进一步的仿真实验证实,NLH-DMC不仅具有良好的控制响应,而且在存在较大模型误差时仍具有很好的稳定性及鲁棒性.     

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.     

非线性分离法广义预测控制稳态特性分析

对具有输入饱和约束和Harnmerstein非线性的系统,采用“非线性分离法广义预测控制(GPC)”策略,即采用线性GPC时先不考虑Hammerstein非线性,然后采用解非线性代数方程的方法处理该非线性。根据处理饱和约束和解方程的不同顺序,可得到两种“两步法GPC”和一种“非线性移去法GPC”,分析了这些方法的稳态特性,并通过仿真进行了验证。     

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.     

非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制,采用由线性网络和动态递归神经网络构成的复合神经网络。在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明,该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。     

基于一类特殊非线性模型的广义预测控制

针对Hammerstein模型和Wiener模型,分别选择PH中和滴定过程和控制阀门作为仿真对象,研究了基于两步法的非线性预测控制方法。计算机仿真结果表明,该控制算法比PID控制具有更好的控制品质。     

Predictive proportional nonlinear control for stable-target tracking of a mobile robot: an experimental study

Two new types of control method have been developed based on model predictive control for stable-target tracking of a nonholonomic mobile robot. One method (Method 1) is a new nonlinear control method. This was developed based on model predictive control (predictive nonlinear control) to predict the next position of a mobile robot using the current velocities of the right and left wheels. This technique uses a tuning guideline in predictive nonlinear control. The other method (Method 2) is a combination of Method 1 and proportional control (predictive proportional nonlinear control). Method 2 involves a tuning guideline not only in a predictive nonlinear controller, but also in a proportional controller. In this technique, the selection of a tuning guideline in the proportional controller is enhanced, and thereby increases the control action in closed-loop responses. In Method 1, the nonlinear controller is derived from Liapunov stability theory, and is used to control the linear and angular velocities for locomotion control. Tuning parameters in the nonlinear controller (in Method 1) are selected to satisfy various design criteria, such as stability, performance, and robustness. Method 1 has certain limitations that result in a decrease of the performance criteria specified. Strong nonlinearities in the mobile robot system result in accumulated errors. To enhance performance further, we developed Method 2 as the solution for decreasing cumulative errors. Hence, the proportional controller is added to Method 1 in the closed-loop form in order to eliminate errors. The advantage of Method 2 is that it can cope with strong nonlinearities in the mobile vehicle system. The results of the performances of Method 1 and Method 2 are shown to demonstrate the effectiveness of both methods, and also the better performance of Method 2. The two new methods are effective in stable-target tracking, yielding an increase in performance and stability.