预测控制 文献综述.docVIP

杭州电子科技大学信息工程院 毕业设计（论文）文献综述 毕业设计（论文）题 目 多变量解耦预测算法研究 文献综述题目 预测控制算法的研究 系 自动控制系 专 业 自动化 姓 名 蔡东东 班 级 学 号 指导教师 左燕 预测控制算法的研究 1 引言 预测控制是源于工业过程控制的一类新型计算机控制算法。70年代后期，它已应用于美法等国的工业过程控制领域中。1978 年，理查勒特 (Rchalet)等在文献[1]中首次详细阐述了这类算法产生的动因、机理及其在工业过程中的应用效果，从此，预测控制 (Predictive Control)作为一种新型的计算机控制算法的统一名称,便开始出现在控制领域中。 预测控制作为一种复杂系统的控制策略和方法，有着强烈的应用背景，它所具有的强鲁棒性已为大量的系统仿真和工业实践所证实。当对象参数未知时，通常采用参数自适应算法来估计对象参数,根据确定性等价原理，建立间接式的自适应广义预测控制。然而，当被控对象具有未建模动态、参数时变、非线性及有界干扰时，这样建立的自适应算法未必能使广义预测控制的强鲁棒性得到保持。为此，不少学者从不同的立足点出发，开展了提高算法鲁棒性的研究。 由于实际的生产过程大多是复杂的动态过程，精确建模具有特殊的困难，因而，描述对象的数学模型与实际对象特性之间不可避免地存在模型误差。尽管模型误差无法预知，但根据它的历史数据，仍有可能用某些方法对未来时刻的模型失配作出某种预报，由此提高输出预测的精度、改善算法的鲁棒性。文献[2]利用预测误差的历史数据建立误差预测模型，通过误差预测修正输出预测。文献[3]则是将人工智能方法引入预测控制，在对实际运行经验总结的基础上，选择对系统输出有重要影响却难以归并到数学模型中的状态特征作为特征量，由此建立系统状态特征与预测误差之间的定量或定性映射关系，实现对预测误差的智能补偿。 从反馈校正的实施方式出发，针对预测控制单一输出反馈的局限性，文献[4]通过分析过程的中间信息，综合利用模型预测和误差预测，针对工业串联系统提出一种多反馈的预测控制结构，及时地抑制了扰动和模型失配的影响，提高了系统的鲁棒性和抗干扰性。 此外，鉴于预测控制每一采样时刻只计算实施一个现时控制量，没有充分利用全部预测控制信号的作用，致使现时控制信号发生错误时系统性能将变差。为此，文献[5]采用加权控制律计算现时控制量，对因错误测量信号、暂时未建模动态、系统结构突变、参数估计失误及噪声影响等原因造成的错误控制信号进行有效抑制。 非线性系统的控制一直是控制理论界的难点.对慢时变、弱非线性系统而言，基于线性动态模型 的预测控制算法可取得较好的控制效果。然而，当其应用于强非线性系统时，为确保系统的鲁棒性，往往需要建立高阶线性近似模型或分段线性模型，这无疑会增加算法的复杂性。一个可行的方法是引入简单的、可辨识的非线性数学模型。例如采用Hammerstein模型作为预测模型，可实现对具有幂函数、死区、开关等非线性特性的工业过程的预测控制和采用广义卷积模型描述齐次非线性系统的输入输出关系，由此替代模型算法控制中的脉冲响应模型可获得齐次非线性系统的模型算法控制，进而可推广到更为一般的Vottera非线性系统的控制。 基于非线性定量数学模型解决非线性系统控制的另一有效方法是采用人工神经元网络模型。神经网络是一种本质非线性数学模型，在解决具有高度非线性和严重不确定性的复杂系统的控制方面，具有巨大的吸引力和潜力。具体到预测控制的应用上，主要有两种形式：一是利用神经网络高精度的非线性映射能力和固有的学习能力，为非线性系统提供统一的定量数学模型，进而可作为映射复杂非线性控制律的控制器；二是利用神经网络的分布式存储、处理结构和并行计算实时性好的优点，实现容错能力强、鲁棒性强的预测控制器。文献[6]中， 直接利用对象的输入输出数据训练多层前馈神经网络，以此作为非线性系统的预测模型，获得了不依赖于系统运行条件和先验信息的动态矩阵控制算法。文献[7]在采用神经网络辨识模型实现非线性系统预测控制的基础上，进一步利用预测输出误差及其相应的控制量数据训练另一作为控制器的神经网络，直接用神经网络实现被控对象的控制。值得一提的是，用神经网络实现控制器对改善算法的实时性有突出的作用。然而，这一领域的应用还有赖于神经网络研究的进一步完善。 此外，基于模糊模型的预测控制也是实现非线性系统控制的有效途径。与神经网络模型相比，模糊模型更宜于表达关于系统的先验信息。通常，这种不精确的先验信息首先以模糊规则的形式出现在系统的初始模型中，