一、一种基于CARMA模型的直接预测控制算法(论文文献综述)
田钰强[1](2021)在《水轮机调节系统非线性预测控制研究》文中提出新型能源大规模并网,导致一些水轮发电机组减少负荷供应,偏离最优运行区域运行,加上运行过程中水轮发电机组零部件的磨损等原因,将导致机组在运行过程中产生机械频繁振动。同时,由于风能、光能等新型能源的间歇性、随机性特征,也会引起网端负荷的变化,增加机组运行中的不确定性。无论机械振动还是网端负荷扰动都会对机组精准控制产生不利影响。针对这一问题,本文采用了预测控制算法提升水轮机调节系统的控制性能,保证水轮发电机组的稳定运行。本文的研究内容主要包含以下三个方面:(1)水轮机调节系统的预测控制。为了对水轮机调节系统进行精准控制,第二章提出了基于T-S模糊模型的广义预测控制。首先,以刚性水击水轮调节系统为研究对象,基于T-S模糊理论和四阶龙格-库塔法,建立离散化模型。其次,引入二次型目标函数、最优理论、预测控制理论设计预测控制器。之后,通过考虑系统在无扰动、随机机械扰动、系统参数变化等验证所设计控制器的有效性和抗干扰能力以及探究了控制器参数对控制性能的影响,并将所提出的预测控制器与PID控制理论带入系统模型进行比较。仿真实验表明预测控制器能够保证水轮机调节系统基本在5 s内稳定,相对于PID控制器,系统达到稳定状态的时间更短,超调更小。因此,所提出的预测控制理论能够为水轮机调节系统提供更好的控制性能。(2)基于状态估计器的分数阶水轮机调节系统预测控制。为了能够提升系统的抗干扰能力和控制性能,第三章从控制器的结构上优化了预测控制算法。首先,选取弹性水击的分数阶水轮机调节系统模型为研究对象,基于G-L微分定义、T-S模糊和一阶差分法得到离散模型。其次,提出一种状态估计器,对预测时域内的系统变量进行估计。结合李雅普诺夫理论对状态估计器进行稳定性分析,给出稳定条件,并用线性矩阵不等式求解状态估计器。之后,结合预测控制理论,将估计值作为预测值计算控制增量。仿真结果说明加入估计器的系统能够在0.5 s内达到稳定状态。(3)水轮机控制系统状态反馈鲁棒预测控制。第四章通过优化控制方法,将鲁棒约束条件与预测控制理论结合,提出了水轮机调节系统状态反馈鲁棒预测控制。首先,应用凸多面体优化理论对系统进行线性化,得到离散四维状态空间模型。之后,将预测控制算法的优化问题可以转化为采样时间的min-max优化问题,得到目标函数最优边界。结合李雅普诺夫理论,证明系统渐进稳定。并通过线性矩阵不等式求解反馈增益。最后,考虑机组受到机械随机扰动、负荷突变等工况,探究系统的抗干扰能力。仿真结果说明状态反馈鲁棒预测控制器相对于第二章提出的预测控制器能够更加快速稳定,且相对于第三章基于状态估计器的预测控制器能够减少受控过程中多周期振动情况,更加平滑的达到稳定状态。
赵京瑞[2](2021)在《小型无人水面艇自主靠泊控制与导引技术研究》文中研究说明近年来,随着导航、控制、感知等技术的发展,小型无人水面艇(以下简称无人艇)的自主智能化程度也日益提高,但靠泊却始终需要人为介入才能完成。小型无人艇在靠泊过程中不仅受风浪影响会变大,同时对于靠泊过程中的余速、横距以及靠拢角度都有着严格的要求。本文从小型无人艇的自身特点与靠泊的整个过程进行分析,从规划导引和运动控制两方向对小型无人艇的自主靠泊技术进行研究。本文的主要研究内容包括:(1)为解决有色噪声对无人艇模型参数辨识“有偏性”的问题,利用辅助变量对一般最小二乘算法进行改进,提出了一种辅助变量最小二乘方法,分别描述了无人艇模型的建立、辅助变量的设置以及算法推导等过程。仿真及实验结果表明,本文所提出的辅助变量最小二乘算法可以有效减少有色噪声对无人艇时间序列模型参数辨识产生的影响,使模型输出准确度提高39%以上,为控制算法设计与仿真实验奠定了基础。(2)根据有人驾驶船艇的靠泊经验,提出了一种“同心圆”式路径规划方法,并在此基础上提出了自适应导引方法,以解决小型无人艇无侧推时如何入泊的问题。其中,首先对同心圆半径与圆心角度进行约束,并设计了航速控制模型和靠泊路径决策系统;之后,根据视线导引原理,设计了一种适合自主靠泊时的自适应导引方法。结果表明,路径规划方法可以合理规划出无人艇在靠泊时的余速、横距与靠拢角度,使无人艇在无侧推时也可以直接入泊。与传统视线导引方法相比,自适应导引方法在低速时将小型无人艇的控制精度提高了35%,有效提高了小型无人艇的路径跟踪能力。(3)从低速导致舵效减小的视角出发,为了解决自主靠泊时的低速运动控制问题,根据预测原理提出了模糊预测控制方法。将前述辨识得到的时间序列分析模型作为预测模型,根据滚动优化原理计算有限时域内的最优控制量,并根据模糊控制原理对因模型失配产生的误差进行反馈校正。仿真及实验结果表明,模糊预测控制方法在保持较高控制精度的前提下,可以有效减小低速控制时的舵角改变增量,整体减小幅度约53%,并减少了无人艇的艏向振荡收敛时间。(4)为了提高控制系统平台的可靠性与实时性,搭建了无人艇的嵌入式控制箱。针对无人艇的系统结构以及相关设备,设计了相关设备的驱动程序以及控制系统任务流程。为验证本文提出的自主靠泊相关方法,在实验无人艇上开展了虚拟自主靠泊实验与真实靠泊实验。实验结果表明,本文所提出的自主靠泊方法可以使小型无人艇实现自主靠泊并在泊位处实现停靠。
迟庆喜[3](2020)在《预测控制算法在PLC上的应用》文中研究指明可编程逻辑控制器(PLC)作为一种重要的控制算法实现平台,具有成本低廉,运行稳定,可靠性高等特点,在工业过程中占据了重要位置。近年来,以预测控制为代表的先进控制技术大大提高了工业生产的自动化水平,受到了业界和学术界的广泛关注,然而传统预测控制算法较复杂,难以在计算资源有限的PLC上应用,限制了预测控制技术的进一步推广。因此简化预测控制算法,提高优化问题求解能力对于在PLC上实现预测控制技术具有重要作用。本文以PLC为平台,阐述了在其上进行的预测控制算法的应用实践,主要的工作内容如下:1.回顾和阐述了预测函数控制的基本原理,并据此在PLC上设计了某火力发电厂的脱硝优化控制器。通过控制脱硝环节的喷氨量,催化剂出口氮氧化物的浓度可以较快地跟踪设定值,并应对各种情况下的干扰,提高了脱硝环节的自动化控制水平。2.提出了基于GPAD的多变量预测控制快速算法。利用多变量模型,递推地预测模型的未来输出;根据二次型优化指标,形成QP问题;引入GPAD优化算法,加快QP问题的求解速度。数值实验结果表明该方法相较于常规算法具有更快的计算速度和良好的控制效果。3.在PLC上实现了基于GPAD的多变量预测控制快速算法,并将其应用到双输入双输出的水箱液位控制系统中。实验结果印证了算法的高效性,同时能够系统地处理输入输出约束,在快速和慢速过程都有着出色表现,算法具有广泛的应用前景。
葛连明[4](2019)在《子空间辨识算法及预测控制研究》文中研究表明随着现代的工业过程拥有更加复杂的特性,如多变量性、强耦合性以及非线性时变性等等,相应的对控制的要求也不断提升。多数控制方法是基于过程数学模型的,因为过程的复杂特性,所以通过机理建模很难去得到数学模型。但是,子空间辨识算法的出现有效地解决了难以通过机理建模来获取准确的数学模型的问题。子空间辨识算法能够根据采集到的输入输出数据直接得到状态空间形式的数学模型,辨识的中间结果子空间预估器方程可以作为预测模型。本文从子空间辨识的基本算法和特点出发,结合预测控制策略的需要,在控制器的设计和优化方面进行了研究。本文的主要成果主要为以下两个方面:1.针对系统是否存在约束条件,分别提出了基于子空间辨识的无约束预测控制和基于子空间辨识的约束预测控制。通过子空间辨识得到的状态空间模型作为系统模型,辨识的中间结果即预估器模型作为预测模型,预估器模型也是子空间辨识和模型预测结合的重点。当输入输出数据量较少时,可以先通过核范数优化技术来得到优化变量,然后将其用于子空间辨识,这样可以提升辨识精度。无约束和有约束情况下,最优控制量的求解分别使用偏导法和二次规划即QP方法。2.针对系统存在约束的情况下,如果控制器的参数设置过大,将会导致计算的复杂度增加以及在求解最优控制量所需的时间大大增多。为了能够减少利用二次规划计算时遇到的变量,减少计算的复杂度,将拉盖尔函数参数化的设计引入进来。通过对输入增量信号进行参数化,可以在不牺牲算法的控制效果下有效地减少算法的计算时间。最后通过实验仿真,实验过程中控制器参数设置逐渐变大,根据实验结果可以发现带拉盖尔函数参数化的设计方式可以降低计算复杂度减少计算时间。
陈增强,吴瑕,孙明玮,孙青林[5](2018)在《时滞系统的自抗扰广义预测控制的性能分析》文中提出为了实现对时滞系统的高性能控制,提出1种自抗扰广义预测控制算法。首先阐述自抗扰广义预测控制算法的设计原理,得到算法的闭环反馈结构。然后利用频域分析法推导出算法的频域特性,分析并总结时滞系统自抗扰广义预测控制算法的参数整定原则。最后对自抗扰广义预测控制算法以及传统的广义预测控制算法的动态性能进行比较。研究结果表明:自抗扰广义预测控制算法无需在线辨识被控对象精确的数学模型,可以离线求得丢番图方程的解析解,算法的在线计算量大大减少;相比于传统的广义预测控制算法,自抗扰广义预测控制算法具有更好的动态性能。
黄魏[6](2017)在《基于广义预测控制的汽车多模型混合低速控制》文中进行了进一步梳理汽车作为科学技术成果,它是一把双刃剑,给人类出行带来便利,同时也造成诸多社会困扰。汽车保有量的持续上涨,伴随而来的是交通拥堵不堪、噪声污染加剧、交通安全降低等。近年,互联网+和人工智能技术的诞生和发展使得人类追求更加安全、高效和便捷的生活,因此,具有高级驾驶辅助系统的汽车应运而生。自适应巡航控制系统作为其中一个子功能,使车辆在安全工况下行驶,并进一步提高驾驶的舒适性和经济性。首先,本文定义低速自适应巡航系统的功能需求,对系统整体结构按照功能划分模块,并阐述每个子模块实现的系统功能,对子模块所需的关键技术进行归纳。其次,本文针对汽车低速工况下的动力学特性进行分析,得到简化的汽车纵向动力学系统逆模型。基于逆模型公式构建的驱动和刹车控制的切换策略,有效避免两者的频繁切换。针对发动机的非线性特性,采用大范围线性化方法补偿汽车的部分非线性,并利用CARMA(可控自回归滑动平均模型)来描述近似线性化的系统。通过结构辨识定义系统模型的多项式阶次,并且通过最小二乘法实现系统状态参数辨识。对实际系统响应与传递函数的响应结果进行对比分析,最终构建多个驱动工况下的参数模型和单个刹车工况下的参数模型。基于上述研究,利用广义预测控制算法,建立多模型混合低速控制器,主要针对下层控制器实现实际加速度对目标加速度的跟随。该控制器通过模型预测多步系统响应,通过实际加速度与期望加速度误差加权值和控制量增量加权值作为指标函数求解系统当前状态的最优控制量。为了验证本方法的可行性和有效性,搭建传统PID控制器进行对比验证,其评价指标包含超调量、稳态误差等。仿真结果表明,实际加速度对目标加速度的响应平稳,实际加速度没有出现振荡和发散现象。将汽车的多个参数模型和广义预测算法相结合,下层控制器能够较好地改善汽车低速工况下的控制性能。针对汽车内部参数变化和外部环境的小范围变化,该控制器能够控制车辆较快地收敛到稳定状态,具有良好的鲁棒性。
翟春艳[7](2015)在《基于过程模型的迭代学习控制算法研究》文中认为迭代学习控制(ILC)经历了三十年的发展,不仅在实际应用中取得了良好效果,而且在理论上也取得了丰硕成就,其强大的生命力受到控制界的极大关注,已经成为智能控制的一个研究方向。ILC在解决由于对象存在非线性或建模误差所造成的不确定性问题方面具有优越性,它能在系统运行过程中,对未知信息进行在线学习,在学习过程中不断弥补缺乏的先验知识,进而使系统性能得到逐步改善。最初的ILC以开环形式出现,尽管开环ILC的理论研究已经取得了长足进展,但是,在实际应用中也暴露出许多弊端。因此开发基于过程模型的ILC算法研究,提高ILC系统的性能,对于推动ILC的理论和应用的发展具有深远意义。I.归纳和总结了迭代学习控制算法、理论研究现状,指出了迭代学习控制存在的问题和研究方向。针对一类CARMA模型描述的离散时间系统重复轨迹跟踪过程提出一种预测模型的迭代学习控制(ILC)算法,该算法基于最小方差一步预测模型,使系统输出沿着参考轨迹运行,迭代学习控制律具有超前预测控制性能;2.针对一类具有CARMA模型对象,在某一特定时间内的重复轨迹跟踪过程提出了一种基于GPC的适应性迭代学习控制(AILC)算法,该算法基于前一次已经发生的过程数据辨识过程模型参数,用过程模型参数更新迭代学习控制率参数,由前一次已经发生的过程输入和偏差计算出当前的控制输入,并对算法的收敛性和稳定性做了分析;3.针对重复加工过程中过程模型存在的未知状态干扰及输出干扰,提出一种具有迭代学习补偿的模型预测控制算法,该算法以模型预测控制为基础,利用前面批次的模型预测误差的迭代学习来补偿系统的模型干扰,减少未知干扰对预测模型造成的影响,提高重复加工过程的控制品质;4.针对一类时滞积分过程提出了一种改进Smith补偿模型参考控制算法;分别针对一类线性和非线性系统,提出一种模型参考迭代学习控制算法(LMR-ILC,NMR-ILC),其目标是在被控系统满足假设条件并采用相应学习律的条件下,使被控系统的状态变量跟踪参考模型的状态变量,且两种模型不需要具有相同的结构和参数,运用λ范数证明了算法的收敛性;5.针对离散非线性马尔科夫系统在系统模态信号可利用和不可利用同时存在情况下的镇定问题,并将其设计思想成功运用到具有数据丢失情况的迭代控制问题,通过引入一个Bernoulli随机变量表示系统模态信号是否得到,提出了基于Bernoulli随机变量的迭代学习控制算法。在理论方面,主要分析了基于CARMA模型和干扰模型补偿的ILC理论,分别对于一类线性和非线性系统模型参考ILC理论、离散非线性马尔科夫系统在系统模态信号可利用和不可利用同时存在情况下的镇定问题和基于Bernoulli随机变量的ILC理论作了研究,得到了有意义的结论。在算法方面,提出了基于GPC自适应迭代学习控制算法、基于最小方差预测的ILC算法、干扰补偿的ILC算法、一类线性和非线性系统模型参考ILC算法和非线性马尔科夫系统Bernoulli随机变量的ILC算法,对提出的算法做了稳定性分析。在应用方面,分别针对典型的化工操作单元间歇式聚合反应装置、PH中和反应过程做了干扰迭代学习补偿预测控制算法的应用研究,仿真实验取得了良好的效果。
邓凯[8](2015)在《磁致伸缩多自由度精密平台的驱动及振动控制研究》文中研究表明在精密加工、航天工程等高精度领域,如何实现超精密的驱动定位或对高精度仪器设备的微振动隔振是一个重要的研究课题。为了实现高精密的定位驱动和微振动的主动隔振,论文基于单自由度驱动器,针对PID反馈控制、自适应控制等多种控制算法进行了仿真以及实验验证。基于广义预测自适应控制方法提出动态前馈补偿的自适应预测控制的一种方法,并进行了相关的实验验证。最终,基于单自由度驱动器的精密控制研究成果及MIMO系统辨识与自适应控制技术,实现了磁致伸缩多自由度精密平台驱动定位及振动主动控制,创新地提出多自由度平台动态前馈补偿的解耦驱动控制,并进行了相关的实验验证。本文的主要工作如下:(1)基于单自由度磁致伸缩驱动器,论文讨论研究前馈补偿的PID反馈控制、最小方差自校正控制、广义间接最小方差自校正控制以及广义预测自适应控制等多种控制算法对于驱动器精密定位的有效性,并进行了相应的仿真及实验验证。基于预测自适应控制算法提出了动态前馈补偿的广义预测自适应控制方法,经仿真和实验结果表明,该算法可以有效的实现磁致伸缩驱动器的精密驱动,并将其应用于单自由度磁致伸缩驱动器的振动主动控制实现。(2)基于ARM嵌入式系统,论文建立了一套磁致伸缩驱动器控制系统,并进行了开环和闭环控制实验验证。实验结果表明,该控制系统可以有效的提高控制运算速度,进而实现磁致伸缩驱动器的中频驱动控制。(3)基于哈密顿方程完成了磁致伸缩多自由度精密平台的动力学建模,进行了相应的仿真,并基于ADAMS完成了平台的输入输出响应特性分析。最后,基于多自由度平台的动力学模型,完成了平台的SIMULINK振动主动控制初步仿真。(4)基于单自由度驱动器的动态前馈补偿自适应控制,论文提出了多自由度精密平台的动态前馈补偿的解耦驱动控制,并进行了相关的仿真和实验验证。基于MIMO系统辨识与自适应控制,完成了多自由度精密平台的驱动控制研究,并进行相应的实验验证。最后,论文将该控制方法应用于多自由度精密平台的振动主动控制实现。
孙晓芬[9](2014)在《基于磁致伸缩平台的微振动主动控制研究》文中进行了进一步梳理在精密工程及航天工程领域,制造、检测过程的内外部扰动严重影响产品质量或检测质量,因此有必要对设备所受的微振动干扰进行隔离和控制。为了解决这类微振动问题,本论文以巨精密磁致伸缩平台为研究对象,通过引入自适应控制算法对平台系统进行精密位形驱动和微振动控制,进行了一系列仿真与实验测试。论文的主要研究工作如下:(1)本文首先以单个巨磁致伸缩驱动器(GMA)为研究对象,通过受控自回归滑动平均模型(CARMA)与递推增广最小二乘法相结合来对巨磁致伸缩驱动器实现在线模型辨识,辨识模型能精确描述GMA输出位移,辨识误差达0.23%,与Prandtl–Ishlinskii模型相比,CARMA模型辨识速度更快且精度更高;将改进的广义预测控制算法(MGPC)应用于GMA的闭环位移控制,与其它算法相比,MGPC具有更好的实时性和更高的控制精度,在0-10um给定位移下,其驱动控制误差达0.143um。(2)建立巨磁致伸缩驱动器的动力学模型,阐述其具有可调刚度特性。通过分析比较GMA与被动隔振器不同连接方式对系统隔振性能的影响,设计基于主被动隔振器串联结构的隔振系统。最后应用上述CARMA模型和MGPC算法对GMA隔振系统进行微振动控制仿真研究和闭环实验测试,抑制效果达到20dB。(3)介绍了三自由度磁致伸缩平台的全系统结构,建立系统动力学模型,之后进行仿真与开环测试研究,分析比较模型的准确性。将本文研究的基于CARMA模型的改进广义预测自适应控制算法应用于三自由度全系统的位形驱动控制和微振动控制,仿真与实验结果表明,该控制算法对于三自由度磁致伸缩平台也同样可以达到良好的控制精度和隔振效果。
王培培[10](2013)在《隧道窑温度建模与控制研究》文中指出隧道窑是耐火材料制品生产的一种高温烧成设备,温度控制的好坏直接影响到耐火材料制品的产量和质量,因此温度控制策略是隧道窑控制系统中的重要研究内容。如何制定满足工艺要求的温度控制策略,对提高产品质量,降低能源消耗以及减小环境污染具有重要的意义。为了研究隧道窑的温度控制策略,首先建立了隧道窑的温度模型。由于隧道窑的工况非常复杂,难以建立精确的数学模型。本文根据炉窑类控制对象的特点,以现场采集的数据为依据,采用遗传算法辨识出了隧道窑温度的二阶纯滞后模型,并验证了模型的有效性。隧道窑是一个复杂的控制对象,具有大惯性、大滞后以及非线性等特点,本文将预测函数控制的思想引入到隧道窑的温度控制中。由于建立的隧道窑温度模型属于CARMA模型,首先推导了基于CARMA模型的预测函数控制算法,然后针对辨识出的隧道窑温度模型进行了预测函数控制器的设计。仿真结果表明,当模型匹配时,预测函数控制的动态响应速度快,过程输出平稳,超调量小,具有较强的抗干扰能力;当模型严重失配时,控制性能变差。实际生产过程中存在各种干扰因素的影响,基于预测模型得到的预测输出难以与实际输出完全相符。针对预测函数控制中模型失配的现象,本文提出了采用模糊推理对控制量进行补偿的控制算法,即控制量为预测函数控制量与模糊补偿量之和,设计了基于模糊补偿的预测函数控制器。仿真结果表明,在模型严重失配的情况下,加入模糊补偿的预测函数控制器可以有效地抑制模型失配的影响,控制精度高,跟踪速度快,调节时间短,超调量小,具有较强的抗干扰能力和鲁棒性,能够满足隧道窑温度控制的要求。
二、一种基于CARMA模型的直接预测控制算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于CARMA模型的直接预测控制算法(论文提纲范文)
(1)水轮机调节系统非线性预测控制研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题目的与意义 |
1.2 国内外研究概况与存在问题 |
1.2.1 水轮机控制策略发展及研究现状 |
1.2.2 预测控制发展概况 |
1.3 研究的主要内容 |
1.3.1 水轮机调节系统的模糊预测控制 |
1.3.2 基于状态估计器的分数阶水轮机调节系统广义预测控制 |
1.3.3 水轮机控制系统的状态反馈鲁棒预测控制 |
1.4 研究方法及技术路线 |
1.4.1 研究方法 |
1.4.2 技术路线 |
第二章 水轮机调节系统预测控制 |
2.1 基础介绍 |
2.1.1 T-S模糊 |
2.1.2 四阶龙格-库塔法 |
2.2 系统介绍 |
2.3 预测控制器设计 |
2.4 系统仿真 |
2.5 小结 |
第三章 基于状态估计器的分数阶水轮机调节系统预测控制 |
3.1 系统描述 |
3.2 非线性预测控制器设计 |
3.2.1 分数阶预测模型 |
3.2.2 T-S模糊模型 |
3.2.3 控制器设计 |
3.2.4 估计器增益设计 |
3.3 数值仿真和结果分析 |
3.4 小结 |
第四章 水轮机调节系统的状态反馈鲁棒预测控制 |
4.1 模型介绍 |
4.2 预测控制器设计 |
4.2.1 预测模型 |
4.2.2 控制器设计 |
4.3 数值仿真 |
4.4 小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 创新点 |
5.3 展望 |
参考文献 |
致谢 |
个人简历 |
(2)小型无人水面艇自主靠泊控制与导引技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题背景与选题意义 |
1.2 无人艇靠泊方式 |
1.2.1 人工辅助靠泊 |
1.2.2 自主靠泊 |
1.3 国内外无人艇自主靠泊研究现状 |
1.3.1 典型自主靠泊方案 |
1.3.2 自主靠泊路径规划 |
1.3.3 自主靠泊控制 |
1.4 本文研究的主要内容 |
2 无人艇运动模型与辨识 |
2.1 引言 |
2.2 无人艇运动模型 |
2.2.1 无人艇运动坐标系统 |
2.2.2 无人艇运动响应型模型 |
2.2.3 时间序列分析模型 |
2.3 无人艇模型辨识方法 |
2.3.1 辅助变量最小二乘算法 |
2.3.2 仿真对比 |
2.3.3 实验验证 |
2.4 本章小结 |
3 靠泊路径规划与自适应导引 |
3.1 引言 |
3.2 靠泊路径规划 |
3.2.1 “同心圆”路径规划方法 |
3.2.2 航速控制模型 |
3.2.3 靠泊路径决策 |
3.3 自适应导引 |
3.3.1 自适应前视距离 |
3.3.2 漂角补偿 |
3.3.3 自适应切换圆 |
3.4 实船试验验证 |
3.5 本章小结 |
4 模糊预测控制算法设计 |
4.1 引言 |
4.2 控制算法简介 |
4.2.1 预测控制简介 |
4.2.2 模糊控制简介 |
4.2.3 模糊预测控制简介 |
4.3 广义预测控制 |
4.3.1 预测模型 |
4.3.2 滚动优化 |
4.3.3 反馈校正 |
4.4 模糊反馈校正 |
4.4.1 模糊化 |
4.4.2 知识库 |
4.4.3 模糊推理 |
4.4.4 清晰化 |
4.5 仿真对比 |
4.5.1 无干扰控制结果对比 |
4.5.2 有干扰控制结果对比 |
4.6 实船试验 |
4.7 本章小结 |
5 无人艇控制系统设计与实船试验 |
5.1 引言 |
5.2 无人艇嵌入式硬件系统设计 |
5.2.1 总体设计 |
5.2.2 嵌入式控制板 |
5.2.3 外围驱动设备 |
5.3 无人艇嵌入式软件系统设计 |
5.3.1 设备通信驱动 |
5.3.2 任务流程设计 |
5.4 实船靠泊实验 |
5.4.1 实验平台 |
5.4.2 虚拟靠泊实验 |
5.4.3 真实靠泊实验 |
5.5 本章小结 |
结论 |
参考文献 |
附录A 丢番图方程递推求解 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(3)预测控制算法在PLC上的应用(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 模型预测控制研究现状 |
1.2.2 快速MPC研究现状 |
1.3 本文主要内容 |
1.3.1 本文解决的主要问题 |
1.3.2 本文的主要内容及结构 |
2 单变量预测函数控制算法 |
2.1 引言 |
2.2 预测函数控制算法基本原理 |
2.2.1 预测模型 |
2.2.2 滚动优化 |
2.2.3 反馈校正 |
2.3 单变量预测函数控制算法 |
2.3.1 一阶模型的预测函数控制算法 |
2.3.2 二阶模型的预测函数控制算法 |
2.4 Matlab数值仿真 |
2.4.1 基于一阶模型的预测函数控制算法仿真 |
2.4.2 基于二阶模型的预测函数控制算法仿真 |
2.5 本章小结 |
3 基于PLC的脱硝优化控制系统设计 |
3.1 引言 |
3.2 基于PLC的脱硝优化控制平台的设计路线 |
3.2.1 脱硝优化控制平台结构与设计目标 |
3.2.2 脱硝过程模型辨识 |
3.2.3 脱硝优化控制算法设计 |
3.2.4 模型在线调参 |
3.3 控制效果分析 |
3.3.1 负荷稳定时设定值跟踪情况 |
3.3.2 升降负荷时设定值跟踪情况 |
3.3.3 入口NO_x浓度波动时的抗干扰能力 |
3.3.4 与PID控制效果的比较 |
3.4 本章小结 |
4 基于GPAD的多变量预测控制算法 |
4.1 引言 |
4.2 基于CARMA模型的多变量预测控制 |
4.2.1 多变量预测模型 |
4.2.2 多变量预测优化问题 |
4.3 基于GPAD的多变量模型预测控制 |
4.3.1 对偶加速梯度投影法基本原理 |
4.3.2 基于GPAD的多变量模型预测控制算法 |
4.4 Matlab数值仿真 |
4.4.1 基于GPAD的多变量MPC算法仿真 |
4.4.2 基于GPAD与基于内点法的多变量MPC仿真比较 |
4.5 本章小结 |
5 基于GPAD的多变量预测控制在PLC上的应用 |
5.1 引言 |
5.2 模型分析 |
5.2.1 CS4000过程控制实验装置 |
5.2.2 双输入双输出模型 |
5.3 算法设计 |
5.4 实验结果 |
5.4.1 无扰动时的液位控制 |
5.4.2 存在扰动时的液位控制 |
5.5 本章小结 |
6 总结 |
6.1 工作总结 |
6.2 研究展望 |
参考文献 |
作者简介 |
(4)子空间辨识算法及预测控制研究(论文提纲范文)
摘要 |
Abstract |
专用术语注释表 |
第一章 绪论 |
1.1 引言 |
1.2 子空间辨识发展现状 |
1.3 基于子空间辨识的预测控制研究发展现状 |
1.4 本文的主要研究内容 |
第二章 统一框架的子空间辨识算法 |
2.1 引言 |
2.2 数学工具 |
2.2.1 Moore-Penrose逆 |
2.2.2 QR分解和奇异值分解 |
2.2.3 正交投影 |
2.2.4 倾斜投影 |
2.3 数学模型的描述 |
2.3.1 确定性形式 |
2.3.2 过程形式 |
2.3.3 新息形式 |
2.4 子空间辨识算法 |
2.4.1 N4SID算法 |
2.4.2 MOESP算法 |
2.4.3 CVA算法 |
2.5 仿真实验 |
2.5.1 连续搅拌釜反应器系统仿真 |
2.5.2 热流密度系统仿真 |
2.6 小结 |
第三章 基于子空间辨识的预测控制 |
3.1 引言 |
3.2 模型预测控制基本原理 |
3.2.1 预测模型 |
3.2.2 滚动优化 |
3.2.3 反馈校正 |
3.3 基于核范数优化的子空间辨识的预测控制 |
3.3.1 ADMM算法 |
3.3.2 无约束的子空间辨识的模型预测控制 |
3.3.3 有约束的子空间辨识的模型预测控制 |
3.4 仿真实验 |
3.4.1 无约束预测控制仿真 |
3.4.2 有约束预测控制仿真 |
3.5 小结 |
第四章 基于Laguerre函数参数化的子空间辨识的预测控制 |
4.1 引言 |
4.2 Laguerre函数对输入信号参数化 |
4.2.1 Laguerre函数 |
4.2.2 Laguerre函数对输入增量参数化 |
4.3 Laguerre函数参数化的子空间辨识的预测控制 |
4.3.1 Laguerre函数参数化的子空间辨识的约束预测控制 |
4.3.2 多输入系统下Laguerre函数参数化的处理 |
4.4 仿真实验 |
4.5 小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
附录3 攻读硕士学位期间参加的科研项目 |
致谢 |
(6)基于广义预测控制的汽车多模型混合低速控制(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和研究意义 |
1.2 国内外研究现状分析 |
1.3 本文主要研究内容和目标 |
第2章 低速自适应巡航控制系统整体方案 |
2.1 低速自适应巡航控制系统整体方案 |
2.1.1 自适应巡航控制系统的功能 |
2.1.2 自适应巡航控制系统的性能指标 |
2.1.3 自适应巡航系统的整体框架 |
2.2 总体方案实施的关键技术 |
2.2.1 实时驾驶环境信息获取 |
2.2.2 不同驾驶员特性的跟车行为模型设计 |
2.2.3 车辆纵向动力学模型的设计 |
2.2.4 车辆的纵向控制算法的设计 |
2.3 本章小结 |
第3章 汽车纵向动力学系统参数辨识 |
3.1 CarSim中车辆纵向动力学模型 |
3.2 车辆纵向动力学逆模型 |
3.2.1 节气门逆模型 |
3.2.2 刹车逆模型 |
3.2.3 节气门和刹车切换规则 |
3.3 基于最小二乘递推算法的系统参数辨识 |
3.3.1 动力学系统的数学模型 |
3.3.2 基于最小二乘法系统参数辨识 |
3.4 本章小结 |
第4章 低速自适应巡航制系统设计 |
4.1 状态识别功能设计 |
4.2 基于广义预测控制的下层控制器设计 |
4.2.1 广义预测控制原理 |
4.2.2 改进型广义预测控制 |
4.2.3 基于广义预测控制的下层控制器设计 |
4.3 基于传统PID算法的下层控制器 |
4.3.1 PID控制原理 |
4.3.2 基于PID控制的下层控制器 |
4.4 本章小结 |
第5章 仿真实验及分析 |
5.1 仿真实验工况描述 |
5.2 仿真结果与对比分析 |
5.2.1 装载量 50%、无坡度的加速工况 |
5.2.2 装载量 50%、3 度和5度上坡的加速工况 |
5.2.3 装载量 90%、3 度下坡的加速工况 |
5.2.4 装载量 50%、3 度下坡的减速工况 |
5.2.5 装载量 50%、变坡道坡的加速和减速工况 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间从事的科研工作及取得的成果 |
(7)基于过程模型的迭代学习控制算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 迭代学习控制综述 |
1.1.1 引言 |
1.1.2 迭代学习控制算法 |
1.1.3 迭代学习控制理论 |
1.1.4 存在的问题与研究方向 |
1.1.5 小结 |
1.2 迭代学习控制理论的数学预备 |
1.2.1 泛函分析基础 |
1.2.2 几个主要数学定理 |
1.3 论文内容及章节简介 |
1.3.1 论文工作及创新点 |
1.3.2 论文章节及主要内容 |
第2章 基于最小方差预测模型的迭代学习控制算法 |
2.1 引言 |
2.2 问题描述 |
2.3 基于预测模型的迭代学习控制算法 |
2.4 收敛性分析 |
2.5 仿真结果 |
2.6 小结 |
第3章 基于GPC的自适应迭代学习控制算法 |
3.1 引言 |
3.2 问题描述 |
3.3 自适应迭代学习控制算法 |
3.4 稳定性分析 |
3.5 仿真分析 |
3.5.1 非逆稳过程的仿真分析 |
3.5.2 逆稳过程的仿真分析 |
3.5.3 汽车悬挂系统的仿真分析 |
3.6 小结 |
第4章 针对干扰迭代学习补偿的预测控制算法 |
4.1 引言 |
4.2 问题描述 |
4.3 干扰迭代补偿的预测控制算法 |
4.3.1 预测控制器设计 |
4.3.2 学习算法的引入 |
4.4 算法的收敛性和鲁棒性分析 |
4.5 应用研究结果 |
4.5.1 间歇反应器温度控制 |
4.5.2 PH值中和反应控制 |
4.6 小结 |
第5章 模型参考迭代学习控制算法 |
5.1 引言 |
5.2 时滞积分过程的改进Smith预估模型参考控制算法 |
5.2.1 问题描述 |
5.2.2 控制器设计 |
5.2.3 仿真结果 |
5.3 一类线性系统模型参考迭代学习控制算法 |
5.3.1 问题描述 |
5.3.2 收敛性分析 |
5.3.3 仿真结果 |
5.4 一类非线性系统模型参考迭代学习控制算法 |
5.4.1 问题描述 |
5.4.2 收敛性分析 |
5.4.3 仿真结果 |
5.5 小结 |
第6章 基于Bernoulli随机变量模型的迭代学习控制算法 |
6.1 引言 |
6.2 问题描述 |
6.3 主要结果 |
6.4 数值仿真 |
6.5 小结 |
第7章 结束语 |
7.1 本文总结 |
7.1.1 本文研究工作的三个层面 |
7.1.2 主要研究内容 |
7.1.3 主要创新点 |
7.2 问题与展望 |
参考文献 |
致谢 |
个人简历 |
攻读博士学位期间发表论文、科研项目、教学活动 |
攻读博士学位期间发表的论文 |
科研项目 |
参编着作 |
主要教学活动 |
(8)磁致伸缩多自由度精密平台的驱动及振动控制研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景与目的意义 |
1.1.1 课题研究的背景 |
1.1.2 课题研究的目的和意义 |
1.2 驱动平台和隔振平台 |
1.2.1 驱动平台发展现状 |
1.2.2 隔振平台发展现状 |
1.3 驱动器及其控制技术 |
1.3.1 智能材料驱动器 |
1.3.2 智能驱动器控制技术 |
1.4 论文主要内容 |
第二章 单自由度磁致伸缩驱动器控制技术研究 |
2.1 引言 |
2.2 磁致伸缩驱动器工作原理及其控制方法 |
2.2.1 磁致伸缩驱动器工作原理 |
2.2.2 磁致伸缩驱动器控制方法简介 |
2.3 磁致伸缩驱动器精密控制技术 |
2.3.1 离线前馈补偿的闭环反馈控制 |
2.3.2 系统在线辨识及其自适应控制 |
2.3.3 在线辨识及动态前馈补偿自适应控制 |
2.4 干扰激励下驱动器定位控制实验验证 |
2.4.1 离线前馈补偿的PID反馈控制 |
2.4.2 在线辨识及动态前馈补偿自适应控制 |
2.5 单自由度驱动器振动主动控制实现 |
2.6 本章小结 |
第三章 驱动器控制技术硬件实现研究 |
3.1 引言 |
3.2 控制系统反馈环节实现 |
3.2.1 基于位移传感器的位移反馈 |
3.2.2 基于压电式传感器的加速度反馈 |
3.3 控制系统驱动环节实现 |
3.3.1 功率放大器 |
3.3.2 PWM驱动仿真及实验 |
3.4 控制系统控制环节实现 |
3.4.1 基于嵌入式系统开环控制实现 |
3.4.2 基于嵌入式系统闭环控制实现 |
3.5 本章小结 |
第四章 磁致伸缩多自由度精密平台建模和仿真 |
4.1 引言 |
4.2 磁致伸缩精密驱动平台动力学建模与仿真 |
4.2.1 放大机构建模与仿真 |
4.2.2 平台耦合建模与仿真 |
4.3 磁致伸缩精密平台ADAMS仿真 |
4.4 磁致伸缩精密平台位置反解及隔振仿真 |
4.5 本章小结 |
第五章 磁致伸缩多自由度精密平台驱动及振动控制实现 |
5.1 引言 |
5.2 磁致伸缩精密平台开环控制验证 |
5.3 精密平台动态前馈补偿解耦驱动控制 |
5.3.1 精密平台解耦驱动控制仿真 |
5.3.2 精密平台解耦驱动控制实验验证 |
5.4 精密平台系统辨识与自适应驱动控制 |
5.4.1 两自由度精密平台在线辨识 |
5.4.2 两自由度精密平台自适应控制 |
5.4.3 三自由度精密平台在线辨识 |
5.4.4 三自由度精密平台自适应控制 |
5.5 精密平台振动主动控制实现 |
5.6 本章小结 |
第六章 结论与展望 |
6.1 主要成果 |
6.2 主要创新 |
6.3 研究展望 |
参考文献 |
致谢 |
攻读学位期间的学术成果 |
(9)基于磁致伸缩平台的微振动主动控制研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 精密隔振平台与主动控制技术发展综述 |
1.2.1 精密隔振平台介绍 |
1.2.2 振动主动控制技术研究现状和发展 |
1.3 巨磁致伸缩材料研究现状 |
1.3.1 巨磁致伸缩材料介绍 |
1.3.2 巨磁致伸缩材料非线性建模 |
1.3.3 巨磁致伸缩平台研究现状 |
1.4 论文主要研究内容 |
第二章 巨磁致伸缩驱动器的辨识和控制研究 |
2.1 引言 |
2.2 巨磁致伸缩驱动器的介绍 |
2.2.1 磁致伸缩驱动器结构 |
2.2.2 磁致伸缩驱动器的特性 |
2.3 巨磁致伸缩驱动器系统辨识 |
2.3.1 PI 模型 |
2.3.2 CARMA 模型 |
2.3.3 巨磁致伸缩驱动器的模型辨识实验 |
2.3.4 实验结果比较分析 |
2.4 巨磁致伸缩驱动器的位移闭环控制实验 |
2.4.1 基于 PI 模型的自适应控制 |
2.4.2 基于 CARMA 模型的自适应控制 |
2.4.3 GMA 系统闭环位移控制实验 |
2.4.4 实验结果比较分析 |
2.5 本章小结 |
第三章 巨磁致伸缩平台的结构分析和振动控制研究 |
3.1 引言 |
3.2 GMA 可调刚度特性研究 |
3.2.1 具有可调刚度的隔振系统模型 |
3.2.2 巨磁致伸缩驱动器动力学分析模型 |
3.3 微振动主被动一体控制系统结构设计 |
3.3.1 GMA 与被动隔振器并联时的动力学分析 |
3.3.2 GMA 与被动隔振器串联时的动力学分析 |
3.3.3 GMA 与被动隔振器混合连接时的动力学分析 |
3.3.4 不同结构方式分析比较 |
3.4 单自由度超磁致伸缩平台闭环控制仿真 |
3.5 单自由度超磁致伸缩平台闭环控制实验 |
3.6 本章小结 |
第四章 巨磁致伸缩平台的全系统建模与实验验证 |
4.1 引言 |
4.2 磁致伸缩减隔振平台的全系统结构 |
4.2.1 减隔振平台总体结构 |
4.2.2 柔性铰链 |
4.2.3 GMA 位移放大机构 |
4.3 巨磁致伸缩平台动力学模型 |
4.3.1 平台的参考坐标系 |
4.3.2 柔性铰链分析 |
4.3.3 单个放大部分动力学模型 |
4.3.4 全系统动力学模型 |
4.4 全系统模型耦合问题 |
4.4.1 多自由度系统的弹性耦合和惯性耦合 |
4.4.2 三自由度隔振平台的耦合 |
4.5 三自由度隔振平台开环实验测试 |
4.5.1 开环测试实验平台 |
4.5.2 开环测试实验结果 |
4.6 本章小结 |
第五章 磁致伸缩平台系统闭环控制实验研究 |
5.1 引言 |
5.2 位形驱动闭环控制实验 |
5.2.1 软件与硬件 |
5.2.2 仿真与实验结果 |
5.3 微振动闭环控制实验 |
5.3.1 实验平台搭建 |
5.3.2 仿真与实验结果 |
5.3.3 实验结果分析 |
5.4 本章小结 |
第六章 结论和展望 |
6.1 主要成果 |
6.2 主要创新 |
6.3 研究展望 |
参考文献 |
致谢 |
攻读学位期间的学术成果 |
攻读学位期间参与的科研项目 |
(10)隧道窑温度建模与控制研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 隧道窑及其控制技术介绍 |
1.2.1 隧道窑的结构和工作原理 |
1.2.2 隧道窑的控制任务 |
1.2.3 隧道窑控制技术的发展现状 |
1.3 预测函数控制的发展现状 |
1.4 本文主要工作 |
第2章 预测函数控制算法 |
2.1 预测函数控制的基本原理 |
2.1.1 基函数 |
2.1.2 预测模型 |
2.1.3 参考轨迹 |
2.1.4 反馈校正 |
2.1.5 滚动优化 |
2.1.6 参数整定 |
2.2 预测函数控制的性能研究 |
2.2.1 一阶惯性对象 |
2.2.2 带有滞后的一阶惯性对象 |
2.3 本章小结 |
第3章 隧道窑温度模型参数辨识 |
3.1 建模方法 |
3.2 遗传算法 |
3.2.1 遗传算法的基本思想 |
3.2.2 遗传算法设计的基本内容 |
3.2.3 遗传算法的流程 |
3.3 基于遗传算法的系统辨识 |
3.3.1 系统辨识简介 |
3.3.2 遗传算法在系统辨识中的应用 |
3.4 基于遗传算法的隧道窑温度模型参数辨识 |
3.4.1 遗传算法设计 |
3.4.2 仿真研究 |
3.5 本章小结 |
第4章 预测函数控制器的设计与仿真 |
4.1 基于CARMA模型的预测函数控制研究 |
4.2 预测函数控制的内模控制分析 |
4.2.1 内模控制原理 |
4.2.2 基于CARMA模型的预测函数控制闭环性能分析 |
4.3 隧道窑温度控制系统的仿真研究 |
4.3.1 预测函数控制器设计 |
4.3.2 仿真研究 |
4.4 本章小结 |
第5章 模糊预测函数控制器的设计与仿真 |
5.1 模糊控制基本原理 |
5.2 模糊预测函数控制 |
5.3 隧道窑温度控制系统的仿真研究 |
5.3.1 基于模糊补偿的预测函数控制器设计 |
5.3.2 仿真研究 |
5.4 本章小结 |
第6章 结束语 |
参考文献 |
致谢 |
四、一种基于CARMA模型的直接预测控制算法(论文参考文献)
- [1]水轮机调节系统非线性预测控制研究[D]. 田钰强. 西北农林科技大学, 2021(01)
- [2]小型无人水面艇自主靠泊控制与导引技术研究[D]. 赵京瑞. 中国运载火箭技术研究院, 2021(02)
- [3]预测控制算法在PLC上的应用[D]. 迟庆喜. 浙江大学, 2020(02)
- [4]子空间辨识算法及预测控制研究[D]. 葛连明. 南京邮电大学, 2019(02)
- [5]时滞系统的自抗扰广义预测控制的性能分析[J]. 陈增强,吴瑕,孙明玮,孙青林. 中南大学学报(自然科学版), 2018(08)
- [6]基于广义预测控制的汽车多模型混合低速控制[D]. 黄魏. 重庆邮电大学, 2017(04)
- [7]基于过程模型的迭代学习控制算法研究[D]. 翟春艳. 东北大学, 2015(03)
- [8]磁致伸缩多自由度精密平台的驱动及振动控制研究[D]. 邓凯. 上海交通大学, 2015(02)
- [9]基于磁致伸缩平台的微振动主动控制研究[D]. 孙晓芬. 上海交通大学, 2014(02)
- [10]隧道窑温度建模与控制研究[D]. 王培培. 东北大学, 2013(03)