基于状态反馈的预测二次稳定系统设计

基于广义预测的状态空间形式,提出了一种新的鲁棒预测控制设计方法—预测二次稳定控制器。利用Riccati方程给出了最优控制律,并在理论上给出了严格的证明。这种控制算法可以保证控制系统的稳定性。与广义预测控制方法进行比较,仿真结果表明该鲁棒预测控制方法是有效的,其控制性能明显优于常规的广义预测控制。     

变参考轨迹下的鲁棒迭代学习模型预测控制

迭代学习模型预测控制是针对间歇过程的先进控制方法.它能通过迭代高精度跟踪给定参考轨迹,并保证时域上的闭环稳定性.然而,现有的迭代学习模型预测控制算法大多基于线性/线性化系统,且没有考虑参考轨迹变化的情况.本文基于线性参变系统提出一种能有效跟踪变参考轨迹的鲁棒迭代学习模型预测控制算法.首先,采用线性参变模型准确涵盖原始非线性系统的动态特性.然后,将鲁棒H∞控制与传统迭代学习模型预测控制相结合,抑制变参考轨迹带来的跟踪误差波动,通过优化线性矩阵不等式约束下的目标函数求得控制输入.深入分析了鲁棒迭代学习模型预测控制的鲁棒稳定性和迭代收敛性.最后,通过对数值例子和连续搅拌反应釜系统的仿真验证了所提出算法的有效性.     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

适用于降阶模型的新型多步预测控制算法

基于参数自校正机理在线修正预测模型的广义预测控制（ＧＰＳ）具有自校自控制器的共同问题－对降阶模型存在鲁棒性问题，针对这一问题，在文在文（２－３）的基础上，用频域建模和时域控制相结合的方法，提出了一种对降阶模型鲁棒的新型多步预测控制算法（ＮＬＲＰＣ），该方法的主要思想是，在时域上设计具有较大稳定裕度的加权多步预测控制算法，并得到该算法的稳定裕度的定量结果，再用主要频率特性拟合的方法得到对象的阵阶模型     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

基于深度学习的鲁棒非线性模型预测控制方法

为降低鲁棒非线性模型预测控制方法中优化问题的实时求解难度,提出一种基于深度学习的近似鲁棒控制器方法。利用复杂的鲁棒非线性模型预测控制算法作为训练数据的生成器,以当前时刻的过程状态作为网络的输入,复杂控制算法计算的最优控制输入作为网络的输出,基于深度神经网络学习复杂的非线性模型预测控制策略。通过一个工业半间歇聚合反应器模型案例验证了所提方法的有效性,深层网络与浅层网络相比具有更好的效果。     

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.     

一种鲁棒预测控制器的设计和研究

针对由CARIMA模型描述的不确定系统，在设计广义预测控制律的基础上，通过引入一个鲁棒调节回路，构成了一个鲁棒预测控制器，分析了闭环系统的动静态特性和稳定性，给出了系统鲁棒稳定的充分条件，理论分析和仿真研究表明，该控制器具有良好的动静态特性和较强的鲁棒性，并且对非最小相位和开环不稳定的对象都是适用的。     

采用LMI的鲁棒预测控制综合方法

本文简单叙述了线性矩阵不等式（LMI）在控制理论中应用的历史,重点介绍了LMI的原理及其在鲁棒预测控制综合方法中应用的一种新方法,举例说明了如何在预测控制综合方法中应用LMI。本文可作为在鲁棒预测控制中应用LMI和用微机实现鲁棒预测控制算法的参考。     

基于DE算法的非线性预测控制及其应用

针对非线性预测控制系统中需要实时求解非线性规划问题,基于差异演化算法(DE)提出了一种非线性预测控制的新方法。差异演化算法是进化算法的一种,具有全局最优、稳健性强、收敛速度快、及参数调整简单等优点,用于求解非线性预测控制问题中的非线性规划问题具有明显优势。该算法应用于化工过程和化学反应的pH值控制仿真中,仿真结果说明了该方法的有效性。     

Robust output feedback model predictive control using off-line linear matrix inequalities

A fundamental question about model predictive control (MPC) is its robustness to model uncertainty. In this paper, we present a robust constrained output feedback MPC algorithm that can stabilize plants with both polytopic uncertainty and norm-bound uncertainty. The design procedure involves off-line design of a robust constrained state feedback MPC law and a state estimator using linear matrix inequalities (LMIs). Since we employ an off-line approach for the controller design which gives a sequence of explicit control laws, we are able to analyze the robust stabilizability of the combined control laws and estimator, and by adjusting the design parameters, guarantee robust stability of the closed-loop system in the presence of constraints. The algorithm is illustrated with two examples.     

Design of an RMPC with a time‐varying terminal constraint set for tracking problem

This paper presents a robust model predictive control algorithm with a time‐varying terminal constraint set for systems with model uncertainty and input constraints. In this algorithm, the nonlinear system is approximated by a linear model where the approximation error is considered as an unstructured uncertainty that can be represented by a Lipschitz nonlinear function. A continuum of terminal constraint sets is constructed off‐line, and robust stability is achieved on‐line by using a variable control horizon. This approach significantly reduces the computational complexity. The proposed robust model predictive controller with a terminal constraint set is used in tracking set‐points for nonlinear systems. The effectiveness of the proposed method is illustrated with a numerical example. Copyright © 2015 John Wiley & Sons, Ltd.     

基于不确定逼近的机械手间接自适应鲁棒预测控制

为了使机械手系统在含有模型不确定项时具有良好的跟踪性能和较强的抗干扰能力,提出了一种间接自适应鲁棒预测控制。首先,针对机械手模型设计出非线性鲁棒预测控制器;然后,基于三次样条函数逼近控制律中因模型不确定性产生的未知项,并在控制律中引入一个D-控制项抑制外部干扰。理论证明了所设计的控制器能够使跟踪误差收敛到原点。仿真验证了所提方法的有效性。     

Handling uncertainty in economic nonlinear model predictive control: A comparative case study

In the last years, the use of an economic cost function for model predictive control (MPC) has been widely discussed in the literature. The main motivation for this choice is that often the real goal of control is to maximize the profit or the efficiency of a certain system, rather than tracking a predefined set-point as done in the typical MPC approaches, which can be even counter-productive. Since the economic optimal operation of a system resulting from the application of an economic model predictive control approach drives the system to the constraints, the explicit consideration of the uncertainties becomes crucial in order to avoid constraint violations. Although robust MPC has been studied during the past years, little attention has yet been devoted to this topic in the context of economic nonlinear model predictive control, especially when analyzing the performance of the different MPC approaches. In this work, we present the use of multi-stage scenario-based nonlinear model predictive control as a promising strategy to deal with uncertainties in the context of economic NMPC. We make a comparison based on simulations of the advantages of the proposed approach with an open-loop NMPC controller in which no feedback is introduced in the prediction and with an NMPC controller which optimizes over affine control policies. The approach is efficiently implemented using CasADi, which makes it possible to achieve real-time computations for an industrial batch polymerization reactor model provided by BASF SE. Finally, a novel algorithm inspired by tube-based MPC is proposed in order to achieve a trade-off between the variability of the controlled system and the economic performance under uncertainty. Simulations results show that a closed-loop approach for robust NMPC increases the performance and that enforcing low variability under uncertainty of the controlled system might result in a big performance loss.     

Robust discrete-time set-based adaptive predictive control for nonlinear systems

The problem of robust adaptive predictive control for a class of discrete-time nonlinear systems is considered. First, a parameter estimation technique, based on an uncertainty set estimation, is formulated. This technique is able to provide robust performance for nonlinear systems subject to exogenous variables. Second, an adaptive MPC is developed to use the uncertainty estimation in a framework of min–max robust control. A Lipschitz-based approach, which provides a conservative approximation for the min–max problem, is used to solve the control problem, retaining the computational complexity of nominal MPC formulations and the robustness of the min–max approach. Finally, the set-based estimation algorithm and the robust predictive controller are successfully applied in two case studies. The first one is the control of anonisothermal CSTR governed by the van de Vusse reaction. Concentration and temperature regulation is considered with the simultaneous estimation of the frequency (or pre-exponential) factors of the Arrhenius equation. In the second example, a biomedical model for chemotherapy control is simulated using control actions provided by the proposed algorithm. The methods for estimation and control were tested using different disturbances scenarios.     

一类SISO系统的预测函数控制及其鲁棒稳定性分析

首先给出对象不确定性描述,基于阶跃响应模型提出单值预测函数控制和双值预测函数控制两类算法的设计．然后将系统控制结构归结为内模控制结构,利用多项式Jury主系数定理,分别给出基于两类预测函数控制算法设计的闭环控制系统鲁棒稳定的充分条件．最后通过仿真实验讨论了控制器的参数调节．     

具有可参数化不确定性系统的对偶自适应模型预测控制

控制系统中存在的不确定性为其性能优化带来诸多问题.自适应控制和鲁棒控制是针对系统存在的不确定性而采取的不同设计策略;前者没有充分考虑系统的未建模动态,而后者往往是针对不确定的最大界而设计,具有较强的保守性.本文试图将自适应控制和鲁棒控制的策略相结合,提出了一种在模型预测控制中利用未来不确定信息的对偶自适应模型预测控制策略.该策略将系统中由未建模动态引起的不确定性参数化表达,并为其设定边界约束,作为优化问题中新的约束,在优化控制目标的同时减小系统不确定性对控制的影响.仿真结果表明,本文提出的算法较传统自适应模型预测控制算法,对于系统存在的不确定性由于在迭代过程中采用参数化描述,得到了更好的系统性能,且具有更好的收敛性.