基于过程输入输出模型的非线性非高斯随机系统输出概率密度函数控制

针对非线性、非高斯及输出概率密度函数不可测的随机控制系统，研究系统输出分布形状建模及控制策略，建立一套完整的随机分布控制系统建模、分析与设计框架，并在曼切斯特大学造纸机控制系统上验证研究成果。本项目主要内容包括：1）基于过程输入输出模型建立随机系统输入输出再生模型；2）在随机系统的输入输出再生模型基础上，从控制系统性能指标及控制算法两个方面研究非线性非高斯随机分布控制策略；3）分析随机分布闭环控制系统的稳定性及鲁棒性；4）研究控制输入受限时的随机分布控制算法；5）实验验证上述研究成果。由于随机分布控制理论可以广泛应用于工业过程控制领域，因此，上述理论成果具有广阔的应用前景。

针对非线性、非高斯及输出概率密度函数不可测的随机控制系统，研究系统输出分布形状建模及控制策略，建立了一套完整的随机分布控制系统建模、分析与设计框架，并在几个工业过程控制系统上验证了研究成果。本项目研究工作和所取得的成果包括：.1.基于过程输入输出模型建立了非线性非高斯随机系统的输入输出再生模型。主要进展：1）应用概率论建立系统输出（或跟踪误差）概率密度函数和控制输入之间的函数关系；2）利用矩生成函数给出了系统输出条件概率密度函数的计算方法。.2.提出了一些新的非线性非高斯随机控制系统性能指标。主要包括：1）由跟踪误差的熵/联合熵、跟踪误差（平方）的均值、控制输入能量约束等加权而成；2）同时满足过程控制及质量控制的性能指标由跟踪误差的熵、跟踪误差平方积分、生产过程时间绝对值积分及生产过程时间的熵加权而成。.3.提出了两类（依赖/不依赖输入输出再生模型）随机分布控制算法。主要包括：1）提出了依赖随机系统输入输出再生模型的随机分布控制算法，分析了闭环系统稳定性，给出了控制算法收敛条件；2）提出了不依赖随机系统输入输出再生模型的随机分布控制算法，例如，①采用分批次技术估计跟踪误差的熵，基于最小熵准则设计了D型迭代学习控制算法，在线整定自适应PI控制器参数，给出了闭环系统稳定条件；②采用滚动技术估计跟踪误差的熵，基于最小熵准则训练神经网络PID控制器的权值，给出神经网络权值均方收敛条件；③基于多目标优化技术，提出了一种适用于非线性非高斯批过程的最优PI控制策略；④当串联非高斯协同随机系统中某个子系统发生故障时，在故障诊断基础上提出了协同容错控制策略。.4.将随机分布控制理论推广到了滤波器设计、故障诊断策略及时间序列预测中。.5.在电厂过热汽温串级控制系统、聚合过程的分子量分布控制系统、连续搅拌釜式反应过程控制系统中验证了随机分布控制算法的有效性。