由于工业过程中所涉及的复杂对象,很难保证得到对象精确的数学模型,因此基于严格的数学模型的现代控制理论的综合方法的使用受到了很大的限制。动态矩阵控制(DMC)是一种基于非参数模型的预测控制,它以被控对象的实际阶跃响应为基础,适用于渐近稳定的线性对象。它无需知道系统的传统的精确数学模型,并能将系统控制到较高的精度,重要的是它具有较强的鲁棒性,非常适用于时滞系统的控制。 本文主要论述了动态矩阵控制的基本原理和算法构成,并对其参数选取的基本原则、稳定性和鲁棒性做出了一些定性的分析。由于神经网络具有较强的自学习、自适应能力,特别是径向基函数网络(RBF网络)是一类结构简单、收敛速度快的前向型网络,它具有全局逼近的性能,同时RBF神经网络不存在局部收敛问题。正是基于RBF网络的上述优点,本文选用RBF网络对DMC算法进行结构上的改进,利用RBF网络的逼近性能建立预测模型,提出了一种基于RBF神经网络建模的动态矩阵控制算法,可更适用于现实工业的应用。最后本文用该算法对电加热炉的炉温进行控制,即对典型的时滞系统进行仿真试验,结果表明,动态矩阵控制在合适选取控制参数的情况下,具有较高的控制精度和响应速度,鲁棒性较好。应用改进后的动态矩阵控制算法后,较常规动态矩阵控制,系统既“快”又“稳”的控制品质更能得以充分的体现。