基于Tube不变集的鲁棒模型预测控制北大核心CSCD

针对具有持续有界扰动的线性变参数系统,设计一种基于Tube不变集的鲁棒模型预测控制算法。离线算法结合系统多胞体模型参数变化的影响,构建系统的Tube不变集。在对应标称模型状态变量的多面体不变集算法基础上,得到系统的多面体状态允许不变集序列。在线算法通过强控制优化得到标称模型系统的控制量,以得到符合实际控制过程的系统控制量,给出本算法的详细步骤和系统稳定性证明。仿真结果验证了本算法的有效性,表明本算法将持续有界扰动对系统的影响限制在Tube不变集中,实现了系统的快速稳定控制。     

基于最小衰减率多面体不变集的鲁棒模型预测控制

针对一类具有输入输出约束的多胞体结构线性变参数系统,提出了一种基于最小衰减率多面体不变集的鲁棒模型预测控制算法,算法分为在线和离线两个部分.为增强系统控制效果,提高系统响应速度,离线算法首先采用寻求状态变量的最小衰减率的方法优化出一系列状态变量及相应的状态反馈控制律,然后构建出相应的多面体不变集序列;在线算法根据当前实测状态变量,在多面体不变集序列内确定状态变量所处的最小多面体不变集,通过在线优化得出系统的控制输入.给出了鲁棒模型预测控制算法的详细步骤和系统的闭环稳定性证明.仿真结果验证了本算法的有效性,表明本算法使系统的闭环响应更为快速和稳定.     

基于鲁棒一步集的Tube不变集鲁棒模型预测控制

针对一类干扰有界的输入和状态受约束线性离散系统,提出了一种基于鲁棒一步集的Tube不 变集鲁棒模型预测控制方法.首先采用多面体不变集离线设计方法得到基于多面体不变集序列的扩 展终端约束集;然后为了扩大鲁棒模型预测控制的初始状态允许区域,并提高系统的鲁棒性,在扩展终端约束集的基础上,通过引入鲁棒一步集并借助Tube不变集控制策略,设计了基于鲁棒一步集的鲁棒模型预测控制方法,并给出了算法的存在性和稳定性证明. 该方法不仅极大地扩大了初始状态允许区域,而且对有界干扰具有有效的抑制作用,使得受扰系统收敛到以原点为中心的最小鲁棒正不变集内.最后仿真验证了算法的有效性.     

基于可达集的鲁棒模型预测控制

设计了一种基于可达集的鲁棒模型预测控制算法.首先确定了一个鲁棒不变集,并将此不变集用作模型预测控制的终端约束集;接着采用终端约束集对可达集的包含度作为优化指标;最后,采用预测时域逐渐减小的控制策略以保证在线优化存在可行解.从理论上证明了吸引域内的任意点在有限时域内都会被引导至终端约束集并始终停留在此集之内,并由仿真算例验证了本文所设计鲁棒模型预测控制算法的可行性.     

一类离散不确定系统的Tube不变集离线鲁棒模型预测控制

针对一类输入和状态受限的离散线性不确定系统,提出了一种基于Tube不变集的离线鲁棒模型预测控制方法.首先针对输入和状态约束线性时不变标准系统,设计了改进的基于多面体不变集的离线模型预测控制算法,并证明了稳定性.其次对于存在未知有界干扰的实际不确定系统,引入了Tube不变集策略,通过设计对应标准模型的最优控制序列和状态轨迹,给出了实际不确定系统的离线Tube不变集控制策略,保证系统状态鲁棒渐近稳定,并收敛于终端干扰不变集.仿真结果验证了该控制方法的有效性.     

采用鲁棒容许集对有约束的不确定系统作鲁棒模型预测控制

针对输入和状态受约束的干扰有界多胞不确定线性系统,提出了基于鲁棒容许集的扩大吸引域鲁棒模型预测控制(RMPC)方法.首先给出了多面体不变集的鲁棒容许集计算方法,并推导了鲁棒容许集存在的充分必要条件.其次,为了拓展Tube不变集鲁棒模型预测控制算法的适用范围,讨论了干扰有界多胞不确定线性系统的Tube不变集控制策略.之后为了扩大约束系统吸引域,提出了干扰有界多胞不确定系统的鲁棒容许集模型预测控制策略.通过采用鲁棒容许集和Tube不变集RMPC,该方法不仅扩大了吸引域,而且降低了在线计算量;同时,采用基于最小鲁棒正不变集的Tube不变集策略保证了算法的鲁棒性.最后仿真结果验证了算法的有效性.     

具有自适应噪声边界的Tube可达集鲁棒预测控制

针对过程噪声设定边界与真实噪声边界失配的有界干扰离散线性不确定系统,提出一种具有自适应噪声边界的Tube可达集鲁棒模型预测控制方法.首先,该算法引入基于MIT规则的自适应集员滤波在线估计系统状态和噪声边界.其次,基于估计值,通过迭代自适应集员滤波的时间更新部分计算出预测时域内闭环不确定系统状态的可达集.最后,用可达集代替不变集并根据Tube鲁棒模型预测控制策略,给出了实际不确定系统的控制律,确保系统状态鲁棒渐近稳定,并收敛于终端干扰不变集.仿真结果验证了该控制方法的有效性.     

基于多面体不变集的离线鲁棒预测控制器综合

提出一种基于多面体不变集的离线鲁棒预测控制器综合算法.该算法离线确定一组反馈控制律及其对应的不变集,在线控制时根据当前状态所处的位置选择相应的控制律,不仅扩大了初始可行域,还能在一定程度上改善控制性能.仿真结果表明了采用多面体不变集的优越性.     

基于多步控制集的鲁棒预测控制器设计

针对有约束多胞不确定系统, 本文提出多步控制集的概念, 并将其作为终端集进而设计鲁棒预测控制器. 由于设计了一系列可变的反馈律, 鲁棒预测控制器可以得到更好的控制性能和更大的初始可行域. 另外, 利用多步控制集的特性, 本文提出了一种将预测控制器的在线计算量转移到离线完成的算法. 通过该算法, 可以有效地平衡鲁棒预测控制器的控制性能、在线计算量和初始可行域. 仿真算例验证了这些算法的有效性.     

Offline Robust Model Predictive Control for Lipschitz Non‐Linear Systems Using Polyhedral Invariant Sets

In this paper the concept of maximal admissible set (MAS) for linear systems with polytopic uncertainty is extended to non‐linear systems composed of a linear constant part followed by a non‐linear term. We characterize the maximal admissible set for the non‐linear system with unstructured uncertainty in the form of polyhedral invariant sets. A computationally efficient state‐feedback RMPC law is derived off‐line for Lipschitz non‐linear systems. The state‐feedback control law is calculated by solving a convex optimization problem within the framework of linear matrix inequalities (LMIs), which leads to guaranteeing closed‐loop robust stability. Most of the computational burdens are moved off‐line. A linear optimization problem is performed to characterize the maximal admissible set, and it is shown that an ellipsoidal invariant set is only an approximation of the true stabilizable region. This method not only remarkably extends the size of the admissible set of initial conditions but also greatly reduces the on‐line computational time. The usefulness and effectiveness of the method proposed here is verified via two simulation examples.     

基于状态观测器的约束鲁棒模型预测控制

模型不确定情况下的鲁棒问题是模型预测控制的一个根本问题。本文采用线性矩阵不等式(LMI)，研究多模型不确定性描述情况下的鲁棒模型预测控制问题。在输入输出约束条件下，最小化最坏情况下的无穷时域目标函数，获得保证系统稳定的基于状态观测器的状态反馈增益并且给出观测器增益的设计方法。实例说明算法可行且保证闭环系统渐近稳定。     

模型不确定系统的鲁棒预测控制

针对一类脉冲传递函数描述的模型不确定系统 ,基于预测控制和鲁棒控制相结合的策略 ,提出一种鲁棒预测控制器的设计方法 ,并讨论了该方法允许的模型摄动鲁棒界 .仿真结果表明文中方法的有效性和理论分析的正确性 .     

离散不确定系统的鲁棒预测控制

对预测控制中模型不确定性的处理一直是预测控制算法亟待解决的问题.考虑一类包含模型不确定性的控制对象模型,提出一种极大极小预测控制器设计方法.在滚动优化的每一步,考虑了状态变量不完全可测的情况,引入动态输出反馈的思想得到一个最坏条件下的性能指标的最优解,以最坏条件下的性能指标为求解优化问题的上界,通过线性矩阵不等式的方法求解凸优化问题.并从理论上证明了所设计的鲁棒预测控制器对不确定模型是稳定的.通过仿真算例的分析,证明了极大极小鲁棒预测控制器设计的有效性.     

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.     

基于输出反馈的不确定连续系统的鲁棒预测控制

运用线性矩阵不等式方法,研究一类基于输出反馈的线性连续时间范数有界参数不确定系统的鲁棒预测控制问题．基于变量变换的思想,将无限时域“最小—最大”优化问题转化为线性规划问题,得出分段连续的输出反馈控制律,并给出了控制律存在的充分条件,证明了优化问题在初始时刻的可行解保证闭环系统渐近稳定．仿真实例验证了此方法的有效性．     

广义预测鲁棒自适应控制

本文指出自校正控制中广泛采用的CARMA模型会导致控制系统对确定性扰动和非平稳随机扰动缺乏鲁棒性;在CARMA模型中引入相应于上述扰动的不可控模态,给出了一种广义的CARMA模型;基于内模原理,提出一种新的广义预测鲁棒自适应控制器;并从理论上揭示其鲁棒性机理;给出了数字仿真。理论分析和数字仿真结果表明:这种广义预测自适应控制器对各类扰动和对象参数变化具有很强的鲁棒性。