论文部分内容阅读
在化工、炼油、火电等工业过程中,模型预测控制算法(MPC)的运用受到了广泛的关注。然而,实际运用中的MPC主要是针对线性系统提出的。目前为止,非线性MPC在工业应用的实例还很少,主要瓶颈之一就是非线性过程建模和辨识的高成本。当对象有强非线性时,由于采用线性模型的输出预测与实际偏差较大,达不到优化控制的目的,预测控制的进一步推广必须基于非线性模型进行预测和优化。近十年来,基于参数变化模型的系统辨识受到了学术界及工业界的广泛关注。参数变化模型辨识方法的有效性也在航空航天领域(高性能的航天飞行器、导弹和涡轮发电机)上得到了验证。针对多输入多输出、强非线性的复杂工业对象,开展非线性系统辨识及其预测控制研究,是目前工业自动化领域国际学术界与工业界关注的研究热点与难点之一。本文在基于参数变化模型系统辨识及其预测控制方法主要进行了以下工作：1.提出了提高基于多模型线性参数变化模型精度的非线性辨识方法。通过引入非对称高斯函数,将基于高斯函数的线性参数变化模型,推广为基于非对称高斯函数的线性参数变化模型,通过自由选取局部线性模型,显著提高了模型辨识的精度。并把该模型结构扩展到基于两个调度变量的多模型线性参数变化模型。2.协助完成了实验平台的搭建工作,并完成了后续的完善工作。把所提出基于非对称高斯函数的线性参数变化模型辨识方法在中央空调实验平台上得到实施并对该方法进行验证,从实际的数据和效果,所提出的方法显著提高了模型的精度且更适于工业实际的运用。3.自主提出了一种新的非线性参数变化模型,这是一种基于混合Hammerstein模型的非线性参数变化架构。此外,还提供完善的对非线性参数变化辨识对象进行辨识实验步骤和模型辨识方法。在连续搅拌釜反应器的多输入多输出系统仿真中,与LPV和Hammerstein-Wiener模型方法进行了比较,验证该方法的有效性。4.提出并实现了基于自主提出非线性参数变化模型的非线性预测控制算法,采用多步线性的算法和直接线性反馈神经网络,简化非线性预测控制的计算,显著提高了控制精度。仿真结果表明,所述方法具有更好的控制效果。