預(yù)測控制開題報告

時間：2020-12-29 15:47:14 開題報告我要投稿

碩士開題報告推薦度：
課題開題報告推薦度：
開題報告推薦度：
開題報告怎么寫推薦度：
護(hù)理開題報告推薦度：
相關(guān)推薦

預(yù)測控制開題報告

　　杭州電子科技大學(xué)信息工程院畢業(yè)設(shè)計（論文）開題報告

預(yù)測控制開題報告

　　題目多變量解耦預(yù)測算法研究

　　學(xué) 院信息工程學(xué)院

　　專業(yè) 自動化

　　姓名蔡東東

　　班級 08092811

　　學(xué) 號 08928106

　　指導(dǎo)教師左燕

　　一、綜述本課題國內(nèi)外研究動態(tài)，說明選題的依據(jù)和意義

　　預(yù)測控制是源于工業(yè)過程控制的一類新型計算機(jī)控制算法。7 0年代后期，它已應(yīng)用于美法等國的工業(yè)過程控制領(lǐng)域中。1978 年，理查勒特 ( Rchalet )等在文獻(xiàn)【l】中首次詳細(xì)闡述了這類算法產(chǎn)生的動因、機(jī)理及其在工業(yè)過程中的應(yīng)用效果，從此，預(yù)測控制 (P r e d i c t i v eC ont r o l )作為一種新型的計算機(jī)控制算法的統(tǒng)一名稱,便開始出現(xiàn)在控制領(lǐng)域中。

　　預(yù)測控制算法的研究現(xiàn)狀

　　1 魯捧性問題

　　預(yù)測控制作為一種復(fù)雜系統(tǒng)的控制策略和方法，有著強(qiáng)烈的應(yīng)用背景，它所具有的強(qiáng)魯棒性已為大量的系統(tǒng)仿真和工業(yè)實踐所證實。當(dāng)對象參數(shù)未知時，通常采用參數(shù)自適應(yīng)算法來估計對象參數(shù),根據(jù)確定性等價原理，建立間接式的自適應(yīng)廣義預(yù)測控制。然而，當(dāng)被控對象具有未建模動態(tài)、參數(shù)時變、非線性及有界干擾時，這樣建立的自適應(yīng)算法未必能使廣義預(yù)測控制的強(qiáng)魯棒性得到保持。為此，不少學(xué)者從不同的立足點出發(fā)，開展了提高算法魯棒性的研究。

　　由于實際的生產(chǎn)過程大多是復(fù)雜的動態(tài)過程，精確建模具有特殊的困難，因而，描述對象的數(shù)學(xué)模型與實際對象特性之間不可避免地存在模型誤差。盡管模型誤差無法預(yù)知，但根據(jù)它的歷史數(shù)據(jù)，仍有可能用某些方法對未來時刻的模型失配作出某種預(yù)報，由此提高輸出預(yù)測的精度、改善算法的魯棒性。文獻(xiàn)【3】利用預(yù)測誤差的歷史數(shù)據(jù)建立誤差預(yù)測模型，通過誤差預(yù)測修正輸出預(yù)測。文獻(xiàn)【4】則是將人工智能方法引入預(yù)測控制，在對實際運行經(jīng)驗總結(jié)的基礎(chǔ)上，選擇對系統(tǒng)輸出有重要影響卻難以歸并到數(shù)學(xué)模型中的狀態(tài)特征作為特征量，由此建立系統(tǒng)狀態(tài)特征與預(yù)測誤差之間的定量或定性映射關(guān)系，實現(xiàn)對預(yù)測誤差的智能補(bǔ)償。

　　從反饋校正的實施方式出發(fā)，針對預(yù)測控制單一輸出反饋的局限性，文獻(xiàn)【5】通過分析過程的中間信息，綜合利用模型預(yù)測和誤差預(yù)測，針對工業(yè)串聯(lián)系統(tǒng)提出一種多反饋的預(yù)測控制結(jié)構(gòu)，及時地抑制了擾動和模型失配的影響，提高了系統(tǒng)的魯棒性和抗干擾性。

　　此外，鑒于預(yù)測控制每一采樣時刻只計算實施一個現(xiàn)時控制量，沒有充分利用全部預(yù)測控制信號的作用，致使現(xiàn)時控制信號發(fā)生錯誤時系統(tǒng)性能將變差。為此，文獻(xiàn)

　　【6】采用加權(quán)控制律計算現(xiàn)時控制量，對因錯誤測量信號、暫時未建模動態(tài)、系統(tǒng)結(jié)構(gòu)突變、參數(shù)估計失誤及噪聲影響等原因造成的錯誤控制信號進(jìn)行有效抑制。

　　2 非線性系統(tǒng)的預(yù)測控制

　　非線性系統(tǒng)的控制一直是控制理論界的難點.對慢時變、弱非線性系統(tǒng)而言，基于線性動態(tài)模型的預(yù)測控制算法可取得較好的控制效果。然而，當(dāng)其應(yīng)用于強(qiáng)非線性系統(tǒng)時，為確保系統(tǒng)的'魯棒性，往往需要建立高階線性近似模型或分段線性模型，

　　這無疑會增加算法的復(fù)雜性。一個可行的方法是引入簡單的、可辨識的非線性數(shù)學(xué)模型。例如采用Hammerstein模型作為預(yù)測模型，可實現(xiàn)對具有冪函數(shù)、死區(qū)、開關(guān)等非線性特性的工業(yè)過程的預(yù)測控制和采用廣義卷積模型描述齊次非線性系統(tǒng)的輸入輸出關(guān)系，由此替代模型算法控制中的脈沖響應(yīng)模型可獲得齊次非線性系統(tǒng)的模型算法控制，進(jìn)而可推廣到更為一般的Vottera非線性系統(tǒng)的控制。

　　基于非線性定量數(shù)學(xué)模型解決非線性系統(tǒng)控制的另一有效方法是采用人工神經(jīng)元網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)是一種本質(zhì)非線性數(shù)學(xué)模型，在解決具有高度非線性和嚴(yán)重不確定性的復(fù)雜系統(tǒng)的控制方面，具有巨大的吸引力和潛力。具體到預(yù)測控制的應(yīng)用上，主要有兩種形式：一是利用神經(jīng)網(wǎng)絡(luò)高精度的非線性映射能力和固有的學(xué)習(xí)能力，為非線性系統(tǒng)提供統(tǒng)一的定量數(shù)學(xué)模型，進(jìn)而可作為映射復(fù)雜非線性控制律的控制器；二是利用神經(jīng)網(wǎng)絡(luò)的分布式存儲、處理結(jié)構(gòu)和并行計算實時性好的優(yōu)點，實現(xiàn)容錯能力強(qiáng)、魯棒性強(qiáng)的預(yù)測控制器。文獻(xiàn)【7】中，直接利用對象的輸入輸出數(shù)據(jù)訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò)，以此作為非線性系統(tǒng)的預(yù)測模型，獲得了不依賴于系統(tǒng)運行條件和先驗信息的動態(tài)矩陣控制算法。文獻(xiàn)【8】在采用神經(jīng)網(wǎng)絡(luò)辨識模型實現(xiàn)非線性系統(tǒng)預(yù)測控制的基礎(chǔ)上，進(jìn)一步利用預(yù)測輸出誤差及其相應(yīng)的控制量數(shù)據(jù)訓(xùn)練另一作為控制器的神經(jīng)網(wǎng)絡(luò)，直接用神經(jīng)網(wǎng)絡(luò)實現(xiàn)被控對象的控制。值得一提的是，用神經(jīng)網(wǎng)絡(luò)實現(xiàn)控制器對改善算法的實時性有突出的作用。然而，這一領(lǐng)域的應(yīng)用還有賴于神經(jīng)網(wǎng)絡(luò)研究的進(jìn)一步完善。

　　此外，基于模糊模型的預(yù)測控制也是實現(xiàn)非線性系統(tǒng)控制的有效途徑。與神經(jīng)網(wǎng)絡(luò)模型相比，模糊模型更宜于表達(dá)關(guān)于系統(tǒng)的先驗信息。通常，這種不精確的先驗信息首先以模糊規(guī)則的形式出現(xiàn)在系統(tǒng)的初始模型中，并可在控制過程中得到進(jìn)一步的完善。目前，預(yù)測控制中有兩種模糊模型一是基于模糊關(guān)系方程的模糊模型，它是一種輸入模糊子集到輸出模糊子集的非線性映射；另一種是Takagi-Sugeno模型，其實質(zhì)是一組按輸入空間模糊劃分的線性模型集合，更宜于實現(xiàn)復(fù)雜非線性系統(tǒng)的綜合模糊控制。

　　近來，將神經(jīng)網(wǎng)絡(luò)與模糊模型相結(jié)合，構(gòu)成所謂的模糊神經(jīng)元網(wǎng)絡(luò)模型，在廣義預(yù)測控制算法中已有所應(yīng)用。

　　選題的依據(jù)和意義

　　預(yù)測控制作為一種有效的控制算法，已被大量的仿真和實際應(yīng)用所證實。國內(nèi)外學(xué)者們對單變量廣義預(yù)測控制算法(GPC)作了大量的研究,但是實際工業(yè)過程通常為復(fù)雜的多輸入多輸出(MIMO)系統(tǒng)。廣義預(yù)測控制作為一種優(yōu)化控制算法，其優(yōu)點之一就是可以直接處理多變量系統(tǒng)的控制問題。但是，多變量控制是控制理論界的一大難點，Kinnaert等人于年首次成功地將廣義預(yù)測控制算法推廣到多變量系統(tǒng)。與經(jīng)典多變量自適應(yīng)控制算法相比，多變量廣義預(yù)測控制算法無須事先已知系統(tǒng)關(guān)聯(lián)矩陣的先驗信息，且適用于非最小相位系統(tǒng)。然而，一個不容忽視的問題是當(dāng)系統(tǒng)各輸入輸出通道的時滯不同，特別是相差很大時，直接利用Kinnaert的設(shè)計方法可能導(dǎo)致閉環(huán)系統(tǒng)表現(xiàn)出嚴(yán)重的動態(tài)關(guān)聯(lián)作用。

　　所以研究多變量預(yù)測控制算法在實際復(fù)雜的工業(yè)工程運用中具有更重要的意義。上述已經(jīng)指出，多變量系統(tǒng)由于其輸入輸出見存在著復(fù)雜的關(guān)聯(lián)，DMC設(shè)計參數(shù)的整定要比單變量復(fù)雜得多。為了簡化多變量DMC控制的參數(shù)設(shè)計，我們以降低控制的最優(yōu)性為代價，通過分散化和關(guān)聯(lián)預(yù)測，導(dǎo)出一直建立在解耦基礎(chǔ)上的多變量DMC設(shè)計方法。由于解耦后的子系統(tǒng)可以充分利用單變量DMC設(shè)計的經(jīng)驗和規(guī)劃，而從可達(dá)到簡化設(shè)計的目的。這便是我們研究的依據(jù)和目標(biāo)。

　　二、研究的基本內(nèi)容，擬解決的主要問題：

　　基本內(nèi)容預(yù)測控制的基本原理主要預(yù)測控制算法的研究（動態(tài)矩陣控制算法）單變量預(yù)測控制系統(tǒng)的參數(shù)設(shè)計（動態(tài)矩陣控制算法）多變量預(yù)測控制算法多變量預(yù)測控制算法的參數(shù)設(shè)計（動態(tài)矩陣控制算法）多變量預(yù)測控制算法的解耦分析不同參數(shù)影響下，預(yù)測控制器算法性能擬解決的主要問題如何對多變量預(yù)測控制算法的參數(shù)進(jìn)行設(shè)計如何對多變量預(yù)測控制算法進(jìn)行解耦

　　三、研究步驟、方法及措施：

　　1、文獻(xiàn)閱讀，熟悉并預(yù)測控制算法的基本原理

　　2、研究幾種典型的預(yù)測控制算法（重點研究動態(tài)矩陣控制算法）

　　3、掌握預(yù)測控制器參數(shù)整定方法（預(yù)測時域P，控制時域M，權(quán)系數(shù)Q和R）

　　4、在完成了對單變量預(yù)測控制算法的研究之后，在學(xué)習(xí)多變量預(yù)測控制算法的基本原理

　　5、學(xué)習(xí)多變量預(yù)測控制算法的參數(shù)整定

　　6、對多變量控制系統(tǒng)解耦預(yù)測控制算法進(jìn)行設(shè)計用MATLAB軟件進(jìn)行控制器仿真測試和研究分析不同參數(shù)影響下，預(yù)測控制器算法性能

　　四、研究工作進(jìn)度：

　　序號

　　1，1月2日-2月15日內(nèi)容文獻(xiàn)閱讀

　　2，2月16日-3月2日熟悉多變量預(yù)測控制算法

　　3，3月2日-4月5日認(rèn)真開展課題調(diào)研和文獻(xiàn)查閱工作