论文部分内容阅读
广义预测控制现已成为一种重要的先进控制策略,并被广泛应用于复杂工业过程中。自1987年提出,其理论不断得到完善和发展,并在复杂的工业过程中已显示出其良好的控制性能。然而在实际工程应用中,广义预测控制也有其缺陷: 1.在线计算量大,包括模型参数的在线辨识,Diophantine方程和逆矩阵的求解,以及其它计算,如处理约束问题需要的计算。 2.设计参数选取困难,包括控制时域、预测时域、控制加权系数及输出柔化系数等参数的选取; 3.广义预测控制仍需要相对比较精确的模型。 基于此,本文在如下几个方面对广义预测控制进行了研究: 1.简要介绍了预测控制,包括MAC、DMC、GPC的产生背景,及其三大基本机理。然后着重对GPC算法进行了详细推导。 2.针对传统广义预测控制算法的计算量大这一缺陷,通过对未来的控制序列的离线近似计算,而只精确求解当前时刻要实施的控制量,提出了一种广义预测控制的快速算法。该算法简单,不必求解Diophantine方程和逆矩阵,大大减小了在线计算量。仿真结果表明,该算法具有良好的控制性能,而且对控制作用具有较强的约束能力。然后,又将其推广到多输入多输出(MIMO)系统中。 3.针对输入受限的广义预测控制,将预测控制中的柔化输出信号的思想推广到柔化输入信号,使得不管预测长度如何变化,约束条件被简化为仅对当前控制增量的约束,可以直接计算得出;而且避免了求逆矩阵,大大减小了计算量,并能够保证控制算法的可行性和良好的控制性能。然后,又将其推广到多输入多输出(MIMO)系统中。 4.针对传统广义预测控制算法中设计参数整定困难这一缺点,采用改进的BP算法,提出基于BP神经网络变参数设计的广义预测控制算法,实现了输出柔化系数和控制增量加权系数或输入柔化参数的在线调整。仿真结果表明,该算法无论在跟踪性能、控制精度及鲁棒性上,均优于固定参数设计的广义预测