用广义预测控制算法进行过程控制的仿真

本文介绍一种简化的广义预测控制算法,并说明用汇编语言实现的细节,最后应用于实验模型的控制,将控制效果与PID算法进行比较。     

广义预测PID控制算法

本文根据广义预测控制(Generalized Predictive Control,简写GPC)与PID控制控制律结构的相似性,通过对广义预测控制性能指标函数中控制加权序列Qj(z-1)的配置给定,导出了具有PID算法结构的广义预测控制律。从而借助广义预测控制算法参数的递推关系链,自动优化整定PID调节参数,并实施广义预测PID控制。     

广义预测算法在网络控制系统中的应用

在网络控制系统中,由于网络的引入不可避免的导致信息的延时.从而使得控制系统的性能下降甚至导致系统不稳.本文在分析网络时延特性的基础上,采用广义预测控制策略对进行时延补偿,并利用Matlab对被控对象进行了仿真实验研究.仿真结果表明该控制策略能使得网络控制系统具有良好性能.     

多变量广义预测控制及一种简化算法

推导了多变量广义预测控制算法，该算法能有效地处理过程的不稳定性和非最小相位特性，并具有良好的解耦性能。同时提出一种处理纯滞后对象的新方法，即将近似法和广义预测控制相结合解决时滞的方案。这种方法可以解决通道之间时滞不同的对象，并且针对广义预测控制算法的复杂性对其简化算法（多变量单值广义预测控制算法）进行了研究。通过仿真研究表明，多变量单值广义预测控制算法在跟踪性、鲁棒性、抗干扰能力等方面都得到很好的控制效果。     

输入受限的广义预测控制算法的鲁棒性

针对输入受限的广义预测控制问题，将其数学表达式转化为系统框图，并根据内模原理求出了系统的特征方程；在此基础上对输入受限的广义预测控制算法的鲁棒性进行了讨论分析，最后进行仿真验证。     

基于改进粒子群算法的约束广义预测控制算法

摘 要：提出了一种基于PSO-Powell算法的广义预测控制算法,利用PSO与Powell进行二次搜索来求取广义预测控制的最优控制率。将PSO-Powell算法引入到广义预测控制的滚动优化过程中,约束条件函数和适应度函数一起判断最优解的优劣。该算法可以有效地处理约束并找到全局最优解。最后通过仿真验证该方法的有效性。     

广义预测控制算法鲁棒性的频域分析

通过对广义预测控制算法的结构分解，建立了在频域分析ＧＰＣ算法稳定鲁棒性的方法，并证明了广义控制器在满足一定的边界条件下，如果能使系统开环稳定，则必能使系统闭环稳定，最后由仿真结果进一步说明了结论的正确性。     

GPC-PID串级控制及其在DCS中的应用

将广义预测控制与ＰＩＤ控制相结合，提出了ＧＰＣ－ＰＩＤ串级控制方案，适用于具有大滞后，慢时变和干扰频繁的场合，该方案在加热炉集散控制系统中获得了成功的应用。     

基于模糊推理和广义预测的组合控制

针对具有纯时滞和非线性的复杂系统，提出一种推广广义预测控制和模糊反馈校正相结合的控制策略，目的在于抑制模型失配的影响，增强广义预测控制的鲁棒性，建立了一种适于实时生产过程的控制方法，仿真结果验证了这一算法的有效性。     

辨识与控制分离的广义预测控制算法

提出了一种自适应广义预测控制策略．其中，对象参数辨识及预测模型参数计算等以较大的采样周期进行，滚动优化控制以较小的采样周期进行．将辨识与控制运算分别放在２个不同的中断服务程序中，使辨识与控制分离，通过不同采样周期的模型变换建立起辨识与控制的联系，可大大缩短控制运算时间，提高控制的实时性     

基于灰色模型的广义预测控制直接算法

基于灰色模型GM（1,2）,采用两个辨识器分别辨识被控对象和闭环系统的参数,从而得到了控制器的参数,给出了一种广义预测控制的直接算法.由于此方法将被控对象视为灰色系统,需辨识的参数较基于CARIMA或CARMA模型的广义预测控制直接算法大大减少,实时性进一步提高.仿真结果表明,该方法是有效可行的.     

一种广义预测控制直接算法

基于灰色模型GM（1，2）采用两个辨识器分别辨识被控对象和闭环系统的参数，从而得到了控制器的参数，给出了一种广义预测控制的直接算法。由于此方法将被控对象视为灰色系统，需辨识的参数较基于CARIMA或CARMA模型的广义预测控制直接算法大大减少，实时性进一步提高。仿真结果表明，该方法是有效可行的。     

基于遗传算法的约束广义预测控制

广义预测控制要求控制对象必须是线性无约束的，优化的性能指标也必须是二次型形式，因此，广义预测控制的工业应用存在很大局限性．本文尝试用遗传算法来解决存在约束的广义预测控制的优化问题，给出了基于遗传算法的广义预测控制算法的实现方法，并通过工业过程对象的仿真，验证了该方法的有效性，且控制效果良好．     

利用小脑模型提前计算的广义预测控制

给出一种新的广义预测控制方法，并把小脑模型（ＣＭＡＣ）应用于该算法中，避免了ＧＰＣ算法需要实时所进行的复杂计算．针对ＣＭＡＣ所需存储单元多的缺点，提出了一种改进计算ＣＭＡＣ输出值的方法，可大大减少存储单元．文中的方法对ＧＰＣ在实际中的应用有重要意义     

基于遗传算法的多变量增量型广义预测控制

针对多变量增量型广义预测控制算法增量系数难于根据系统特性选择的问题,提出基于遗传算法的多变量增量型广义预测控制算法.多变量增量型广义预测控制算法通过将求解出来的控制增量分别乘以相应的增量系数,来提高系统的鲁棒性和稳定性,同时采用阶梯式的控制策略降低多变量广义预测控制算法的计算量,运用改进的遗传算法优化整定多变量增量型广义预测控制的增量系数增强系统的跟踪特性.通过原油常压塔的侧线产品质量控制的仿真,验证了该方法有较好的鲁棒牲和抗干扰性.     

一种可分非线性系统的自校正广义预测

对一类可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型。对此模型的线性部分设计广义预测控制器,得出线性部分的控制量。根据此控制量,引入一逆神经网络,结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量。克服了Hammerstein模型中非线性部分的反函数存在性和惟一性的问题。仿真结果验证了该设计的有效性。     

带有模型不确定性的连续时间广义预测控制

针对模型不确定系统的连续时间广义预测控制,引入无穷时域的性能指标使闭环系统达到稳定.用递推最小二乘法估计系统的未知参数,在每个采样点基于估计的状态模型来计算控制输入.通过施加新的终端等式约束,将无穷时域性能指标的优化问题转化成可解的二次规划问题.利用后退时域性能指标的单调性证明,给出使连续时间广义预测控制达到闭环稳定的条件.仿真算例验证了算法的有效性.     

Wiener型系统基于神经网络的在线训练算法广义预测控制

利用RBF神经网络在训练算法和广义预测控制算法进行了Wiener型非线性模型预测控制的研究，仿真表明这种做法是可行的。     

一类非线性系统的自适应广义预测控制

利用Hammerstein模型描述一类非线性系统，提出了一类适用于非线性系统的自适应广义预测控制算法（NAGPC），该算法将整个控制系统分解成线性和非线性两部分考虑；在线性部分中，根据广义预测控制（GPC）算法中控制增益阵F的特点导出了一种速度较快，计算量不大的GPC改进算法。非线性部份利用插值原理给出了一种便于计算机实时计算的根值解法，并将其解作为整个系统的控制输入。仿真结果表明，NAGPC算法计算速度快，鲁棒性较强，稳定性较好。