复杂工业过程多模型预测控制策略及其应用研究

复杂工业过程多模型预测控制策略及其应用研究

论文摘要

预测控制来源于工程实践,具有模型精度要求低、在线计算方便、控制综合效果好的特点,在实践中得到十分成功的应用。随着工业过程控制要求的不断提高,基于单一模型的预测控制器已经难以满足复杂工业过程的控制要求,对多模型预测控制的研究能够拓宽预测控制的应用范围,提高复杂工业过程的控制性能,无疑具有理论意义和实际价值。文章首先总结已有的研究成果,将多模型预测控制分为加权多模型预测控制和切换多模型预测控制,根据控制律求取方式的不同,每一类又可分为基于控制器的和基于模型的两种形式。多模型预测控制的关键不在于预测控制算法本身,而在于如何选择加权或者切换策略,文中总结了已有的切换和加权方式,提出多步预测控制律加权平均是多模型预测控制特有的平滑切换方式。文章主要对以下几个方面进行了研究:在建立多模型集方面,针对一类工业过程,采用可以描述系统动态特性且容易获得的主要参数如主导时间常数、增益和纯滞后时间的极大极小值,通过等模型距离的方法建立系统的多模型集表示,以在线递推贝叶斯概率加权方法组合子模型作为预测模型设计预测控制器,仿真结果验证了此方法的有效性。在控制算法方面,为了减少计算量,对具有较少计算量的预测函数控制进行了研究。针对具有时滞可测扰动的一阶惯性典型工业过程,基于Smith预估补偿思想,考虑扰动通道和控制通道纯滞后时间的相对大小,提出一种改进的具有解析解的预测函数控制算法,并将其推广到了多变量系统;另外,针对基于T-S模糊模型的预测控制存在计算量大的缺点,从预测控制的误差补偿环节入手,提出一种简化的控制算法,相对于多步线性化方法,减少了计算量,相对于单步线性化方法,提高了控制精度。通过仿真验证了上述结论的正确性。在应用研究方面,将模糊增益调度多模型预测控制应用于ALSTOM气化炉控制标准问题,以负荷作为调度变量,选取3个工况点的线性模型为基准模型,仿真结果表明,按照标准问题的测试要求,本方法具有最好的控制性能,证明了多模型预测控制解决复杂工业过程控制问题的有效性。

论文目录

  • 中文摘要
  • 英文摘要
  • 第一章 绪论
  • 1.1 选题背景与意义
  • 1.2 国内外研究动态
  • 1.2.1 预测控制的研究与应用现状
  • 1.2.2 多模型控制的研究概况
  • 1.2.3 多模型预测控制的研究概况
  • 1.2.4 需要进一步研究的内容
  • 1.3 论文的主要内容和结构安排
  • 第二章 多模型预测控制基础
  • 2.1 预测控制基本原理
  • 2.1.1 预测模型
  • 2.1.2 滚动优化
  • 2.1.3 反馈校正
  • 2.1.4 DMC预测控制算法
  • 2.2 多模型控制原理
  • 2.3 模型集建立方法
  • 2.3.1 非线性系统的线性化多模型表示
  • 2.3.2 T-S模糊模型
  • 2.4 多模型控制的切换和加权策略
  • 2.4.1 通用方法
  • 2.4.2 多模型预测控制的平滑切换
  • 第三章 一种实用的多模型动态矩阵控制方法
  • 3.1 引言
  • 3.2 多模型表示方法
  • 3.2.1 模型集建立方法
  • 3.2.2 递推贝叶斯概率加权方法
  • 3.3 多模型动态矩阵控制
  • 3.4 主汽温系统多模型预测控制
  • 3.4.1 对象特性分析
  • 3.4.2 对象模型
  • 3.4.3 仿真
  • 3.5 本章小结
  • 第四章 多模型预测函数控制
  • 4.1 引言
  • 4.2 典型工业过程的预测函数控制算法
  • 4.2.1 预测函数控制的基本原理
  • 4.2.2 具有可测扰动的预测函数控制算法
  • 4.2.3 多变量预测函数控制算法
  • 4.3 仿真
  • 4.3.1 仿真试验
  • 4.3.2 循环流化床锅炉主汽温控制应用研究
  • 4.3.3 多变量主汽温控制应用研究
  • 4.4 本章小结
  • 第五章 基于T-S模糊模型的多模型预测控制
  • 5.1 引言
  • 5.2 以T-S模糊模型为预测模型的预测控制
  • 5.2.1 以T-S模糊模型为预测模型的预测控制原理
  • 5.2.2 基于T-S模糊状态空间模型的预测控制算法
  • 5.2.3 基于T-S模糊模型预测控制的简化算法
  • 5.3 并行补偿结构的模糊多模型预测控制
  • 5.3.1 并行补偿结构的模糊多模型预测控制原理
  • 5.3.2 两类多模型预测控制的比较
  • 5.4 仿真实例
  • 5.5 本章小结
  • 第六章 ALSTOM气化炉标准问题增益调度多模型预测控制
  • 6.1 引言
  • 6.2 ALSTOM气化炉系统特性和控制要求
  • 6.2.1 气化炉系统特性
  • 6.2.2 非线性模型
  • 6.2.3 控制要求
  • 6.3 控制器设计方法
  • 6.3.1 模糊增益调度多模型预测控制算法
  • 6.3.2 多模型集建立
  • 6.3.3 设计参数选择
  • 6.4 仿真
  • 6.4.1 仿真结果
  • 6.4.2 仿真结果分析
  • 6.5 本章小结
  • 第七章 结论与展望
  • 参考文献
  • 致谢
  • 攻读博士学位期间发表的学术论文
  • 攻读博士学位期间参加的科研工作
  • 相关论文文献

    • [1].混合动力汽车燃油经济性模型预测控制策略[J]. 机械设计与制造 2020(02)
    • [2].自适应模型预测控制的车道保持控制策略[J]. 华侨大学学报(自然科学版) 2020(04)
    • [3].模型预测控制技术在水泥制造中的应用[J]. 水泥技术 2019(02)
    • [4].显式模型预测控制的可达分区点定位算法[J]. 系统科学与数学 2016(10)
    • [5].模型预测控制技术在碳酸二甲酯生产中的应用[J]. 浙江化工 2015(12)
    • [6].改进粒子群算法优化的非线性模型预测控制[J]. 辽宁工程技术大学学报(自然科学版) 2015(04)
    • [7].“交流电机模型预测控制”专题征稿启事[J]. 电工技术学报 2019(S2)
    • [8].交流电机模型预测控制专题征稿启事[J]. 电工技术学报 2020(01)
    • [9].基于模型预测控制的半挂汽车主动防侧倾控制方法[J]. 汽车安全与节能学报 2020(01)
    • [10].计及新能源资源分级的柔性调度模型预测控制[J]. 智慧电力 2020(09)
    • [11].分层结构多模型预测控制在630MW火电机组协调系统中的应用[J]. 工业控制计算机 2020(10)
    • [12].基于扰动观测器和模型预测控制的降膜蒸发器控制器设计[J]. 工业控制计算机 2016(03)
    • [13].倒立摆系统显式模型预测控制[J]. 控制工程 2010(04)
    • [14].模型预测控制快速梯度优化算法评估[J]. 控制工程 2020(04)
    • [15].基于自适应模型预测控制的柔性互联配电网优化调度[J]. 电力自动化设备 2020(06)
    • [16].电机系统模型预测控制研究综述[J]. 电机与控制应用 2019(08)
    • [17].基于多目标优化的非线性模型预测控制的研究(英文)[J]. 计算机与应用化学 2017(04)
    • [18].模型预测控制系统的性能评价研究[J]. 化工自动化及仪表 2016(07)
    • [19].电力工业模型预测控制——现状与发展[J]. 环球市场信息导报 2016(09)
    • [20].动态电压恢复器的模型预测控制[J]. 电力系统保护与控制 2013(09)
    • [21].车辆多目标自适应巡航显式模型预测控制[J]. 交通运输工程学报 2020(03)
    • [22].基于模型预测控制的汽车操纵逆问题研究[J]. 系统仿真学报 2018(01)
    • [23].基于切换控制的经济模型预测控制[J]. 控制与决策 2016(01)
    • [24].模型预测控制在钠氨合成工艺上的应用研究[J]. 化工自动化及仪表 2010(10)
    • [25].蒸发过程的非线性模型预测控制[J]. 东北大学学报(自然科学版) 2008(10)
    • [26].十八相电机模块化设计及改进的模型预测控制[J]. 微特电机 2020(05)
    • [27].模型预测控制在水泥生产线自动化的应用[J]. 水泥 2020(07)
    • [28].基于显式模型预测控制的无人船航迹控制方法[J]. 船舶工程 2020(09)
    • [29].模型预测控制在锅炉控制系统应用的仿真研究[J]. 电站系统工程 2018(04)
    • [30].水泥生产模型预测控制系统应用简析[J]. 水泥 2018(07)

    标签:;  ;  ;  ;  

    复杂工业过程多模型预测控制策略及其应用研究
    下载Doc文档

    猜你喜欢