預測控制開題報告

時間：2024-09-27 23:02:50 學人智庫我要投稿

相關推薦

預測控制開題報告

　　杭州電子科技大學信息工程院畢業設計（論文）開題報告

預測控制開題報告

　　題目多變量解耦預測算法研究

　　學院信息工程學院

　　專業自動化

　　姓名蔡東東

　　班級 08092811

　　學號 08928106

　　指導教師左燕

　　一、綜述本課題國內外研究動態，說明選題的依據和意義

　　預測控制是源于工業過程控制的一類新型計算機控制算法。7 0年代后期，它已應用于美法等國的工業過程控制領域中。1978 年，理查勒特 ( Rchalet )等在文獻【l】中首次詳細闡述了這類算法產生的動因、機理及其在工業過程中的應用效果，從此，預測控制 (P r e d i c t i v eC ont r o l )作為一種新型的計算機控制算法的統一名稱,便開始出現在控制領域中。

　　預測控制算法的研究現狀

　　1 魯捧性問題

　　預測控制作為一種復雜系統的控制策略和方法，有著強烈的應用背景，它所具有的強魯棒性已為大量的系統仿真和工業實踐所證實。當對象參數未知時，通常采用參數自適應算法來估計對象參數,根據確定性等價原理，建立間接式的自適應廣義預測控制。然而，當被控對象具有未建模動態、參數時變、非線性及有界干擾時，這樣建立的自適應算法未必能使廣義預測控制的強魯棒性得到保持。為此，不少學者從不同的立足點出發，開展了提高算法魯棒性的研究。

　　由于實際的生產過程大多是復雜的動態過程，精確建模具有特殊的困難，因而，描述對象的數學模型與實際對象特性之間不可避免地存在模型誤差。盡管模型誤差無法預知，但根據它的歷史數據，仍有可能用某些方法對未來時刻的模型失配作出某種預報，由此提高輸出預測的精度、改善算法的魯棒性。文獻【3】利用預測誤差的歷史數據建立誤差預測模型，通過誤差預測修正輸出預測。文獻【4】則是將人工智能方法引入預測控制，在對實際運行經驗總結的基礎上，選擇對系統輸出有重要影響卻難以歸并到數學模型中的狀態特征作為特征量，由此建立系統狀態特征與預測誤差之間的定量或定性映射關系，實現對預測誤差的智能補償。

　　從反饋校正的實施方式出發，針對預測控制單一輸出反饋的局限性，文獻【5】通過分析過程的中間信息，綜合利用模型預測和誤差預測，針對工業串聯系統提出一種多反饋的預測控制結構，及時地抑制了擾動和模型失配的影響，提高了系統的魯棒性和抗干擾性。

　　此外，鑒于預測控制每一采樣時刻只計算實施一個現時控制量，沒有充分利用全部預測控制信號的作用，致使現時控制信號發生錯誤時系統性能將變差。為此，文獻

　　【6】采用加權控制律計算現時控制量，對因錯誤測量信號、暫時未建模動態、系統結構突變、參數估計失誤及噪聲影響等原因造成的錯誤控制信號進行有效抑制。

　　2 非線性系統的預測控制

　　非線性系統的控制一直是控制理論界的難點.對慢時變、弱非線性系統而言，基于線性動態模型的預測控制算法可取得較好的控制效果。然而，當其應用于強非線性系統時，為確保系統的魯棒性，往往需要建立高階線性近似模型或分段線性模型，

　　這無疑會增加算法的復雜性。一個可行的方法是引入簡單的、可辨識的非線性數學模型。例如采用Hammerstein模型作為預測模型，可實現對具有冪函數、死區、開關等非線性特性的工業過程的預測控制和采用廣義卷積模型描述齊次非線性系統的輸入輸出關系，由此替代模型算法控制中的脈沖響應模型可獲得齊次非線性系統的模型算法控制，進而可推廣到更為一般的Vottera非線性系統的控制。

　　基于非線性定量數學模型解決非線性系統控制的另一有效方法是采用人工神經元網絡模型。神經網絡是一種本質非線性數學模型，在解決具有高度非線性和嚴重不確定性的復雜系統的控制方面，具有巨大的吸引力和潛力。具體到預測控制的應用上，主要有兩種形式：一是利用神經網絡高精度的非線性映射能力和固有的學習能力，為非線性系統提供統一的定量數學模型，進而可作為映射復雜非線性控制律的控制器；二是利用神經網絡的分布式存儲、處理結構和并行計算實時性好的優點，實現容錯能力強、魯棒性強的預測控制器。文獻【7】中，直接利用對象的輸入輸出數據訓練多層前饋神經網絡，以此作為非線性系統的預測模型，獲得了不依賴于系統運行條件和先驗信息的動態矩陣控制算法。文獻【8】在采用神經網絡辨識模型實現非線性系統預測控制的基礎上，進一步利用預測輸出誤差及其相應的控制量數據訓練另一作為控制器的神經網絡，直接用神經網絡實現被控對象的控制。值得一提的是，用神經網絡實現控制器對改善算法的實時性有突出的作用。然而，這一領域的應用還有賴于神經網絡研究的進一步完善。

　　此外，基于模糊模型的預測控制也是實現非線性系統控制的有效途徑。與神經網絡模型相比，模糊模型更宜于表達關于系統的先驗信息。通常，這種不精確的先驗信息首先以模糊規則的形式出現在系統的初始模型中，并可在控制過程中得到進一步的完善。目前，預測控制中有兩種模糊模型一是基于模糊關系方程的模糊模型，它是一種輸入模糊子集到輸出模糊子集的非線性映射；另一種是Takagi-Sugeno模型，其實質是一組按輸入空間模糊劃分的線性模型集合，更宜于實現復雜非線性系統的綜合模糊控制。

　　近來，將神經網絡與模糊模型相結合，構成所謂的模糊神經元網絡模型，在廣義預測控制算法中已有所應用。

　　選題的依據和意義

　　預測控制作為一種有效的控制算法，已被大量的仿真和實際應用所證實。國內外學者們對單變量廣義預測控制算法(GPC)作了大量的研究,但是實際工業過程通常為復雜的多輸入多輸出(MIMO)系統。廣義預測控制作為一種優化控制算法，其優點之一就是可以直接處理多變量系統的控制問題。但是，多變量控制是控制理論界的一大難點，Kinnaert等人于年首次成功地將廣義預測控制算法推廣到多變量系統。與經典多變量自適應控制算法相比，多變量廣義預測控制算法無須事先已知系統關聯矩陣的先驗信息，且適用于非最小相位系統。然而，一個不容忽視的問題是當系統各輸入輸出通道的時滯不同，特別是相差很大時，直接利用Kinnaert的設計方法可能導致閉環系統表現出嚴重的動態關聯作用。

　　所以研究多變量預測控制算法在實際復雜的工業工程運用中具有更重要的意義。上述已經指出，多變量系統由于其輸入輸出見存在著復雜的關聯，DMC設計參數的整定要比單變量復雜得多。為了簡化多變量DMC控制的參數設計，我們以降低控制的最優性為代價，通過分散化和關聯預測，導出一直建立在解耦基礎上的多變量DMC設計方法。由于解耦后的子系統可以充分利用單變量DMC設計的經驗和規劃，而從可達到簡化設計的目的。這便是我們研究的依據和目標。

　　二、研究的基本內容，擬解決的主要問題：

　　基本內容預測控制的基本原理主要預測控制算法的研究（動態矩陣控制算法）單變量預測控制系統的參數設計（動態矩陣控制算法）多變量預測控制算法多變量預測控制算法的參數設計（動態矩陣控制算法）多變量預測控制算法的解耦分析不同參數影響下，預測控制器算法性能擬解決的主要問題如何對多變量預測控制算法的參數進行設計如何對多變量預測控制算法進行解耦

　　三、研究步驟、方法及措施：

　　1、文獻閱讀，熟悉并預測控制算法的基本原理

　　2、研究幾種典型的預測控制算法（重點研究動態矩陣控制算法）

　　3、掌握預測控制器參數整定方法（預測時域P，控制時域M，權系數Q和R）

　　4、在完成了對單變量預測控制算法的研究之后，在學習多變量預測控制算法的基本原理

　　5、學習多變量預測控制算法的參數整定

　　6、對多變量控制系統解耦預測控制算法進行設計用MATLAB軟件進行控制器仿真測試和研究分析不同參數影響下，預測控制器算法性能

　　四、研究工作進度：

　　序號

　　1，1月2日-2月15日內容文獻閱讀

　　2，2月16日-3月2日熟悉多變量預測控制算法

　　3，3月2日-4月5日認真開展課題調研和文獻查閱工作