一类复杂工业过程的数据驱动与PID协调控制

针对一类具有强非线性且难以建立精确数学模型的复杂工业过程,提出了一种基于PID与数据驱动的协调控制策略。在系统初始阶段,采用PID控制方法,不需要建立系统的数学模型,就能获得大量系统输入输出(I/O)数据。在系统稳态阶段,提出了多输入多输出(multiple input multiple output,MIMO)无模型自适应离散终端滑模控制(model-free adaptive discrete terminal sliding mode control,MFA-DTSMC)方法,该方法基于系统的紧格式动态线性化数据模型,且伪Jacobian矩阵(pseudo-Jacobian matrix,PJM)估计算法仅取决于被控对象的I/O测量数据。其次,设计了一种协调控制策略,实现了PID与数据驱动控制器之间的协调控制。以双容水箱液位系统为例进行仿真实验,仿真结果验证了所提控制策略的有效性。     

未知参数非线性系统的自适应广义预测控制

研究非线性系统的稳定性和跟踪优化问题,针对未知参数非线性系统的参数辨识和输出跟踪问题,给出参数自适应广义预测控制方法,为使辨识模型能实时反映被控对象特性以及输出对设定值的跟踪有较高精度.提出将非线性系统转化为受控自回归滑动平均模型,根据输入输出数据辨识模型参数.采用广义预测控制滚动优化的策略得出最优控制律,将最优控制律作用于对象实现非线性系统的优化控制以及系统输出对设定值的跟踪控制.明显克服了自适应控制对模型精度要求高的缺陷且具有在线辨识,滚动优化的特点.最后,通过仿真实例验证了方法的有效性.     

多变量预测控制工程应用的控制模型前馈解耦策略

针对多变量预测控制计算量大、控制效果对扰动和模型失配敏感等特点,提出一种适用于预测控制工程应用的控制模型前馈解耦策略.基于结构分析,保留重要的被控变量与操作变量配对关系,将不重要的被控变量与操作变量配对作为前馈引入进行补偿,简化了系统结构,降低了系统耦合程度,减弱了预测控制器对扰动和模型失配的敏感程度,极端情况下形成的单入单出或小规模多入多出系统有效减小了在线计算量;基于分布式预测控制思想,给出控制模型前馈解耦策略的分散优化策略,进一步减小了系统规模和在线计算量.最后,通过仿真验证了所提策略的可行性与有效性.     

数据与未建模动态驱动的非线性PID切换控制

本文充分利用系统的数据信息和知识,把数据驱动控制、PID控制与一步超前最优控制策略相结合,提出了数据与未建模动态驱动的非线性PID切换控制方法.该方法首先利用被控对象往往运行在工作点附近的特点及系统丰富可测的数据信息,把被控对象表示成低阶控制器设计模型与高阶非线性项(未建模动态)和的形式.与以往方法的本质区别在于,所提的方法直接将未建模动态分解为前一拍数据与未知增量的和,并充分利用未建模动态可测数据信息补偿系统未知的非线性动态特性,设计非线性PID控制器,对未建模动态的未知增量采用自适应神经模糊推理系统(ANFIS)进行估计,从而设计带有未建模动态增量估计的非线性PID控制器.将控制器的跟踪误差引入切换指标,两个控制器通过切换机制协调控制系统,既保证系统的稳定,同时提高系统的性能.为解决PID控制器参数难以选择的问题,采用一步超前最优控制策略进行参数设计,从理论上给出了PID控制器参数选择的一般原则和方法,推导了保证闭环系统输入输出稳定性的条件;最后,通过数值仿真实验以及在水箱液位控制系统的物理对比实验,实验结果验证了所提算法的有效性和实用性.     

欠驱动RTAC的滑模自抗扰镇定控制

针对欠驱动RTAC (rotational/translational actuator)的镇定问题,提出了一种滑模自抗扰控制方法,通过对总扰动的观测和补偿降低了未知扰动对RTAC的影响.为克服RTAC的欠驱动特性,所提方法通过将可驱动的摆球角度和无驱动的小车位置两个状态相结合,构建出虚拟被控量作为系统输出,从而使RTAC的动力学模型转换为非欠驱动模型.基于重建的模型设计线性扩张状态观测器(linear extended state observer, LESO)和滑模控制器,并采用Lyapunov方法证明RTAC的闭环稳定性,实现了RTAC的镇定控制,有效抑制了小车的振荡.最后,通过数值仿真和硬件实验验证了所提控制方法的有效性,与已有方法的对比分析证明该方法具有良好的控制性能.     

基于自抗扰控制器的力矩电机伺服系统控制

自抗扰控制器能将被控对象的内、外“总扰动”进行估计并用前馈补偿的方法将其抵消,适于力矩电机因直接驱动所带来干扰的补偿与控制;针对测量噪声对线性自抗扰控制器观测器带宽的限制,提出了二阶线性自抗扰的相似结构,并结合三阶积分链式微分器对其效果进行了对比仿真验证;力矩电机的控制仿真实验表明,与二阶线性自抗扰算法相比,基于相似结构的改进的力矩电机控制,能在有测量噪声情况下兼顾系统跟踪精度、突加负载时抗扰动性.     

基于迭代扩张状态观测器的数据驱动最优迭代学习控制

针对一类带扰动有限时间内重复运行的离散时间非线性非仿射不确定系统,本文提出了一种基于迭代扩张状态观测器的数据驱动最优迭代学习控制方法.首先,提出了改进的迭代动态线性化方法,将被控系统线性化为与控制输入有关的仿射形式,并将不确定性合并到一个非线性项中;然后,设计了迭代扩张状态观测器对非线性不确定项进行估计,作为对扰动的补偿;最后,设计了性能指标函数,通过最优技术,提出了参数迭代更新律和最优学习控制律.本文通过数学分析,证明了跟踪误差的有界收敛性.仿真结果验证了方法的有效性.所提出的新型迭代动态线性化方法可很大程度上降低线性化后的控制增益的动态复杂性,使其易于估计.所提出的迭代扩张状态观测器可以在重复中学习,对非重复扰动可进行有效的估计.此外,本文控制器的设计与分析是数据驱动的控制方法,除了被控系统的输入输出数据以外,不需要任何其他模型信息.     

一种无模型自适应积分终端滑模控制方法

针对一类包含扰动的非线性离散时间系统,提出一种新的无模型自适应离散积分终端滑模控制算法.该算法基于紧格式动态线性化数据模型,利用离散积分终端滑模控制算法设计无模型自适应控制器,并采用扰动估计技术估计系统的扰动项,其中动态线性化方法中“伪偏导数”的估计算法仅依赖于被控系统的I/O测量数据.理论分析证明了系统输入输出有界,并通过仿真实验验证了所提算法的有效性.     

基于数据驱动的气动柔性关节Takagi–Sugeno模糊系统建模与预测控制

针对气动柔性关节动态特性复杂、难以实现高精度控制的问题,提出一种基于Takagi–Sugeno (T–S)模糊系统的预测控制方法.首先,应用MBGD–RDA算法对T–S模糊系统进行离线训练,该算法结合了机器学习中的小批量梯度下降算法、正则化、Droprule和AdaBound算法.其次,基于模糊集相似性度量方法,对训练得到的T–S模糊系统的模糊集进行剪枝,对模糊规则进行合并,简化T–S模糊系统结构.最后,设计了基于T–S模糊系统的单层神经网络预测控制器. T–S模糊系统参数和预测控制器参数均能实现在线更新,且基于李雅普诺夫理论的稳定性分析保证了系统的稳定性.仿真结果验证了基于数据驱动的T–S模糊系统的高精度预测性能,且结构简化后的T–S模糊系统在规则数减少的情况下仍能维持较高的预测精度.实际实验中,所提控制方法最大跟踪误差小于3°,而传统的模糊逻辑控制器最大跟踪误差大于5°,这表明所提控制算法显著提升了对柔性关节的跟踪控制精度.     

基于扰动补偿的无微分模型参考自适应控制系统设计

针对一类含有参数不确定性和未知非线性扰动的系统,本文提出一种基于扰动补偿的无微分模型参考自适应控制方法,实现系统输出对参考模型输出信号的高精度跟踪.首先,利用被控对象模型信息设计扰动估计器,对系统非线性扰动进行在线估计;其次,基于非线性扰动估计值设计参考模型和无微分参数更新律,构建无微分模型参考自适应控制器,建立基于扰动补偿和状态反馈的自适应控制律,以消除参数不确定性和非线性扰动对系统输出的影响,保证系统输出对参考模型输出的准确跟踪;然后,给出闭环系统误差信号收敛条件和控制器参数整定方法;最后,通过数值仿真验证所提方法的有效性和优越性.     

一种完全数据驱动的子空间辨识与鲁棒预测控制器设计

针对线性时变多变量系统,在可能存在输入输出数据噪声的情况下,不需已知系统的先验结构信息,提出一种完全数据驱动的子空间辨识及控制器设计方法.在子空间在线辨识基础上,利用不确定性模型更好地建模被控系统,结合鲁棒控制策略进行预测控制器的设计;将系统建模与鲁棒控制器的设计包含在一个控制系统设计框架内,对模型不确定性具有更好的鲁棒性;最后给出仿真实例验证算法的有效性.     

数据驱动闭环子空间预测控制方法研究与应用

提出一种完全数据驱动的闭环子空间辨识及预测控制器设计方法. 该方法完全由闭环系统的输入输出数据辨识子空间矩阵, 通过子空间矩阵的拆分, 排除了与扰动相关的模型输入, 进而获取子空间矩阵参数的无偏估计; 将辨识得到的闭环系统子空间矩阵描述直接作为预测模型, 设计预测控制器; 将其应用于某钢铁集团焦炉炭化室压力控制系统, 取得了良好的控制效果.

     

Data-driven predictive control for continuous-time linear parameter varying systems with application to wind turbine

A new data-driven predictive control method based on subspace identification for continuous-time linear parameter varying (LPV) systems is presented in this paper. It is developed by reformulating the continuous-time LPV system which utilizes Laguerre filters to obtain the subspace prediction of output. The subspace predictors are derived by QR decomposition of input-output and Laguerre matrices obtained by input-output data. The predictors are then applied to design the model predictive controller. It is shown that the integrated action is incorporated in the control effect to eliminate the steady-state offset. We control the continuous-time LPV systems to obtain the attractive performance with the proposed data-driven predictive control method. The proposed controller is applied to a wind turbine to verify its effectiveness and feasibility.     

A recursive modified partial least square aided data-driven predictive control with application to continuous stirred tank heater

In this paper, a data-driven predictive control strategy for nonlinear system is proposed and testified on a continuous stirred tank heater (CSTH) benchmark. A recursive modified partial least square (RMPLS) algorithm is employed to regress the local linear model. The algorithm of locally weighted projection regression (LWPR) is then leveraged to build the predictive model, based on which a novel data-driven predictive control strategy is put forward. The proposed predictive controller has the ability to deal with changing working conditions, benefiting from the incremental learning ability of RMPLS and LWPR. The performance of the proposed control strategy is demonstrated with the CSTH while the superiority is illustrated by comparison with an existing model-free adaptive control approach.     

非线性CSTR过程预测控制器设计

针对非线性CSTR(continuously stirred tank reactor)过程,提出一种新的预测控制的设计与仿真实现.在对一类特殊非线性过程分析的基础上,从系统的输入输出数据出发,基于子空间辨识算法建立双线性系统模型来近似描述被控系统;设计新的预测控制算法实现对CSTR过程的跟踪控制;为补偿模型失配以消除控制中的稳态误差,将积分作用包含在预测控制器的设计中,实现对控制输出的良好跟踪性能;最后通过一个仿真实例验证算法的有效性.     

一种子空间辨识的广义预测控制算法

针对广义预测控制(GPC)模型中输入输出数据可能存在噪声和系统先验结构信息未知导致的难于辨识问题,提出了一种子空间辨识的广义预测控制算法。该算法采用变遗忘因子的子空间辨识方法,按照预测优化值与参考输出值的误差构造变遗忘因子,调整采集数据权重,进行在线辨识以提高灵敏度和控制效果。实验结果验证了所提出算法的有效性。     

基于子空间辨识的模型预测控制策略及其应用

针对化工过程中普遍存在的非线性和时变特性, 提出了一种基于递推子空间辨识的自适应预测控制策略.用子空间辨识法得到的预测模型作为初始模型, 通过比较初始模型和在线更新模型的匹配误差, 选择匹配误差较小的预测模型计算过程的输入, 从而提高了模型精度. 通过模拟移动床过程控制的仿真试验, 表明该方法具有较强的鲁棒性和抗干扰能力.     

Adaptive subspace predictive control with time-varying forgetting factor

Aiming at the time-varying characteristics of industrial process, this paper introduces an adaptive subspace predictive control(ASPC) strategy with time-varying forgetting factor based on the original subspace predictive control algorithm(SPC). The new method uses model matching error to calculate the variable forgetting factor, and applies it to constructing Hankel data matrix.This makes the data represent the changes of system information better. For eliminating the steady state error, the derivation of the incremental control is made. Simulation results on a rotary kiln show that this control strategy has achieved a good control effect.     

Fuzzy modeling and stable model predictive tracking control of large-scale power plants

This paper develops a stable model predictive tracking controller (SMPTC) for coordinated control of a large-scale power plant. First, a Takagi–Sugeno (TS) fuzzy model is established to approximate the behavior of the boiler–turbine coordinated control system (CCS) using fuzzy clustering and subspace identification (SID). Then, an SMPTC is designed based on the fuzzy model to track the power and pressure set-points while guaranteeing the input-to-state stability and the input constraints of the system. An output-based objective function is adopted for the proposed SMPTC so that the controller could be directly applicable for the data-driven model. Moreover, the effect of modeling mismatches and unknown plant variations has been overcome by the use of a disturbance term and steady-state target calculator (SSTC). Simulation results for a 600 MW power plant show that an off-set free tracking performance can be achieved over a wide range load variation.