生物柴油酯交换反应器的一种控制策略研究

生物柴油生产过程具有小批量、多品种特性,使得模型具有不确定性,因此,机理建模对生物柴油生产过程仿真研究具有重要意义.同时,鉴于生物柴油生产过程中存在高度的非线性、多变量耦合性、条件约束性等诸多问题,采用模型预测算法作为控制策略.实验结果表明：合理的模型预测控制器设计能有效地提升酯交换器的性能.     

基于混杂模型预测控制的混合动力车辆能量管理

以并联式混合动力车辆为研究对象,针对其具有连续变量和离散变量并存的特点,采用混杂模型预测控制算法对其进行优化求解。首先,对发动机和电机的外特性曲线、行驶阻力曲线、发动机油耗曲面、电池功率曲面等进行线性化处理,并采用分段仿射自回归外生模型来拟合电池荷电状态计算公式;其次,在混杂系统描述语言工具箱中对各个线性化部分进行描述,并自动生成混合逻辑动态系统;最后,采用混杂工具箱对生成的混合逻辑动态系统进行求解,并将结果与基于非线性模型预测控制算法的结果进行对比。对比结果表明:采用这两种算法对UDDS、NEDC和US06这3个标准工况进行仿真时,基于混杂模型预测控制算法相对于非线性模型预测控制算法,燃油经济性分别提高了20.0%、15.5%和10.6%,且当预测时域小于9时,混杂模型预测控制算法的计算速度更快。     

双线性系统的两步预测控制

依据模型预测控制原理和多变量函数寻优的坐标轮换法讨论了双线性系统的两步预测控制算法,并给出仿真结果。     

具有积分特性系统的预测控制算法

针对具有积分特性工业对象的特点,建立了参数模型与非参数模型相结合的预测模型,在此模型基础上,提出了此类系统的预测控制算法,并对该算法进行计算机仿真控制研究。     

基于多模型的自适应预测函数控制

作为第三代模型预测控制算法，预测函数控制已经在线性系统控制中取得了很好的效果，但应用于非线性对象还有一定局限性。针对现实中大量存在的非线性过程，提出了基于局部模型设计的预测函数控制器加上模型切换算法的多模型自适应预测函数控制器。通过计算机仿真应用于连续发酵过程，表明基于多模型的自适应预测函数控制器比常规的预测函数控制器具有更好的控制效果。     

量测噪声环境下反应堆功率模型预测控制研究

在核电反应堆功率闭环控制系统中,功率监测存在量测噪声的问题,应用无噪声的预测模型对反应堆的功率进行预测控制.从反应堆功率模型的状态空间出发,搭建了模型预测控制算法与目标函数,遵循模型预测控制的预测模型、滚动优化和反馈校正的三步控制方法,实现对有量测噪声的反应堆功率系统的控制.通过MATLAB仿真实验,比对了模型预测控制算法与输出反馈的PID控制方法.实验结果表明,应用于有量测噪声的反应堆功率系统的模型预测控制算法在轨迹跟踪、状态量动态变化及控制信号能量上均优于PID控制算法.     

基于模型预测的迭代学习控制器设计

针对具有非重复性干扰项的重复操作过程,提出了基于模型预测的迭代学习控制算法。其中,迭代学习控制器以前馈形式作用于重复过程.算法在时间轴方向基于跟踪误差暂态模型,采用模型预测控制的反馈校正,来抑制当前随机干扰,提高系统的跟踪性能.在重复次序方向利用P型迭代学习控制克服重复干扰.仿真结果表明了该方法的有效性.     

烟草烘丝过程的水分控制

讨论了烟草生产中烘丝过程的水分控制问题．根据烘丝过程各阶段不同的工艺要求,提出了包括有开关控制、跟踪控制及预测控制的分段变策略控制方案．针对烘丝过程的非线性、不确定性及存在大滞后的特点,提出了一种基于模糊模型的自校正预测控制算法,并且与前馈控制方法结合,应用于烘丝过程的送料稳定阶段．系统仿真证明的可行性．     

过阻尼过程的预测控制

大多数工业过程有过阻尼特性。针对这类现象，提出了一种新的基于脉冲响应模型的预测控制算法。该算法可有效地减少脉冲响应模型的截断误差并具有少的计算量。仿真结果表明这种算法是有效的，可行的。     

基于驾驶员需求转矩预测的模型预测控制能量管理

以并联式混合动力车辆为研究对象,基于驾驶员需求转矩预测,采用线性时变模型预测控制算法对对象车辆进行能量管理控制. 根据驾驶员前一段时间内的需求转矩,可以预测下一时段内驾驶员的需求转矩. 与指数函数预测方法相比,自回归模型在预测步长200步之内的预测准确度比指数函数高. 根据纵向动力学公式,可以由预测获得的需求转矩序列计算获得预测的车速序列;采用线性化处理的方法,将具有非线性特性的车辆模型转化成线性时变模型,采用线性时变模型预测控制算法进行求解;将基于驾驶员需求转矩预测的模型预测控制算法和基于规则的控制算法、工况已知的模型预测控制算法进行对比. 对比结果表明：基于驾驶员需求转矩预测的模型预测控制算法与基于规则的控制算法相比,在NEDC、UDDS和WLTC这3个标准工况下的燃油经济性均有所提高,但是与工况已知时的计算结果相比有提升的空间.