一、基于神经网络模型的非线性多步预测学习控制器（论文文献综述）
王贤政[1]（2020）在《神经网络预测方法及其在光伏微网优化运行中的研究》文中进行了进一步梳理微电网可以有效解决大量分布式发电并网的问题,实现对分布式能源的最大化利用,保证负荷的供电可靠性和电网运行的经济性,因此保障微电网的优化运行就显得极其重要。本文以光伏微网为研究对象,对微网中用户侧负荷预测、光伏逆变器的控制和储能蓄电池SOC预测展开了研究。本文的主要研究工作如下:本文首先分析了课题的研究背景及意义,介绍了光伏微网的基本概念及其优化运行的研究现状,最后列举了一些光伏微网的关键技术,分别对负荷预测技术、光伏逆变器电流控制技术和储能蓄电池SOC预测技术的研究现状进行了综述。其次针对配电网络中大量分布式电源的接入增加了用户用电模式复杂度问题,提出了基于人体舒适度指数的改进Elman神经网络短期居民负荷预测方法。对居民负荷的特性和影响因素进行了详尽的分析,引入了人体舒适度指数,研究了 Elman神经网络的结构,改进了 Elman神经网络隐藏层的激活函数。在不同负荷类型情况下,该方法均提高了居民负荷的预测精度。然后在分析NPC三电平逆变器基本工作原理的基础上,提出了一种NPC并网逆变器的RBF神经网络多步预测电流控制策略。对传统逆变器电流控制策略进行了分析,在传统模型预测控制方法的基础上,加入了神经网络,引入RBF神经网络多步预测控制方法,实现了并网输出电流的控制。该控制方法提高了电流跟踪能力,降低了输出电流的谐波率,而且可以在电网电压不平衡的情况下平衡输出电流。紧接着对铅酸蓄电池的充放电控制原理和SOC特性进行了分析,分别对卷积神经网络和循环神经网络进行了研究,提出了一种组合CNN-RNN神经网络的铅酸蓄电池SOC预测方法。该组合网络同时利用了 CNN和RNN的特点,来捕获电池数据的空间和时间特征。将电池温度、充放电电流和充放电电压作为输入特征向量,将电池SOC作为输出向量进行网络的训练,随后对蓄电池SOC进行预测。该方法能够有效地预测蓄电池SOC,提高了预测精度,并且具有较高的计算效率。最后在前面预测的基础上,针对光伏微网的运行效益,建立了兼顾储能和用户需求的光伏微网经济运行模型。考虑4种情景进行对比分析,结果表明合理配置储能容量以及需求侧响应,可以更大限度地提高微网的光伏消纳率并降低其运行总费用,实现了光伏微网系统自发自用、经济稳定运行的目标。
贾超[2]（2020）在《考虑安全约束的列车自动驾驶多质点非线性预测控制》文中认为随着列车速度的提高及运行密度的增大,对列车驾驶的自动化水平提出了更高的要求,列车自动驾驶控制成为轨道交通领域的重点研究内容之一。目前,列车自动驾驶控制研究已经取得了显着进展,但现有成果未考虑列车牵引力与制动力产生的动态过程,不能准确的反映列车的动力学特性,而且,随着列车速度的大幅度提高,列车动力学模型的非线性特性更加明显,传统的线性模型已经不能满足高性能控制器的设计需求。此外,在现有列车自动驾驶控制器设计过程中,没有统筹考虑转矩环与速度位置环的控制问题,影响自动驾驶系统控制性能的进一步提升。本文研究了列车自动驾驶控制问题,首先,分析了列车牵引力与制动力产生的动态过程及空气动力学带来的非线性特性,在此基础上,针对列车模型中存在的不确定性及模型参数的未知和时变特性,建立了相应的列车非线性多质点动力学模型。然后,考虑轨道交通特有的安全约束,以速度-位移曲线跟踪性能、节能效果及乘客舒适度为控制目标,设计了列车自动驾驶速度环非线性预测控制器及转矩环模型预测直接转矩控制器,最后,给出了控制算法可行性与系统稳定性的理论证明。本文的主要研究内容及创新点如下:一、分析了列车牵引力和制动力产生的动态过程,并引入列车车厢类型及列车运行状态的整数变量,建立了列车非线性多质点动力学模型。然后,以目标电磁转矩和定子磁链跟踪为性能指标,设计了具有一拍延时补偿的转矩环单步模型预测直接转矩控制器。在此基础上,考虑轨道交通特有的防止列车撞车、脱轨、断钩等安全约束,以速度-位移曲线跟踪性能、节能效果及乘客舒适度为控制目标,设计了速度环非线性预测控制器,并给出了控制算法的可行性及闭环系统稳定的理论证明。二、分析了列车模型中存在的不确定性,并针对无速度传感器工况,基于区域极点配置理论提出了列车速度估计算法,建立了具有有界扰动的列车非线性多质点动力学模型。然后,设计了具有一拍延时补偿的转矩环多步模型预测直接转矩控制器,利用“死锁”预测法保证了控制算法的可行性,并分析了转矩环系统的收敛性。在此基础上,针对不确定有界扰动可能导致列车超速而不满足安全约束,采用约束收紧策略,设计了速度环鲁棒非线性预测控制器,并给出了控制算法的可行性及闭环系统稳定的理论证明。三、分析了列车模型参数未知且时变特性及模型中存在的不确定性,并针对无速度传感器且电机参数时变工况,基于区域极点配置理论提出了具有一定自由度的列车速度估计算法,建立了具有未知参数和有界扰动的列车非线性多质点动力学模型,为了提高预测模型精度,提出了列车参数自适应估计算法。然后,针对牵引电机模型中存在的不确定性,设计了具有一拍延时补偿的转矩环多步鲁棒模型预测直接转矩控制器,并分析了控制算法的可行性及转矩环系统的鲁棒稳定性。在此基础上,采用tube模型预测控制方法,设计了速度环自适应鲁棒非线性预测控制器,并给出了控制算法的可行性及闭环系统输入状态稳定的理论证明。
高菾佚[3]（2020）在《基于偏最小二乘的预测控制算法及其应用验证》文中进行了进一步梳理随着现代生产过程的快速发展,其生产规模日益增大,物理化学反应日益复杂,对生产设备建立精确的模型变得十分困难,一些前沿科学中的生产设备,如等离子体地面实验装置,甚至几乎不可能建立其模型。另一方面,生产设备虽然很多都是开环稳定的,但普遍存在着未知的非线性特性,如何在模型未知的情况下,对这类开环稳定的非线性系统进行跟踪控制,使其关键性能指标（如输出产品的特性参数）随期望指标进行在线调节,为控制算法设计带来了新的挑战。为此,本文以模型未知的开环稳定非线性系统为被控对象,针对上述问题开展偏最小二乘框架下的预测控制方法研究。首先总结模型预测控制、偏最小二乘回归和数据驱动控制方法的发展历程和研究现状,指出现有偏最小二乘回归算法和偏最小二乘回归框架下预测控制策略已有研究的不足之处:1)传统偏最小二乘对数据空间分解不完全,导致回归模型精度不足,且偏最小二乘采取迭代的计算方式,无法在线更新模型,偏最小二乘框架下的预测控制无法应用于非线性系统控制;2)现有非线性偏最小二乘大多不具备基于数据在线学习的能力,且非线性偏最小二乘框架下的预测控制会将原始数据空间的线性约束变为潜变量空间的非线性约束,难以进行控制信号的求解;3现有非线性偏最小二乘框架下的预测控制在建立预测模型时需要对非线性回归模型进行线性化近似,这将损失原本非线性回归模型的预测精度,且非线性偏最小二乘框架下的预测控制需要对待求解的控制信号进行约束,导致控制信号收敛慢。针对这些问题,本文将逐一进行解决。第一,针对传统偏最小二乘方法回归模型精度不足,回归过程需要进行复杂的迭代运算,且偏最小二乘框架下的预测控制策略难以应用于等离子体地面实验装置这类模型未知非线性系统的问题,提出改进偏最小二乘框架下的预测控制方法。改进偏最小二乘对输入输出空间进行完全的分解,提高回归模型精度的同时避免了复杂的迭代计算,进而通过滑动时间窗口提出适用于非线性系统的改进偏最小二乘框架下的预测控制策略。第二,针对现存非线性偏最小二乘框架下的预测控制大多无法在线更新模型参数,并对原始线性约束映射为非线性约束难以进行控制信号的求解的问题,对局部加权偏最小二乘方法进行改进,提出具备在线增量学习能力的局部加权映射回归算法,在此基础上提出局部加权映射回归框架加下的预测控制策略,避免了对原始空间线性约束的非线性映射。第三,针对现有非线性偏最小二乘框架下的预测控制在建立预测模型时需要对非线性回归模型进行线性化近似,损失了原本非线性回归模型的预测精度,且非线性偏最小二乘框架下的预测控制需要对待求解的控制信号进行约束,造成控制信号收敛慢的问题,对基于递归偏最小二乘的预测控制方法开展研究。首先对所提出的改进偏最小二乘回归方法进行改进,提出递归改进偏最小二乘回归方法,进而用局部加权映射回归对递归偏最小二乘回归模型的参数进行预测,在不损失精度的前提下构造多步预测模型,最终提出递归改进偏最小二乘-局部加权映射回归框架下的预测控制策略,在典型非线性基准过程中对本文所提出的三种数据驱动预测控制策略进行比较研究,验证了递归改进偏最小二乘-局部加权映射回归框架下的预测控制策略具有最高的多步预测精度,和最好的跟踪控制效果。第四,针对等离子体地面实验装置这一模型未知的开环稳定非线性系统,对本文提出预测控制算法做算法的实验验证。以某机构的等离子体实验装置为背景,考虑到等离子体实验装置正在搭建过程中,尚不具备控制算法在线调试环境,我们首先利用等离子体实验装置目前可采集的实测数据对所提出递归改进偏最小二乘-局部加权映射回归下的多步预测算法进行算法验证,同时对实验装置在低温低速等离子体工作条件下进行有限元仿真,在将有限元仿真结果型与可测数据进行比对后,验证有限元仿真在低温低速等离子体产生条件下对装置模拟的有效性。进而将有限元仿真模型封装为黑箱被控对象,对本文提出的三种预测控制算法进行验证和讨论,为在等离子体实验装置建成后,控制算法最终在装置中的部署奠定基础。
李晨龙[4]（2020）在《非线性时滞定常系统多维泰勒网辨识与预测控制》文中研究说明工业过程大都具有非线性、时滞、耦合等特征,并受外界干扰等影响。由于这些特征及影响的存在,常会导致控制系统超调量增大,调节时间变长,从而使系统的过渡过程变坏,稳定性降低,极易引起闭环系统的不稳定。如何克服这些问题,对系统进行有效的控制成为了控制理论领域与工程领域研究的重点。由于非线性和时滞等特性的存在,一方面难以得到系统精确的数学模型,另一方面线性系统相关的研究成果很难直接应用到非线性系统中。近年来,多维泰勒网（Multi-dimensional Taylor Network,MTN）的出现为解决非线性系统建模与控制提供了有效的解决方案,其结构简单,运算速度快,具有并行处理、自主学习和极强的非线性映射能力,为此,将MTN应用到非线性时滞系统来解决非线性、时滞、耦合、外界干扰等问题。所以本课题的研究具有重要的理论意义和实际应用价值。本文以非线性时滞定常系统（以下简记为非线性时滞系统）为研究对象,综合考虑外界干扰、噪声、耦合与输入死区等问题,将多维泰勒网作为研究工具,结合预测控制思想,以提高动态性能为核心,以改善计算复杂度为关键来研究非线性时滞系统控制问题。借助MTN的优良性能,分别设计MTN辨识模型、MTN预测模型、MTN控制器和MTN补偿器,对非线性时滞系统的输出跟踪控制问题进行了深入研究,提出了基于MTN的预测控制方案,并采用Lyapunov稳定性理论证明闭环系统的稳定性。论文的主要研究工作概括如下:1.提出基于MTN的非线性时滞系统辨识方案。利用MTN对非线性时滞系统进行辨识,证明MTN模型表达式的合理性,确立模型中加权项的排列次序及其递归表达式;利用MTN特殊的结构以及极限学习机算法,根据中间层节点与输出权值的关系得到最优MTN辨识模型,利用极限学习机算法计算输出权值,避免梯度法迭代寻优的过程,在保证运算精度的前提下,有效降低算法复杂度;结合剪枝算法对MTN结构进行精简,提高运算效率;利用互相关函数方法,通过输入和输出信号的相关性对未知时滞进行辨识。实验结果验证了所提方案的有效性。2.提出非线性时滞系统的MTN预测模型构建方案。基于MTN的非线性逼近能力,以补偿时滞影响为目的,给出两种预测模型的构建方案,分别为递推MTN预测模型和非递推MTN预测模型,并结合适当的学习算法进行实时在线建模,准确构建预测模型,从而补偿时滞的影响。实验结果验证了所提方案的有效性。3.提出单入单出非线性时滞系统的MTN预测控制方案以及稳定性分析方案。无需状态反馈,仅依靠输出反馈构成闭环控制,实现了系统相对于给定参考信号的实时输出跟踪控制;基于MTN的非线性逼近能力,依靠非递推技术设计了非递推d步超前MTN预测模型来补偿时滞的影响;设计MTN控制器来实现系统精确跟踪控制,利用MTN控制器的网络化结构,采用输入和输出信号合成的误差信号作为控制器输入;根据Lyapunov稳定性理论证明闭环系统稳定性。实验结果验证了所提方案的有效性。4.提出不含外界干扰与带有外界干扰情况下单入单出非线性时滞系统的MTN预测控制方案以及稳定性分析方案。MTN分别作为预测模型、控制器和补偿器,无需状态反馈实现了系统相对于给定参考信号的实时输出跟踪控制。基于MTN的非线性逼近能力,依靠非递推技术设计了非递推d步超前MTN预测模型来补偿时滞的影响;设计MTN控制律对非线性时滞系统进行输出跟踪控制;同时MTN补偿器来抵消干扰的影响;利用MTN预测模型的预测精度,控制权系数和优化系数,根据Lyapunov稳定性理论证明闭环系统稳定性,并得到MTN控制器的参数调整方法。实验结果验证了所提方案的有效性。5.提出多入多出非线性时滞系统的MTN预测控制方案以及稳定性分析方案。借助MTN的良好特性,其泛化性能优良,无需解耦过程与状态反馈,可以实现系统对给定参考信号的实时输出跟踪控制。利用递推技术设计了递推d步超前MTN预测模型来补偿时滞的影响;并针对MTN结构特性,设计MTN控制器来实现系统精确跟踪控制,通过采用输入信号和输出信号合成的误差信号作为控制器输入;根据Lyapunov稳定性理论证明闭环系统稳定性。实验结果验证了所提方案的有效性。6.提出带有未知时滞情况下的多入多出非线性时滞系统的多维泰勒网预测控制方案以及稳定性分析方案。在辨识时滞的基础上,提出基于多维泰勒网的递推d步预测控制方案。利用递推技术设计了递推d步超前MTN预测模型来补偿时滞的影响;给出多步预测目标函数,通过迭代寻优,进而得到最优控制律;利用MTN预测模型的预测精度,控制权系数和优化系数,根据Lyapunov稳定性理论证明闭环系统稳定性,并得到MTN控制器参数调整方法。实验结果验证了所提方案的有效性。
杜泽峰[5]（2020）在《基于LM-NMEA算法和ELM-RBF神经网络预测控制方法的研究》文中认为随着以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。
王矿磊[6]（2020）在《基于迁移学习和不确定性分析的过程设计与控制优化一体化研究》文中指出流程工业是制造业的重要组成部分,是经济社会发展的支柱产业之一,与经济发展和人民生活密切相关。随着我国行业结构调整稳步推进、实力增长迅速,国际影响力显着提高,中国工程院《新一代智能制造》战略发展报告中指出“流程工业最有可能率先突破新一代智能制造”。但是随着能源价格的持续增长,环境控制的日益严格以及全球产业结构深度调整国际竞争更加激烈,以化工过程为代表的流程工业也面临着巨大挑战。为了有效促进企业竞争力和高端制造水平、实现柔性生产,对过程的工艺设计和控制设计进行集成优化成为提升化工行业自动化和智能化水平的必由之路。本文在综述了过程设计和控制优化一体化问题的国内外研究现状的基础上,针对人工智能兴起的新形势下,对过程设计和控制优化带来的赋能和启发,以“迁移学习-算法引擎-不确定性分析-优化策略”为主线,挖掘机理复杂的流程系统中的关联知识以及动态特性,形成了“替代模型-融合先验知识的替代模型-样本迁移学习算法-模型迁移学习算法”的层次化、多维度的建模方法,解决传统优化一体化问题中过程设计与控制优化环节模型相互脱节、衔接不够、计算效率低的问题。从优化策略的角度对影响过程设计和控制的不确定性因素进行系统的分析,明确了随机不确定性的分布律、模糊不确定性的隶属度,分别提出了基于机会约束和基于模糊决策的过程设计和控制优化一体化求解策略,提升了在不确定环境下进行一体化优化设计决策的灵活性和可信度。本文的研究工作和创新点如下:1.针对过程设计和控制优化一体化中线性模型与机理模型联系不紧密、重复建模计算效率低的问题,本文以高斯过程模型为基础,并且通过分析工业过程中能量、物料及其组分在生产过程的传递和转化中主要动态平衡关系,提出了融合过程稳态数据和稳态知识的融合建模方法,提高了模型建模效率。同时,进一步挖掘优化迭代的每一步产生的模型训练数据中蕴含的过程知识,提出了样本迁移学习算法,将有用的过程动态数据迁移到新的设计方案的模型训练中。为了避免无效数据的迁移,提出了主动样本筛选策略。保证模型精度的同时显着降低了训练新模型所需要的样本数量,进一步提高了过程设计和控制优化一体化的建模效率。2.针对一体化问题中建模效率低,且基于数据的迁移学习方式无法表征模型的可靠程度的问题。本文提出了基于迁移基向量的迁移学习建模方法。将一体化优化迭代过程产生的过程动态模型以基向量的形式,转化为描述过程不同区域动态特性的知识。进而通过迁移学习与新的设计方案的模型进行融合训练,在显着降低训练新模型所需样本数量的同时增加了模型的泛化能力。在此基础上,系统性的分析了在迁移学习过程以及动态多步预测过程中的不确定传递关系,为提高迁移学习模型的可信度提供了理论依据。3.针对现有一体化研究中基于最坏情况的设计策略过于保守,且对不确定性描述方法过于简化的局限。本文从概率统计的角度分析了影响过程设计和过程控制的不确定性和扰动因素,指出过程长周期运行时受到多重来源多重时间尺度的不确定性的影响,提出了变时间尺度的不确定性的描述方法。并设计了基于机会约束的过程设计和控制优化一体化求解框架,分别针对影响过程设计和影响过程控制的不确定性进行转化。并设置不同的置信度对变时间尺度不确定性下过程设计和控制进行一体化优化,为过程设计和控制优化一体化问题提供了统筹经济效益和不确定性的灵活的求解策略。4.针对动态特性复杂、状态存在离散跳变的多重稳态过程,导致其不确定性的传递关系复杂的问题,本文详细分析了稳态点位置选择对于过程动态以及过程经济性能的影响。提出了模糊集合的形式描述过程不确定性造成的影响,通过模糊决策的方式,评估不确定性对系统的影响,针对约束条件和目标函数分别提出了不同的模糊化方法,使得最终的一体化优化在最坏情况的保守设计和激进设计之间找到折中的设计方案。避免设计决策过于保守或者激进,兼顾过程的经济效益、系统鲁棒性和不确定性风险之间的关系。
金泽石[7]（2019）在《主被动复合视觉传感的脉冲GMAW反面熔宽智能控制》文中指出薄板自动化焊接是自动化焊接中的难点,其关键在于熔透情况的控制。现有的薄板自动化焊接主要采用非熔化极气体保护焊（Gas Tungsten Arc Welding,GTAW）和脉冲熔化极气体保护焊（Pulse Gas Metal Arc Welding,P-GMAW）来实现。与非熔化极气体保护焊相比,脉冲熔化极气体保护焊具有效率高、适应性强以及热输入量可控的优点,在薄板自动化焊接中的应用更为广泛且更具有研究意义。现有的焊接过程控制研究主要集中在GTAW而对于P-GMAW的研究相对较少,其主要原因是P-GMAW过程要比GTAW复杂,传感以及控制难度也远大于GTAW过程。本文以脉冲熔化极薄板自动化焊接为研究对象,以实现反面熔宽控制为目的,深入研究了脉冲熔化极薄板焊接过程中正面熔池的传感方式、反面熔宽的影响因素及预测建模以及反面熔宽智能化控制器的设计等。首先,综合考虑弧光光强的特性以及高温金属黑体辐射的特点设计了一套用于焊接过程传感的主被动复合视觉传感系统,实现了对于熔池和焊缝图像实时在线获取。为了实现P-GMAW反面熔池宽度智能控制,分别建立了焊接电源及控制系统和机器人及控制系统。为了研究焊接工艺参数对焊缝成形的影响,分别对不同焊接电压、焊接电流以及焊接速度下的熔透情况进行分析,并确定了最佳的焊缝成形工艺参数。在此基础上,通过二次回归分析建立了工艺参数与焊缝尺寸之间的线性模型,为后续焊接过程控制的实现奠定基础。为了能够实时准确地从图像中提取得到熔池和焊缝的特征信息,通过分析P-GMAW过程中熔池及焊缝的特点,采用Otsu自适应阈值分割、灰度分析以及边缘提取等图像处理技术,对图像处理软件进行开发,实现了焊接熔池和焊缝几何信息的实时在线检测。通过对主被动复合视觉传感系统的三维空间标定,建立了图像坐标和实际空间坐标之间的关系。通过BP神经网络算法建立了焊缝余高的多步预测模型,并以此实现了熔池尾部高度的预测。通过研究分析凝固状态熔池形状特征,提出了一种空间曲面拟合算法来对熔池几何信息和焊缝几何信息进行融合,并实现了熔池三维形貌的估算和重建。为了解决反面熔池宽度实时在线检测困难的问题,首先根据熔敷金属质量守恒以及准稳态熔池受力平衡的特点从理论上分析了反面熔宽尺寸的影响因素,并分别采用经典的线性模型和神经网络建模的方法来建立反面熔池宽度的预测模型,为反面熔池宽度的实时在线控制提供可靠的依据。最后,设计了一套基于RBF神经网络的Actor-Critic强化学习自适应控制器来实现焊接过程反面熔宽的控制。为了验证控制器的可靠性,分别采用非线性模型以及所建立的GTAW模型和P-GMAW模型对所设计的控制器进行了仿真验证。为了验证所设计的Actor-Critic强化学习自适应控制器的优势,采用经典PID控制器以及单神经元自学习PSD控制器作为对照分别对焊接过程中的正反面熔宽进行了控制。为了验证所设计的Actor-Critic强化学习自适应控制器对P-GMAW反面熔宽的控制效果,对焊接过程中抗干扰能力以及对工艺参数扰动和散热条件改变的适应能力,以反面焊接熔池宽度为被控变量,以焊接速度作为控制变量分别进行了目标值阶跃焊接过程反面熔宽控制实验、焊接速度扰动情况下焊接过程反面熔宽控制实验、渐变散热试件以及哑铃型试件的P-GMAW平板对接焊反面熔宽控制实验,实验结果表明该控制器对反面熔宽控制效果良好,满足实际焊接要求。
吕俊杰[8]（2019）在《大型风电机组变桨距控制策略研究》文中提出随着全球风力发电累计装机容量不断增长,风力发电机组不断向大型化、轻量化方向发展,研究稳定可靠的变桨距控制技术成为当前风力发电机组控制应用领域研究的热点。由于风力发电机组本身具有强非线性、强耦合性以及运行工况非常复杂,传统的PI或者PID控制器很难达到满意的控制效果,如何建立合适的模型,并运用有效的变桨距控制策略,对于保证风电机组的安全、稳定、优化运行具有十分重要的意义。论文以5MW大型风力发电机组为研究对象,分别对统一变桨距控制系统和独立变桨距控制系统进行优化设计。主要研究内容包括:论文阐述了风电机组变桨距的控制原理,分析了风力发电系统的基本结构,建立了各个子系统的数学模型,在FAST和Matlab/Simulink联合仿真平台上搭建了风电机组整机模型并进行了仿真分析。仿真结果表明在现有的PI变桨距控制策略下,机组输出功率波动较大。为满足风电机组并网阶段前电机转速以一定升转速率达到同步转速的控制要求,同时为克服传统风电机组机理建模方法的不足,论文提出了一种基于极限学习机的风电机组变桨距模型预测控制策略,利用极限学习机对变桨距风电机组进行模型辨识,建立了多步预测模型;针对滚动优化策略性能指标函数难以确定问题,采用粒子群优化算法对性能指标函数进行寻优,使其最小化,并输出最优的桨距角控制量。仿真结果表明,在并网阶段前的电机转速控制阶段运用该控制策略,可以根据风速扰动提前预测电机转速变化,从而使控制器提前发出控制指令,对桨距角进行超前调节,保证了系统输出跟踪参考轨迹的方向稳步改变,提高了系统的抗干扰能力。对于独立变桨距控制而言,针对风电机组在额定风速以上运行时存在风轮载荷分布不平衡的问题,提出了基于自适应模型预测控制（AMPC）的独立变桨距控制策略,使用Park坐标变换将叶根弯矩转换为轮毂处的偏航弯矩和俯仰弯矩,作为风轮不平衡的载荷控制目标,并采用所设计的独立变桨距自适应模型预测控制器对偏航弯矩和俯仰弯矩进行了不平衡载荷控制。仿真结果表明,相比于传统的PI独立变桨控制策略,所采用控制策略在稳定输出功率的同时,能有效减轻桨叶根部的载荷以及轮毂处的偏航弯矩和俯仰弯矩,具有更加明显的减载效果。
吴凤娇[9]（2019）在《混流式水轮机调节系统的非线性状态预测与稳定控制研究》文中研究指明水资源是重要的可再生清洁资源,优先发展水电已成世界共识。随着水电事业的高速发展,全球单机容量70万千瓦以上的水轮发电机组,超过一半在中国。如此庞大的水轮发电机组,使电站系统在运行的稳定、安全性方面面临更高要求。由水轮机、发电机、调速器、发电机端口侧电力负荷、引水系统构成的水轮机调节系统,是集水、机、电于一体,具有多种典型运行工况的复杂非线性系统。其运行正常与否,将对水轮发电机组甚至整个电网系统的安全可靠产生重大影响。生产实践中国内外大中型水轮发电机组均存在不同程度的稳定性问题。因此,对水轮机调节系统进行稳定性分析和有效控制对水电站的安全运行具有重要意义。而水轮机调节系统状态预测是稳定性控制的前提和基础。本文以在国内外应用最广泛的混流式水轮机调节系统为研究对象,对其非线性预测与稳定性控制中的关键问题开展研究,主要工作与研究结论如下:（1）研究了混流式水轮机调节系统RBF预测。鉴于RBF神经网络在非线性时间序列预测方面的优异性和相空间重构有效地信息提取功能,将RBF神经网络预测模型与相空间重构相结合,研究混流式水轮机调节系统的时间序列状态预测模型。首先运用龙格-库塔法求解水轮机的非线性方程组,得到混沌时间序列,并运用庞加莱截面法验证其混沌特性。其次采用两参数单独求取的估值法和两参数同时求取的扩展法分别求取混流式水轮机调节系统运行状态时间序列相空间重构的两个重要参数,即嵌入维数和延迟时间。最后建立了RBF神经网络单步和多步预测模型,将估值法和扩展法求取的嵌入维数和延迟时间分别代入单步和多步预测模型中,并分析了估值法和扩展法获得的不同嵌入维数和延迟时间情况下对混流式水轮机调节系统运行状态的预测效果。数值仿真结果表明RBF神经网络模型对混流式水轮机调节系统具有良好的预测效果。（2）研究了混流式水轮机调节系统遗传小波神经网络预测。鉴于BP神经网络良好的多输入并行处理和非线性映射能力,但训练速度慢且容易陷入局部最小值,小波理论对信号良好的时频局部特性和变焦能力,遗传算法优良的全局优化特点,在建立的水轮机调节系统BP神经网络预测模型的基础上,提出了激活函数斜率自适应预测神经网络,并用小波元代替神经元构建小波神经网络,通过遗传算法优化小波神经网络各层的权值、阈值、激活函数斜率系数、伸缩和平移参数,得到了既有全局优化搜索,又有良好局部优化求解性能的遗传小波神经网络预测模型。通过仿真发现遗传小波神经网络对BP神经网络的优化效果明显,具有更高的预测精度和收敛速度,可以有效解决针对混流式水轮机调节系统状态复杂,普通神经网络预测模型训练速度慢,容易陷入局部极小值的问题。（3）研究了基于聚类经验模态和遗传支持向量机的混流式水轮机调节系统非线性预测。考虑到通过应用聚类经验模态分解,可将非线性、非平稳信号分解为特征尺度各异的平稳窄带信号,遗传支持向量机可以解决小样本下的复杂系统建模问题,且具有泛化能力强、全局最优的特点,提出了基于聚类经验模态分解和遗传支持向量机相结合的水轮机调节系统预测新方法。首先,将离散的混流式水轮机调节系统采样数据通过三次样条插值拟合成平滑曲线,再利用聚类经验模态分解的时空滤波特性,得到反映数据趋势的固有模态和剩余分量。其次,基于噪声辅助信号处理技术,将小幅度白噪声均衡信号加入到模态分解中,有效地解决了分解过程人为因素影响和模态混叠问题。将聚类经验模态分解处理后的固有模态分量作为样本分别输入到GA-SVM模型中,选取遗传算法优化的最佳核函数和参数后对各模态进行预测,通过叠加所有分量预测结果得到总体预测结果。数值仿真发现,GA-SVM预测模型通过赋予每组样本数据不同的误差权系数,使其具有更好的泛化性能和预测精度。（4）研究了混流式水轮机调节系统的有限时间终端滑模控制方法。考虑到在实际运行中,混流式水轮机调节系统经常受到电力系统负荷变化的影响,在建立的非线性混流式水轮机调节系统模型的基础上引入了随机扰动。为了克服传统滑模面设计中出现的奇异问题,基于Lyapunov稳定性定理和有限时间引理,运用终端滑模控制策略,为混流式水轮机调节系统设计了一个新颖的鲁棒终端滑模控制器,试验结果表明系统能够在有限时间内快速地实现稳定,验证了所提出控制策略的有效性。鉴于分数阶系统相比整数阶系统更能描述实际的物理过程,给出了混流式水轮机调节系统的分数阶数学模型。不同于整数阶系统,分数阶系统稳定性理论发展尚未成熟完善。在证明系统稳定性方面,提出应用频率分布模型将分数阶模型转化为等价的整数阶模型的方法。最后基于滑模控制策略,为混流式水轮机调节系统设计了分数阶鲁棒终端滑模控制器。并通过数值模拟验证了其在控制分数阶混流式水轮机调节系统稳定性方面的有效性。（5）研究了混流式水轮机调节系统非线性模糊预测函数控制方法。由于混流式水轮机调节系统具有非最小相位、非线性及强耦合特点,运用T-S模糊模型对含有随机扰动的参数不确定整数阶混流式水轮机调节系统进行描述,结合并行分布补偿技术提出了相应的控制律。通过Lyapunov稳定性定理对提出的状态反馈控制器控制的效果进行了证明,根据线性矩阵不等式,对增益矩阵进行了求解。采用模糊神经网络解耦的方法解除系统间的耦合,使线性化后的混流式水轮机调节系统由多变量系统转化为了单变量系统。对于非最小相位系统,为了保证其控制性能,提出了零点配置的方法,并分析了可进行零点配置系统的特性及零点配置的合理性。结合所提出的T-S模糊控制和预测函数控制方法,提出了混流式水轮机调节系统的适宜非线性模糊预测函数控制方法,为相关水电站系统的稳定控制提供了借鉴。
冯晨[10]（2019）在《微型燃气轮机建模及预测控制的研究》文中指出随着我国经济的高速发展,能源消费给环境带来的压力越来越严重,以煤炭为主的能源消费结构越来越不能满足构建可持续发展社会的要求。以天然气为燃料的分布式能源系统（CCHP,Combined Cooling,Heating and Power）作为一种能源梯级利用的能源系统,不仅能够提高能源的利用效率,还有利于环境保护。微型燃气轮机作为分布式能源系统的动力设备具有效率高,环境友好,启动周期短等优点。但是微型燃气轮机具有很强的非线性,其实际工作过程比较复杂。为了了解其动态特性,对微型燃气轮机建模仿真以及控制的研究就显得至关重要。本文着重对微型燃气轮机进行了机理建模,并进行动态仿真,将智能优化算法引入控制模型的辨识过程中。对传统的预测控制方法作相应的改进研究,并将改进的预测控制算法应用于微型燃气轮机,仿真结果显示改进效果显着。对粒子群算法进行改进并将其应用于微型燃气轮机控制模型辨识之中。由于传统粒子群算法容易在搜索过程中陷入局部最优,本文将模拟退火算法引入粒子群算法,并对学习因子做了相应的改进。通过测试函数实验证明,改进的粒子群算法具有较小的搜索误差和较好的概率突跳能力,能够有效的防止粒子群算法过早的陷入局部最优。利用Matalab/Simulink平台搭建微型燃气轮机的机理模型,并动态仿真出机组的动态数据,利用改进的粒子群算法辨识出更加精确的控制模型。对传统的预测控制方法做相应的改进。在滚动优化部分,将寻优效果更好的改进粒子群算法作为改进预测控制方法的滚动优化算法。在预测模型部分,由于微型燃气轮机具有一定的非线性,寻求一个非线性的预测模型就显得至关重要,BP神经网络具有较强的复杂非线性映射的能力,本文将BP神经网络作为预测模型。将改进之后的控制算法应用到微型燃气轮机模型的控制仿真之中,并与传统PID控制算法控制效果对比,验证了改进算法具有更加精确的控制效果。
二、基于神经网络模型的非线性多步预测学习控制器（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、基于神经网络模型的非线性多步预测学习控制器（论文提纲范文）
（1）神经网络预测方法及其在光伏微网优化运行中的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 光伏微网的基本概念和特点 |
| 1.3 光伏微网优化运行研究现状 |
| 1.4 光伏微网关键技术 |
| 1.4.1 电力负荷预测技术 |
| 1.4.2 光伏逆变器电流控制技术 |
| 1.4.3 储能蓄电池SOC预测技术 |
| 1.5 本文主要研究内容 |
| 第2章 基于人体舒适度的改进Elman神经网络短期负荷预测方法 |
| 2.1 人体舒适度 |
| 2.2 Elman神经网络基本原理 |
| 2.2.1 Elman神经网络结构 |
| 2.2.2 隐藏层激活函数的改进 |
| 2.2.3 Elman神经网络的训练算法 |
| 2.3 算例分析 |
| 2.4 仿真实验分析 |
| 2.5 本章小结 |
| 第3章 NPC并网逆变器的RBF神经网络多步预测电流控制方法 |
| 3.1 NPC逆变器的工作原理 |
| 3.2 RBF神经网络多步预测控制方法 |
| 3.2.1 RBF神经网络一步预测模型 |
| 3.2.2 LM优化算法 |
| 3.2.3 RBF神经网络多步预测模型 |
| 3.3 NPC并网逆变器的多步预测电流控制原理 |
| 3.4 仿真实验分析 |
| 3.5 本章小结 |
| 第4章 组合CNN-RNrN网络的储能蓄电池SOC预测方法 |
| 4.1 蓄电池SOC及其影响因素 |
| 4.1.1 蓄电池SOC的定义 |
| 4.1.2 蓄电池SOC的影响因素 |
| 4.2 卷积神经网络的原理 |
| 4.3 循环神经网络的原理 |
| 4.4 基于CNN-RNN网络的储能蓄电池SOC预测模型 |
| 4.5 仿真实验分析 |
| 4.6 本章小结 |
| 第5章 考虑储能和需求侧响应的光伏微网经济运行 |
| 5.1 光伏微网经济调度 |
| 5.2 光伏微网经济运行模型 |
| 5.2.1 目标函数 |
| 5.2.2 约束条件 |
| 5.2.3 自适应遗传算法 |
| 5.3 仿真实验分析 |
| 5.4 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 本文主要工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（2）考虑安全约束的列车自动驾驶多质点非线性预测控制（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 列车动力学模型研究现状 |
| 1.2.2 列车自动驾驶控制研究现状 |
| 1.2.3 非线性模型预测控制研究现状 |
| 1.3 论文的主要内容及章节安排 |
| 2 列车自动驾驶非线性预测控制 |
| 2.1 列车非线性多质点动力学模型 |
| 2.1.1 牵引力与制动力产生的动态过程分析 |
| 2.1.2 非线性多质点动力学模型 |
| 2.2 列车安全约束 |
| 2.3 列车自动驾驶非线性预测控制器设计 |
| 2.3.1 转矩环单步模型预测直接转矩控制器设计 |
| 2.3.2 速度环非线性预测控制器设计 |
| 2.4 可行性与稳定性理论证明 |
| 2.5 数值仿真 |
| 2.6 本章小结 |
| 3 列车自动驾驶无速度传感器鲁棒非线性预测控制 |
| 3.1 具有有界扰动的列车非线性多质点动力学模型 |
| 3.1.1 基于时不变电机参数和区域极点配置的列车速度估计 |
| 3.1.2 具有有界扰动的非线性多质点动力学模型 |
| 3.2 列车自动驾驶鲁棒非线性预测控制器设计 |
| 3.2.1 转矩环多步模型预测直接转矩控制器设计 |
| 3.2.2 速度环鲁棒非线性预测控制器设计 |
| 3.3 可行性与稳定性理论证明 |
| 3.4 数值仿真 |
| 3.5 本章小结 |
| 4 列车自动驾驶无速度传感器自适应鲁棒非线性预测控制 |
| 4.1 具有未知时变参数和有界扰动的列车非线性多质点动力学模型 |
| 4.1.1 基于时变电机参数和区域极点配置的列车速度估计 |
| 4.1.2 具有未知时变参数和有界扰动的非线性多质点动力学模型 |
| 4.2 列车参数自适应估计 |
| 4.3 列车自动驾驶自适应鲁棒非线性预测控制器设计 |
| 4.3.1 转矩环多步鲁棒模型预测直接转矩控制器设计 |
| 4.3.2 速度环自适应鲁棒非线性预测控制器设计 |
| 4.4 可行性与稳定性理论证明 |
| 4.5 数值仿真 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）基于偏最小二乘的预测控制算法及其应用验证（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的与意义 |
| 1.2 模型预测控制方法及研究现状 |
| 1.3 偏最小二乘算法研究现状 |
| 1.3.1 基于线性偏最小二乘的回归方法 |
| 1.3.2 基于非线性偏最小二乘的回归方法 |
| 1.3.3 偏最小二乘算法存在的问题 |
| 1.4 数据驱动的控制方法研究现状 |
| 1.4.1 基于偏最小二乘的控制方法 |
| 1.4.2 基于偏最小二乘的预测控制方法存在的问题 |
| 1.5 本文的主要研究内容和章节安排 |
| 第2章 基于线性偏最小二乘的预测控制方法 |
| 2.1 引言 |
| 2.2 基于偏最小二乘的数据驱动预测控制方法 |
| 2.2.1 偏最小二乘回归 |
| 2.2.2 偏最小二乘框架下的预测控制策略 |
| 2.3 基于改进偏最小二乘的数据驱动预测控制方法 |
| 2.3.1 改进偏最小二乘回归 |
| 2.3.2 基于改进偏最小二乘的多步预测 |
| 2.3.3 改进偏最小二乘框架下的数据驱动预测控制策略 |
| 2.4 典型非线性基准过程中的仿真验证 |
| 2.4.1 过程描述 |
| 2.4.2 仿真结果 |
| 2.5 本章小结 |
| 第3章 基于非线性偏最小二乘的预测控制方法 |
| 3.1 引言 |
| 3.2 局部加权偏最小二乘回归算法 |
| 3.2.1 局部加权学习方法 |
| 3.2.2 局部加权偏最小二乘方法 |
| 3.3 局部加权映射回归框架下的数据驱动预测控制策略 |
| 3.3.1 局部加权映射回归算法 |
| 3.3.2 局部加权投影回归框架下的预测控制策略 |
| 3.4 典型非线性基准过程中的仿真验证 |
| 3.5 本章小结 |
| 第4章 基于递归偏最小二乘的预测控制方法 |
| 4.1 引言 |
| 4.2 递归最小二乘回归算法 |
| 4.2.1 递归最小二乘算法 |
| 4.2.2 分块递归最小二乘算法 |
| 4.3 递归改进最小二乘-局部加权映射回归框架下的预测控制 |
| 4.3.1 基于递归改进最小二乘的模型回归 |
| 4.3.2 基于递归改进最小二乘-局部加权映射回归的多步预测 |
| 4.3.3 基于递归改进最小二乘-局部加权映射回归的预测控制策略 |
| 4.4 典型非线性基准过程中的仿真验证 |
| 4.5 本章小结 |
| 第5章 高速目标等离子体地面实验装置中的预测控制算法实验验证 |
| 5.1 引言 |
| 5.2 高速目标等离子体地面实验装置介绍 |
| 5.2.1 基于实测数据的多步预测算法验证 |
| 5.3 基于有限元仿真模型的预测控制算法实验验证 |
| 5.3.1 实验装置的多物理场耦合有限元分析 |
| 5.3.2 基于有限元仿真模型的预测控制算法实验验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 本文涉及的英文缩写及其对应的释义 |
| 附录B 定理2.1证明 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（4）非线性时滞定常系统多维泰勒网辨识与预测控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 课题研究现状 |
| 1.2.1 非线性时滞系统辨识研究现状 |
| 1.2.2 非线性时滞系统控制方法研究现状 |
| 1.2.3 非线性时滞系统预测控制研究现状 |
| 1.2.4 带有外界干扰的非线性时滞系统预测控制研究现状 |
| 1.2.5 非线性时滞系统的稳定性分析研究现状 |
| 1.2.6 多维泰勒网研究现状 |
| 1.3 尚待解决的问题及提升方案 |
| 1.4 本文的主要研究内容和创新点 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的创新点 |
| 1.5 本文的结构安排 |
| 第二章 多维泰勒网与基于多维泰勒网的辨识方案研究 |
| 2.1 前言 |
| 2.2 系统描述 |
| 2.2.1 单入单出离散非线性时滞系统 |
| 2.2.2 多入多出离散非线性时滞系统 |
| 2.3 多维泰勒网 |
| 2.3.1 多维泰勒网模型 |
| 2.3.2 多维泰勒网控制器 |
| 2.4 系统辨识方案 |
| 2.5 SISO非线性时滞系统的多维泰勒网辨识方案 |
| 2.5.1 辨识模型 |
| 2.5.2 极限学习机算法 |
| 2.5.3 最优多维泰勒网辨识模型 |
| 2.6 MIMO非线性时滞系统的多维泰勒网辨识方案 |
| 2.6.1 辨识模型 |
| 2.6.2 多维泰勒网辨识模型学习算法 |
| 2.7 仿真实验 |
| 2.7.1 SISO仿真算例 |
| 2.7.2 MIMO仿真算例 |
| 2.8 本章小结 |
| 第三章 基于多维泰勒网的超前d步预测模型研究 |
| 3.1 前言 |
| 3.2 系统描述 |
| 3.2.1 单入单出离散非线性时滞系统 |
| 3.2.2 多入多出离散非线性时滞系统 |
| 3.3 基于多维泰勒网的超前d步预测模型研究 |
| 3.3.1 非递推d步超前多维泰勒网预测模型 |
| 3.3.2 递推d步超前多维泰勒网预测模型 |
| 3.3.3 多维泰勒网预测模型学习算法 |
| 3.4 仿真实验 |
| 3.4.1 单入单出非线性时滞系统 |
| 3.4.2 多入多出非线性时滞系统 |
| 3.5 本章小结 |
| 第四章 基于多维泰勒网的单入单出非线性时滞系统预测控制 |
| 4.1 引言 |
| 4.2 非线性时滞系统描述 |
| 4.3 基于多维泰勒网的非线性时滞系统预测控制方案 |
| 4.3.1 预测模型 |
| 4.3.2 多维泰勒网控制器设计 |
| 4.3.3 稳定性分析 |
| 4.4 基于多维泰勒网的非线性时滞系统预测控制综合设计方案 |
| 4.5 仿真实验 |
| 4.5.1 仿真算例1 |
| 4.5.2 仿真算例2 |
| 4.5.3 仿真实例 |
| 4.6 本章小结 |
| 第五章 基于多维泰勒网的单入单出非线性时滞系统预测补偿控制 |
| 5.1 引言 |
| 5.2 系统描述 |
| 5.3 多维泰勒网预测控制方案 |
| 5.3.1 多维泰勒网预测模型 |
| 5.3.2 多维泰勒网预测控制律 |
| 5.3.3 稳定性分析 |
| 5.3.4 多维泰勒网预测控制整体方案 |
| 5.4 多维泰勒网补偿器设计 |
| 5.4.1 多维泰勒网补偿器 |
| 5.4.2 多维泰勒网补偿器参数调整 |
| 5.5 多维泰勒网预测补偿控制整体方案 |
| 5.6 仿真实验 |
| 5.6.1 仿真算例 |
| 5.6.2 仿真实例 |
| 5.7 本章小结 |
| 第六章 基于多维泰勒网的多入多出非线性时滞系统递推d步预测控制 |
| 6.1 引言 |
| 6.2 系统描述 |
| 6.3 多维泰勒网递推预测模型 |
| 6.4 多维泰勒网控制器设计 |
| 6.4.1 多维泰勒网控制器 |
| 6.4.2 多维泰勒网控制器参数调整 |
| 6.4.3 稳定性分析 |
| 6.5 多入多出非线性时滞系统的多维泰勒网递推d步超前预测控制整体方案 |
| 6.6 仿真实验 |
| 6.7 本章小结 |
| 第七章 基于多维泰勒网的多入多出非线性时滞系统辨识与预测控制 |
| 7.1 引言 |
| 7.2 系统描述 |
| 7.3 未知时滞辨识 |
| 7.4 递推d步超前多维泰勒网预测控制 |
| 7.4.1 递推d步超前多维泰勒网预测模型 |
| 7.4.2 多维泰勒网预测控制律 |
| 7.4.3 稳定性分析 |
| 7.4.4 多入多出非线性时滞系统递推d步超前多维泰勒网预测控制总体方案 |
| 7.5 多入多出非线性时滞系统未知时滞辨识与递推d步超前多维泰勒网预测控制整体方案 |
| 7.6 仿真实验 |
| 7.6.1 仿真算例 |
| 7.6.2 仿真实例 |
| 7.7 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 论文中有待进一步研究的问题 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间发表、录用或已投出的学术论文 |
| 致谢 |
（5）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 |
（6）基于迁移学习和不确定性分析的过程设计与控制优化一体化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 1 绪论与综述 |
| 1.1 研究背景与意义 |
| 1.2 过程设计和控制优化一体化问题 |
| 1.3 研究现状 |
| 1.3.1 过程设计与控制一体化的研究现状 |
| 1.3.2 迁移学习建模方法的研究现状 |
| 1.3.3 不确定环境下过程设计和控制优化一体化的研究现状 |
| 1.4 论文研究解决的问题 |
| 1.5 论文研究内容与结构 |
| 2 融合过程先验知识的高斯过程建模方法 |
| 2.1 引言 |
| 2.2 过程替代模型 |
| 2.2.1 状态空间模型 |
| 2.2.2 神经网络模型 |
| 2.2.3 模糊模型 |
| 2.3 高斯过程模型及其应用于一体化设计的优势 |
| 2.3.1 高斯过程模型 |
| 2.3.2 高斯过程模型的参数估计 |
| 2.4 融合先验知识的高斯过程模型 |
| 2.5 数值算例与分析 |
| 2.5.1 为高斯过程模型插入表征先验知识的数据 |
| 2.5.2 为高斯过程模型插入表征先验知识的模型 |
| 2.6 本章小结 |
| 3 基于样本筛选策略的迁移学习动态系统建模方法 |
| 3.1 引言 |
| 3.2 迁移学习在过程设计与控制优化中的应用场景 |
| 3.3 迁移关系的研究 |
| 3.3.1 动态系统之间的迁移关系分析 |
| 3.3.2 迁移学习建模方法 |
| 3.4 主动样本筛选策略 |
| 3.5 算法仿真与分析 |
| 3.5.1 数值算例 |
| 3.5.2 非线性系统数值仿真算例 |
| 3.5.3 CSTR过程设计和控制优化一体化问题中的迁移学习算例 |
| 3.6 本章小结 |
| 4 考虑不确定性传递的迁移学习动态系统建模方法 |
| 4.1 引言 |
| 4.2 模型的迁移方法 |
| 4.3 不确定性在迁移学习高斯过程模型中的传递 |
| 4.3.1 不确定性在多步预测中的传递 |
| 4.3.2 不确定性在迁移学习中的传递 |
| 4.4 算法仿真与分析 |
| 4.4.1 CSTR过程设计和控制优化一体化问题中的迁移学习算例 |
| 4.4.2 燃烧炉系统工况切换的迁移学习算例 |
| 4.5 本章小结 |
| 5 考虑变尺度不确定性的过程设计与控制优化一体化 |
| 5.1 引言 |
| 5.2 一体化问题中不确定性的描述方法 |
| 5.2.1 不确定性的来源与分类 |
| 5.2.2 不确定性的数学描述 |
| 5.2.3 长时间尺度服从离散分布,短时间尺度服从高斯分布 |
| 5.2.4 长时间尺度服从高斯分布,短时间尺度服从高斯分布 |
| 5.3 基于机会约束的设计和控制优化一体化 |
| 5.3.1 不确定性在过程设计中的传递关系 |
| 5.3.2 控制器的设计 |
| 5.4 系统仿真与分析 |
| 5.4.1 蒸发过程的过程描述 |
| 5.4.2 过程运行的约束条件 |
| 5.4.3 优化一体化的目标函数 |
| 5.4.4 优化一体化的决策变量 |
| 5.4.5 蒸发过程中的不确定量 |
| 5.5 本章小结 |
| 6 基于模糊决策的多重稳态过程设计与控制优化一体化 |
| 6.1 引言 |
| 6.2 多重稳态过程 |
| 6.3 多重稳态过程的设计和控制优化一体化问题定义 |
| 6.4 鲁棒控制器的设计 |
| 6.4.1 多重稳态过程动态模型的构建 |
| 6.4.2 基于H_∞性能的控制器设计 |
| 6.5 基于模糊决策的最优过程设计和控制器设计 |
| 6.5.1 不确定条件下约束边界计算以及约束条件模糊化 |
| 6.5.2 不确定条件下的目标函数模糊化 |
| 6.5.3 基于最大隶属度的模糊决策 |
| 6.5.4 基于最优隶属度的可行性检验 |
| 6.6 系统仿真与分析 |
| 6.6.1 过程运行的约束条件 |
| 6.6.2 优化一体化的目标函数 |
| 6.6.3 反应过程中的不确定量 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士期间科研成果 |
（7）主被动复合视觉传感的脉冲GMAW反面熔宽智能控制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 焊接成形过程传感技术概述 |
| 1.2.1 被动式二维视觉传感 |
| 1.2.2 主动式二维视觉传感 |
| 1.2.3 被动式三维视觉传感 |
| 1.2.4 主动式三维视觉传感 |
| 1.3 焊接过程控制研究现状 |
| 1.3.1 焊接过程建模 |
| 1.3.2 焊接过程控制方法 |
| 1.4 本文的主要研究内容 |
| 第2章 P-GMAW焊缝成形控制系统及工艺研究 |
| 2.1 引言 |
| 2.2 实验系统组成 |
| 2.2.1 主被动复合传感系统 |
| 2.2.2 机器人及其控制系统 |
| 2.2.3 焊机及其控制系统 |
| 2.3 焊缝成形工艺研究 |
| 2.4 焊缝尺寸与工艺参数建模 |
| 2.4.1 实验设计 |
| 2.4.2 模型建立 |
| 2.4.3 模型检测 |
| 2.5 工艺参数对焊缝成形影响 |
| 2.6 本章小结 |
| 第3章 主被动图像信息特征提取 |
| 3.1 引言 |
| 3.2 复合视觉传感系统设计 |
| 3.3 传感图像获取及图像处理 |
| 3.3.1 被动视觉图像处理 |
| 3.3.2 主动视觉图像处理 |
| 3.4 图像处理算法准确性验证 |
| 3.5 本章小结 |
| 第4章 视觉传感图像信息融合 |
| 4.1 引言 |
| 4.2 视觉系统标定 |
| 4.2.1 被动视觉系统标定 |
| 4.2.2 主动视觉系统标定 |
| 4.3 熔池尾部高度多步预测建模 |
| 4.3.1 BP神经网络理论基础 |
| 4.3.2 辨识信号设计 |
| 4.3.3 多步神经网络预测 |
| 4.4 熔池三维估算 |
| 4.4.1 头部边界三维恢复 |
| 4.4.2 尾部边界三维恢复 |
| 4.4.3 熔池表面三维恢复 |
| 4.5 误差分析 |
| 4.6 本章小结 |
| 第5章 反面熔宽预测建模 |
| 5.1 引言 |
| 5.2 反面熔宽影响因素分析 |
| 5.3 反面熔宽预测建模 |
| 5.3.1 随机试验设计 |
| 5.3.2 反面熔宽线性建模 |
| 5.3.3 基于神经网络的反面熔宽非线性建模 |
| 5.3.4 综合分析 |
| 5.4 模型仿真分析 |
| 5.5 本章小结 |
| 第6章 P-GMAW反面熔宽智能控制 |
| 6.1 引言 |
| 6.2 基于强化学习的焊接过程自适应控制器设计 |
| 6.2.1 控制器设计 |
| 6.2.2 控制器仿真 |
| 6.3 控制器效果比较分析 |
| 6.3.1 正面熔宽闭环控制 |
| 6.3.2 反面熔宽闭环控制 |
| 6.3.3 各个控制器控制效果分析 |
| 6.4 AC-RBF-PID控制器反面熔宽控制可靠性实验分析 |
| 6.4.1 期望反面熔宽阶跃变化的焊接控制实验 |
| 6.4.2 焊接过程中工艺参数扰动情况下的控制实验 |
| 6.4.3 变散热情况下的控制实验 |
| 6.5 实验方法拓展讨论 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（8）大型风电机组变桨距控制策略研究（论文提纲范文）
| 摘要 |
| ABSRTACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 风电机组变桨距控制国内外研究现状 |
| 1.2.1 风电机组变桨距调节方式 |
| 1.2.2 风电机组变桨距控制策略 |
| 1.2.3 风电机组独立变桨距控制技术国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 第二章 风电机组变桨距控制原理及风电系统建模 |
| 2.1 风力机空气动力学原理 |
| 2.1.1 叶素理论 |
| 2.1.2 贝兹理论 |
| 2.2 风力机变桨距控制原理 |
| 2.2.1 变桨距调节原理 |
| 2.2.2 变桨距风电机组机运行工况 |
| 2.3 风力发电系统建模与仿真 |
| 2.3.1 风力发电系统的基本组成 |
| 2.3.2 风轮气动模型 |
| 2.3.3 传动系统模型 |
| 2.3.4 异步发电机模型 |
| 2.3.5 变桨距执行机构模型 |
| 2.3.6 风电机组仿真 |
| 2.4 本章小结 |
| 第三章 基于极限学习机的风电机组变桨距模型预测控制 |
| 3.1 极限学习机原理 |
| 3.2 基于ELM的变桨距系统辨识建模 |
| 3.2.1 变桨距系统辨识建模输入和输出变量的确定 |
| 3.2.2 建立数据样本集 |
| 3.2.3 确定网络结构 |
| 3.3 极限学习机模型预测控制 |
| 3.3.1 模型预测控制 |
| 3.3.2 极限学习机(ELM)模型预测控制 |
| 3.3.3 极限学习机多步预测模型 |
| 3.4 基于粒子群优化算法的ELM模型预测控制 |
| 3.5 仿真结果及分析 |
| 3.6 本章小结 |
| 第四章 基于自适应模型预测控制的风电机组独立变桨距控制 |
| 4.1 基于叶根载荷反馈的独立变桨距控制 |
| 4.2 风轮不平衡载荷建模与分析 |
| 4.3 自适应模型预测控制 |
| 4.4 独立变桨自适应模型预测控制器设计 |
| 4.5 仿真与结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
| 致谢 |
（9）混流式水轮机调节系统的非线性状态预测与稳定控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题目的和意义 |
| 1.2 国内外研究概况 |
| 1.2.1 状态预测研究现状 |
| 1.2.2 典型控制策略研究现状 |
| 1.3 论文主要内容 |
| 第二章 混流式水轮机调节系统多步RBF扩展预测 |
| 2.1 水轮机调节系统数学模型 |
| 2.2 水轮机调节系统相空间重构 |
| 2.2.1 相空间重构基本理论 |
| 2.2.2 重构延迟时间τ的确定 |
| 2.2.3 重构嵌入维数m的确定 |
| 2.3 RBF神经网络预测模型 |
| 2.3.1 RBF神经网络模型 |
| 2.3.2 模型的评价指标和预测步骤 |
| 2.3.3 单步预测 |
| 2.3.4 多步预测 |
| 2.4 本章小结 |
| 第三章 基于遗传小波神经网络的混流式水轮机调节系统非线性状态预测 |
| 3.1 BP神经网络预测模型 |
| 3.1.1 BP神经网络结构 |
| 3.1.2 BP神经网络模型 |
| 3.2 自适应BP神经网络预测模型 |
| 3.2.1 双边自适应预测模型 |
| 3.2.2 单边自适应预测模型 |
| 3.2.3 自适应BP神经网络预测仿真 |
| 3.3 小波BP神经网络预测模型 |
| 3.3.1 小波神经网络基本原理 |
| 3.3.2 小波神经网络模型 |
| 3.4 遗传小波神经网络预测模型 |
| 3.4.1 遗传算法基本原理 |
| 3.4.2 遗传算法优化小波神经网络 |
| 3.4.3 遗传小波神经网络预测仿真 |
| 3.5 本章小结 |
| 第四章 基于EEMD和遗传支持向量机的混流式水轮机调节系统非线性状态预测 |
| 4.1 水轮机调节系统状态参量聚类经验模态分解 |
| 4.1.1 聚类经验模态分解模型 |
| 4.1.2 聚类经验模态分解仿真 |
| 4.2 遗传支持向量机预测模型 |
| 4.2.1 支持向量机基本理论 |
| 4.2.2 支持向量分类机 |
| 4.2.3 支持向量回归机 |
| 4.2.4 支持向量机模型优化与实现 |
| 4.3 仿真结果及分析 |
| 4.3.1 水轮机调节系统状态预测 |
| 4.3.2 滩坑水电站机组下导X向摆度预测 |
| 4.4 本章小结 |
| 第五章 混流式水轮机调节系统的鲁棒终端滑模控制 |
| 5.1 水轮机调节系统的有限时间滑模控制 |
| 5.1.1 水轮机调节系统的时域分析 |
| 5.1.2 滑模面及控制器设计 |
| 5.1.3 仿真结果及分析 |
| 5.2 分数阶水轮机调节系统的控制 |
| 5.2.1 分数阶微积分基础知识 |
| 5.2.2 分数阶水轮机调节系统模型 |
| 5.2.3 时频域转化 |
| 5.2.4 分数阶控制器设计 |
| 5.2.5 仿真结果及分析 |
| 5.3 本章小结 |
| 第六章 混流式水轮机调节系统的模糊预测函数控制 |
| 6.1 水轮机调节系统的模糊控制 |
| 6.1.1 T-S模糊模型及并行分布补偿控制 |
| 6.1.2 区间矩阵理论 |
| 6.1.3 水轮机调节系统的T-S模糊控制器设计 |
| 6.1.4 数值模拟 |
| 6.2 水轮机调节系统的模糊预测函数控制 |
| 6.2.1 模糊线性化 |
| 6.2.2 模糊神经网络(FNN)解耦 |
| 6.2.3 模糊预测函数控制器设计 |
| 6.2.4 数值仿真 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 不足之处及展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）微型燃气轮机建模及预测控制的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微型燃气轮机建模研究现状 |
| 1.2.2 智能优化算法研究现状 |
| 1.2.3 预测控制研究现状 |
| 1.2.4 微型燃气轮机控制研究现状 |
| 1.3 论文的主要内容 |
| 第二章 微型燃气轮机机理模型及动态仿真 |
| 2.1 微型燃气轮机简介 |
| 2.2 微型燃气轮机数学模型 |
| 2.2.1 压气机模块 |
| 2.2.2 燃烧室模块 |
| 2.2.3 透平模块 |
| 2.2.4 容积模块 |
| 2.2.5 转子模块 |
| 2.2.6 发电机模块 |
| 2.3 微型燃气轮机模型搭建及动态仿真 |
| 2.3.1 Matalab/Simulink仿真平台简介 |
| 2.3.2 微燃机仿真模型的搭建 |
| 2.3.3 微型燃气轮机仿真及结果分析 |
| 2.4 本章小结 |
| 第三章 粒子群算法及其改进应用 |
| 3.1 标准粒子群算法介绍 |
| 3.1.1 标准粒子群算法原理简介 |
| 3.1.2 标准粒子群算法步骤 |
| 3.2 粒子群算法的改进 |
| 3.2.1 粒子群算法改进思路 |
| 3.2.2 粒子群算法改进实现 |
| 3.3 改进粒子群算法验证 |
| 3.3.1 测试函数验证 |
| 3.3.2 参数辨识验证 |
| 3.3.3 工程应用验证 |
| 3.4 微型燃气轮机控制模型辨识 |
| 3.4.1 燃料量为输入的传递函数参数辨识 |
| 3.4.2 空气量为输入的传递函数参数辨识 |
| 3.5 本章小结 |
| 第四章 BP神经网络预测模型 |
| 4.1 BP神经网络 |
| 4.1.1 人工神经网络简介 |
| 4.1.2 BP神经网络及其算法原理 |
| 4.1.3 BP神经网络实现步骤 |
| 4.2 BP神经网络预测模型实现 |
| 4.2.1 直接多步BP神经网络预测模型 |
| 4.2.2 递推多步BP神经网络预测模型 |
| 4.3 BP神经网络预测模型及其验证 |
| 4.4 本章小结 |
| 第五章 微型燃气轮机预测控制研究 |
| 5.1 预测控制 |
| 5.1.1 预测控制基本原理 |
| 5.1.2 预测控制结构 |
| 5.1.3 模型算法预测控制(MAC) |
| 5.2 基于BP神经网络预测模型的预测控制 |
| 5.3 微型燃气轮机预测控制仿真研究 |
| 5.3.1 给定值扰动下的控制系统仿真 |
| 5.3.2 内部扰动条件下控制系统仿真 |
| 5.3.3 外部扰动条件下控制系统仿真 |
| 5.3.4 模型参数扰动条件下控制系统仿真 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、基于神经网络模型的非线性多步预测学习控制器（论文参考文献）
- [1]神经网络预测方法及其在光伏微网优化运行中的研究[D]. 王贤政. 南昌大学, 2020(01)
- [2]考虑安全约束的列车自动驾驶多质点非线性预测控制[D]. 贾超. 北京交通大学, 2020(03)
- [3]基于偏最小二乘的预测控制算法及其应用验证[D]. 高菾佚. 哈尔滨工业大学, 2020(01)
- [4]非线性时滞定常系统多维泰勒网辨识与预测控制[D]. 李晨龙. 东南大学, 2020
- [5]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)
- [6]基于迁移学习和不确定性分析的过程设计与控制优化一体化研究[D]. 王矿磊. 浙江大学, 2020(01)
- [7]主被动复合视觉传感的脉冲GMAW反面熔宽智能控制[D]. 金泽石. 哈尔滨工业大学, 2019(01)
- [8]大型风电机组变桨距控制策略研究[D]. 吕俊杰. 湖南工业大学, 2019(08)
- [9]混流式水轮机调节系统的非线性状态预测与稳定控制研究[D]. 吴凤娇. 西北农林科技大学, 2019(08)
- [10]微型燃气轮机建模及预测控制的研究[D]. 冯晨. 东南大学, 2019(06)