模型与实际有差异时非线性大工业过程递阶优化控制算法

针对实际非线性离散系统与它的模型之间的差异，提出了一种基于模型优化控制问题来求解实际问题最优解的递阶算法，该算法通过上级的关联预测和参数估计与下级的修正的基于模型优化子问题的迭代问题，总可以获得实际非线性离散大系统最优控制．并行计算可以节省计算时间．分析了该算法的收敛性和最优性．仿真例子说明该算法的特色．     

非线性离散动态大系统的DISOPE关联预测递阶算法

提出了一种非线性离散动态大系统系统优化与参数估计集成的关联预测递阶算法 .在各子系统模型与实际存在差异的情况下 ,将动态系统系统优化与参数估计集成 ( DISOPE)方法与关联预测法相结合 ,得到一个上级协调 ,下级进行各子系统优化与参数估计集成的双环迭代算法 ,从模型出发通过迭代运算能得到实际系统在存在模型 -实际差异时的真实最优解 .仿真结果表明了算法的有效性和实用性.     

一种交通控制与诱导递阶协调优化模型

在对交通控制与诱导的关系进行分析的基础上,借鉴大系统递阶优化的思想,利用动态交通分配模型和交通最优控制模型,提出了一种二级结构控制与诱导递阶协调的系统结构,建立协调优化模型,给出了一种迭代的协调求解算法;并针对一个仿真的路网给出模拟的协调结果,对本文的模型和算法进行了验证.     

一类非线性系统的迭代学习控制

在一类非线性系统的闭环迭代学习控制中，对系统输入进行闭环D型迭代学习，对输入的初值采用P型迭代学习控制律，给出了它的收敛性证明，从收敛性的证明过程可以看出，这种迭代学习控制受到较小的收敛条件的限制最后用仿真结果对收敛性和收敛条件进行了验证。     

含状态时滞的非线性间歇过程迭代学习控制研究

在迭代学习控制(iterative learning control, ILC)理论的研究中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定。研究了含状态时滞的非线性间歇过程,其系统初值在期望初值一定范围内随机变化且存在可量测重复性扰动下的迭代学习控制问题。提出了采用带变遗忘因子的开环PD型迭代学习控制算法,给出了谱半径形式的收敛条件,并应用算子理论进行收敛性证明,给出了间歇非线性控制时滞过程仿真实例。研究结果说明了该算法的有效性。     

基于在线优化的多模型自适应控制

针对常规多模型自适应控制中子模型数量过多问题,提出在线优化的多模型自适应控制算法。将整个控制系统分为基本工况级和控制模型级的两层递阶结构。在系统运行过程中,通过在线学习自动地建立多模型及相应的控制器,并对所建的动态模型库进行优化,以进一步减少子模型数量和计算时间。证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性。计算机仿真结果表明该算法的有效性。     

带有初态学习的指数变增益迭代学习控制

针对一类非线性时变系统在有限时间区间上的轨迹跟踪问题,提出一种新的迭代学习控制算法,该算法对系统的控制输入和初始状态同时采用闭环指数变增益迭代学习律。基于算子理论,对具有任意初始状态的系统,在该迭代学习律作用下的收敛性进行严格证明,同时给出该迭代学习算法收敛的谱半径形式的充分条件。该算法与固定增益的迭代学习控制相比较,不仅加快了收敛速度,而且还解决了指数变增益迭代学习控制要求初始状态严格重复的问题。仿真结果表明了该算法的有效性。     

带有EKF速度观测的P型迭代学习直线伺服系统

针对永磁直线同步电机伺服系统,采用P型迭代学习控制律下的位置-速度控制器,实现参考位置信号的跟踪控制.详细分析了永磁直线伺服系统的数学模型,在此基础上给出迭代学习直线伺服系统的收敛性定理.同时避免位置信号微分运算的不准确结果,给出推广卡尔曼滤波器观测直线速度的方法.采用matlab和dSPACE方法对迭代学习直线伺服系统进行仿真研究,仿真结果表明迭代学习控制能够保证系统性能在不断学习中提高,系统具有很好的动态响应和学习能力.     

混沌通信的非线性N-shift加密与迭代学习辨识算法

为增强混沌通信系统的保密性,讨论了非线性N-shift加密方案,从提高信号掩盖的非线性程度方面增强了混沌通信的保密性.利用迭代学习辨识方法来实现解密,完全重建信息信号,理论分析给出了学习算法关于初态误差和输出误差的鲁棒性和收敛性,推导出了学习算法关于非线性掩盖的收敛的充分条件.利用以上迭代学习辨识技术对采用复合非线性掩盖技术的蔡氏混沌通信系统进行仿真,结果说明迭代学习辨识算法可以完全重建信息信号,复合非线性掩盖具有高保密性.     

一类非线性系统在任意初值下的开环D型迭代学习控制

给出了一类非线性时变系统在任意初值条件下采用开环D型迭代学习控制算法时的收敛条件,运用算子理论进行收敛性证明。该算法克服了系统输出信号跟踪期望输出依赖于期望状态和期望输入的缺陷,解决了迭代学习控制中的初始状态问题,而且收敛条件放宽了,给出了仿真研究实例,研究结果说明该算法的有效性。     

STEADY-STATE HIERARCHICAL INTELLIGENT CONTROL OF LARGE-SCALE INDUSTRIAL PROCESSES

This paper considers the fourth stage of development of hierarchical control ofindustrial processes to the intelligent control and optimization stage, and reviews what theauthor and his Group have been investigating for the past decade in the on-line steady-state hierarchical intelligent control of large-scale industrial processes (LSIP). This papergives a definition of intelligent control of large-scale systems first, and then reviews the useof neural networks for identification and optimization, the use of expert systems to solvesome kinds of hierarchical multi-objective optimization problems by an intelligent decisionunit (ID), the use of fuzzy logic control, and the use of iterative learning control. Severalimplementation examples are introduced. This paper reviews other main achievements ofthe Group also. Finally this paper gives a perspective of future development.     

间歇过程模糊预测学习控制器的设计与仿真

针对工业间歇过程的控制问题，分析比较了现有的两类反馈-前馈迭代学习算法在解决工业间歇过程控制系统滞后问题上的缺陷，采用T-S模糊预测模型，在原有反馈-前馈迭代学习算法基础上引入预测思想，研究了基于模糊预测的迭代学习算法，并设计了一种模糊预测学习控制器。以具有滞后、变参数特性的间歇过程为例，进行了仿真研究，验证了提出方法的有效性。     

基于滑模观测器的非线性系统迭代学习控制

针对相当广泛的一类非线性系统有限时间轨迹跟踪问题,提出了一种基于滑模观测器的迭代学习控制算法。根据系统的非线性特性,利用一种滑模观测器对系统的状态进行估计,根据估计信号设计了一种类D型开环迭代学习控制律。这种控制方法不需要对系统的跟踪误差信号进行微分,从而对系统的量测噪声不敏感。给出了控制算法的收敛性证明,通过仿真实验证明了这种算法的有效性。     

Convergence analysis in sense of Lebesgue-p norm of decentralized non-repetitive iterative learning control for linear large-scale systems

In this paper, a decentralized iterative learning control strategy is embedded into the procedure of hierarchical steady-state optimization for a class of linear large-scale industrial processes which consists of a number of subsystems. The task of the learning controller for each subsystem is to iteratively generate a sequence of upgraded control inputs to take responsibilities of a sequential step functional control signals with distinct scales which are determined by the local decision-making units in the two-layer hierarchical steady-state optimization processing. The objective of the designated strategy is to consecutively improve the transient performance of the system. By means of the generalized Young inequality of convolution integral, the convergence of the learning algorithm is analyzed in the sense of Lebesgue-p norm. It is shown that the inherent feature of system such as the multi-dimensionality and the interaction may influence the convergence of the non-repetitive learning rule. Numerical simulations illustrate the effectiveness of the proposed control scheme and the validity of the conclusion. This research was supported by the National Natural Science Foundation of China under Grant No. F030101–60574021.     

一类非线性互联大系统的近似最优扰动抑制

研究一类受外界扰动非线性互联动态大系统的最优扰动抑制问题。根据有限时域二次型性能指标,提出了一种基于逐次逼近思想的大系统近似最优扰动抑制方法。利用该方法将由原系统得到的高阶耦合的非线性两点边值问题简化为一族解耦的线性两点边值问题序列。证明了该序列的解一致收敛于原非线性互联大系统的最优控制。通过截取最优控制序列的有限次逼近值,可以得到非线性互联大系统近似最优扰动抑制控制律。最后通过数值仿真表明了该方法的有效性。     

不确定时滞非线性系统的迭代学习控制

针对一类不确定状态时滞非线性系统 ,提出了一种形式简单的迭代学习控制算法 ,从理论上给出了算法收敛的充分条件 ,进一步分析了不确定状态时滞、系统采样频率与跟踪性能之间的关系。该学习算法无需精确已知系统的状态时滞 ,而只要估计状态时滞的界 ,因而具有算法简单、计算量小、易于实现等特点。仿真结果表明了该算法的实用性和有效性。     

基于在线支持向量机和遗传算法的预测控制

针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,本文提出一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。