基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.     

模糊Smith在温控系统中的仿真研究

研究电厂锅炉温度优化控制问题,由于温度的稳定性受到多种因素的影响,所以温度控制系统是一个具有时滞性、非线性和时变性的复杂系统,传统PID控制和模糊控制难以建立精确的数学模型,控制系统的超调时间长,超调大.为了解决控制系统的超调时间长,超调大等问题,为了优化温控制系统,在传统PID控制和Smith预估计器的基础上,结合模糊控制系统良好非线性优点,提出模糊Smith的温控制系统.方法通过Smith预估器对模型的时滞性进行补偿,使时滞系统的超调减小,系统的稳定性增强.通过建立温控制系统数学模型并进行仿真实验,结果表明模糊Smith的控制方法降低了超调量,缩短了超调时间,有效提高了温控制系统的鲁棒性和抗干扰性.     

抑制输入输出波动的广义预测控制算法

针对控制工程中出现的控制量波动都较大的广义预测控制问题,提出了一种改进的预测控制算法.通过对传统广义预测控制算法的控制目标函数中增加输出增量优化目标项,并充分利用预测控制的输入增量变化信息,在线对控制增量加权系数进行修正,用以抑制输入增量的较大波动,从而使输出量的波动和超调得到改善,增强了系统的稳定性.仿真结果验证了该方法的可行性和有效性,效果良好.     

一种基于Wiener模型的非线性预测控制算法

针对一类Wiener模型描述的非线性系统,提出了一种改进的非线性预测控制算法.该算法利用Laguerre函数描述Wiener模型动态线性部分的控制信号，将预测控制中在预测时域内优化求解未来控制输入序列转化为优化求解一组无记忆的Laguerre系数,以减少优化所需的计算量.利用静态模糊模型来逼近Wiener模型的非线性部分,将非线性预测控制优化问题转化为线性预测控制优化问题,克服了求控制输入时解非线性方程的困难,进而推导出了预测控制输入的解析式.CSTR过程的仿真结果表明了本文算法的有效性和可行性.     

基于分片线性化方法的非线性系统多模型自适应控制

基于分片线性化方法辨识一类非线性系统 ,给出了非线性系统的多线性模型表示。基于线性模型建立多个控制器 ,基于最大最小指标切换函数构成多模型自适应控制器。给出了非线性系统多模型自适应控制算法的优化模型集建立方法 ,解决了多模型自适应控制模型多、计算量大的问题。仿真结果证明了算法的有效性     

基于阻尼最小二乘法的神经网络预测偏差补偿自校正控制器

本文提出一种神经网络预测偏差补偿自校正控 制器,用线性模型的预测控制去控制非线性系统,其预测偏差用神经网络进行补偿．线性模 型的辨识和神经网络的学习均采用阻尼最小二乘法．仿真结果表明,用这种控制器能有效地 控制非线性系统,并具有超调小,鲁棒性好的特点．     

基于支持向量机的一类非线性系统预测控制

针对一类具有输出反馈耦合的离散非线性系统,将过程的非线性部分通过支持向量机转化为全局线性状态空间模型,并在目标函数中引入系统状态的变化,给出一种类似于离散PI最优调节器的新型预测控制器.该方法不需要在线辨识系统参数,因为系统的内模已转换成全局离线模型.由于引入了新的优化目标函数,该控制器的控制效果和鲁棒性优于仅考虑预测输出误差的传统预测控制器.仿真结果表明,它也优于经典离散PI最优调节器.     

基于修正闭环子空间辨识–分段线性结构的环管式丙烯聚合反应过程非线性模型预测控制（英文）

针对环管式聚丙烯生产过程装置多变量、耦合和非线性等特性容易导致过程控制不稳定及质量指标波动问题,本文提出了一种基于修正闭环子空间辨识–分段线性(MSSARX--PWL)维纳(Wiener)模型结构的非线性模型预测控制算法.利用修正的闭环子空间辨识方法(MSSARX)辨识对象在闭环工况下的线性状态空间模型,并将该线性模型与多变量分段线性化(PWL)方法辨识得到的非线性稳态模型结合,建立双环管丙烯聚合反应动态过程的非线性预测模型,而后进一步将非线性模型转化为线性模型,在线性预测控制算法框架下用二次线性规划方法(LQP)优化控制器,无须用非线性规划方法(NLP)求解.从双环管丙烯聚合反应过程仿真例子表明,该算法不仅能保证模型和控制精度,而且能提高计算效率.     

神经网络广义预测控制在锅炉燃烧系统中的应用

针对锅炉燃烧系统的非线性、大延迟、时变、干扰频繁等特点,以煤粉浓度为中间被调量,将神经网络、广义预测控制、串级控制相结合,设计了基于神经网络模型的广义预测串级控制系统.该控制方法克服了单纯PID控制对大惯性大延迟对象调节品质差、抗干扰性弱的缺点,神经网络预测器有效地补偿了传统预测控制基于线性模型的局限性.将该控制算法用于燃烧系统中主汽压力对象的控制,仿真结果表明该方法具有较强的跟踪性能和抗干扰能力及良好的动静态性能指标.     

一类双线性系统的广义预测控制研究

双线性模型预测控制的研究表明,采用一般双线性模型的预测控制将涉及非线性优化问题,在线处理相当困难,而采用线性近似模型的预测控制又会带来较大的偏差.针对一类输入一输出双线性系统,提出了一种双线性系统的广义预测控制算法.该算法将基于输入-输出模型双线性系统中的双线性项和线性项合并,建立了一种类似于线性系统的ARIMA模型,并充分利用多步最优预测信息,由递推近似实现多步预测.控制律具有解析形式,避免了一般非线性寻优的复杂计算,并能适用于非最小相位双线性系统.仿真实验表明该算法具有良好的控制效果.     

Bridging the gap between the linear and nonlinear predictive control: Adaptations for efficient building climate control

The linear model predictive control which is frequently used for building climate control benefits from the fact that the resulting optimization task is convex (thus easily and quickly solvable). On the other hand, the nonlinear model predictive control enables the use of a more detailed nonlinear model and it takes advantage of the fact that it addresses the optimization task more directly, however, it requires a more computationally complex algorithm for solving the non-convex optimization problem. In this paper, the gap between the linear and the nonlinear one is bridged by introducing a predictive controller with linear time-dependent model. Making use of linear time-dependent model of the building, the newly proposed controller obtains predictions which are closer to reality than those of linear time invariant model, however, the computational complexity is still kept low since the optimization task remains convex. The concept of linear time-dependent predictive controller is verified on a set of numerical experiments performed using a high fidelity model created in a building simulation environment and compared to the previously mentioned alternatives. Furthermore, the model for the nonlinear variant is identified using an adaptation of the existing model predictive control relevant identification method and the optimization algorithm for the nonlinear predictive controller is adapted such that it can handle also restrictions on discrete-valued nature of the manipulated variables. The presented comparisons show that the current adaptations lead to more efficient building climate control.     

一种非线性PID控制算法的仿真研究

研究PID控制系统优化问题,工业控制被控对象均具有非线性、时变和大时滞性,引起系统的品质性能差,传统的线性控制难以达到所要求精度。为了提高系统控制精度,利用PID控制器各增益参数与偏差信号间的非线性关系,提出一种非线性PID控制算法。首先将PID参数转化为优化问题,然后采用粒子群算法的全局、并行搜索能力对非线性控制参数进行求解,得到一组最优的PID控制参数。仿真结果表明,相对于传统线性PID控制,非线性PID控制器超调小,调节时间短,并提高了控制精度,有效解决了传统PID难以准确控制非线性对象的难题。     

RBF-ARX model-based MPC strategies with application to a water tank system

A hybrid pseudo-linear RBF-ARX model that combines Gaussian radial basis function (RBF) networks and linear ARX model structure is utilized for representing the dynamic behavior of a class of smooth nonlinear and non-stationary systems. This model is locally linear at each working point and globally nonlinear within whole working range. Based on the structural characteristics of the RBF-ARX model, three receding horizon predictive control (RBF-ARX-MPC) strategies are designed: (1) the RBF-ARX-MPC algorithm based on single-point linearization (MPC-SPL); (2) the RBF-ARX-MPC algorithm based on multi-point linearization (MPC-MPL); and (3) the RBF-ARX-MPC algorithm based on globally nonlinear optimization (MPC-GNO). In the MPC-SPL, the future multi-step-ahead predictive output of the system is obtained based on the local linearization of the RBF-ARX model at only current working-point, while in the MPC-MPL the future long-term output prediction is obtained according to the future local characteristics from previous online optimization results of the RBF-ARX model based MPC. In the MPC-GNO, the globally nonlinear characteristics of the RBF-ARX model are fully used for online getting control variables of the MPC. Real-time control experiments for the three type MPCs are carried out on a water tank system, which are also compared with a classical PID control and a traditional linear ARX model-based MPC. The results verify that the modeling method and the model-based predictive control strategies are realizable and effective for the nonlinear and unstable system. Moreover, it is also shown that the MPC-GNO can obtain better control performance but need more computation time compared to the other MPCs, which makes it possible to be applied into some slowly varying processes.     

基于遗传算法的半导体制冷器非线性PID设计

针对常规线性PID对具有非线性特征的半导体制冷器温度控制系统存在快速性和超调量难以兼得、抗干扰能力差的问题,提出将非线性PID控制用于半导体制冷器温度控制的策略.通过对线性PID存在问题以及PID各增益参数与偏差信号之间非线性关系的分析,构建了增益参数的非线性函数,针对非线性函数中参数较多问题提出了自适应遗传寻优的求解方法.仿真和实验结果表明,基于此遗传算法寻优的非线性PID控制器相比线性PID控制器,调节时间缩短,超调量减小,抗干扰能力更强.     

PEMFC的模糊辨识和非线性预测控制

质子交换膜燃料电池(PEMFC)是21世纪最有前景的发电技术之一。该文针对PEMFC等一类具有严重非线性的复杂被控对象，提出一种基于模糊模型的非线性预测控制算法对PEMFC系统进行建模与控制。在建模与控制过程中，采用模糊聚类和线性辨识方法在线建立PEMFC控制系统的T-S模糊预测模型，然后基于分支定界法的基本原理对控制量进行离散寻优，从而实现PEMFC的非线性预测控制。仿真和实验结果证明了该算法的有效性和优越性。     

Bilinear black-box identification and MPC of the activated sludge process

In this paper the activated sludge process, which is a process for biological nitrogen removal in municipal wastewater treatment plants, is modeled as a discrete-time bilinear system by application of a recursive prediction error method system identification technique. A novel bilinear model predictive control algorithm is also derived and applied on a simulation model of the activated sludge process. For discrete-time bilinear systems, a quadratic cost on the predicted outputs and inputs, together with input/state constraints, results in a nonlinear non-convex optimization problem. An investigation is performed where the suggested control algorithm is compared with a linear counterpart. The results reveals that even though the identified bilinear black-box model describes the dynamics of the activated sludge process better than linear black-box models, bilinear model predictive control only gives moderate improvements of the control performance compared to linear model predictive control laws.