pH值中和反应过程的无模型学习自适应控制

根据pH值处理过程的时变和非线性特性,将基于紧格式线性化的单入单出非线性离散时间系统的无模型学习自适应控制方法应用在带有时滞的pH值中和反应过程中。控制器的设计是无模型的,是直接基于称为伪偏导数的向量,此伪偏导数是通过一种新型参数估计算法,根据酸碱中和反应系统的输入输出信息在线导出的。此无模型控制方法非常适用于实际的模型参数难以辨识,且是时变的非线性系统。仿真控制验证了该方法对不确知动态的非线性pH值的控制具有鲁棒性强、响应速度快和控制精度高的优点,性能好于传统的PID控制。     

基于模型辨识的非线性连续系统的迭代学习控制

基于非线性连续动态的模型辨识算法, 给出了非线性连续系统的一种非常有效的迭代学习控制方案. 该控制方案不要求非线性连续系统中具体的非线性关系, 并且容许系统初始误差的存在.     

Saint-Venant方程组Crank-Nicolson格式离散与学习控制建模

研究了Saint-Venant方程组的Crank-Nicolson格式离散化并建立学习控制模型.首先给出了表示明渠流水流质量和动量守恒的Saint-Venant方程组,并线性化;其次,采用Crank-Nicolson格式进行离散,得到了无条件稳定的离散化方程组;最后通过离散化后得到的状态空间方程,建立了基于迭代学习控制的数学模型,为后续进一步研究算法的收敛性奠定了基础.     

非线性离散时间系统迭代学习控制的稳定性分析

讨论了初始偏移对于非线性离散时间系统迭代学习控制性能的影响.提出描述选择学习控制算法的学习律,并给出保证系统稳定性的充分条件.     

无模型控制方法在化肥生产中的应用

硝酸氨生产中和过程pH值控制对于产品质量有很大的影响 .对这个过程的精确控制一直是硝酸氨生产中的一个难题 .原因在于中和过程是一个强非线性大时滞过程 .在合成氨生产中几乎所有的合成氨装置对氢氮比的控制都存在一定的问题 ,氢氮比系统是一个超大时滞系统 ,PID调节器对这种过程实现稳定闭环控制几乎不可能 .用无模型控制方法借助于它的强有力的控制功能 ,对上述两个过程实现了闭环稳定控制 ,并对无模型控制方法在上述两个过程中的成功应用进行了分析与介绍     

非线性HAMMERSTEIN系统的预测控制及其pH过程应用

本文基于非线性离散Hammerstein模型,开发了一种非线性Hammerstein系统预测控制(Non-Linear Hammerstein Predic- tive Control,NLHPC)算法。遵循预测控制策略,该算法利用Hammerstein模型进行输出预测。理论分析结果表明,该算法不仅具有好的稳定性和鲁棒性,而且其自身具有积分作用。在一台工业PC机上实现了该NLHPC算法,并用于具有强非线性的酸碱中和过程实验装置pH值的控制。实验结果表明NLHPC有着比工业界常用的非线性PID控制(nonlinear PID,NL-PID)更好的控制性能。     

一类非线性参数化系统的迭代学习控制

针对一类含有时变和时不变参数的高阶非线性系统,提出了一种新的自适应迭代学习控制方法。该算法利用参数分离性原理和改进的Backstepping方法相结合,可以处理非线性参数化系统的跟踪问题。非线性参数化不确定项利用分离性原理来解决,而Backstepping方法处理不匹配的不确定项。通过构造参数的微分型自适应律和差分型自适应律,使得跟踪误差的平方在一个有限区间上的积分收敛于零。构造了Lyapunov-like函数和自适应学习控制律,证明了所有信号均在有限区间上的积分的意义下是有界的。仿真结果验证了所提算法的有效性和可行性。该方法为以后设计类似的非线性参数化系统的跟踪问题提供了先验知识。     

考虑交通流非线性特性的交通信号迭代学习控制策略

现实中城市交通流的运行具有很强的非线性特性, 采用简单的线性模型难以全面描述交通流的实际运行过程. 本文在考虑城市交通流非线性动态特性的基础上, 提出了一种非线性交通流排队模型, 并基于宏观交通流固有的周期性特征, 设计了交叉口信号的迭代学习控制策略. 通过对交叉口信号的迭代学习控制, 使交叉口各进口道的车辆排队长度尽可能趋于均衡, 提高交叉口信号有效绿灯时间的利用率, 从而提高路网的通行效率. 最后通过严格的数学推导证明了该方法的收敛性, 仿真研究及实验结果验证了所提方法的有效性.     

An optimal method for nonlinear iterative learning control systems with constraint and model uncertainty

Clonal selection algorithm is improved and proposed as a method to implement nonlinear optimal iterative learning control algorithm. In the method, more priori information was coded in a clonal selection algorithm to decrease the size of the search space and to deal with constraint on input. Another clonal selection algorithm is used as a model modifying device to cope with uncertainty in the plant model. Finally, simulations show that the convergence speed is satisfactory regardless of the nature of the plant and whether or not the plant model is precise.     

非线性参数化系统自适应迭代学习控制

研究一类含有未知时变参数的非线性参数化系统的学习控制问题.利用参数分离技术和信号置换思想,通过置换系统方程,合并所有时变参数为一个未知时变参数,用迭代自适应方法估计该未知参数,设计了一种自适应迭代学习控制方法,使得跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造一个类Lyapunov函数,给出了跟踪误差收敛和所有闭环系统信号有界的一个充分条件.仿真结果验证了该方法的有效性.     

一类复杂非线性系统的迭代学习控制算法

针对一类可重复运行的复杂非线性系统,考虑系统中未知变量的变化模式为时域－迭代域变化并满足高阶内模规律,设计一种复杂非线性系统迭代学习控制算法.当系统中还存在非严格重复规律未知的初态定位和跟踪参考轨迹时,充分利用实际系统中未知变量的已知边界条件和高阶内模规律,将最小二乘法与已知边界条件结合,解决系统中的多种非严格重复问题...     

An all-coefficient adaptive control method for a class of nonlinear time-varying systems

In this paper, the extension of the all-coefficient adaptive control method to nonlinear time-varying systems is studied. A novel discretizing method is first proposed to derive the discrete-time model for a class of nonlinear time-varying systems. The characteristics of the coefficients of the discrete-time model are derived by this method, based on which the all-coefficient adaptive control method is given for the class of nonlinear time-varying systems. Sufficient conditions on the closed-loop stability ...     

数据丢失下多智能体系统迭代学习跟踪控制

考虑数据丢失下非线性多智能体系统的一致性跟踪问题。假设多智能体系统使用固定网络通信拓扑结构,由于通信网络自身限制导致多智能体系统中存在数据丢失现象。将数据丢失现象描述为取值0/1的随机伯努利序列,设计分布式一致性跟踪误差,提出该系统在数据丢失下的P型迭代学习控制算法。采用压缩映射的方法给出收敛性条件,并在理论上分析了跟踪误差的收敛性。仿真结果表明,提出的算法可以实现该系统在有限时间区间上对期望轨迹的完全跟踪,验证了算法的有效性。     

迭代学习模型预测控制研究现状与挑战

历经20多年的发展, 迭代学习模型预测控制在理论和应用方面都取得了长足的进步. 但由于批次工业过程复杂多样、结构各异、精细化程度较高, 现有的迭代学习模型预测控制理论仍面临着巨大挑战. 本文简要回顾了迭代学习模型预测控制理论的产生及发展, 阐述了二维预测模型、控制律迭代优化及二维稳定性等基本理论问题; 分析了现有方法在理论及应用方面的局限性, 说明了迭代学习模型预测控制在迭代建模、高效优化、变工况适应等方面面临的难点问题, 提出了可行的解决方案. 简要综述了近年来迭代学习模型预测控制理论和应用层面的发展动态, 指出了研究复杂非线性系统、快速系统、变工况系统对进一步完善其理论体系和拓宽其应用前景的意义, 展望了成品质量控制和动态经济控制等重要的未来研究方向.     

非线性非仿射离散时间系统的两阶段最优迭代学习控制

针对非仿射非线性离散时间系统, 基于一种新的沿迭代轴的动态线性化技术, 提出了双层最优迭代学习控制算法. 双层意味着分别设计了两个最优学习层, 迭代的改进控制输入序列和学习增益. 其主要特点是控制器的设计和收敛性分析只依赖于动态系统的 I/O 数据. 换句话说, 不需要知道系统的任何其他信息就可以很容易的选取控制器参数. 仿真研究表明了提出的算法沿迭代轴具有几何收敛性, 这一特点在快速路交通迭代学习控制中具有重要的工程意义.     

高速公路入口匝道的分散控制

本文基于高速公路时变非线性离散模型,应用反馈控制器参数化方法设计了入口匝道车辆放行的分散控制器,该控制器具有时变非线性的特点.沈大高速公路的系统仿真实验证明了该控制器的有效性.     

未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.     

非线性系统的无模型控制方法

非线性系统广泛存在于各种实际问题中,但是建立复杂非线性被控对象的精确数学模型往往是很困难的,对非线性系统实现稳定控制是过程控制工程中的一项困难的课题。无模型控制方法是以非线性途径设计出来的,因而用它来控制某些非线性复杂对象时,表现出了它的优良控制品质。主要说明了无模型控制方法实现了智能推理算法化,不同于一般的智能控制算法,同时分析了无模型控制律对非线性被控对象收敛的快速性,通过具体的工程实例说明了无模型控制方法在非线性系统中的成功应用。