动态矩阵控制算法.docVIP

MATLAB环境下动态矩阵控制实验 一 算法实现 设某工业对象的传递函数为：GP(s)=e-80s/(60s+1)，采用DMC后的动态特性如图1所示。在仿真时采样周期T=20s，优化时域P=10，控制时域M=2，建模时域N=20。 MATLAB程序1： g=poly2tfd(1,[60 1],0,80);%通用传递函数模型转换为MPC传递函数模型 delt=20; %采样周期 nt=1; %输出稳定性向量 tfinal=1000; %截断时间 model=tfd2step(tfinal,delt,nt,g);%传递函数模型转换为阶跃响应模型 plant=model; %进行模型预测控制器设计 p=10; %优化时域 m=2; %控制时域 ywt=[];uwt=1; %设置输入约束和参考轨迹等控制器参数 kmpc=mpccon(plant,ywt,uwt,m,p);%模型预测控制器增益矩阵计算 tend=1000;r=1; %仿真时间 [y,u,yrn]=mpcsim(plant,model,kmpc,tend,r);%模型预测控制仿真 t=0:20:1000; plot(t,y) xlabel(图1 DMC 控制系统的动态阶跃响应曲线(time/s)); ylabel(响应曲线); 图中曲线为用DMC控制后系统的阶跃响应曲线。从图中可以看出：采用DMC控制后系统的调整时间小，响应的快速性好，而且系统的响应无超调。该结果是令人满意的。 二 P和M对系统动态性能的影响 1．P对系统性能的影响 优化时域P表示我们对k时刻起未来多少步的输出逼近期望值感兴趣。当采样周期T=20s，控制时域M=2，建模时域N=20，优化时域P分别为6，10和20时的阶跃响应曲线如图2所示。 MATLAB程序2： g=poly2tfd(1,[60 1],0,80);%通用传递函数模型转换为MPC传递函数模型 delt=20; %采样周期 nt=1; %输出稳定性向量 tfinal=1000; %截断时间 model=tfd2step(tfinal,delt,nt,g);%传递函数模型转换为阶跃响应模型 plant=model; %进行模型预测控制器设计 p1=6;p2=10;p3=20; %优化时域 m=2; %控制时域 ywt=[];uwt=1; kmpc1=mpccon(plant,ywt,uwt,m,p1); kmpc2=mpccon(plant,ywt,uwt,m,p2); kmpc3=mpccon(plant,ywt,uwt,m,p3); tend=1000;r=1; [y1,u,yrn]=mpcsim(plant,model,kmpc1,tend,r); [y2,u,yrn]=mpcsim(plant,model,kmpc2,tend,r); [y3,u,yrn]=mpcsim(plant,model,kmpc3,tend,r); t=0:20:1000; plot(t,y1,t,y2,t,y3) legend(1-p=6,2-p=10,3-p=20); xlabel(图2 P不同对系统性能的影响(time/s)); ylabel(响应曲线); 图中曲线1为P=6时的阶跃响应曲线；曲线2为P=10时的阶跃响应曲线；曲线3为P=20时的阶跃响应曲线。从图中可以看出：增大P，系统的快速性变差，系统的稳定性增强；减小P，系统的快速性变好，稳定性变差。所以P的选择应该兼顾快速性和稳定性。 2．M对系统性能的影响 控制时域M表示所要确定的未来控制量的改变数目。当采样周期T=20s，优化时域P=20，建模时域N=20，控制时域M分别取4，2和1时系统的响应曲线如图3所示。 MATLAB程序3： g=poly2tfd(1,[60 1],0,80);%通用传递函数模型转换为MPC传递函数模型 delt=20; %采样周期 nt=1; %输出稳定性向量 tfinal=1000; %截断时间 model=tfd2step(tfinal,delt,nt,g);%传递函数模型转换为阶跃响应模型 plant=model;