开题报告()分析.pptVIP

一、课题研究背景 本课题根据发酵过程的特点，尝试通过用设定一系列关键点的方法来控制整个发酵过程的输出，以放松输出端轨迹约束的方法获得额外的自由度来设计控制算法进而得到更好地鲁棒性和更快的收敛速度。 一、课题研究背景 综上所述，青霉素发酵过程的补料控制的主要特点包括以 下几部分内容： ①青霉素发酵过程具有重复性特点，以前批次的过程信息可 以加以利用；（ILC） ②可以通过对一系列关键点的跟踪实现对整个发酵过程的控 制，从而获得更好的鲁棒性和更快的收敛速度；（P2P） ③青霉素发酵过程的补料控制必须能适应模型不确定性和复 杂的外部干扰。（MPC） 二、迭代学习控制 迭代学习控制的其他研究热点主要包括: (1)算法的收敛性和收敛速度 (2)初值不一致问题 (3)鲁棒性 (4)系统时滞问题 (5)MIMO系统耦合问题 二、迭代学习控制 虽然在已发表的有关迭代学习控制的文章中，只有不到10%的研究是间接型的，但是从间接型迭代学习控制的结构上来看，这种控制策略还是有很大发展前景的，因为其不需改变现有控制器的结构，可以很方便地应用在现有的控制系统中，以此来优化控制量，提高控制系统的性能。 二、迭代学习控制 Chris T. Freeman在2012年提出了受约束情况下的点对点迭代学习控制算法，具体实现方法为基于Lifted模型，利用输出变换矩阵对输出端进行降维，获得降维系统。然后，利用点对点控制相对于完全轨迹跟踪的条件放松而获得的自由度，通过梯度下降法和牛顿法，求取在受约束条件下的最优控制量。实验表明这种控制方法相对常规迭代学习控制算法在批次方向上的收敛速度更快，鲁棒性更好。 变换矩阵： 二、迭代学习控制 lifted模型： 优化目标函数： 二、迭代学习控制 Chris T. Freeman在2013年对前面的算法做了进一步的推广和更深入的分析。首先，变换矩阵的变换作用由原来的跟踪任意时刻的输出推广为跟踪任意输出量在任意时刻的值。其次，作者从数学角度深入分析了额外自由度的的数学表达形式，并进一步指出跟踪的关键点越少可获得的额外自由度越大，对输入控制量的限制越小。另外，对控制算法的优化问题，作者增加了输入控制量的不等式约束。 二、迭代学习控制 5.迭代学习控制与模型预测控制 模型预测控制是一种优化控制算法，但与通常的离散最优控制算 法不同，预测控制采用的不是全局优化目标，而是采用时间域滚动优 化的方法，由于这是一种有限时间范围的优化策略，所以往往只能得 全局的次优解，但是滚动优化却能顾及由于模型失配、时变、干扰等 引起的不确定性。在复杂的工业环境中，这要比建立在理想条件下的 最优控制更加实际有效。 二、迭代学习控制 陈宸在其博士论文中，基于线性时不变系统模型，将基于时间轴的批次内时域模型预测控制和基于批次轴的批次间迭代学习控制结合起来，提出了综合预测迭代学习控制算法。该方法的核心思想是在批次内采用时域的模型预测控制作为批次间迭代学习控制的修正量，克服模型的不确定性和过程干扰。 二、迭代学习控制 王友清曾提出一种变增益的间接型模型预测迭代学习控制算法， 在开始阶段，先选择一个较大的学习增益，让系统收敛得更快，等到 系统收敛一定程度，即将稳定的时候，在选择一个较小的学习增益， 让系统有更好的鲁棒性。 二、迭代学习控制 厦门大学Jia Shi等人在2014年提出基于CARIMA模型的间接型模型 预测迭代学习控制算法。内环采用MPC控制，外环是简单的迭代学习控 制，这种算法的优点在于可以把内环控制器和外环控制器集成在一起 进行设计而不是分开逐个设计，保证算法整体最优。 三、研究内容和基本思路 1.主要研究内容、重点及难点 (1)针对SISO线性系统，设计基于轨迹更新的点对点综合预测控制算法。目前，点对点迭代学习控制的学习律设计主要是基于最优控制的，基于轨迹更新的点对点综合预测控制可以通过滚动优化，顾及由于模型失配、时变、干扰等引起的不确定性，及时进行弥补，而轨迹更新的作用可以加快算法在批次方向上的收敛速度。 然后，利用范数理论分析基于轨迹更新的点对点综合预测迭代学习控制算法的收敛性、收敛速度、鲁棒性等，然后进行仿真分析并与其它点对点迭代学习控制算法进行比较。 三、研究内容和基本思路 基于轨迹更新的点对点综合预测迭代学习控制算法： 状态空间模型：