论文部分内容阅读
针对设定值变化比较大、工作范围比较宽的强非线性系统,本文提出了基于非线性度量和MLD-MPC的多模型方法。为了解决多模型方法中的“分解”与“合成”两个核心问题,分别提出了基于非线性度量的“分解”方法和基于混合逻辑动态(MLD)模型的“合成”方法,并设计了基于MLD模型的全局MPC控制器。本文的主要贡献如下：(])针对具有Hammerstein或Wiener模型结构的SISO非线性系统(简称SISO Hammerstein-like系统),提出一种夹角非线性度量方法。该方法通过计算系统静态I/O曲线斜率的变化,衡量系统在一个范围内的非线性程度,从而为控制策略的选择以及操作空间的分解奠定基础。(2)为了突破夹角非线性度量方法仅适用于SISO Hammerstein-like系统的局限性,提出一种基于gap metric的非线性度量方法。该方法适用于一般可微非线性系统,它充分利用gap metric作为度量工具的优点,在对非线性系统进行控制器设计之前,深入分析系统的动态行为特性,衡量系统的开环非线性程度,从而为控制策略的选择提供依据。(3)基于上述两种非线性度量方法,提出两种分解非线性系统的方法。其基本思想是：在给定的度量指标下,依次逐个比较指定操作空间内线性模型之间的距离与给定阈值的大小,如果一个范围内所有线性模型之间的距离都小于阈值,就将这个范围就划分为一个子空间,并建立合适的线性子模型。重复如此,直到将整个操作空间分解完为止。该方法系统有效,能比较好的解决多模型方法中的“分解”问题。(4)针对通过上述分解方法得到的线性模型集,采用MLD模型进行“合成”。并基于MLD模型在整体的性能指标下设计全局MPC控制器(即基于MLD-MPC的多模型控制器)。基于MLD-MPC的多模型控制器,可以在统一的MLD模型框架下有效地协调各个线性子模型,避免模型切换时引起的抖动,增强系统的鲁棒稳定性；且每个采样时刻都可以利用全部子模型的动态信息对非线性系统进行动态优化控制,提高了系统的控制品质。