下载文档原格式
智能控制理论及应用1 智能控制的兴起1.1 自动控制的发展本世纪40-50年代，以频率法为代表的单变量系统控制理论逐步发展起来，并成功的用在雷达及火力控制系统上，形成了“古典控制理论”。
60-70年代，数学家们在控制理论发展中占了主导地位，形成了以状态空间法为代表的“现代控制理论”。
他们引入了能控、能观、满秩等概念，使得控制理论建立在严密精确的数学模型之上。
70年代后，又出现了“大系统理论”。
1.2 智能控制的产生与发展随着研究的对象和系统越来越复杂，借助于数学模型描述和分析的传统控制理论已经很难解决复杂系统的控制问题。
智能控制是针对控制对象及其环境、目标和任务的不确定性和复杂性而产生和发展起来的。
从20世纪60年代起，计算机技术和人工智能技术迅速发展，为了提高控制系统的自学习能力，控制界学者开始将人工智能技术应用于控制系统。
20世界70年代初，傅京孙等学者从控制论角度总结了人工智能技术与自适应、自组织、自学习控制的关系，提出了智能控制是人工智能技术与控制理论的交叉的思想，并创立了人机交互式分级递阶智能控制的系统结构。
20世纪70年代中期，以模糊集合论为基础，智能控制在规则控制研究上取得了重要的发展。
20世纪80年代，专家系统技术的逐渐成熟及计算机技术的迅速发展，使得智能控制和决策的研究也取得了较大进展。
20世纪80年代中后期，人工神经网络的研究取得了重要的进展，并解决了回归网络的学习问题。
20世纪90年代以来，智能控制的研究非常活跃。
所谓的智能控制是指：一种控制方式如果它能够有效的克服被控对象和环境所具有的高度复杂性和不确定性，并且能够达到所期望的目标，则称这种控制方式为智能控制。
智能控制的发展：图1 智能控制的发展2 智能控制的主要方法：智能控制的主要方法有：模糊控制，基于知识的专家控制及神经网络控制。
2.1模糊控制模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础,以先验知识和专家经验作为控制规则。
智能预测控制在单元机组负荷控制中的应用摘要：针对多输入多输出锅炉-汽轮机系统在负荷点大范围变动情况下所呈现出强非线性、惯性和时变等特点，提出了一种多神经网络预测控制方案。
该方法首先划分出多个机炉对象模型，来覆盖整个运行工况变化范围内的对象的动态特性；然后利用基于能量分布的正交最小二乘算法的RBF 神经网络来逼近这些非线性的对象模型，并以此模型预测输出变量，此外，还设计了一个粒子群优化控制器，通过反馈校正和滚动优化求取最优控制量，以克服控制过程中的时变和惯性。
仿真结果表明，此控制策略在大工况负荷变化范围内，提高了动态响应性能、稳态精度和鲁棒性。
关键词：负荷控制；多神经网络；预测控制；单元机组 0引言随着国家电力体制改革的逐步深入，当前大中型火电单元机组必须根据电网要求大范围调整负荷，使得机炉对象的动态特性呈现出强非线性、强耦合性，动态过程中大滞后性 [1,2]。
常规的协调控制系统采用的控制方案是多回路结构的单输入单输出PID 控制器，在预定的基本负荷工作点整定控制器参数并固定下来，很难满足在大的负荷变化运行范围内提供很好的控制性能[1-2]。
随着智能控制理论研究的不断深入及其在控制领域的广泛应用，将非线性控制思想应用于协调控制系统设计是近年来理论界的研究热点。
其中，预测控制因具有优良的控制性能和鲁棒性[8,9]，在热工过程中得到了较好的应用。
对于非线性系统，采用预测控制存在的困难主要是模型辨识和优化问题。
对于模型辨识的问题，文献[]应用模糊理论来预测为非线性对象的模型，代替传统的线性预测模型，但这是根据某一特定的模型进行设计的，且较难处理控制变量中的问题。
文献[7-9]通过遗传算法对经典受限控制器进行优化，并在变工况时能自动调整控制器参数，具有较好的适应能力，但优化过程十分复杂，在线计算量大，且难以克服过早的收敛，不利于实时控制和工程应用。
为此本文提出了一种基于RBFNN 预测模型和粒子群优化的非线性智能预测控制方法，可以避免常规预测模型中在线求解逆矩阵或矩阵迭代运算的麻烦，又能很好地解决控制变量受限问题。
基于智能计算的预测控制及应用摘要：随着现代工业的飞速发展，工业系统的复杂度大幅提高，针对复杂非线性时滞系统，现有传统的预测控制技术很难实现对其控制。
本文的研究目标是标是将神经网络、遗传算法、预测控制三种理论相互结合，将神经网络作为非线性系统的辨识方法，并使用遗传算法对预测控制滚动优化，以实现基于智能计算的预测控制。
关键词：预测控制；遗传算法；神经网络本文的研究思路是针对加热炉炉温控制系统复杂的非线性、大时滞、多干扰的特性，采用基于智能计算的预测控制技术，以实现控制。
首先，结合神经网络的特性，利用神经网络辨识非线性系统，构建预测模型；其次，依据遗传算法能够借助搜索机制的随机性实现对搜索问题域全局最优解的特点，采用遗传算法来实现滚动优化；再此基础上，通过对预测控制、神经网络、预测算法组合成为一个优良的控制方案；以加热炉燃料气流量为控制对象，加热炉的出口温度为被控对象，用MATLAB软件进行仿真，求证本文基于智能计算预测控制的良好控制性能，通过本文深入研究预测控制理论，并将其应用在解决非线性时滞系统的建模及控制等问题上，对实际工业生产具有重要的理论价值和现实意义。
一、加热炉炉温影响因素对加热炉系统炉温控制相对较难，为了实现对加热炉系统炉温的稳定控制，首先应考虑影响加热炉炉温的因素。
影响加热炉炉温的因素主要有一下四个方面。
（1）燃料气流量的影响；（2）加热炉炉膛压力的影响；（3）空燃比变化的影；（4）产量波动的影响二、加热炉预测控制方案如图1，利用离线数据对神经网络预测模型进行训练，使其逐渐趋向实际对象，即加热炉炉温；用反馈校正环节来校正与的误差；用炉温优化控制器优化预测模型参数，并根据与的差计算最优控制量，修正预测模型，以提高炉温预测模型的预测精度，实现对加热炉炉温的预测控制。
三、加热炉预测控制模型式（5）乘以权值，得到输出层的输入：经计算得到输出层的输出为：利用神经网络进行建模的本质就是，将系统的输入输出关系反映在神经网络的连接权值上，使训练好的神经网络的输出逼近实际的输出。
预测控制课程论文题目DMC算法matlab编程与仿真学生姓名学号学院专业指导教师二0一三年一月五日DMC算法matlab编程与仿真摘要: 预测控制在控制方面有重要作用，而动态矩阵控制是预测控制中一种重要的算法。
本文分析了动态矩阵控制算法的原理以及算法包括的三个主要方面：预测模型、滚动优化、反馈控制。
并通过仿真实例，来进一步表明动态矩阵控制算法的优越性。
关键词：预测控制，DMC，仿真一、引言随着科技的发展，人们对大型复杂和不确定性系统的控制品质要求逐渐提高，因此就需要提出一种新的计算机控制算法。
利用状态空间法分析和设计系统，不仅提高了人们对控制对象的洞察能力，而且还提供了在更高层次上设计控制系统的手段。
因为工业对象的结构、参数和环境都有很大的不确定性，按照理想模型得到的最优控制在实际中不能保持最优，有时会引起控制品质严重下降。
预测控制的提出不要求对模型结构有先验知识，也不需要通过复杂的系统辨识，直接就可以设计控制系统。
预测控制算法汲取了现代控制理论中的优化思想，滚动的在线优化，克服了不确定性，增强控制系统的鲁棒性。
预测控制算法一般分为三个部分，分别是预测模型、滚动优化和反馈校正。
预测模型是展示系统未来动态行为的功能，任意给出未来的控制策略观察对象的在不同控制策略下的输出变化，为比较这些控制策略的优劣提供依据。
滚动优化不是一次离线进行的，而是反复在线进行的。
反馈校正可以在保持模型不变的基础上对未来的误差进行预测并加以校正，还可以在线辨识直接修改预测模型。
因此预测控制能有效地应用于复杂系统，它在工业过程和其它领域有着诱人的应用前景。
二、动态矩阵控制算法( DMC)预测控制是智能控制方法之一，目前提出的预测控制算法主要有基于非参数模型的模型算法控制( MAC) 、动态矩阵控制( DMC) 和基于参数模型的广义预测控制( GPC) 等。
动态矩阵控制算法是一种基于被控对象非参数数学模型的控制算法，它是一种基于对象阶跃响应的预测控制算法，它以对象的阶跃响应离散系数为模型，避免了通常的传递函数或状态空间方程模型参数的辨识，又因为采用多步预估技术，能有效解决时延过程问题，并按预估输出与给定值偏差最小的二次性能指标实施控制，它适用于渐进稳定的线性对象，系统的动态特性中具有纯滞后或非最小相位特性都不影响改算法的直接应用，因此是一种最优控制技术［4］。
南开大学科技成果——智能预测自适应控制理论与应用
成果简介：
南开大学课题组研究了控制科学与工程领域中的热点问题，成果能够用于提升我国传统制造业自动化技术水平。
将自适应控制、预测控制、智能控制、非线性控制等多种控制理论进行有机结合形成新型的智能预测自适应控制理论，具有创新性；获得了关于先进控制的系列化、系统性成果；将新的理论方法应用于工程实践，理论分析、方法设计、数值仿真、工程应用等多个研究环节紧密结合。
应用领域：
智能广义预测自适应控制器：用于环形钢坯加热炉上，年增经济效益90多万元，达到国际先进水平；用于工业锅炉上，每台锅炉节煤节电年增经济效益40多万元，达到国内领先水平；用于胜利油田钻杆对焊热处理生产线上，年增经济效益2000多万元，达到国际先进水平。
论文获奖情况：
该研究发表论文被SCI收录8篇，被SCI引用9次，其中他引8次；被EI（核心版）收录26篇；被国内期刊他引100多次。
智能预测自适应控制理论与应用研究项目2004年度天津市自然科学二等奖。
预测控制：探讨预测控制在控制系统中的应用和实践引言在现代工业控制系统中，预测控制（Model Predictive Control，简称MPC）是一种先进的控制策略，广泛应用于各种领域，如化工过程控制、电力系统调度、交通流控制等。
预测控制通过建立一个数学模型来预测系统的未来行为，并根据这些预测结果制定最优的控制策略，从而实现对系统的稳定控制和优化控制。
本文将深入探讨预测控制在控制系统中的应用和实践。
预测控制的基本原理预测控制的基本原理是通过建立系统的动态模型来预测系统未来的状态，并通过优化方法来选择最优的控制策略，从而实现对系统的控制。
在预测控制中，通常会使用离散时间模型和最小化目标函数的方法来进行优化。
离散时间模型在预测控制中，系统的动态行为通常被建模为离散时间模型。
离散时间模型将系统的状态从连续时间转换为离散时间，并将系统的输入和输出表示为离散的时间序列。
通过建立离散时间模型，可以方便地对系统进行预测和优化控制。
目标函数优化在预测控制中，通常会使用目标函数来表示系统的性能指标，并通过优化目标函数来选择最优的控制策略。
目标函数可以包含多个变量，如系统的状态误差、控制输入的变化率等。
通过最小化目标函数，可以选择最优的控制策略，以达到稳定控制和优化控制的目标。
预测控制的应用领域化工过程控制在化工过程中，预测控制可以实现对化工过程的温度、压力、流量等参数的控制。
通过建立化工过程的动态模型，并结合优化算法，可以选择最优的控制策略来实现化工过程的稳定控制和优化控制。
预测控制在化工过程中的应用可以提高生产效率、减少能源消耗，同时减少人工干预，提高安全性。
电力系统调度在电力系统调度中，预测控制可以实现对电力系统的电压、频率、机组出力等参数的控制。
通过建立电力系统的动态模型，并结合市场需求和优化算法，可以选择最优的发电机出力和输电功率分配策略，以实现电力系统的稳定运行和经济运行。
预测控制在电力系统调度中的应用可以提高供电可靠性，降低运行成本，同时优化电力资源的利用。
计算机智能控制理论及应用（计算机应用技术硕士研究生课程、40学时、2学分）参考书：[1] 易继锴等编蓍.智能控制技术.北京：北京工业大学出版社，1999年9月[2] 王俊普主编.智能控制.合肥：中国科学技术大学出版社，1996年9月[3] 朱剑英编著.智能系统非经典数学方法.武汉：华中科技大学出版社，2001年4月[4] 李士勇等编著.模糊控制和智能控制理论与应用.哈尔滨：哈尔滨工业大学出版社，1990年12月[5] 尹朝庆等编著.人工智能与专家系统.北京：中国水利水电出版社，2002年1月[6] 姜长生等编.智能控制理论及应用. 北京：科学出版社第一章智能控制概述科学技术是第一生产力，我们正处于科学技术发展的重要时期——第二次科学革命时期，其首要目标在于突破人类智力的局限性，用机器代替人类从事各种体力和脑力劳动（如：1.制能系统，机器人等；2.人无法直接接触的场合——高温、高压、剧毒等；3.劳动生产率），把社会生产力发展到更高水平。
第二次科学革命必将引起第二次产业革命，促进工业社会向信息社会的转变。
一、智能控制的产生与发展（成因）1、智能控制是自动控制理论发展的必然趋势自动控制理论是人类在征服自然、改造自然的过程中逐步形成和发展起来的。
在其理论形成之前，自动控制理论的基本思想早已存在。
例如，利用反馈原理调节流量的“克泰希比斯”水钟；十九世纪中叶J.C麦克斯威尔对具有调速器的蒸汽发动机系统的稳定性（注：分析、解决稳定性问题的方法）所做的工作等，都标志着人类对控制理论探索的历程。
二十世纪20年代，布莱克、奈奎斯特和波德等人在贝尔实验室所从事的研究工作奠定了经典控制理论的基础，特别是第二次世界大战期间，新武器的研制和战后经济的恢复和发展，都极大地激发了人们对控制理论的研究热情，使经典控制理论日趋成熟，并获得许多应用成果。
控制理论从形成（20世纪40年代开始）到发展至今，已经历了60多年的历程分为三个阶段：第一阶段：以20世纪40年代兴起的调节原理为标志，称为经典控制理论阶段；第二阶段：以20世纪60年代兴起的状态空间法为标志，称为现代控制理论阶段；第三阶段：以20世纪80年代兴起的人工智能为标志，称为智能控制理论阶段；控制理论发展的三个阶段的主要特征对照见表1－1所示。
