一阶线性定常分布参数系统的小波预测控制

研究了离散时间分布参数系统的预测控制问题，对一阶线性分布参数系统用正交小波基进行了逼近，将Haar正交小波应用于一阶线性定常系统的预测控制研究。应用小波分析，在DPS预测控制方面找到了一条新途径。仿真实例说明了所提出的算法的有效性。     

基于小波算法的二阶线性定常分布参数系统的辨识

本文基于正交函数逼近方法,借助于小波变换,并利用其运算矩阵及其运算性质,研究了分布参数系统的辨识问题。将Haar小波正交基应用于分布参数系统的辨识中,经正交小波逼近变换,将原偏微分描述的分布参数系统转化为代数矩阵方程,并且,考虑了初始条件和边界条件,获得了算法简单、计算方便、具有较高精度的辨识算法,简化了分布参数系统辨识的求解过程,应用在分布参数系统辨识中不失为一种有效的分析方法。仿真实例表明了本文所提出的算法的有效性。     

分布参数系统边界控制的Haar小波算法

由于分布参数系统通常由偏微分方程描述,采用解析法求解分布参数系统最优边界控制问题,是非常难以解决的.正交函数逼近的方法在分布参数系统控制方面,已经取得了较好的效果.Haar小波作为正交基函数,利用小波的一些运算及变换矩阵,将分布参数系统转化为集总参数系统,再求其逼近解.仿真示例验证了所提出的算法是非常有效的.该方法为分布参数系统的控制算法提出了一条新的解决方案.     

基于小波变换的线性定常分布参数系统最优逼近控制

借助于正交函数逼近方法研究了线性定常分布参数系统的最优控制问题,将Haar小波正交基应用于分布参数系统的最优控制,获得了性能较好的最优控制逼近算法.仿真实例说明了算法的有效性.     

在线优化线性反馈增益的非线性鲁棒预测控制方法

以鲁棒控制不变集作为预测控制的终端约束集,设计了一种新的鲁棒预测控制算法.将预测控制在不同采样点的待优化控制律考虑为线性反馈控制律,并通过在线优化求解线性反馈增益.从理论上证明了若采用所设计的鲁棒预测控制器,则系统是输入状态稳定的.最后通过计算机仿真验证了所提出设计方法的可行性.     

Markov跳变系统的输出反馈鲁棒预测控制

对离散时间Markov跳变系统, 当系统状态不完全可测时, 研究了一类基于输出反馈的鲁棒模型预测控制问题. 所研究系统为准线性参数时变的, 考虑在当前时刻系统的时变参数是已知的, 将来时刻未知的情况. 综合考虑系统存在多胞不确定性和有界噪声等因素, 通过运用线性矩阵不等式方法及变量变换思想, 将无穷时域性能指标的最小最大鲁棒预测控制问题转化为具有线性矩阵不等式约束的凸优化问题, 得到了系统的输出反馈控制律. 引入二次有界概念, 在满足输入输出约束的情况下, 保证闭环系统的随机稳定性. 数值算例验证了方法的有效性.     

时变非线性分布参数控制系统的小波辨识算法

基于正交函数逼近理论,在Haar小波正交规范基的基础上,总结并推导出了其积分运算矩阵、微分运算矩阵、乘积运算矩阵及其运算性质,并应用于一类时变非线性分布参数系统的辨识.借助于正交小波函数逼近方法对分布参数系统进行辨识,经正交小波逼近变换转化为代数矩阵方程,因此该方法可以不考虑初始条件和边界条件,较其他辨识方法要简单得多.该算法简单、计算量小、简化了分布参数系统辨识的求解过程,应用在分布参数系统辨识中不失为一种有效的分析方法.     

基于特征线法的双曲型分布参数模型预测控制及其应用

本文针对双曲型分布参数系统提出基于特征线法的模型预测控制算法. 通过特征线变换将描述分布参数模型的偏微分方程转化为常微分方程; 进而求解得到分布参数系统状态变量的解析式; 离散化后作为预测模型用于模型预测控制. 以循环流化床烟气脱硫系统中SO2浓度控制为例, 进行仿真研究, 结果表明基于特征线法的模型预测控制算法可以实现对双曲型分布参数系统的有效控制, 并且该算法的控制效果优于目前工程应用的前馈反馈 控制策略.     

基于输出反馈的不确定连续系统的鲁棒预测控制

运用线性矩阵不等式方法,研究一类基于输出反馈的线性连续时间范数有界参数不确定系统的鲁棒预测控制问题．基于变量变换的思想,将无限时域“最小—最大”优化问题转化为线性规划问题,得出分段连续的输出反馈控制律,并给出了控制律存在的充分条件,证明了优化问题在初始时刻的可行解保证闭环系统渐近稳定．仿真实例验证了此方法的有效性．     

网络控制系统的最优通信和控制的协同设计

本文研究网络控制系统的最优化通信和控制的协同设计问题．在传感器存取通信媒质的p–to–w通信序列和执行器存取通信媒质的m–to–w通信序列下,网络控制系统的被控对象是一个周期时变的系统．采用提升技术将线性周期时变的系统变换为线性时不变系统,将线性周期时变系统的线性二次型性能指标变换为线性时不变系统的线性二次型性能指标．给出了通信和控制协同设计的网络控制系统的最优状态反馈控制律和最优输出反馈控制律．     

Distributed stochastic MPC for systems with parameter uncertainty and disturbances

A distributed stochastic model predictive control algorithm is proposed for multiple linear subsystems with both parameter uncertainty and stochastic disturbances, which are coupled via probabilistic constraints. To handle the probabilistic constraints, the system dynamics is first decomposed into a nominal part and an uncertain part. The uncertain part is further divided into 2 parts: the first one is constrained to lie in probabilistic tubes that are calculated offline through the use of the probabilistic information on disturbances, whereas the second one is constrained to lie in polytopic tubes whose volumes are optimized online and whose facets' orientations are determined offline. By permitting a single subsystem to optimize at each time step, the probabilistic constraints are then reduced into a set of linear deterministic constraints, and the online optimization problem is transformed into a convex optimization problem that can be performed efficiently. Furthermore, compared to a centralized control scheme, the distributed stochastic model predictive control algorithm only requires message transmissions when a subsystem is optimized, thereby offering greater flexibility in communication. By designing a tailored invariant terminal set for each subsystem, the proposed algorithm can achieve recursive feasibility, which, in turn, ensures closed‐loop stability of the entire system. A numerical example is given to illustrate the efficacy of the algorithm.     

信息物理环境下不确定系统的随机分布式预测控制

针对信息物理系统环境下可能发生的信息丢包问题,提出一种随机分布式预测控制的分析与设计方法.考虑控制器端到执行器端的传输丢包,采用马尔科夫过程对这一丢包过程进行描述.通过对马尔科夫跳变的线性模型进行增广,研究一种具有随机丢包不确定系统的分布式预测控制方法;将系统分解成多个子系统进行描述,研究基于最小最大化优化的分布式预测控制器设计方法,并提出基于迭代交互的子控制器协调算法.将随机分布式预测控制算法在实际电机系统中进行仿真测试,以验证所提出方法的有效性.     

基于小波逼近变换的非线性分布参数系统辨识

利用Haar小波正交规范基的微分运算矩阵及其运算性质,将描述一类非线性分布参数系统的偏微分方程转化为代数矩阵方程,结合最小二乘法,确定出待辨识的系统参数,避免了对偏微分方程进行多重积分运算的繁琐;并且,可以不考虑初始条件和边界条件,较其他采用积分运算矩阵的辨识方法要简单得多,简化了分布参数系统辨识的求解过程。该方法简单,计算量小,辨识精度高。仿真结果表明了该算法应用在非线性分布参数系统辨识中的有效性。     

A scheduling quasi–min-max model predictive control algorithm for nonlinear systems

In this paper, a model predictive control algorithm is designed for nonlinear systems. Combination of a linear model with a linear parameter varying model approximates the nonlinear behavior. The linear model is used to express the current nonlinear dynamics, and the linear parameter varying model is used to cover the future nonlinear behavior. In the algorithm, a “quasi-worst-case” value of an infinite horizon objective function is minimized. Closed-loop stability is guaranteed when the algorithm is implemented in a receding horizon fashion by including a Lyapunov constraint in the formulation. The proposed approach is applied to control a jacketed styrene polymerization reactor.     

分布式预测控制优化算法

复杂大规模预测控制系统的在线实施一直是工业界十分关注的问题之一, 本文针对工业环境下分布式网络结构的特点, 提出了一种基于纳什最优的分布式预测控制优化算法, 在以低成本在线实施的同时, 保持了良好的控制性能, 文中进一步给出了分布式线性模型预测控制算法的收敛条件, 仿真结果表明了该算法的有效性.     

Distributed model predictive control for polytopic uncertain systems subject to actuator saturation

In this paper, we present a distributed model predictive control (MPC) algorithm for polytopic uncertain systems subject to actuator saturation. The global system is decomposed into several subsystems. A set invariance condition for polytopic uncertain system with input saturation is identified and a min–max distributed MPC strategy is proposed. The distributed MPC controller is designed by solving a linear matrix inequalities (LMIs) optimization problem. An iterative algorithm is developed for making coordination among subsystems. Case studies are carried out to illustrate the effectiveness of the proposed algorithm.     

Robust distributed model predictive control of linear systems with structured time-varying uncertainties

In this work, synthesis of robust distributed model predictive control (MPC) is presented for a class of linear systems subject to structured time-varying uncertainties. By decomposing a global system into smaller dimensional subsystems, a set of distributed MPC controllers, instead of a centralised controller, are designed. To ensure the robust stability of the closed-loop system with respect to model uncertainties, distributed state feedback laws are obtained by solving a min–max optimisation problem. The design of robust distributed MPC is then transformed into solving a minimisation optimisation problem with linear matrix inequality constraints. An iterative online algorithm with adjustable maximum iteration is proposed to coordinate the distributed controllers to achieve a global performance. The simulation results show the effectiveness of the proposed robust distributed MPC algorithm.