一、连续搅拌反应釜浓度的滚动时域估计（论文文献综述）
马乐乐[1]（2021）在《非线性迭代学习模型预测控制研究》文中提出批次过程在现代智能制造工业中占据重要地位,用于生产具有高附加值的精细化产品,其产品质量在很大程度上取决于控制系统跟踪参考轨迹的精度。批次过程在有限时间区间内重复运行,而迭代学习控制能够通过学习历史运行数据修正当前控制输入,达到沿批次不断提高跟踪精度的目的,因而成为当今批次过程控制的主流方法。迭代学习控制是典型的一维控制算法,控制律只沿迭代轴更新,在时域上采用开环控制结构。因此,迭代学习控制不具备实时抗干扰能力,无法保证系统时域稳定性。模型预测控制作为一种广泛应用于工业优化的先进控制技术,通过预测未来的系统状态及输出进行滚动时域优化,能及时处理实时干扰,保证时域跟踪性能及闭环稳定性。迭代学习模型预测控制结合了迭代学习控制的点对点学习机制和模型预测控制的滚动时域优化框架,建立二维控制结构,同时实现批次过程迭代域和时域的控制目标。这种数据学习与过程控制的有机融合对推动批次制造业的智能化进程具有重大意义,是实施“中国制造2025”战略的重要环节。迭代学习模型预测控制理论仍处于发展初期,实际批次过程的强非线性、快动态、变参考轨迹及变批次长度等问题导致其应用面临着巨大挑战。本文考虑非线性批次过程的多种生产形式,提出了具有针对性的迭代学习模型预测控制策略,深入分析了算法稳定性、鲁棒性及收敛性问题。本文的主要研究工作包括:（1）建立了变参考轨迹下的非线性鲁棒迭代学习模型预测控制策略。采用线性参变模型建模非线性系统动态,在迭代学习模型预测控制中嵌入鲁棒H∞技术抑制变参考轨迹带来的跟踪误差波动,通过优化线性矩阵不等式约束下的目标函数求取控制输入信号。分析了鲁棒迭代学习模型预测控制的鲁棒稳定性和迭代收敛性。针对非线性数值算例和搅拌反应釜系统的仿真验证了所提出算法在适应变参考轨迹方面的有效性。（2）设计了快动态批次过程的非线性高效迭代学习预测函数控制策略。将非线性系统沿参考轨迹线性化得到二维跟踪误差预测模型,并在控制器设计中补偿所产生的线性化误差,构造优化目标函数为真实跟踪误差的上界。在时域上采用预测函数控制以减小待优化变量维数,从而有效降低计算负担。结合终端约束集理论,分析了迭代学习预测函数控制的时域稳定性及迭代收敛性。通过对无人车和快速间歇反应器系统的仿真,验证了所提出算法能够提高控制效率并实现高精度跟踪。（3）构造了复杂非线性批次过程的数据驱动迭代学习模型预测控制策略。利用批次过程不断累积的运行数据,构建仿射型前馈神经网络对系统非线性动态迭代辨识。考虑到神经网络建模误差导致的模型失配问题,设计了基于Tube框架的迭代学习模型预测控制策略,保证系统真实跟踪误差始终维持在Tube不变集内,从而提高系统跟踪精度。基于神经网络预测模型的仿射结构,实现对目标函数梯度的离线解析计算,提高Tube迭代学习模型预测控制的在线计算效率和优化可行性。证明了数据驱动机制下控制系统的鲁棒稳定性及迭代收敛性。针对间歇反应器的建模和控制仿真验证了所提出算法的有效性。（4）构建了变批次长度下的非线性事件触发迭代学习模型预测控制策略。采用神经网络预测序列对缺失信息进行高精度填补,保证各批次能够获得完整的高质量学习数据。根据相邻批次的运行长度关系设置事件触发条件,进行一阶学习结构和高阶学习结构的切换,实现对真实运行信息的高度利用。在以事件触发条件划分的两种控制模式下,证明了非线性迭代学习模型预测控制系统沿迭代轴的收敛性。通过对数值算例和注塑过程的仿真,验证了所提出算法的有效性。
李鹏飞[2]（2020）在《网络化系统中模型预测控制理论和方法研究》文中研究说明随着通信技术的发展和运算能力的提高,模型预测控制算法可以利用远程控制器来执行,并通过通信网络与本地传感器和执行器进行信息交互,从而形成了网络化模型预测控制。网络化模型预测控制一方面继承了传统模型预测控制的优势,即在充分考虑系统约束、多输入多输出、非线性等特性的前提下既能优化控制系统性能,又对不确定性具备一定的鲁棒性;另一方面,其网络化的实现方式克服了本地控制器计算能力不足的困难,同时相较于传统的点对点控制具有更高的安全性、可靠性和灵活性。因此,网络化模型预测控制受到了学术界和工业界的广泛关注。由于通信网络在数据传输方面的不可靠性造成数据包丢失现象时有发生,而且有限的通信资源也要求我们必须对资源的利用进行优化。然而直接应用传统的模型预测控制算法并不能有效处理这些问题,从而不可避免地造成通信资源浪费,还会引起控制系统性能恶化甚至失稳。因此,亟需设计有效的网络化模型预测控制算法来解决这些问题。本文以离散时间非线性约束系统为研究对象,围绕着数据包丢失、信道竞争接入和通信计算资源受限三个问题展开研究,旨在提出有效的网络化模型预测控制算法来缓解网络因素对系统性能造成的影响。本文的研究工作主要包括以下几个方面:1.针对双通道随机丢包的情况,提出了基于“数据包”的模型预测控制算法,通过对缺失状态的估计以及数据丢包的主动补偿,实现了闭环系统的随机稳定,并进一步得到了预测控制数据包长度的选取机制,解决了由于连续丢包数可能无界而导致预测时域无法确定的难题。2.针对具有特殊结构的无线云控制系统的信道竞争接入问题,提出了模型预测控制框架下的双重信道感知调度策略,设计了传感器的分布式门槛策略和控制器的优先级门槛策略,论证了在策略更新机制下传感器最终会工作于纳什均衡点、控制器的优先级门槛策略要优于传统的独立同分布接入策略;通过避免信道状态差时的数据传输,实现了系统高效节能的信道接入。3.针对连续丢包数上界较大时的高计算复杂度问题,提出了双控制器结构下的双模自适应时域模型预测控制算法,通过自适应调整预测时域大小以及设计两个控制器之间的切换机制,在保证闭环系统稳定的同时既改善了系统的稳态性能又显着减小了计算复杂度。4.针对通信和计算资源受限问题,提出了动态事件触发模型预测控制算法以及基于时延估计的自触发模型预测控制算法,通过设置动态触发条件来容许更大的状态预测误差,通过设计的扰动时延估计以及前馈补偿策略来有效抑制干扰的影响,进而降低了模型预测控制对传输次数和求解优化问题频率的要求。综上所述,本文对网络化模型预测控制面临的问题进行了系统性的研究,创新性地提出了对应的解决方案,极大推动了网络化模型预测控制的进一步发展。
杜泽峰[3]（2020）在《基于LM-NMEA算法和ELM-RBF神经网络预测控制方法的研究》文中指出随着以5G技术及人工智能AI为代表的新技术时代的到来,社会的方方面面都将迎来重大的变革,传统的控制工业同样面临冲击。倒立摆原理应用于各类控制工业,但在传统的4G模式下,过高的时延导致摆起到稳态的时间过长,而随着超低时延的5G技术的应用,起摆到稳态用时会降低一个数量级。随着技术含量的提高,各种被控系统复杂度也越来越高,而传统控制手段如PID控制等的控制效果却越来越力不从心。从上世纪70年代以来,工业过程控制中的一种以计算机快速计算为手段,建立在被控对象模型辨识基础上的预测控制理论,在新时代5G等新技术支持下,表现出强大的工业适应力。本文研究与分析一种基于神经网络的预测控制方法,同时对预测控制的背景与意义、基础原理与思想及现状进行了分析与论述。具体内容如下:本文首先梳理了预测控制的发展背景与现状,对预测控制的基础理论进行了阐述,介绍了几种当下流行的预测控制方法。针对非线性系统被控对象,本文使用神经网络模型预测控制方法即基于ELM-RBF神经网络对被控对象进行辨识并构建预测模型,同时使用Levenberg-Marquardt方法在预测控制滚动优化环节对目标约束进行优化求解。为了弥补ELM-RBF神经网络初值难以确定及LM算法过于依赖开始点的缺陷,本文使用一种经过改进的思维进化算法即NMEA对其分别进行优化。NMEA算法由MEA算法经小生境技术和漂移聚类算法思想加以改进而得到。最后,本文使用一种典型的非线性系统即连续搅拌反应釜（CSTR）作为被控对象,使用的基于NMEA-RLM-RBFNN辨识出预测模型,LM-NEMA算法作为滚动优化阶段目标函数求解算法的预测控制方法对CSTR系统的反应物输出浓度进行控制。在Matlab/Simulink仿真平台上搭建CSTR模型,并设计仿真实验以验证该预测控制方法的控制效果。实验表明本文使用的神经网络模型预测控制方法在CSTR系统反应物浓度输出控制上表现出良好的控制效果。
孔俊东[4]（2020）在《一类滚动时域估计方法的性能指标研究》文中进行了进一步梳理状态估计是根据测量数据估算系统状态的方法,被广泛地应用于自动控制、故障诊断、软测量等众多工业应用领域。滚动时域估计是一类利用滚动窗口数据进行状态估计的滤波算法,能够显式处理带约束系统的状态估计问题。在应用过程中,窗口尺寸的择取和到达代价的计算是影响算法估计性能的两个重要方面。本文致力于研究窗口尺寸的合理选择和到达代价的近似计算问题,提升求解效率和估计精度,并通过典型的数值算例和实际案例进行分析验证。在阅读大量文献的基础上,本文在滚动时域估计算法方面开展了一些研究工作,具体如下:1.针对线性系统中滚动时域估计算法的优化问题,通过将全信息估计问题和近似估计问题转化为以矩阵形式表述的二次规划问题,给出了相应的求解方法。基于最小二乘原理,给出了一种递推形式的滚动时域状态估计方法。该方法通过成批输出数据的向前滚动,分别对含系统参数的矩阵和含输出信息的矩阵进行分块,获得的状态估计值和卡尔曼滤波算法一样以递推形式给出。最后,将该方法分别应用于白噪声和有色噪声的线性模型中,验证了该方法的有效性和普适性。2.针对窗口尺寸会影响到滚动时域估计算法的估计精度及计算效率问题,为了平衡这两个指标,提出了一种窗口尺寸的选取方法。该方法在结合遗传算法和模拟退火机制的优良特性上,对不同量纲的精度指标和效率指标采用归一化原理设计了相应的适应度函数,寻找出当前权重比下的最佳窗口尺寸。通过线性无约束离散模型和带约束的连续搅拌反应釜模型为例验证表明:该参数优化方法在预设的权重比下,能有效的计算出最佳的窗口尺寸用于滚动时域估计算法的应用。3.针对滚动时域估计算法在非线性系统中的应用问题,给出了一种通过无迹卡尔曼滤波得到先验协方差矩阵用以计算到达代价的方法。首先应用单形采样原则取代了无迹变换中的对称采样原则,减少原有方法中sigma点的数目;其次对无迹变换中的比例因子提出自适应的计算策略,用以提高到达代价的计算精度。采用两个非线性的案例进行仿真验证,结果表明该方法具有更精确的估计效果,相对于扩展卡尔曼滤波更适合应用于高阶的非线性系统。
杨晓峰[5]（2019）在《大系统的社区发现子系统划分与分布式预测控制》文中研究说明随着社会经济的发展,产生了规模庞大的大系统,这类系统具有结构复杂、多目标、模型、随机性等特点。近年来对工业生产过程和结果的要求不断提高,对控制指标和性能提出了更高的要求。由于复杂系统的地理位置分散,造成系统内部各部分之间通信困难,提高了通信成本,降低了系统可靠性。模型预测控制凭借其在处理约束、多变量和耦合系统上的优势,解决了很多常规控制器不能解决的问题,因此受到了极大的关注。当前预测控制的应用主要采用集中式方式,即设计一个控制中心,由传感器测量系统的状态或输出,控制器基于测量信息优化全局输入,再将其送到执行器端对过程产生作用。然而,预测控制研究面临的对象越来越复杂,一方面,由于需要滚动优化系统输入,导致预测控制在处理快采样速率的复杂系统时存在优化不及时的问题;另一方面,传统的集中式预测控制信号依赖于单一的控制器,如果集中式控制器与系统的执行器连接发生故障或失效,整个控制系统就会失效,其控制结构的鲁棒性和灵活性都较差。近年来,针对复杂网络结构系统的控制逐渐从集中式转向网络化分布式协调实现。通常的复杂大系统是由多个相互耦合的子系统所构成,需要首先对这些子系统进行合理的分解,然后对各子系统进行分布式状态估计、控制设计。分布式模型预测控制的研究具有极大的理论意义和实际工业应用价值,本课题针对大系统的社区发现子系统划分与分布式预测控制问题开展研究,主要内容包括大系统划分方法研究,分布式状态估计、预测控制设计及其协调问题。研究内容如下:1)研究了基于加权图论社区发现算法的复杂系统划分方法。首先,构建复杂大系统的加权有向图,将状态变量和被测输出变量看作网络节点,这些节点通过反映状态和测量输出变量的连接强度的加权边进行连接;然后,基于加权有向图,使用社区结构发现算法将全局系统划分为较小的群体,使得每个群体内部的连接强度比不同群体之间耦合强得多;最后,研究了适合于分布式状态估计的子系统划分算法,将子系统划分方法应用于实际过程系统的分解,设计了分布式状态估计算法。2)研究了随机丢包不确定系统的分布式预测控制设计方法。在信息物理系统结构下,模型不确定和信息丢包是不可避免的两个突出问题。针对存在模型不确定和丢包的信息物理系统,本章考虑多胞体描述的模型不确定性及马尔科夫过程随机丢包;将整体系统分成多个子系统,对每个子系统分别设计分布式预测控制,通过迭代算法实现各个子系统控制器的协调,提出了一种随机分布式预测控制的设计方法。3)研究了随机饱和约束系统的分布式预测控制设计方法。由于输入饱和约束是不可避免的突出问题,针对存在随机饱和约束的不确定系统,需考虑状态时滞影响;将整体系统分成多个子系统,提出一种基于随机输入饱和约束系统的分布式MPC结构,对输入饱和约束进行松弛,并引入伯努利分布对随机饱和约束进行描述。设计随机分布式MPC的优化问题,通过设计迭代协调算法,实现随机输入饱和约束的分布式处理。4)研究了面向信息协调的分布式预测控制方法,并在硬岩掘进装备的刀盘系统上进行了仿真测试。建立了刀盘系统的动态模型,并基于施工数据对模型参数进行估计,得到可用于控制的刀盘系统模型。针对刀盘系统的转速控制问题,首先,将刀盘系统进行分区划分,得到子系统模型;然后,设计了分布式控制结构,对各个分区的电机扭矩设定进行了独立分布式预测控制设计,利用反馈校正对存在的模型不确定进行了处理;最后,设计了一种面向分布式预测控制设计的顺序迭代协调算法。
吴群[6]（2019）在《不确定环境下的生产过程实时优化方法研究》文中研究表明现代化大型工业过程的计算机生产系统通常采用分层管理的模式。不同层级的系统单元的执行周期不同,并出于不同的考量作出不同的决策。本文主要围绕分层管理系统中的实时优化层和预测控制层构成的双层结构进行研究,其中预测控制层主要负责系统的动态控制,跟踪给定的设定点或者参考轨迹;实时优化层需要解读由各种不确定性生产环境导致的系统变化,对这些信息进行及时处理和应对,同时更新系统的稳态工作点,并将更新后的工作点作为预测控制器的设定点。针对实时优化和预测控制双层之间的模型不一致以及优化问题求解的时效性等问题,展开以下研究来保证优化的实时性和整体的经济性,主要内容如下:1.在实时优化和预测控制构成的双层框架下,由于上层和下层使用的模型不同,上层计算的工作点对于下层来说可能是不可达到的。传统的稳态目标计算在保证工作点的可行性时,往往忽略了经济性。针对这一问题,提出一个协调算法,在构造的优化问题中不断调整代表可行性和经济性的目标项的权重,来更好的平衡稳态工作点的可行性和经济性。尤其当经济指标函数为非凸函数时,协调算法相比常规稳态目标计算更加有效。协调算法在连续搅拌反应釜（CSTR）标准模型上得到验证。此外,借助Aspen Plus流程模拟软件,建立了乙酸乙酯的酯化反应过程模型,同样验证了算法的有效性。2.在系统经济指标发生变化时,需要重新计算最优工作点。在得到最优工作点之前,为了及时调整预测控制器的设定点,可以预先设置一组可行的系统平衡点,构成一个查找表。每当经济性能指标发生变化时,首先在查找表中找到经济性能最优的工作点,作为下层MPC临时的设定点。然后利用上层严格求解得到的最优工作点替换临时设定点。带有查找表的实时优化框架,可以对突发的不确定经济环境做出快速的反应,为上层的精确计算争取时间。3.对于过渡过程较长的系统,通过为MPC设计一条“柔性的”参考轨迹来替代固定的设定点,以此来提高过渡过程的经济性能。在每一个采样时间,重新计算这条参考轨迹,逐渐将系统的状态从初始点牵引到最优工作点。整个设计思路借鉴图论中的最短路算法,利用网格化的处理方法,将连续的无穷的状态空间转化成离散的有限个状态点之间的关系,转化过程需要保持一定的精度。状态点之间的一步可达关系可以通过邻接矩阵表示,其连边的权值代表系统从相应的起点到终点变化过程需要的经济成本。邻接矩阵和权矩阵的计算量很大,往往需要显卡处理单元（GPU）进行并行处理。此外,通过提取系统当前状态周围的局部信息,来降低邻接矩阵的维数,从而提高在线的计算速度。4.在实际的生产过程中,由于种种原因系统对象的参数会发生变化,因此会导致模型–对象失配,从而使控制性能和经济性能受到影响。根据参数的取值特点,分两种情况设计了系统参数的在线估计方法。对于参数取值数量有限的情况,由于不同的参数对应不同的模型–对象失配情形,所以根据不同情形下的过程量训练支持向量机来判断系统的参数;对于参数取值在有界范围内变化的情况,利用参数和过程测量值建立高斯回归模型来估计参数,并构造了带有模型验证的实时优化框架。合理估计系统的参数,在线进行模型验证,同时利用构造的理想控制系统对参数的估计值进行修正,从而实现对系统的动态实时优化。实时优化技术是生产过程中非常重要的一个环节,对上层的调度和下层的控制起到协调作用,需要对随时可能发生的不确定环境变化作出快速的反应。本文提出的方法在连续搅拌反应釜模型以及酯化反应模型上进行了验证,对于更加复杂的系统,实时优化技术依然存在很多挑战。
马鲁宁[7]（2019）在《连续搅拌反应釜离散时间滑模控制算法研究与实验》文中研究说明自动化程度是权衡一个产业现代化程度的重磅砝码,连续搅拌反应釜（Continuous Stirred Tank Reactor,CSTR）是石化行业中最广泛应用的设备,其性能表现与产业效益息息相关,对其控制研究也就具备了一定的研究意义和经济价值。由于CSTR的高复杂性,需要为CSTR设计一个良好的控制算法。滑模控制属于一类特殊的变结构控制,其特有的滑动模态使被控系统具备了良好的鲁棒性和优秀的动、静特性。因此本文采用滑模控制方法对CSTR系统进行控制研究。首先,本文通过CSTR机理建模得到其数学模型,针对CSTR系统的非线性问题设计了离散时间滑模控制器。针对一般离散时间滑模控制中的抖振问题,通过分析其控制率,设计了基于等效控制的离散时间滑模控制。对于系统中的未建模不确定性问题,采用了自适应控制方法进行补偿设计,提高了系统的稳态性能。其次,考虑被控系统运行中的外部干扰问题,设计了基于干扰观测器的离散时间滑模控制算法。针对普通干扰观测器的收敛域问题,设计了变增益干扰观测器,进一步提升了被控系统的稳态性能。随后通过干扰观测器和自适应率结合的方式同时削弱了外部干扰和建模不确定性对系统的影响。再次,考虑到控制器实际应用中被控对象模型复杂性,为了保证系统性能,本文在系统工作点处对被控对象进行线性化,通过最优控制方法设计最优滑模面,然后通过设计预设性能积分滑模面使被控系统始终进行最优滑模运动,并通过干扰观测器同时实现了对未知匹配与非匹配不确定性的补偿,保证了系统的最优性能。所有控制方法均通过李雅普诺夫函数证明了其可行性与闭环稳定性,仿真也验证了所提出方法的有效性。最后,通过实验平台对所设计控制器进行实验验证,结果展现了所提出控制器的有效性。
高阳阳,余敏建,杨杰[8]（2018）在《战斗机空战指挥引导目标准确控制研究》文中提出为解决战斗机空战指挥引导目标准确控制问题和充分发挥战斗机空战作战效能,在传统空战决策模型的基础上充分考虑指挥引导实际,提出了一种基于滚动时域控制在线生成指挥引导对策方法。根据战斗机空战指挥引导特点,首先将指挥引导对策生成问题转化为最优控制问题,建立了指挥引导对策生成模型。然后对滚动时域控制方法进行了简要介绍,将上述方法运用于在线生成单机的最优指挥引导对策上,并进行了基于滚动时域的策略求解研究。最后按照该方法在PC机上进行了仿真,仿真结果表明,基于滚动时域控制在线生成指挥引导对策方法符合空战实际,验证了上述方法的合理性和有效性。
刘伟[9]（2018）在《网络环境下约束不确定系统的鲁棒预测控制理论及方法》文中进行了进一步梳理石油、化工、冶金等传统流程工业是我国以信息化带动工业化,走新型工业化道路要重点改造升级的产业领域,而实现全生产过程的网络化控制是改造升级的主要方向之一。预测控制是流程工业领域使用最广泛且最有效的先进控制算法,已经成为处理复杂约束多变量问题的公认标准。但是,目前流程工业中应用的常规预测控制算法并无法处理传感器信号、控制器信号在网络环境下传输时必然会遇到的丢包、量化误差等问题。如果将采用常规预测控制算法的工业过程直接置于网络化控制模式下,必将对系统的控制品质造成不利影响,严重的甚至会对安全生产造成威胁。本论文以网络化控制系统为研究对象,以预测控制为基本方案,系统研究丢包、量化误差网络环境下的鲁棒预测控制方法。具体的研究内容主要有:1.研究了带有丢包的不确定量化网络控制系统的鲁棒约束模型预测控制。使用伯努利过程来模型化数据丢包的过程,引入扇形界的方法处理量化误差。在控制器的设计过程中,采用了非并行分布补偿控制的方法。结合松弛矩阵和拓展非二次型李雅普诺夫函数,得到具有更低保守性的能够保证系统稳定的条件。利用线性矩阵不等式工具,在无限时域内将最小-最大的优化问题转换为求解最小化性能指标函数。以工业中的连续搅拌反应釜系统为例,验证了所提方法的有效性。2.研究了丢包网络环境下不确定系统的鲁棒约束预测控制离线算法。采用伯努利过程对数据丢包进行建模。由于在线算法具有很高的计算量需求,提出了一种基于椭圆不变集的离线算法。通过一组状态初值建立一个个嵌套的椭圆集合,每个椭圆集合对应不同的控制律。当在线解决优化问题时,寻找包含当前状态的最小椭圆,并应用对应椭圆上的控制律。以工业中的连续搅拌反应釜系统为例,验证了离线算法的有效性,也能够很好地保证闭环不确定网络控制系统渐近稳定。3.研究了量化网络环境下不确定线性时变系统的输出反馈预测控制。首先采用对数量化器描述系统中的随机丢包过程,由此建立了丢包网络环境下的线性时变网络控制系统的数学模型,并离线设计了状态观测器。然后,基于预估状态,通过将无穷时域控制作用参数化为一个自由控制作用加一个线性反馈律得到输出反馈预测控制方法。此外,构建了在线更新误差椭圆集合的基本方法,满足了约束条件下输出反馈预测控制保证稳定性的要求。最后,以耦合弹簧质量系统为例,验证了输出反馈预测控制算法的有效性。
魏洋[10]（2016）在《餐厨垃圾处理自动控制系统设计及算法研究》文中指出餐厨垃圾资源化利用不但优化了能源结构,而且减轻了环境压力,对经济和社会的可持续发展具有战略意义和现实意义,在实际生产过程中,保证产品的品质和产量是企业的首要任务。反应釜作为整个生产环节最关键的部分,对其建立模型并分析自身特性是确定有效的控制算法的必要途径。本文首先介绍了连续搅拌反应釜（Continuous Stirred Tank Reactor,CSTR）的结构及其控制过程,在了解其工作原理和控制要求后,对CSTR系统进行机理建模;理论上分析了模型的稳定性,通过simulink仿真验证了中温平衡点的不稳定特性;为进一步分析系统特性,对系统的机理模型进行了无量纲化处理,并通过仿真验证系统存在三个稳定点,不仅表明系统具有非线性特性,同时再次验证了中温稳定点的不稳定性。其次根据CSTR系统的非线性特点以及CSTR系统需要具有较好跟随特性与较快动态响应特性的要求,采用非线性预测控制算法对CSTR控制系统进行研究;为改善系统的动态响应特性,将递归最小二乘法与预测算法相结合,设计了利用优化算法得到最优控制参数的非线性自适应预测控制算法;在Matlab环境下对CSTR系统进行了算法仿真,根据仿真结果分析了控制系统的快速响应特性。最后根据实际工程中的控制要求,完成了控制系统中下位机的软、硬件设计,并且在组态软件中实现了设备远程控制与工艺参数的监控功能。
二、连续搅拌反应釜浓度的滚动时域估计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、连续搅拌反应釜浓度的滚动时域估计（论文提纲范文）
（1）非线性迭代学习模型预测控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 迭代学习模型预测控制理论的基本问题 |
| 1.2.1 二维预测模型 |
| 1.2.2 控制律迭代优化 |
| 1.2.3 二维稳定性分析 |
| 1.3 迭代学习模型预测控制面临的挑战 |
| 1.3.1 建模问题 |
| 1.3.2 优化问题 |
| 1.3.3 适应性问题 |
| 1.4 本文的研究内容 |
| 第2章 迭代学习模型预测控制基础理论 |
| 2.1 引言 |
| 2.2 迭代学习控制 |
| 2.2.1 控制问题描述 |
| 2.2.2 学习律 |
| 2.2.3 最优ILC算法收敛性分析 |
| 2.2.4 仿真算例 |
| 2.3 模型预测控制 |
| 2.3.1 预测控制基本原理 |
| 2.3.2 基于状态空间模型的预测控制 |
| 2.3.3 仿真算例 |
| 2.4 基于状态空间模型的迭代学习模型预测控制 |
| 2.4.1 二维预测模型 |
| 2.4.2 控制律求解 |
| 2.4.3 收敛性分析 |
| 2.4.4 仿真算例 |
| 2.5 本章小结 |
| 第3章 变参考轨迹非线性鲁棒迭代学习模型预测控制 |
| 3.1 引言 |
| 3.2 二维预测模型推导 |
| 3.2.1 非线性系统的LPV蕴含 |
| 3.2.2 增广迭代误差模型 |
| 3.2.3 二维增广误差模型 |
| 3.3 RILMPC算法 |
| 3.3.1 控制问题描述 |
| 3.3.2 鲁棒稳定状态反馈控制律 |
| 3.3.3 LMI求解 |
| 3.3.4 控制输入约束 |
| 3.4 收敛性分析 |
| 3.5 仿真研究 |
| 3.5.1 仿真一: 数值系统 |
| 3.5.2 仿真二: 搅拌反应釜系统 |
| 3.6 本章小结 |
| 第4章 快动态批次过程非线性高效迭代学习预测函数控制 |
| 4.1 引言 |
| 4.2 二维预测模型 |
| 4.2.1 非线性系统轨迹线性化 |
| 4.2.2 二维LTV增量预测模型 |
| 4.3 稳定ILMPC策略 |
| 4.3.1 ILMPC问题描述 |
| 4.3.2 ILMPC约束处理 |
| 4.4 高效ILPFC策略 |
| 4.4.1 ILPFC问题描述 |
| 4.4.2 ILPFC性能分析 |
| 4.5 ILPFC/ILMPC收敛性分析 |
| 4.6 仿真研究 |
| 4.6.1 仿真一: 无人地面车辆 |
| 4.6.2 仿真二: 非线性间歇反应器 |
| 4.7 本章小结 |
| 第5章 基于数据驱动建模的迭代学习模型预测控制 |
| 5.1 引言 |
| 5.2 非线性批次过程CAFNN建模 |
| 5.3 Tube CAFNN-ILMPC策略 |
| 5.3.1 标称ILMPC控制器 |
| 5.3.2 辅助控制器 |
| 5.4 Tube CAFNN-ILMPC 2D稳定性 |
| 5.4.1 时域稳定性 |
| 5.4.2 迭代收敛性 |
| 5.5 仿真研究 |
| 5.6 本章小结 |
| 第6章 变批次长度事件触发迭代学习模型预测控制 |
| 6.1 引言 |
| 6.2 变批次长度问题描述 |
| 6.2.1 基于预测的误差信息修正算法 |
| 6.2.2 基于修正误差信息的线性迭代学习模型预测控制 |
| 6.3 基于事件触发的非线性迭代学习模型预测控制 |
| 6.3.1 非线性ILMPC问题描述 |
| 6.3.2 基于EKF训练的二维神经网络预测模型 |
| 6.3.3 基于事件触发的非线性迭代学习模型预测控制器设计 |
| 6.3.4 收敛性分析 |
| 6.4 仿真研究 |
| 6.4.1 仿真一: 线性数值系统 |
| 6.4.2 仿真二: 非线性注塑过程 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）网络化系统中模型预测控制理论和方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向时延与丢包的模型预测控制研究现状 |
| 1.2.2 面向信道接入调度的模型预测控制研究现状 |
| 1.2.3 面向通信和计算资源受限的模型预测控制研究现状 |
| 1.3 本文研究内容 |
| 1.3.1 现有研究的总结与不足 |
| 1.3.2 本文研究内容 |
| 1.4 论文组织结构 |
| 第2章 双通道随机丢包下的模型预测控制算法 |
| 2.1 系统结构 |
| 2.1.1 网络化控制系统配置和丢包模型 |
| 2.2 基于“数据包”的模型预测控制 |
| 2.2.1 智能执行器和缓冲机制 |
| 2.2.2 远程控制器 |
| 2.2.3 模型预测控制的计算和传输机制 |
| 2.3 稳定性分析 |
| 2.3.1 基本假设和引理 |
| 2.3.2 闭环系统随机稳定性 |
| 2.4 数值仿真 |
| 2.5 本章小结 |
| 第3章 无线云控制架构下的信道调度与预测控制算法 |
| 3.1 系统架构和问题描述 |
| 3.1.1 测量信道下的传感数据 |
| 3.1.2 控制信道下的控制数据 |
| 3.1.3 调度策略和控制方案 |
| 3.1.4 问题描述 |
| 3.2 双重调度策略和模型预测控制方案 |
| 3.2.1 传感器的分散式接入策略 |
| 3.2.2 中心调度器的选择策略 |
| 3.2.3 基于数据包的模型预测控制 |
| 3.3 系统分析 |
| 3.3.1 策略更新机制的收敛性 |
| 3.3.2 优先级门槛策略的优势 |
| 3.3.3 随机稳定性 |
| 3.4 数值仿真 |
| 3.5 本章小结 |
| 3.6 本章附录:函数H_i(p_(si))的性质 |
| 第4章 双控制器架构下的变时域模型预测控制算法 |
| 4.1 问题描述 |
| 4.1.1 网络模型 |
| 4.1.2 固定时域模型预测控制 |
| 4.1.3 研究目标 |
| 4.2 双模自适应时域模型预测控制算法 |
| 4.2.1 本地控制器 |
| 4.2.2 判别器 |
| 4.2.3 远程控制器 |
| 4.2.4 整体控制算法 |
| 4.2.5 模型预测控制律 |
| 4.3 稳定性分析 |
| 4.4 仿真实例 |
| 4.5 本章小结 |
| 第5章 通信和计算资源受限下的模型预测控制算法 |
| 5.1 动态事件触发模型预测控制 |
| 5.1.1 系统描述 |
| 5.1.2 动态事件触发模型预测控制算法设计 |
| 5.1.3 迭代可行性分析 |
| 5.1.4 稳定性分析 |
| 5.2 基于时延估计的自触发模型预测控制 |
| 5.2.1 问题描述 |
| 5.2.2 自触发模型预测控制算法设计 |
| 5.2.3 迭代可行性分析 |
| 5.2.4 稳定性分析 |
| 5.3 仿真实例 |
| 5.3.1 连续搅拌反应釜 |
| 5.3.2 弹簧小车系统 |
| 5.4 本章小节 |
| 第6章 总结与展望 |
| 6.1 本文的主要研究工作 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（3）基于LM-NMEA算法和ELM-RBF神经网络预测控制方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 预测控制研究现状 |
| 1.3 预测控制的基本原理 |
| 1.4 本文工作与结构安排 |
| 2 思维进化算法及其改进 |
| 2.1 引言 |
| 2.2 思维进化算法 |
| 2.2.1 信号发生器 |
| 2.2.2 算法分析 |
| 2.3 改进思维进化算法 |
| 2.3.1 均值漂移聚类算法 |
| 2.3.2 小生境技术及其改进 |
| 2.3.3 NMEA算法的描述及实现 |
| 2.3.4 NMEA算法的实现步骤 |
| 2.4 仿真研究 |
| 2.4.1 指标定义 |
| 2.4.2 测试函数 |
| 2.5 本章小结 |
| 3 LM算法及其改进 |
| 3.1 引言 |
| 3.2 Levenberg-Marquardt算法 |
| 3.2.1 LM算法基本原理 |
| 3.2.2 算法步骤 |
| 3.2.3 LM算法收敛性判定 |
| 3.3 LM-NMEA优化算法 |
| 3.4 仿真研究 |
| 3.5 本章小结 |
| 4 基于NMEA算法优化的ELM-RBF神经网络模型辨识 |
| 4.1 前言 |
| 4.2 RBF神经网络 |
| 4.2.1 RBF神经网络的拓扑结构 |
| 4.2.2 RBF神经网络原理 |
| 4.3 RBF神经网络优化 |
| 4.3.1 极限学习算法概述 |
| 4.3.2 ELM-RBF神经网络 |
| 4.3.3 基于NMEA算法优化ELM-RBF神经网络 |
| 4.4 仿真研究 |
| 4.5 本章小结 |
| 5 基于LM-NMEA算法和ELM-RBFNN的非线性预测控制 |
| 5.1 引言 |
| 5.2 自适应RBFNN算法 |
| 5.3 基于NMEA-ELM-RBFNN的多步预测模型 |
| 5.3.1 一步预测模型 |
| 5.3.2 多步预测模型 |
| 5.3.3 滚动优化与反馈校正 |
| 5.4 仿真研究 |
| 5.5 本章小结 |
| 6 基于LM-NMEA-RBF神经网络的CSTR预测控制 |
| 6.1 前言 |
| 6.2 连续搅拌反应釜(CSTR) |
| 6.3 仿真研究 |
| 6.4 本章小结 |
| 7 总结和展望 |
| 7.1 总结 |
| 7.2 展望 |
| 攻读硕士学位期间科研经历和研究成果 |
| 致谢 |
| 参考文献 |
（4）一类滚动时域估计方法的性能指标研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 状态估计方法概述 |
| 1.3 滚动时域估计方法的研究现状 |
| 1.3.1 理论研究 |
| 1.3.2 应用研究 |
| 1.4 研究工作和论文结构 |
| 第2章 滚动时域估计方法 |
| 2.1 引言 |
| 2.2 预备理论 |
| 2.2.1 最小二乘 |
| 2.2.2 卡尔曼滤波 |
| 2.2.3 扩展卡尔曼滤波 |
| 2.2.4 无迹卡尔曼滤波 |
| 2.3 MHE的概率统计意义 |
| 2.4 两类滚动时域估计方法 |
| 2.4.1 全信息MHE方法 |
| 2.4.2 近似MHE方法 |
| 2.5 到达代价的求解 |
| 2.5.1 到达代价定义 |
| 2.5.2 线性系统估计问题 |
| 2.5.3 非线性系统估计问题 |
| 2.6 MHE算法步骤 |
| 2.7 本章小结 |
| 第3章 基于窗口数据递推的状态估计方法 |
| 3.1 引言 |
| 3.2 线性MHE的优化求解 |
| 3.2.1 全信息MHE求解 |
| 3.2.2 近似MHE求解 |
| 3.3 基于窗口数据的状态估计递推式 |
| 3.4 案例验证 |
| 3.4.1数值算例1 |
| 3.4.2数值算例2 |
| 3.5 本章小结 |
| 第4章 MHE窗口尺寸的优化方法 |
| 4.1 引言 |
| 4.2 遗传算法基本原理 |
| 4.3 模拟退火机制基本原理 |
| 4.4 参数优化方法 |
| 4.4.1 适应度函数计算 |
| 4.4.2 MHE参数优化方法 |
| 4.5 案例验证 |
| 4.5.1 数值算例 |
| 4.5.2 CSTR系统实例 |
| 4.6 本章小结 |
| 第5章 基于非对称无迹变换的MHE |
| 5.1 引言 |
| 5.2 基于UKF的 MHE |
| 5.2.1 UT变换 |
| 5.2.2 基于UKF的到达代价的计算 |
| 5.3 单形无迹变换 |
| 5.3.1 Sigma点偏度计算 |
| 5.3.2 采样点的比例修正 |
| 5.4 比例因子的自适应择取方法 |
| 5.5 基于非对称UT变换的MHE算法 |
| 5.6 案例验证 |
| 5.6.1 数值算例 |
| 5.6.2 雷达跟踪实例 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间成果汇总 |
（5）大系统的社区发现子系统划分与分布式预测控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 关于预测控制模型的概述 |
| 1.1.2 模型预测控制的研究现状 |
| 1.2 分布式模型预测控制的研究意义 |
| 1.3 分布式预测控制的已有研究分析 |
| 1.3.1 分布式模型预测控制的结构 |
| 1.3.2 大系统的子系统划分现状分析 |
| 1.3.3 分布式模型预测控制现状分析 |
| 1.4 本文主要工作 |
| 1.5 预备知识 |
| 1.5.1 Schur补引理 |
| 第二章 基于加权图论社区发现算法的复杂系统划分 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 基于加权图的社区发现子系统划分 |
| 2.3.1 加权连接边的定义 |
| 2.3.2 最短路径 |
| 2.3.3 构建邻接矩阵 |
| 2.3.4 寻找最大模块度 |
| 2.4 分布式状态估计算法设计 |
| 2.4.1 分布式Luenburger观测器 |
| 2.4.2 分布式滚动时域估计 |
| 2.5 仿真与实例验证 |
| 2.5.1 数值仿真 |
| 2.5.2 连续搅拌系统应用 |
| 2.6 本章小结 |
| 第三章 随机丢包不确定系统的分布式预测控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 随机分布式预测控制分析与设计 |
| 3.3.1 子系统模型分解 |
| 3.3.2 分布式预测控制设计 |
| 3.3.3 迭代算法设计 |
| 3.4 仿真算例 |
| 3.5 本章小结 |
| 第四章 随机输入饱和约束系统的分布式预测控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 分布式预测控制分析与设计 |
| 4.3.1 子系统模型 |
| 4.3.2 分布式预测控制设计 |
| 4.3.3 协调算法及稳定性分析 |
| 4.4 仿真算例 |
| 4.4.1 数值例子 |
| 4.4.2 工业电加热器的应用 |
| 4.5 本章小结 |
| 第五章 面向信息协调的分布式预测控制及其在刀盘系统的应用 |
| 5.1 TBM刀盘系统建模与参数辨识 |
| 5.2 分布式预测控制及其信息协调策略 |
| 5.2.1 刀盘系统的分布式预测控制设计 |
| 5.2.2 分布式控制器的协调策略设计 |
| 5.2.3 稳定性分析 |
| 5.3 模型参数辨识与仿真测试 |
| 5.3.1 模型参数辨识与测试 |
| 5.3.2 刀盘系统的控制仿真 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）不确定环境下的生产过程实时优化方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 大工业生产过程的体系结构 |
| 1.1.1 全厂级分层决策系统 |
| 1.1.2 实时优化与预测控制 |
| 1.2 实时优化技术现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 工业软件 |
| 1.3 论文主要贡献 |
| 第二章 实时优化稳态目标计算的改进方法 |
| 2.1 引言 |
| 2.2 优化问题描述 |
| 2.2.1 实时优化问题描述 |
| 2.2.2 预测控制问题描述 |
| 2.2.3 稳态目标计算问题描述 |
| 2.3 稳态目标计算方法改进 |
| 2.3.1 连续搅拌反应釜模型 |
| 2.3.2 案例研究——CSTR稳态目标计算 |
| 2.4 利用梯度信息的稳态目标计算 |
| 2.4.1 酯化反应过程模型 |
| 2.4.2 案例研究——酯化反应稳态目标计算 |
| 2.5 本章小结 |
| 第三章 经济指标时变下的实时优化框架 |
| 3.1 引言 |
| 3.2 基于查找表的实时优化框架 |
| 3.3 查找表的计算 |
| 3.3.1 离线求解 |
| 3.3.2 在线查找 |
| 3.3.3 数值仿真 |
| 3.4 案例研究 |
| 3.4.1 CSTR应用 |
| 3.4.2 酯化反应过程应用 |
| 3.5 本章小结 |
| 第四章 过渡过程经济性能的优化方法 |
| 4.1 引言 |
| 4.2 经济优化与最短路问题 |
| 4.2.1 经济优化 |
| 4.2.2 最短路问题 |
| 4.3 基于状态可达图的参考轨迹算法 |
| 4.3.1 状态可达图的构造 |
| 4.3.2 参考轨迹快速算法 |
| 4.3.3 数值仿真 |
| 4.4 参考轨迹生成算法在酯化反应中的应用 |
| 4.5 本章小结 |
| 第五章 参数不确定系统的动态实时优化方法 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 系统参数取值有限 |
| 5.3.1 支持向量机介绍 |
| 5.3.2 基于支持向量机的实时优化方法 |
| 5.3.3 案例研究——酯化反应过程 |
| 5.4 系统参数取值有界 |
| 5.4.1 高斯过程回归简介 |
| 5.4.2 基于高斯回归模型的动态实时优化 |
| 5.4.3 高斯回归模型的参数估计和参数校正 |
| 5.4.4 案例研究——酯化反应过程 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
（7）连续搅拌反应釜离散时间滑模控制算法研究与实验（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 连续搅拌釜反应釜国内外研究现状 |
| 1.2.2 连续搅拌反应釜滑模控制国内外研究现状 |
| 1.3 课题研究内容、方法、技术路线及创新点 |
| 1.3.1 研究内容与方法 |
| 1.3.2 创新点与技术路线 |
| 第二章 连续搅拌反应釜数学模型 |
| 2.1 连续搅拌反应釜基本结构及其工作原理 |
| 2.2 连续搅拌反应釜数学建模 |
| 2.2.1 连续搅拌反应釜系统分析 |
| 2.2.2 连续搅拌反应釜系统状态方程 |
| 2.3 本章小结 |
| 第三章 CSTR离散时间滑模控制研究 |
| 3.1 基于趋近律的CSTR离散时间滑模控制 |
| 3.1.1 控制器设计 |
| 3.1.2 稳定性证明 |
| 3.1.3 仿真验证及分析 |
| 3.2 基于等效控制的CSTR离散时间滑模控制 |
| 3.2.1 控制器设计 |
| 3.2.2 稳定性证明 |
| 3.2.3 仿真验证及分析 |
| 3.3 基于等效控制的CSTR离散时间自适应滑模控制 |
| 3.3.1 控制器设计 |
| 3.3.2 稳定性证明 |
| 3.3.3 仿真验证及分析 |
| 3.4 本章小结 |
| 第四章 基于干扰观测器的CSTR离散时间滑模控制研究 |
| 4.1 基于干扰观测器的CSTR离散时间滑模控制 |
| 4.1.1 干扰观测器设计 |
| 4.1.2 稳定性证明 |
| 4.1.3 仿真验证及分析 |
| 4.2 基于变增益干扰观测器的CSTR离散时间滑模控制 |
| 4.2.1 变增益干扰观测器设计 |
| 4.2.2 稳定性证明 |
| 4.2.3 仿真验证及分析 |
| 4.3 基于变增益干扰观测器的CSTR离散时间自适应滑模控制 |
| 4.3.1 控制器设计 |
| 4.3.2 稳定性证明 |
| 4.3.3 仿真验证及分析 |
| 4.4 本章小结 |
| 第五章 CSTR离散时间最优滑模控制研究 |
| 5.1 CSTR离散时间预设性能最优滑模控制 |
| 5.1.1 控制器设计 |
| 5.1.2 稳定性证明 |
| 5.1.3 仿真验证及分析 |
| 5.2 CSTR离散时间无抖振预设性能最优滑模控制 |
| 5.2.1 控制器设计 |
| 5.2.2 稳定性证明 |
| 5.2.3 仿真验证及分析 |
| 5.3 基于干扰观测器的CSTR离散时间最优滑模控制 |
| 5.3.1 控制器设计 |
| 5.3.2 稳定性证明 |
| 5.3.3 仿真验证及分析 |
| 5.4 本章小结 |
| 第六章 CSTR控制算法实验 |
| 6.1 实验平台简介 |
| 6.2 控制算法验证 |
| 6.2.1 实验模型 |
| 6.2.2 控制器设计 |
| 6.2.3 仿真结果 |
| 6.2.4 实验结果 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论 |
| 7.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（8）战斗机空战指挥引导目标准确控制研究（论文提纲范文）
| 1 引言 |
| 2 问题描述 |
| 2 指挥引导对策生成模型 |
| 2.1 指挥引导战术优势区的集合描述 |
| 2.2 构建战术优势函数 |
| 2.3 指挥引导对策生成最优控制模型 |
| 3 基于滚动时域控制在线生成指挥引导对策求解 |
| 3.1 RHC策略的指挥引导对策生成模型 |
| 3.2 基于滚动时域的求解策略 |
| 4 仿真分析 |
| 5 结论 |
（9）网络环境下约束不确定系统的鲁棒预测控制理论及方法（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 网络控制系统概述 |
| 1.1.1 数据量化误差问题 |
| 1.1.2 数据丢包问题 |
| 1.1.3 网络控制系统研究进展 |
| 1.2 模型预测控制的发展及研究现状 |
| 1.2.1 模型预测控制的基本原理 |
| 1.2.2 模型预测控制的发展及研究 |
| 1.3 网络环境下预测控制综合方法研究 |
| 1.4 当前存在的主要问题 |
| 1.5 本文的主要工作及结构 |
| 第2章 丢包网络环境下不确定系统的鲁棒约束预测控制在线算法 |
| 2.1 网络控制系统建模 |
| 2.1.1 T-S模糊模型 |
| 2.1.2 数据量化及丢包 |
| 2.1.3 闭环模型 |
| 2.2 新的稳定性条件 |
| 2.3 预测控制在线综合方法 |
| 2.4 可行性及稳定性分析 |
| 2.4.1 可行性分析 |
| 2.4.2 稳定性分析 |
| 2.5 仿真分析 |
| 2.6 本章小结 |
| 第3章 丢包网络环境下不确定系统的鲁棒约束预测控制离线算法 |
| 3.1 问题描述 |
| 3.2 在线鲁棒约束预测控制回顾 |
| 3.3 基于椭圆不变集的鲁棒约束模型预测控制离线算法 |
| 3.4 离线算法的稳定性分析 |
| 3.5 仿真分析 |
| 3.6 本章小节 |
| 第4章 量化网络环境下不确定线性时变系统的输出反馈预测控制 |
| 4.1 量化网络控制系统建模 |
| 4.2 状态观测器的离线设计及分析 |
| 4.3 输出反馈预测控制问题 |
| 4.4 输出反馈预测控制在线综合算法 |
| 4.5 可行性及稳定性分析 |
| 4.5.1 可行性分析 |
| 4.5.2 稳定性分析 |
| 4.6 仿真分析 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 下一步的工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（10）餐厨垃圾处理自动控制系统设计及算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的背景以及研究意义 |
| 1.2 反应釜控制技术的现状 |
| 1.3 连续反应釜控制的难点 |
| 1.4 先进控制理论的特点和应用 |
| 1.5 本文的主要工作及章节安排 |
| 第2章 系统工艺流程介绍及主反应釜模型分析 |
| 2.1 工艺流程简介 |
| 2.2 连续搅拌釜控制过程及其机理模型分析 |
| 2.2.1 连续搅拌釜控制过程 |
| 2.2.2 CSTR机理模型的建立 |
| 2.2.3 CSTR机理模型的simulink仿真与分析 |
| 2.3 CSTR模型的无量纲化 |
| 2.3.1 模型无量纲化 |
| 2.3.2 CSTR无量纲化后的仿真 |
| 2.4 本章小结 |
| 第3章 CSTR数值NMPC算法 |
| 3.1 非线性预测控制算法 |
| 3.1.1 非线性预测控制的基本原理 |
| 3.1.2 非线性预测控制算法实现 |
| 3.2 预测模型的建立 |
| 3.2.1 数值稳态模型 |
| 3.2.2 线性ARX模型 |
| 3.2.3 数值稳态-ARX串联模型 |
| 3.3 NMPC控制器设计 |
| 3.3.1 滚动优化输出预测 |
| 3.3.2 在线优化 |
| 3.4 系统仿真 |
| 3.5 本章小结 |
| 第4章 CSTR系统的自适应NMPC算法 |
| 4.1 自适应控制的基本原理 |
| 4.2 预测模型的建立 |
| 4.2.1 数值稳态-ARX并联模型 |
| 4.2.2 具有二次平方项的预测模型 |
| 4.3 自适应NMPC控制器设计 |
| 4.3.1 自适应算法 |
| 4.3.2 滚动优化输出预测 |
| 4.4 系统仿真 |
| 4.5 本章小结 |
| 第5章 餐厨垃圾处理过程监控系统设计 |
| 5.1 下位机设计 |
| 5.1.1 硬件要求及选择设计 |
| 5.1.2 控制系统I/O地址分配 |
| 5.1.3 电气控制原理以及程序设计 |
| 5.2 监控画面设计 |
| 5.2.1 组态要求及选择设计 |
| 5.2.2 监控画面的设计 |
| 5.3 力控与MATLAB的OPC通信 |
| 5.3.1 OPC技术简介 |
| 5.3.2 OPC和DDE的比较 |
| 5.3.3 力控与MATLAB的OPC通信的建立 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
四、连续搅拌反应釜浓度的滚动时域估计（论文参考文献）
- [1]非线性迭代学习模型预测控制研究[D]. 马乐乐. 华北电力大学(北京), 2021(01)
- [2]网络化系统中模型预测控制理论和方法研究[D]. 李鹏飞. 中国科学技术大学, 2020(01)
- [3]基于LM-NMEA算法和ELM-RBF神经网络预测控制方法的研究[D]. 杜泽峰. 中国地质大学(北京), 2020(08)
- [4]一类滚动时域估计方法的性能指标研究[D]. 孔俊东. 杭州电子科技大学, 2020(02)
- [5]大系统的社区发现子系统划分与分布式预测控制[D]. 杨晓峰. 华南理工大学, 2019(06)
- [6]不确定环境下的生产过程实时优化方法研究[D]. 吴群. 上海交通大学, 2019(06)
- [7]连续搅拌反应釜离散时间滑模控制算法研究与实验[D]. 马鲁宁. 中国石油大学(华东), 2019(09)
- [8]战斗机空战指挥引导目标准确控制研究[J]. 高阳阳,余敏建,杨杰. 计算机仿真, 2018(11)
- [9]网络环境下约束不确定系统的鲁棒预测控制理论及方法[D]. 刘伟. 重庆邮电大学, 2018(01)
- [10]餐厨垃圾处理自动控制系统设计及算法研究[D]. 魏洋. 西安建筑科技大学, 2016(02)