具有输入约束的非线性系统模糊预测控制方法研究

《具有输入约束的非线性系统模糊预测控制方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据太原理工大学硕士研究生学位论文图5．3中间量增量Av(k)求取示意图1⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯48图5．4中间量增量Av(k)求取示意图2⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯49图5．5中间变量v(七)求取示意图1⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．50图5．6中间变量v(k)求取示意图2⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．50图5．7滴定曲线示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯52图5．8pH控制装置示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯52表5．1DH控制过程参

2、数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯53图5．9中间变量v’(七)隶属度⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯54图5．10预测误差P(七)隶属度⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一54图5．11跟踪特性曲线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一55图5．12确定信号扰动⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．55图5．13随机信号扰动⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．56VIII万方数据太原理工大学硕士研究生学位论文1．1课题背景第一章绪论弟一旱三百记在

3、自动控制理论发展之初，其被控对象往往是简单的线性定常系统，且多为单输入单输出，针对这类结构和功能都较简单的系统，可根据输入输出关系确定其数学模型(如传递函数)，其分析多采用频率响应法和根轨迹法等图解法，这便是经典控制理论讨论的范畴。自上世纪五十年代中期，空间技术迅速兴起，迫切需要解决把空间探测器以最少的时间或燃料为代价送入预定轨道等最优问题，经典控制理论已经不能满足这类被控对象了，迫子当前实际，以状态空间法为理论基础的现代控制应运而生，获得了巨大的成功。然而工业过程中有许多难以建立状态空间方程的复杂非线性系统，是无法用现代控

4、制理论进行控制的。工业过程中的被控对象往往不是单输入单输出的，且常常伴随有时变和滞后等不确定性，导致其精确的数学模型不易建立；被控对象在实际运行过程中，并不仅仅是追求单纯的最优，而是希望在受到扰动等不确定因素的影响下仍能保持良好的性能(即鲁棒性)，最优只是特定环境下相对的最优；实际的工业过程都讲究经济效益，这就要求所采用的控制算法尽量简单且能满足实时性的需求。正是基于以上诸多原因，自上世纪七十年代以来，控制界开始针对实际工业过程的特点不断寻找新的控制算法，使其对模型的精度要求低，易于在线计算控制律等。预测控制作为一类特定算法

5、名称始于1978年，由RJchalet等人首次提出【l】。最早的一类预测控制算法是建立在非参数模型基础上的，具有代表性的如Richalet和Mehra等人提出的模型算法控制(MAC：ModelAlgorithmicContr01)，以及Culter等提出的动态矩阵控制(DMC：DynamicMatrixContr01)【21。二者的不同之处在于，MAC是以被控对象的脉冲响应为模型的，而DMC采用阶跃响应。无论是脉冲响应还是阶跃响应，控制者即使在事先对其结构和机理没有先验经验的情况下，其模型都容易从工业现场直接获得。与现代控制

6、理论一次离线完成优化不同，这类基于非参数模型的预测控制的优化是反复在线的、滚动的优化，这无疑增强了系统的鲁棒性。上世纪八十年代，将预测控制的滚动优化思想引入自适应控制中，形成了以参数模型为对象的广义预测控制(GPC：GeneralizedPredictiveContr01)【¨】，GPC兼具自适应1万方数据太原理工大学硕士研究生学位论文控制和预测控制的优点，其应用范围早已突破控制领域而延伸到了人工智能、互联网系统、航空航天等领域。预测控制强大的发展后劲已渐渐突显出来，各类控制界的项级会议定期或不定期的都会对预测控制的应用和研

7、究经行专门的讨论。我国也有不少专家学者对预测控制研究并取得了丰硕的成果【5。8】。目前将预测控制用于线性系统的研究已经比较成熟了。由于自然界中的大多数系统都是非线性的，对非线性系统的研究是当前预测控制研究的热点，但要将预测控制用于非线性系统还面临诸多的难题。首先，非线性系统的机理较线性系统复杂的多，并常常伴有时变、滞后和约束等问题，此外非线性系统的建模也是控制过程中一个较难的环节。因此，将目光转向蓬勃发展的智能控制领域，将预测控制与智能控制相结合，以期能更好的解决预测控制对非线性系统的适用性问题。模糊预测控制就是将属于智能控

8、制范畴的模糊控制延伸到预测控制的一种新算法，出现的较早，目前研究的也较多。模糊控制是随着模糊数学的发展而建立起来的，它充分借鉴了人类的思维模式，通过一组模糊规则描述系统从而进行推理。模糊控制在处理非线性系统时具有独特的优势，主要是其不需要对系统建立精确的数学模型，而是通过先验知识建立模糊规