非线性大工业过程稳态模型的强一致性分析

稳态优化问题就是依据过程的数学模型,在约束条件下,优化其目标函数,而实际的工业过程往往是呈非线性或慢时变性。针对动态非线性大工业过程, 提出了得到其可分稳态模型强一致性估计的分散辨识方法;利用多项式对非线性函数的无限逼近的性质和优化过程中设定点的阶跃信号作输入激励信号,获得了动态非线性大工业过程的可分稳态模型和可辨识的条件。

递阶稳态优化下非线性大工业过程的迭代学习控制

对递阶稳态优化下非线性大工业过程施行迭代学习控制 ,目的是进一步改善大工业过程的动态品质 .建立迭代学习控制的基本结构 ,提出迭代学习控制算法关于控制系统的ε-收敛性和期望目标轨线的δ -可达性的概念 ,对具有死区与滞后的饱和非线性大工业过程控制系统给出加权超前开环PD-型迭代学习算法 .利用 Bellman-Gronwall不等式和λ范数理论 ,论证了算法的收敛性 .数字仿真表明 ,迭代学习控制能有效改善递阶稳态下非线性大工业控制系统的动态品质 .

加权超前开环PD型迭代学习控制

对具有滞后的线性大工业过程提出了加权超前开环PD 型的迭代学习控制算法,建立了基本的迭代学习控制结构,给出了迭代学习控制算法关于控制系统的ε 收敛性的定义和证明,提出了理想轨线的δ 可达性的概念.数字仿真表明,迭代学习控制能有效改善控制系统的动态品质,如缩短过渡时间,抑制超调等,表明了迭代学习控制算法的有效性.