马尔可夫跳变线性系统最优控制的研究现状与进展

马尔可夫跳变线性系统（MJLS）是一种具有多个模态的随机系统，系统在各个模态之间的跳变转移由一组马尔可夫链来决定。MJLS模型因其在表示过程中可以产生突变而更能精确的描述实际工程应用中的系统。近年来，MJLS的最优控制问题成为了研究的热点，动态规划、极大值原理以及线性矩阵不等式等成为了解决此类问题的主流方法。本文对MJLS最优控制领域的研究现状进行了综述。分别对一般情况下、带有噪声的情况下、带有时滞的情况下以及某些特定情况下的MLJS最优控制问题的国内外研究现状进行论述。最后进行了总结并提出MJLS最优控制领域未来值得关注的研究方向。     

基于hp自适应伪谱法的自主泊车路径规划

针对自主泊车路径规划最优控制问题求解收敛速率慢的问题,提出基于hp自适应高斯伪谱法的自主泊车路径规划方法。首先建立车辆运动学模型,并考虑自主泊车过程中避障约束和边界约束,再以泊车时间最短为性能目标函数,将自主泊车路径规划问题转化为最优控制问题。采用高斯伪谱法对最优控制问题进行离散化处理并采用序列二次规划进行求解,在求解过程中通过动态调整网格区间个数和多项式阶数实现提高求解收敛速率。根据实际场景选取4种工况并进行路径规划仿真,并将3种伪谱法进行对比分析,仿真结果表明hp自适应高斯伪谱法能够提升自主泊车路径规划最优控制问题求解收敛速率,同时该算法可以实现在狭窄泊车位内的泊车路径规划,通过实车试验验证提出的方法获得的自主泊车路径的有效性。     

磨矿浓度的串级PID控制

磨矿作业在选矿厂中占重要的地位,磨矿浓度控制是磨矿分级自动化系统中的重要环节。针对磨矿系统的非线性、时变、滞后的特点,应用串级PID控制技术对磨矿浓度进行控制,实现了磨机的给矿、浓度、负荷、补水等参数的最优控制。系统应用后,磨机的矿石处理量有一定比例的提高,磨矿浓度控制在相对稳定的范围内,磨矿粒度能够满足下段工艺要求,从而减轻了磨机操作工的劳动强度,解决了人工操作凭经验造成的矿石处理量波动的问题。     

相邻结构间控制器位置及控制律的降阶优化方法研究

相邻结构以控制器联系的控制体系结构间控制器设计包括两项内容,即控制器数量和位置确定及控制器参数确定。本文应用LQG问题的有关结论,建立了在系统最优反馈控制增益不变情况下系统最优控制性能指标随控制作用分布矩阵变化的增量解析式。在这个结论的基础上,建立了系统控制器优化分布的设计方法,并应用分级降阶的迭代方法,克服了反馈控制增益不变的缺陷,使大型结构中安装少量控制器时,求解出控制器最优布置的精确解。本文的研究结果建立了同时优化控制器的数量、位置和反馈增益的设计方法。     

磁悬浮轴承系统控制方法研究

随着现代先进制造业的发展,磁悬浮轴承作为一种新型支撑部件,受到了各行各业的广泛关注。而在整个磁悬浮轴承系统中控制环节是关键,其性能的好坏主要取决于控制器的设计与控制算法的选取。首先对磁悬浮轴承作了介绍,以控制方法为切入点,分别阐述了模糊PID控制、滑模变结构控制、鲁棒控制和最优控制的基本原理、应用和局限性。通过分析研究表明这四种控制策略能明显改善磁悬浮轴承的控制性能效果。最后对磁悬浮轴承控制作了简单总结和展望。     

基于UEMS的电力系统精细化稳定控制系统

作为电力系统安全保障体系的第二道防线,先进的紧急控制技术对电网灾变防治不可或缺。为克服现有紧急控制系统切负荷方式固有的粗放性、无选择性等局限,基于用户侧能量管理系统(UEMS),提出了电力系统精细化稳定控制系统的概念、结构和模型,并基于非线性最优控制理论提出了切机/切负荷量的计算方法。所构建的精细化稳定控制系统能够实现有选择性的精细化切负荷功能,即优先短时切除不影响用户用电体验的负荷。数值仿真验证了所提方法的有效性和正确性。     

多台水泵并联的最优化方法

在城市污水处理系统中,由于来水流量的变化,往往需要开启多台水泵,传统的控制方法是基于专业人士依据自身经验对其进行控制,精确度不够,而且耗能巨大。通过对水泵各参数之间的关系进行较为系统的分析,建立水泵系统的数学模型,依据最优控制的方法,求出轴功率的最小值,并以此确定了开启水泵的台数、频率和流量等参数,实现了耗能最低。上述控制方法不仅适用于同一型号水泵并联,同时也为不同型号水泵并联提供了依据,达到了节能的目的。     

基于MATLAB最优控制车辆半主动悬架研究及仿真

车辆悬架系统对整车乘坐舒适性和操纵稳定性起着至关重要的作用。通过建立路面白噪声模型和1/4车辆模型,应用线性最优反馈策略设计出状态反馈控制器,充分利用MATLAB/Simulink仿真平台对半主动悬架和被动悬架的各项性能进行了仿真,并作了对比。结果表明,较被动悬架,采用半主动悬架时车身加速度、悬架动挠度、车轮动载荷均有不同程度的减小,进一步说明了半主动悬架的优越性。     

基于强化学习的数据驱动最优镇定控制及仿真

利用Q-学习算法,针对模型未知只有数据可用的非线性被控对象,解决最优镇定控制问题.由于状态空间和控制空间的连续性,Q-学习只能以近似的方式实现.因此,文中提出的近似Q-学习算法只能获得一个次优控制器.尽管求得的控制器只是次优,但是仿真研究表明,对于强非线性被控对象,相比线性二次型调节器和深度确定性梯度下降方法,文中方法的闭环吸引域更宽广,实际指标函数也更小.