基于线性近似和神经网络逼近的模型预测控制

作     者：盖俊峰 赵国荣 宋超 GAI Jun-feng;ZHAO Guo-rong;SONG Chao

作者机构：海军航空工程学院控制工程系山东烟台264001 

出 版 物：《系统工程与电子技术》 (Systems Engineering and Electronics)

年 卷 期：2015年第37卷第2期

页      面：394-399页

核心收录：

学科分类：08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金(61004002) 航空科学基金(20110184001)资助课题 

主　　题：线性近似方法 径向基函数神经网络 模型预测控制 二次型最优化 

摘      要：针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function,RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。