烘丝过程出口水分控制数据分析方法应用研究

烟丝含水率是卷烟生产过程中最重要的质量参数,如何尽可能地提高烘丝工序的出口水分控制的平稳性与精准度一直是各卷烟生产厂家研究的重要课题.文章首先对模型预测控制方法(MPC)进行应用研究,基于红河卷烟厂历史烘丝过程控制数据分析,运用多种辨识烘丝过程动态系统方法,对比发现ARX模型较优,在此基础上提出一种基于多级粒度数据建模的多步预测思路,取得一定的预测效果;接着通过多次仿真实验,发现基于数据驱动的控制方法(DDC)相比MPC方法具有更好的控制性能.     

RMPCT技术在连续重整装置上的应用

催化连续重整是石油加工中极其重要的工艺过程。由于反应复杂,过程变量多,变量之间耦合严重,存在许多重要不易测量变量,使过程控制难度大,采用常规的PID单回路控制有很大的局限性。多变量模型预估控制MPC是石油化工生产中广泛应用的1种先进控制策略。霍尼韦尔公司在MPC的基础上开发出了鲁棒多变量模型预测控制技术RMPCT。将R...     

先进控制软件在氨纶生产过程中的应用

引言 模型预测控制（MPC）是目前得到广泛应用的先进控制策略。预测控制具有预测模型、滚动优化、反馈校正等特点．适应复杂工业过程控制的要求。预测函数控制（PFC）是第三代模型预测控制算法．由于具有在线计算量少、对模型精度要求不高、有较强的稳定性和鲁棒性等特点．在工业过程中得到了广泛的应用。     

风轮机桨距角的数据驱动预测控制

数据驱动预测控制方法是数据驱动和预测控制相结合而产生的一种新型控制策略.传统的模型预测控制(MPC)方法使用的预测模型一般都是近似线性系统预测模型.在具有强非线性的工业过程中,数据驱动预测控制方法对系统模型要求更低,控制效果更好.针对额定风速以上风轮机桨距角的控制问题,利用输入输出数据在线设计控制器,将数据驱动预测控制方法较好的应用于风力发电系统中,实现额定风速以上系统的恒功率控制.仿真结果表明该方法能够成功控制风轮机桨距角,达到系统恒功率输出的控制目标,同时保持转速在额定值附近.     

基于PCS7流化床干燥器建模与控制策略的设计

对流化床干燥器工艺过程中给料单元、换热单元、空气输送单元和物料输出单元进行了建模与控制策略的设计。设计的目的是在保证过程控制系统单元稳定的情况下,优化出口物料的湿度以更优的效果达到工艺的要求。控制方案利用了先进PID控制与模型预测控制（MPC）的协同控制。利用西门子SIMATIC PCS7过程控制系统进行了仿真研究。结果表明控制效果良好,系统稳定,被干燥的湿物料能够快速达到稳定的状态。     

基于Smith预估器的积分切换增益滑模控制

许多化工过程的传递函数往往包含积分环节和一阶惯性加纯时延环节.由于纯时延的存在,一般的控制方法很难使之稳定,即使能,也需要很长的调节时间且会出现振荡,因此在过程控制中这类系统被公认是一挑战性课题.Smith预估控制能克服纯时延,然而对模型非常依赖,当建模出现误差而不确定时,就会出现较大的振荡,甚至发散.特别是系统有常值干扰时,使用Smith预估控制方法,含积分环节的一阶惯性加纯时延系统则会出现余差.因此,本文提出1种基于Smith预估器的积分切换增益滑模控制,该方法使用1种超前一滞后网络前馈补偿常值干扰,利用滑模控制的鲁棒性以克服系统模型的不确定,系统能够实现渐趋稳定.积分型切换增益减小了系统抖动.仿真研究表明本文提出的方法能够控制好包含积分环节的一阶惯性加纯时延系统,是1种有应用潜力的控制方法.     

电流型变流器的改进模型预测控制

传统的模型预测控制(MPC)采用脉冲响应的非参数模型作为系统的预测控制模型,计算量大,很难直接应用于实时控制系统.本文提出将传统的MPC进行改进,应用到电流型变流器(CSC)功率因数校正系统中.改进的MPC根据CSC控制量与被控制量的传递函数得出CSC的一阶差分方程作为预测控制模型,同时保留传统MPC反馈校正、动态优化等优点.将此改进的MPC与传统的PID控制进行对比研究,结果表明:改进的MPC用于电流型变流器,比传统的PID控制具有更好的鲁棒性和更快速的动态响应特性.     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

使用黄金分割法的管道压力系统自适应控制

压力是工业过程控制常用参数,为了探索黄金分割自适应控制在工业过程控制中的应用技术,本文将其应用于水流管道的压力控制.利用控制实验平台,搭建了以变频调速驱动水泵的压力控制实验系统.阐述了特征建模与黄金分割自适应控制对该系统的适用性和稳定性,并通过分析确定了特征模型类型和控制算法.考虑到时延的影响,采用数字外推预测算法对管道压力误差进行处理.对控制方案进行了仿真分析,完成了与黄金分割自适应控制相关的管道压力控制实验.实验结果表明,黄金分割自适应控制能够实现管道压力的高精度控制,现场调试简单,该控制方案的优越性得到了验证.     

工业过程系统的预测控制

预测控制方法自1970's提出后在学术界和工业应用领域都取得了很大的进展,尤其在工业过程控制方面成为一种重要的先进控制方法.根据工业过程控制的特点和进一步的需求,对近年来在工业过程控制领域预测控制方法取得的新进展进行综述,包括过程控制系统模型辩识,数据驱动的预测控制和在网络信息模式下的预测控制等.并对预测控制进一步的发展需求进行分析,介绍了欧盟正在进行的第七框架对于大系统分布式预测控制的研究内容.     

Tuning SISO offset-free Model Predictive Control based on ARX models

In this paper, we present a tuning methodology for a simple offset-free SISO Model Predictive Controller (MPC) based on autoregressive models with exogenous inputs (ARX models). ARX models simplify system identification as they can be identified from data using convex optimization. Furthermore, the proposed controller is simple to tune as it has only one free tuning parameter. These two features are advantageous in predictive process control as they simplify industrial commissioning of MPC. Disturbance rejection and offset-free control is important in industrial process control. To achieve offset-free control in face of unknown disturbances or model-plant mismatch, integrators must be introduced in either the estimator or the regulator. Traditionally, offset-free control is achieved using Brownian disturbance models in the estimator. In this paper we achieve offset-free control by extending the noise model with a filter containing an integrator. This filter is a first order ARMA model. By simulation and analysis, we argue that it is independent of the parameterization of the underlying linear plant; while the tuning of traditional disturbance models is system dependent. Using this insight, we present MPC for SISO systems based on ARX models combined with the first order filter. We derive expressions for the closed-loop variance of the unconstrained MPC based on a state space representation in innovation form and use these expressions to develop a tuning procedure for the regulator. We establish formal equivalence between GPC and state space based off-set free MPC. By simulation we demonstrate this procedure for a third order system. The offset-free ARX MPC demonstrates satisfactory set point tracking and rejection of an unmeasured step disturbance for a simulated furnace with a long time delay.     

基于通用学习网络的预估控制

利用通用学习网络具有所有节点互连，任意两节点之间可以有多重连接，且连接允许有任意延迟时间的特点，对典型非线性、大滞后系统进行了辨识．结合PID控制器对pH中和过程实现了高精度的预估控制．通过与传统的Smith预估控制的比较，证明该网络能有效地应用于大滞后系统，利用该网络进行系统辨识是对未知对象模型控制的一种有效新方法．     

内模强化学习型模型预测控制及其在人工胰脏上的应用

在学习型模型预测控制的框架里,迭代学习控制器被用来更新模型预测控制器的设定点.在已经发表的研究成果里,学习型模型预测控制用到的是比例型的学习率,这种学习率的学习能力有限,而且怎样设计学习增益仍然是一个开放性问题.在本文中,基于内模控制理论提出的PID型的迭代学习控制器被用来更新模型预测控制器的设定点.为了方便起见,本文提出的结合算法可称为内模强化学习型模型预测控制.本文提出的算法应用在(1)型糖尿病人的人工胰脏闭环控制上.仿真结果显示,本算法对比于比例学习型模型预测控制可以达到更好的收敛性能,而且对非重复干扰有很好的鲁棒性.     

基于强化学习的网络时延自动化控制数学建模研究

传统的网络时延控制模型在分析时延原因时,仅从宏观角度分析,缺少建立网络模型的过程,导致时延控制能力差、数据传输时间长、丢包率大的问题。为解决此问题,设计一种基于强化学习的网络时延自动化控制模型。该模型的构建主要分为两部分,先是确定网络模型,具体分析网络时延出现的原因,在此基础上,利用强化学习中的Q学习算法构建自动化控制模型,以解决网络时延问题。实验结果表明:与传统的基于均衡调度的网络时延控制模型相比,该模型对网络时延的控制性能更好,且数据包传输时间缩短3.7 s,数据包丢包率降低5%,应用优势明显。     

改进Smith预估控制系统用于甲醛生产控制

针对甲醛生产过程中氧醇比控制中大滞后延迟的难点,设计了改进的史密斯预估控制系统,并实现了对该系统的计算机仿真.通过调节热水阀门控制氧醇比不能彻底解决系统的大滞后问题,因此在调节器的设计上采用了史密斯预估控制算法,对系统的大滞后进行了补偿.同时又设计了模糊自校正控制,进一步提高控制系统的控制品质.     

基于模型预测控制与改进人工势场法的多无人机路径规划

模型预测控制(model predictive control,MPC)已成功地应用于无人机集群的路径规划.但其存在计算量大及单步运算时间长等不足,在实时运行中往往难以获得较高的控制频率.而离线的MPC需要准确的地图信息,难以处理地图中无法预测的动态障碍物.对此,提出一种结合离线MPC全局规划与在线改进人工势场法局部规划的方法.在利用MPC方法生成安全、平滑轨迹的同时,提高无人机在动态障碍物影响下的避障能力.通过引入调节力来处理传统人工势场法的局部极小值问题,并将目标与无人机的相对距离引入斥力函数,同时改进引力函数,以改善无人机在目标点处低速徘徊的问题.此外,设计一种事件触发的无人机轨迹变更与轨迹恢复策略,使无人机仅在必要时实施动态避障行为.在此基础上,最大化利用原来的规划轨迹.仿真验证结果表明,所提出的路径规划方法能够使无人机集群安全飞行至目标点,并且具有良好的动态避障能力.     

基于强化学习算法的智能飞控开发系统

无人机控制器的设计开发是一项复杂的系统工程, 传统的基于代码编程的开发方式存在开发难度大、周期长及错误率高等缺点. 同时, 强化学习智能飞控算法虽在仿真中取得很好的性能, 但在实际中仍缺乏一套完备的开发系统. 本文提出一套基于模型的智能飞控开发系统, 使用模块化编程及自动代码生成技术, 将强化学习算法应用于飞控的嵌入式开发与部署. 该系统可以实现强化学习算法的训练仿真、测试及硬件部署, 旨在提升以强化学习为代表的智能控制算法的部署速度, 同时降低智能飞行控制系统的开发难度.     

Design of networked control systems with bounded arbitrary time delays

This paper is mainly concerned with the model predictive control (MPC) of networked control systems (NCSs) with uncertain time delay and data packets disorder. The network-induced time delay is described as bounded and arbitrary process. For the usual state feedback controller, by considering all the possibilities of delays, an augmented state space model of the closed-loop system, which characterizes all the delay cases, is obtained. The stability conditions are given according to the Lyapunov method based on this augmented model. The stability property is inherited in MPC which explicitly considers the physical constraints. A numerical example is given to demonstrate the effectiveness of the proposed MPC.     

基于深度强化学习的多路口信号控制优化研究

新起的智能交通系统在改善交通流量,优化燃油效率,减少延误和提高整体驾驶经验方面有望发挥重要作用。现今,交通拥堵是困扰人类的一个极其严重的问题,特别是一些城市交通密集的十字路口处可能会更加严重。对信号控制系统的奖励机制进行了改进,将所有路口共享奖励的机制改进为每个交叉口共享唯一的奖励,并且通过密集采样策略与多路口信号控制相结合的方式,运用时下热门的深度强化学习来解决交通信号灯配时问题。仿真实验都是基于现在国际主流的交通模拟软件（SUMO）完成,从实验结果表明,改进后的深度强化学习多路口信号控制方法相较于传统强化学习方法控制效果更佳。