论文部分内容阅读
预测函数控制(Predictive Functional Control,PFC)方法可以使控制系统输入结构化,进而使得系统具有计算量小、快速性好、抗干扰能力强等优越的控制特性,因此在工业控制中得到了广泛的运用。并且随着现代信息化技术的发展,PFC方法得到了极大的发展,与分布式控制(Distributed Control,DC)形成了有机的结合,形成了分布式预测函数控制(Distributed Predictive Functional Control,DPFC)算法。DPFC算法对于一些大规模强耦合的系统,有着比较好的控制效果。然而由于人为以及实际环境的影响,实际的生产过程可能存在着不同幅度的干扰与约束,这些不可忽略的因素会极大的影响DPFC算法的各项性能,那么如何消除扰动对于DPFC算法的各项性能的影响,以及有效的处理约束对实际控制的限制,进而求得DPFC算法的显式控制器是本文主要分析研究的几个问题。本文的研究工作主要可以分为三个部分:1.对于大规模强耦合的系统,提出了基于纳什策略的DPFC算法。该算法基于纳什优化策略将耦合性较强的大规模系统分布到各个子系统进行在线优化,进而得到分布式预测函数控制器。2.考虑到系统在引入干扰等不可抗拒因素的情况下,DPFC算法的各项性能需要进一步提升,本文设计了一种基函数PID型分布式预测函数控制算法(Basic Function PID Distributed Predictive Functional Control,BFPID-DPFC)。该算法引用PID因子与基函数加权系数重新构建新的分布式预测函数控制的性能指标,通过PID与基函数加权系数的调节作用,使得大规模强耦合系统的整体性能得到了提升。最后通过DPFC算法与本文所提出的BFPID-DPFC算法的仿真比较,证明了本文所提出的BFPID-DPFC算法整体性能强于DPFC算法。3.考虑到实际情况的约束作用,本文设计了一种显式分布式预测函数控制(Explicit Distributed Predictive Functional Control,EDPFC)算法。该算法为了消除系统的约束作用,对各个子系统起约束作用的约束矩阵进行了值域以及核空间的分解操作,然后按照纳什博弈论优化策略消除系统耦合作用,进而求得分布式预测函数控制的显式控制器。最后通过DPFC算法与本文所提出的EDPFC算法的仿真比较,验证了本文所提出的EDPFC算法的可行性。