前馈变量影响下的预测控制特性分析

来源 :中国石油大学(北京) | 被引量 : 0次 | 上传用户:tyzhaoxiqing
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在工业控制尤其是化工控制领域,因控制过程中变量间存在的耦合作用,普通的控制算法很难有效的控制。为满足控制效果,工业控制过程的输入、输出往往都存在约束,为此具有解耦性能和强鲁棒性且能有效处理输入输出约束关系的预测控制得到广泛使用。预测控制的可行域是反应控制可行性和稳定性很重要的参数,可行域的变化可以直接影响到系统的控制效果。因此从可行域的角度出发研究预测控制中各个变量的变化对系统的影响具有很重要的意义。实际的生产过程中存在大量的扰动,由于预测控制具有强鲁棒性,部分扰动作用都能得到有效的控制,以致未对系统的控制效果造成影响。但是对于系统中存在的可测扰动,由于其变化规律已知,对系统造成的影响具有可预见性。当前学者未对此部分扰动给系统带来的影响进行研究。将此部分干扰引入到系统作为前馈变量,这些变量的加入势必对系统的可行域造成影响。若不优先此部分前馈变量给系统带来的影响,在此基础上对系统进行的控制算法、约束优化等都不能反应系统的真实情况。针对这一问题,本文提出了前馈变量对预测控制可行域的影响分析,通过分析前馈变量对系统可行域的影响,得出前馈变量对系统控制效果的影响。预测控制中的前馈变量部分是系统本身存在的,另一部分是由实际生产中的需要,人为产生的。此部分前馈变量由操作变量转换而来:因实际生产的需要,放开控制器对部分操作变量的控制作用。此部分前馈变量可能会重新转换回操作变量。对于状态空间预测控制,变量转换会带来系统结构的变化。系统在“方系统”与“非方系统”之间转换过程中会给系统的可行域带来明显的影响,从而影响系统的控制效果。本文在研究了前馈变量对系统的控制效果影响的基础上,进一步探索了变量转换对系统可行域的影响机制。映射思想贯穿本文,对于系统各变量对可行域影响的研究均能通过几何形式直观的表现出来。
其他文献
近年来,如何从理论上分析算法的泛化性能是机器学习主要研究问题。在机器学习中,泛化误差用来衡量一个学习机应用到未知数据的学习能力。我们希望找到一个泛化误差的上界,利
无线通信中需要根据信道质量调整传输速率,在保证误码性能条件下以尽可能高的速率进行传输。传统的发端速率自适应技术需要信道反馈来确定信道质量,反馈开销较大,反馈控制复
由于互联网中路由和交换设备的封闭特性,使得网络创新的步伐十分缓慢。SDN(Software Defined Network,软件定义网络)通过解耦网络的控制和转发,采用基于流表的交换机和集中式
在下一代移动通信网络的关键技术研究中,密集组网是公认的提升网络容量的有效手段之一。基站的密集部署会直接造成系统能耗的快速增长,考虑到网络运营的开销,通信网络的能耗
在工业自动化飞速发展的当代,各种控制方法层出不穷,但在实际工业现场中,常规PID控制仍然占据主导地位。其控制品质对被控对象的变化不太敏感,非常适用于工业生产现场。但是,
随着医疗信息化的不断普及,医疗数据的规模也在不停增长。人们经过对医疗数据的剖析和研究,了解了医疗数据之间的内在联系,从而为提升医疗服务的质量提供数据支持。但医疗数据中含有很多的隐私信息,如何保护隐私信息成为限制医疗数据分析的重要问题。本文首先提出了一种基于同态加密的医疗数据隐私保护方案,由信息采集端、边缘服务器、云计算服务器和用户端组成。在该方案中,信息采集端对医疗数据进行采集,并利用公钥加密方案
自从计算机技术得到长足发展,人类获取和存储信息的能力快速增强。这些信息来源复杂,且常常包含着噪声信息和大量冗余信息,利用这些复杂的信息建立可靠的模型一直是机器学习
现代投资组合理论是由著名的诺贝尔经济学奖获得者——Markowitz构建的均值—方差模型衍生而来的。此后,许多学者尝试了各种方式进行模型的改进和求解。不管是构建哪种投资组
随着无线通信技术的发展,人们对数据传输速率、服务种类、网络覆盖范围以及可靠性等通信性能参数的要求日益提高。而干扰问题是阻碍网络性能进一步提高的关键因素,因此有效的
本文的目的是对本实验室研发的一款C程序静态分析工具进行效率优化。为了检测场景复杂的漏洞,工具采用了路径敏感和过程敏感的分析策略。该策略使检测路径数随代码规模的增长