MATLAB环境下的模型预测控制理论的应用

从模型预测控制的原理出发,介绍利用MATLAB模型预测控制工具箱进行模型预测控制器设计的全过程。就被控对象的不同模型,以及各类模型形式之间的转换做了具体的系统的阐述。在控制器的设计过程中,给出不同情况下的控制器的设计方法,并且对控制器设计中的参数选择对系统控制性能的影响进行了分析与总结。最后通过数值实例说明了如何进行了模型预测控制器的设计。     

具有摩擦力补偿的液压裁断数控机床轮廓预测控制算法

针对液压裁断运动控制中的轮廓跟踪问题,提出了一种全新的具有摩擦力补偿的模型预测控制器。较以往的液压裁断跟踪控制器不同,增量模型预测控制器在对系统的预测和状态反馈时,不仅用到了当前时刻的状态值,同时也考虑到了上一时刻的状态值。在设计跟踪控制器的同时,对所设计出的跟踪控制器的跟踪性能进行了深入的讨论。理论结果显示,所设计的增量模型预测控制器能够对参考信号实现无静差跟踪。最后,通过液压裁断平面轮廓控制系统仿真实例验证本文结果的有效性。     

基于Hammerstein-Wiener逆模型补偿的预测控制 非线性变换策略

针对一类Hammerstein-Wiener模型描述的非线性控制系统,提出一种基于逆模型补偿的预测控制策略.在控制优化计算中,利用Wiener非线性环节的逆模型分别对系统输出设定值和采样值进行变换;控制实施过程中,将控制器输出操作量经过Hammerstein静态非线性环节模型逆变换后施加到实际被控对象上,通过两次逆变换,使得标称模型下控制器输出与闭环系统中线性环节的输入相一致.通过非线性变换补偿将非线性过程的控制转化为线性系统控制,避免了对非线性模型进行优化计算量大及预测不准确的问题.最后通过仿真验证了所提方案的可行性及有效性.     

切换非线性系统的分布式模型预测控制

针对一类具有预先指定切换序列的切换非线性系统,研究了具有通信信道干扰和时滞测量的分布式模型预测控制问题.在每个子系统都存在镇定控制器的假设下,利用基于Lyapunov函数的模型预测控制器设计了分布式模型预测控制器,并给出了闭环切换非线性系统最终有界的充分条件.最后,通过仿真结果表明了分布式模型预测控制策略的有效性.     

基于子空间辨识的模型预测控制器经济性能评估方法

目前模型预测控制器(MPC)的经济性能评估(EPA)方法多依赖于过程解析的稳态模型,为了更方便有效的对MPC经济性能进行评估,本文提出一种基于子空间辨识的模型预测控制器经济性能评估方法,仅利用过程操作数据即可实现对控制器的经济性能评估,避免了对过程解析稳态模型的依赖性.利用已知过程操作数据,通过子空间辨识求取子空间矩阵...     

DC/DC变换器的PWA模型及预测控制

利用υ步离散法,得到变换器输入控制变量与状态变量之间的直接映射关系,基于混杂系统理论分析系统的动态方程,建立其分段仿射模型。在此模型的基础上,结合非线性预测控制算法,通过模型预测系统的输出,利用反馈校正误差,给出二次型性能指标的优化计算方法,并由此设计预测控制器。最后,以Buck功率变换器为研究对象,通过与峰值电流控制算法的仿真结果进行比较,验证模型的正确性以及控制器设计的有效性。     

细晶钢筋轧制温度控制策略

通过利用灰色预测G(1,1)模型来预测细晶钢筋轧制过程中温度变化的过程,用以对Smith预估控制器给定参数进行干预,提高了Smith预估控制器鲁棒性和系统的动态响应能力,满足了细晶钢筋轧制中温度控制的要求.     

六自由度机械臂约束预测控制系统的设计

本文提出了一种基于约束预测控制的机械臂实时运动控制方法.该控制方法分为两层,分别设计了约束预测控制器和跟踪控制器.其中,约束预测控制器在考虑系统物理约束的条件下,在线为跟踪控制器生成参考轨迹;跟踪控制器采用最优反馈控制律,使机械臂沿参考轨迹运动.为了简化控制器的设计和在线求解,本文采用输入输出线性化的方式简化机械臂动力学模型.同时,为了克服扰动,在约束预测控制器中引入前馈策略,提出了带前馈一反馈控制结构的预测控制设计.因此,本文设计的控制器可以使机械臂在满足物理约束的条件下快速稳定地跟踪到目标位置.通过在PUMA560机理模型上进行仿真实验,验证了预测控制算法的可行性和有效性.     

自由漂浮空间机器人轨迹跟踪的模型预测控制

针对传统控制方法难以解决自由漂浮空间机器人(free-floating space robot, FFSR)轨迹跟踪过程中的各类约束的问题,采用模型预测控制对自由漂浮空间机器人的轨迹跟踪问题进行了研究.在自由漂浮空间机器人拉格朗日动力学模型的基础上,建立了系统伪线性化的扩展状态空间模型;在给定系统的性能指标和各类约束的情况下,基于拉盖尔模型设计相应的离散模型预测控制器,并证明控制器的稳定性,控制器中引入任务空间滑模变量实现了对末端期望位置和期望速度的同时跟踪;以平面二杆自由漂浮空间机器人为例,对无约束末端轨迹跟踪和有约束末端轨迹跟踪两种情况进行对比仿真验证.仿真结果表明,该模型预测控制器不仅可以实现对末端期望轨迹的有效跟踪,还能满足各类约束.     

机械手臂的多模型预测控制

针对机械手臂的非线性特点,提出了基于隶属度函数的多模型预测控制方法。该方法首先根据机械手臂的特点,选择合适的调度变量,将机械手臂的工作空间划分为若干个工作子空间,在每个子空间内的平衡点处对机械手臂进行线性化处理,得到相应的线性子模型,从而得到机械手臂的多模型表示;其次针对每个线性子模型设计局部预测控制器,使其在相应的子空间内达到控制要求;最后选择梯形隶属度函数与局部预测控制器进行加权求和,获得全局多模型预测控制器,以对机械手臂进行控制。仿真结果表明,当机械手臂的工作条件在大范围内变化时,全局多模型预测控制器的控制性能远优于常规PD控制器,达到了预期的控制目的。     

空调蒸发器的自适应预测控制策略

针对空调蒸发器运行状态,提出一种基于模糊神经模型的自适应单神经元预测控制器,该控制器具有结构简单、易于操作、控制器参数可在线调节的特点.离线建立空调蒸发器的模糊神经模型,再利用模型的梯度信息在线调节单神经元控制器参数,使控制系统较快地趋于稳定.仿真结果表明,提出的自适应单神经元预测控制器具有较好的动态性能和稳态性能,并能够成功地应用到空调蒸发器的控制中.     

Model predictive control of a rotary cement kiln

A first principles model of a cement kiln is used to control and optimize the burning of clinker in the cement production process. The model considers heat transfer between a gas and a feed state via convection and radiation. Furthermore, it contains effects such as chemical reactions, feed transport, energy losses and energy input. A model predictive controller is used to stabilize a temperature profile along the rotary kiln, guarantee good combustion conditions and maximize production. Moving horizon estimation was used for online estimation of selected model parameters and unmeasured states. Results from the pilot site are presented.     

模糊神经网络预测控制在配料系统中的应用

针对水泥生产过程中皮带配料系统的惯性、滞后、非线性及现场干扰频繁等特点,设计一种模糊神经网络预测控制算法,将模糊控制、神经网络与预测控制相结合,增强算法的自学习、跟踪与抗干扰能力,神经网络预测模型有效地补偿了传统预测控制基于线性模型的局限性.将该控制算法用于皮带配料控制系统中,仿真结果表明,物料流量控制效果优于传统的P...     

一类非线性系统的自适应预测函数控制

针对一类具有输出反馈耦合的离散非线性系统,将过程的非线性状态空间模型等效为线性时变状态空间模型;然后利用最小二乘法辨识系统参数,并通过在目标函数中引入系统状态的变化给出一种具有类似离散PI最优调节器结构的新型自适应预测函数控制器．由于引入了新的优化目标函数,该控制器控制效果与鲁棒性要优于仅考虑预测输出误差的传统预测函数控制器．仿真结果表明,该控制器优于经典离散PI最优调节器．     

Self-tuning of 2 DOF control based on evolving fuzzy model

In this paper we present a self-tuning of two degrees-of-freedom control algorithm that is designed for use on a non-linear single-input single-output system. The control algorithm is developed based on the Takagi-Sugeno fuzzy model, and it consists of two loops: a feedforward loop and feedback loop. The feedforward part of the controller should drive the system output to the vicinity of the reference signal. It is developed from the inversion of the T-S fuzzy model. To achieve accurate error-free reference tracking a feedback part of the controller is added. A time-varying error-model predictive controller is used in the feedback loop. The error-model is obtained from the T-S fuzzy model. The T-S fuzzy model of the system, required in the controller, is obtained with evolving fuzzy modelling, which is based on recursive Gustafson-Kessel clustering algorithm and recursive fuzzy least squares. It employs evolving mechanisms for adding, removing, merging and splitting the clusters.The presented control approach was experimentally validated on a non-linear second-order SISO system helio-crane in simulation and real environment. Several criteria functions were defined to evaluate the reference-tracking and disturbance rejection performance of the control algorithm. The presented control approach was compared to another fuzzy control algorithm. The experimental results confirm the applicability of the approach.     

一种无约束多步递归神经网络预测控制器

本文针对具有强非线性、多工作点特性的控制系统, 提出了一种基于递归BP神经网络的多步预测模型; 通过分析预测模型的内在数学关系, 选择了二次型函数作为预测控制器的目标函数, 并给出了目标函数关于控制序列的雅可比矩阵和赫森矩阵的计算方法; 最后使用Newton-Rhapson算法设计出了滚动优化控制策略, 构建了一个非线性多步预测控制器. 仿真结果表明, 文中提出的多步预测控制器具有较好的控制效果.     

Neural network modeling and control of cement mills using a variable structure systems theory based on-line learning mechanism

It is well known that the major cause of instability in industrial cement ball mills is the so-called plugging phenomenon. A novel neural network adaptive control scheme for cement milling circuits that is able to fully prevent the mill from plugging is presented. Estimates of the one-step-ahead errors in control signals are calculated through a neural predictive model and used for controller tuning. A robust on-line learning algorithm, based on sliding mode control (SMC) theory is applied to both: to the controller and to the model as well. The proposed approach allows handling of mismatches, uncertainties and parameter changes in the model of the mill. The simulation results from indicate that both the neural model and the controller inherit the major advantages of SMC, i.e. robustness. Furthermore, learning is achieved in a rapid manner.     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

Model predictive control of an industrial packed bed reactor using neural networks

This paper discusses an industrial application of a multivariable nonlinear feedforward/feedback model predictive control where the model is given by a dynamic neural network. A multi-pass packed bed reactor temperature profile is modelled via recurrent neural networks using the backpropagation through time training algorithm. This model is then used in conjunction with an optimizer to build a nonlinear model predictive controller. Results show that, compared with conventional control schemes, the neural network model based controller can achieve tighter temperature control for disturbance rejection     

带终端滑模约束的非线性模型预测控制方法

将预测控制和滑模控制结合起来,提出一种非线性性模型预测控制方法。给出一种可行的双模控制方案,系统状态位于终端区外时采用提出的预测控制,在终端区内部采用高线设计的滑模控制。对系统终端滑模附加不等式约束,使得系统状态在预测时域的末端位于高线设计的滑动模态区内,从而使预测时域减小。仿真结果表明了算法的有效性。