内容简介

本书是作者近年来从事预测控制――一类新型计算机控制算法方面教学和科研工作的总结。全书深入浅出、系统地介绍了模型算法控制（MAC）、动态矩阵控制（DMC）、广义预测控制（GPC）、广义预测极点配置控制（GPP）等几种主要预测控制算法的基本原理、设计方法、参数选择及闭环特性分析等，并且用内模控制结构将各类预测控制算法统一起来，给出了它们的统一格式。此外，还将预测控制与自适应控制结合起来，分析了自适应预测控制算法的全局收敛性。全书突出理论联系实际，给出了8个工业应用实例，实用性强，且内容新颖，条理清晰，反映了国内外预测控制的最新成就。本书适宜于从事电气自动化技术的工程技术人员阅读，也可作为大专院校工业自动化、自动控制、计算机应用等专业的教材和教学参考书。

目录

目 录《电气自动化新技术丛书》序言前言第1章 绪论第2章 内部模型控制2.1内部模型与内模控制器设计2.1.1内部模型2.1.2内模控制（IMC）系统的性质2.1.3内模控制器设计2.1.4非最小相位系统非参数模型内模控制器设计2.1.5开环不稳定系统内模控制器设计2.2推理控制2.2.1推理控制系统的构成2.2.2推理控制器设计2.2.3模型误差对系统性能的影响2.2.4输出可测条件下的推理控制2.3Smith预测控制2.3.1Smith预测控制的时延补偿原理2.3.2Smith预测控制器的内模控制结构设计2.3.3闭环系统特性2.4Jury稳定判据2.5自校正内模控制器2.5.1采用辨识参数模型的自校正控制算法2.5.2采用辨识参数模型再转换为非参数模型的自校正控制算法2.5.3采用带误差死区的自校正控制算法2.6热水锅炉的内模控制2.6.1数学模型及内模控制器设计2.6.2实时控制中的几个问题2.7造纸机的增益自适应内模控制2.7.1造纸过程简介2.7.2系统数学模型及控制器设计2.7.3仿真及实控结果第3章 模型算法控制3.1单步模型算法控制3.1.1输出预测3.1.2参考轨迹3.1.3最优控制律计算3.1.4闭环系统特性3.1.5纯时延系统的预测控制3.2多步模型算法控制（MAC）3.2.1多步输出预测3.2.2最优控制律计算3.2.3MAC的IMC结构3.2.4闭环系统特性3.3增量型模型算法控制（IMAC）3.3.1多步输出预测3.3.2最优控制律计算3.3.3IMAC的IMC结构3.3.4闭环系统特性3.4模型算法控制系统对象模型和控制器的最小化形式3.4.1MAC非最小化模型与最小化模型的转换3.4.2MAC控制器的最小化形式3.4.3IMAC控制器的最小化形式3.5模型算法控制系统的稳定性与鲁棒性3.5.1模型匹配时MAC系统的稳定性3.5.2模型失配时MAC系统的稳定鲁棒性3.6预测控制系统的参数选择3.6.1控制参数P、M、Q、λ的选择3.6.2采样周期T↓0与模型长度N的选择3.7单值模型算法预测控制3.7.1控制律计算3.7.2闭环系统特性3.7.3闭环稳定性分析3.8自校正模型算法控制器3.8.1采用估计参数模型的自校正显式算法3.8.2采用带误差死区的自校正显式算法3.8.3采用直接辨识控制器参数的自校正隐式算法3.8.4采用误差预报的自校正控制算法3.9燃煤电站球磨机的模型算法控制3.9.1系统的控制要求与特性3.9.2球磨机模型算法控制3.9.3控制器的工程实践第4章 动态矩阵控制4.1多步动态矩阵控制4.1.1预测模型4.1.2最优控制律计算4.1.3DMC的IMC结构4.1.4闭环系统特性4.2极点配置动态矩阵控制4.2.1多步输出预测4.2.2控制器设计4.2.3闭环极点配置4.3动态矩阵控制器的最小化形式4.3.1DMC非最小化对象模型与最小化对象模型间的转换4.3.2DMC控制器的最小化形式4.4动态矩阵控制系统的状态空间分析4.4.1DMC系统的状态空间描述4.4.2状态观测器4.4.3MAC系统状态空间描述及其与DMC的统一格式4.5双值动态矩阵控制4.5.1双值动态矩阵控制算法4.5.2关于双值动态矩阵控制的讨论4.6自校正动态矩阵控制器4.6.1采用估计参数模型的自校正显式算法4.6.2采用带误差死区的自校正显式算法4.6.3采用直接辨识控制器参数的自校正隐式算法4.7高温力学材料试验机的动态矩阵控制4.7.1高温力学材料试验机的结构4.7.2计算机控制系统构成4.7.3预测补偿动态矩阵控制算法4.7.4实时控制结果第5章 广义预测控制5.1广义预测控制的基本型式5.1.1多步输出预测及Diophantine方程的递推解5.1.2最优控制律计算5.1.3GPC 的IMC结构5.1.4闭环系统特性5.1.5.显式广义预测自校正控制器5.2具有模型误差修正的广义预测控制5.2.1j步导前输出5.2.2最优控制律计算5.2.3系统的IMC结构和闭环系统特性5.2.4引入滤波器T（z↑1）的广义预测控制5.2.5显式广义预测自校正控制器5.3控制器采用原模型参数的广义预测控制5.3.1多步导前输出与最优控制律计算5.3.2简化控制律5.3.3控制器用原模型参数广义预测控制自校正算法5.4直接辨识控制器参数的隐式广义预测控制5.4.1广义预测控制律计算5.4.2隐式广义预测自校正控制器5.5采用两个辨识器的隐式广义预测控制5.5.1多步导前输出5.5.2最优控制律计算5.5.3等价广义性能指标5.5.4参数辨识方程与辨识算法5.6广义预测控制的稳定性和鲁棒性5.6.1GPC系统的闭环稳定性5.6.2GPC系统的鲁棒性5.7单值广义预测控制5.7.1单值GPC控制律计算5.7.2闭环系统特性5.7.3闭环系统稳定性分析5.7.4讨论5.8工业锅炉的加权广义预测自校正控制5.8.1工业锅炉及其控制5.8.2计算机控制系统的构成5.8.3加权广义预测控制器5.8.4广义预测自校正控制在锅炉上的实现5.8.5实际运行结果第6章 极点配置广义预测控制6.1广义预测极点配置（GPP）控制6.1.1广义输出预测误差6.1.2最优控制律计算6.1.3闭环系统特性与极点配置6.1.4显式广义预测极点配置自校正控制器6.2广义预测极点配置加权控制6.2.1基于CARMA模型的广义预测控制6.2.2P步加权控制律6.2.3闭环系统输出方程及闭环极点配置6.2.4显式广义预测零极点配置自校正加权控制器6.3煤气罩式退火炉的广义预测极点配置加权控制6.3.1罩式退火炉的结构及计算机控制系统的构成6.3.2罩式退火炉的数学模型6.3.3控制器设计6.3.4实际运行结果第7章 神经网络在预测控制中的应用7.1概述7.2神经模型学习规则及学习算法7.2.1单神经元模型7.2.2神经网络的学习规则7.2.3误差反向传播（BP）神经网络7.2.4Hopfield神经网络7.3基于神经网络的内模控制7.3.1神经网络内部模型的建立7.3.2神经网络逆模型的建立7.3.3基于BP网络的自校正内模控制7.4基于神经网络的增量型模型算法控制7.4.1多步输出预测与优化指标7.4.2神经网络模型算法控制7.5基于神经网络解耦的广义预测控制7.5.1多变量系统的耦合程度及解耦7.5.2基于神经网络的静态解耦7.5.3基于神经网络的动态解耦7.5.4单变量系统广义预测控制7.6电加热炉的神经网络预测控制7.6.1电加热炉的神经网络内模控制7.6.2电加热炉的神经网络解耦广义预测控制第8章 预测控制算法的内模结构及其统一格式8.1各类预测控制算法的内模结构及其统一格式8.2基于非参数模型IMAC及DMC系统的内模结构及其统一格式8.3基于参数模型GPC及GPP系统的内模结构及其统一格式8.3.1GPC系统的内模结构及其统一格式8.3.2GPP系统的内模结构及其统一格式8.4结束语第9章 自适应预测控制算法的收敛性分析9.1显式模型算法自校正控制器的全局收敛性9.1.1多步输出预测与控制律计算9.1.2显式自校正算法的全局收敛性9.2隐式模型算法自校正控制器的全局收敛性9.2.1多步输出预测与控制律计算9.2.2隐式自校正算法的全局收敛性9.3显式广义预测自校正控制器的全局收敛性9.3.1多步输出预测与控制律计算9.3.2显式自校正控制算法的全局收敛性9.4隐式广义预测自校正控制器的全局收敛性9.4.1多步输出预测及控制律计算9.4.2隐式广义预测自校正控制算法9.4.3隐式广义预测自校正算法的全局收敛性第10章 预测控制的现状和发展前景参考文献

1

参考资料