随着社会经济的发展,产生了规模庞大的大系统,这类系统具有结构复杂、多目标、模型、随机性等特点。近年来对工业生产过程和结果的要求不断提高,对控制指标和性能提出了更高的要求。由于复杂系统的地理位置分散,造成系统内部各部分之间通信困难,提高了通信成本,降低了系统可靠性。模型预测控制凭借其在处理约束、多变量和耦合系统上的优势,解决了很多常规控制器不能解决的问题,因此受到了极大的关注。当前预测控制的应用主要采用集中式方式,即设计一个控制中心,由传感器测量系统的状态或输出,控制器基于测量信息优化全局输入,再将其送到执行器端对过程产生作用。然而,预测控制研究面临的对象越来越复杂,一方面,由于需要滚动优化系统输入,导致预测控制在处理快采样速率的复杂系统时存在优化不及时的问题;另一方面,传统的集中式预测控制信号依赖于单一的控制器,如果集中式控制器与系统的执行器连接发生故障或失效,整个控制系统就会失效,其控制结构的鲁棒性和灵活性都较差。近年来,针对复杂网络结构系统的控制逐渐从集中式转向网络化分布式协调实现。通常的复杂大系统是由多个相互耦合的子系统所构成,需要首先对这些子系统进行合理的分解,然后对各子系统进行分布式状态估计、控制设计。分布式模型预测控制的研究具有极大的理论意义和实际工业应用价值,本课题针对大系统的社区发现子系统划分与分布式预测控制问题开展研究,主要内容包括大系统划分方法研究,分布式状态估计、预测控制设计及其协调问题。研究内容如下:1)研究了基于加权图论社区发现算法的复杂系统划分方法。首先,构建复杂大系统的加权有向图,将状态变量和被测输出变量看作网络节点,这些节点通过反映状态和测量输出变量的连接强度的加权边进行连接;然后,基于加权有向图,使用社区结构发现算法将全局系统划分为较小的群体,使得每个群体内部的连接强度比不同群体之间耦合强得多;最后,研究了适合于分布式状态估计的子系统划分算法,将子系统划分方法应用于实际过程系统的分解,设计了分布式状态估计算法。2)研究了随机丢包不确定系统的分布式预测控制设计方法。在信息物理系统结构下,模型不确定和信息丢包是不可避免的两个突出问题。针对存在模型不确定和丢包的信息物理系统,本章考虑多胞体描述的模型不确定性及马尔科夫过程随机丢包;将整体系统分成多个子系统,对每个子系统分别设计分布式预测控制,通过迭代算法实现各个子系统控制器的协调,提出了一种随机分布式预测控制的设计方法。3)研究了随机饱和约束系统的分布式预测控制设计方法。由于输入饱和约束是不可避免的突出问题,针对存在随机饱和约束的不确定系统,需考虑状态时滞影响;将整体系统分成多个子系统,提出一种基于随机输入饱和约束系统的分布式MPC结构,对输入饱和约束进行松弛,并引入伯努利分布对随机饱和约束进行描述。设计随机分布式MPC的优化问题,通过设计迭代协调算法,实现随机输入饱和约束的分布式处理。4)研究了面向信息协调的分布式预测控制方法,并在硬岩掘进装备的刀盘系统上进行了仿真测试。建立了刀盘系统的动态模型,并基于施工数据对模型参数进行估计,得到可用于控制的刀盘系统模型。针对刀盘系统的转速控制问题,首先,将刀盘系统进行分区划分,得到子系统模型;然后,设计了分布式控制结构,对各个分区的电机扭矩设定进行了独立分布式预测控制设计,利用反馈校正对存在的模型不确定进行了处理;最后,设计了一种面向分布式预测控制设计的顺序迭代协调算法。