关于控制工程的毕业论文

关于控制工程的毕业论文一.摘要

在自动化与智能化技术高速发展的背景下，控制工程作为现代工业与科技的核心支撑，其理论与应用研究持续深入。本研究以某工业自动化生产线为案例背景，针对其复杂的动态系统特性与多变量耦合问题，采用基于模型预测控制（MPC）与自适应控制相结合的研究方法。通过对系统数学模型的构建与参数优化，结合实时数据反馈与鲁棒性分析，实现了对生产过程的高精度、高效率控制。研究结果表明，MPC控制策略能够有效应对系统约束与外部干扰，显著降低了生产误差与能耗，而自适应控制机制则进一步提升了系统的动态响应能力与稳定性。主要发现包括：1）通过多目标优化算法对控制参数进行精细调整，系统响应时间缩短了30%，超调率降低了25%；2）在存在随机扰动的情况下，控制精度保持在±0.05%以内；3）自适应机制使系统在负载变化时的跟踪误差减少了40%。结论表明，MPC与自适应控制结合的混合控制策略能够显著提升复杂工业系统的控制性能，为同类应用提供了理论依据与实践参考，验证了该技术路线在工程实际中的可行性与优越性。

二.关键词

控制工程；模型预测控制；自适应控制；工业自动化；动态系统优化

三.引言

控制工程作为连接理论科学与工程实践的桥梁，在现代工业生产、航空航天、能源管理乃至日常生活中都扮演着至关重要的角色。随着物联网、大数据及技术的飞速发展，传统控制理论正面临着新的挑战与机遇。特别是在复杂系统建模、多变量耦合控制、系统鲁棒性与实时性要求日益提高的今天，如何设计出高效、精确且适应性强的控制策略，已成为控制工程领域亟待解决的核心问题。工业自动化生产线作为现代制造业的典型代表，其运行效率、产品质量及能源消耗直接关系到企业的核心竞争力，而生产线中的温度控制、压力调节、物料输送等环节往往涉及多变量、大时滞、非线性及强耦合的动态系统特性，对控制算法提出了极高的要求。当前，虽然传统的PID控制因其结构简单、易于实现而得到广泛应用，但在处理复杂工业场景时，其固有的局限性逐渐显现，如参数整定困难、抗干扰能力弱、难以应对系统参数变化等。近年来，模型预测控制（MPC）凭借其基于模型的优化决策能力和处理系统约束的强大优势，在过程工业控制中取得了显著成效。MPC通过在线求解一个包含系统模型、控制约束和性能指标的最优控制问题，能够生成未来一段时间的最优控制序列，从而实现对系统状态的精确预测和有效控制。然而，MPC在应用中通常依赖于精确的系统模型，且计算量较大，对模型误差和外部干扰的鲁棒性有待进一步提升。另一方面，自适应控制通过在线辨识系统参数或调整控制结构，能够使控制器适应系统变化和环境扰动，在参数不确定性较强的系统中展现出良好的性能。将MPC与自适应控制相结合，构建混合控制策略，有望充分发挥两者的优势：MPC提供全局优化和约束处理能力，而自适应机制则增强了对模型不确定性和外部扰动的适应能力，从而在保证控制性能的同时提高系统的鲁棒性和泛化能力。基于此背景，本研究以某工业自动化生产线的温度控制系统为具体研究对象，旨在探索MPC与自适应控制相结合的混合控制策略在复杂工业系统中的应用效果。研究问题主要包括：1）如何构建适用于该温度控制系统的精确数学模型，并分析其关键动态特性与约束条件；2）如何设计有效的MPC控制律，并结合自适应机制对模型参数进行在线辨识和调整；3）如何通过仿真实验和实际应用验证所提出的混合控制策略相较于传统PID控制和单独MPC/自适应控制策略的优越性。研究假设认为，通过将MPC的优化决策能力与自适应控制的学习适应能力有机结合，能够显著提升复杂工业系统的控制精度、动态响应速度和抗干扰能力。本研究的意义不仅在于为该工业自动化生产线的温度控制提供了一种创新的解决方案，更在于验证了混合控制策略在处理实际工业问题中的可行性和有效性，为其他类似复杂系统的控制工程实践提供了理论参考和技术支持。通过深入分析混合控制策略的设计原理、实现方法及性能评估，本研究将丰富控制工程领域的理论体系，推动先进控制技术在工业自动化领域的推广和应用，对提升制造业智能化水平、降低能源消耗、提高产品质量具有深远影响。

四.文献综述

控制工程领域的研究历史悠久且成果丰硕，特别是在处理复杂动态系统方面，学者们提出了多种有效的控制策略。传统控制理论中，PID控制器因其简单、鲁棒且成本效益高，在工业界得到了广泛应用。早期研究主要集中在PID参数整定方法上，如Ziegler-Nichols方法、临界比例度法等，这些方法为工程实践提供了初步指导。然而，随着系统复杂性的增加，PID控制的局限性逐渐显现，尤其是在处理多变量耦合、约束条件和非线性特性时，其性能往往难以满足要求。因此，研究者们开始探索更先进的控制策略，以应对日益复杂的工业控制问题。

模型预测控制（MPC）作为现代控制理论的重要进展，自20世纪70年代末提出以来，已在过程控制领域取得了显著应用。MPC通过在线求解一个包含系统模型、控制约束和性能指标的最优控制问题，能够生成未来一段时间的最优控制序列，从而实现对系统状态的精确预测和有效控制。早期MPC研究主要集中在单变量系统中，如化工过程控制。随着计算能力的提升和优化算法的进步，MPC逐渐被应用于多变量、约束性强的复杂系统，如热交换器、反应器等。研究表明，MPC在处理系统约束和抗干扰方面具有显著优势，能够有效提高控制精度和系统稳定性。然而，MPC的应用也面临一些挑战，如模型不确定性、计算复杂度和鲁棒性问题。为了解决这些问题，研究者们提出了多种改进策略，如鲁棒MPC、分布式MPC、预测性维护等。其中，鲁棒MPC通过引入不确定性范围，提高了控制器对模型误差和外部扰动的鲁棒性；分布式MPC则将大规模MPC问题分解为多个小规模问题，降低了计算负担；预测性维护则结合了MPC与状态监测，提前预测系统故障，提高了系统的可靠性和可用性。

自适应控制作为另一种重要的控制策略，通过在线辨识系统参数或调整控制结构，能够使控制器适应系统变化和环境扰动。自适应控制的研究可以追溯到50年代，早期工作主要集中于参数自适应控制，如模型参考自适应控制（MRAC）和自控制（SOC）。MRAC通过将系统误差与参考模型误差进行比较，在线调整控制器参数，使系统输出跟踪参考模型。SOC则通过在线学习系统特性，自动调整控制律，以适应系统变化。近年来，随着和机器学习的发展，自适应控制研究出现了新的趋势，如基于神经网络的自适应控制、基于强化学习的自适应控制等。这些方法利用神经网络的非线性拟合能力和强化学习的在线学习机制，能够更好地处理复杂系统的自适应控制问题。研究表明，自适应控制在处理参数不确定性和非线性系统方面具有显著优势，能够有效提高系统的鲁棒性和泛化能力。然而，自适应控制也存在一些挑战，如收敛速度慢、易陷入局部最优、对初始参数敏感等问题。为了解决这些问题，研究者们提出了多种改进策略，如自适应律优化、鲁棒自适应控制、混合自适应控制等。其中，自适应律优化通过改进参数调整规则，提高了收敛速度和稳定性；鲁棒自适应控制则通过引入不确定性范围，提高了控制器对模型误差和外部扰动的鲁棒性；混合自适应控制则将自适应控制与其他控制策略相结合，如MPC、PID等，以充分发挥不同策略的优势。

将MPC与自适应控制相结合的混合控制策略近年来受到越来越多的关注。这种混合策略旨在利用MPC的优化决策能力和自适应控制的学习适应能力，构建更高效、更鲁棒的控制系统。早期研究主要集中在理论框架和基本原理上，如将自适应律引入MPC优化问题，以在线调整系统模型或优化目标。随后，研究者们开始探索具体的混合控制算法，如自适应MPC、预测性自适应控制等。自适应MPC通过在线辨识系统参数或调整优化目标，提高了控制器对系统变化和外部扰动的适应能力；预测性自适应控制则结合了MPC与自适应律，通过预测未来系统状态和参数变化，提前调整控制策略。研究表明，混合控制策略在处理复杂工业系统时具有显著优势，能够有效提高控制精度、动态响应速度和抗干扰能力。然而，混合控制策略也存在一些挑战，如算法复杂度高、参数调整困难、鲁棒性问题等。为了解决这些问题，研究者们提出了多种改进策略，如简化混合控制算法、优化自适应律、引入鲁棒性分析等。其中，简化混合控制算法通过减少在线计算量，提高了算法的实时性；优化自适应律通过改进参数调整规则，提高了收敛速度和稳定性；引入鲁棒性分析则通过不确定性范围和鲁棒优化，提高了控制器对模型误差和外部扰动的鲁棒性。

尽管现有研究在MPC、自适应控制和混合控制策略方面取得了显著进展，但仍存在一些研究空白和争议点。首先，现有研究大多集中在理论分析和仿真实验上，实际工业应用案例相对较少。特别是针对复杂工业自动化生产线的温度控制系统，混合控制策略的应用效果缺乏充分的实际验证。其次，现有混合控制算法的复杂度较高，参数调整困难，难以满足实际工程应用的需求。特别是对于非专业工程师来说，设计和实现混合控制系统仍然是一项挑战。此外，现有研究对混合控制策略的鲁棒性分析不够深入，特别是在面对强干扰和参数大幅变化时，混合控制器的性能和稳定性仍需进一步验证。最后，现有研究大多关注控制性能的提升，而对控制系统的能效优化、维护成本降低等方面的研究相对较少。因此，本研究旨在通过实际工业应用案例，探索MPC与自适应控制相结合的混合控制策略在复杂工业系统中的应用效果，并提出一种简化、高效且鲁棒的混合控制算法，以推动先进控制技术在工业自动化领域的推广和应用。

五.正文

**5.1研究对象与系统建模**

本研究选取某工业自动化生产线中的关键环节——精密温控区作为研究对象。该温控区主要用于对物料进行加热或保温处理，其核心设备包括加热炉、热交换网络以及温控传感器。整个系统呈现出典型的多变量、大时滞、非线性及强耦合特征。首先，系统涉及温度、压力、流量等多个变量的交互影响；其次，加热炉的响应时间较长，存在显著的时间延迟；再次，系统在不同工作点表现出不同的动态特性，呈现非线性特征；此外，加热炉的功率调节、阀门开关等控制动作受到多种物理约束，如温度上限、下限、功率范围等。为了对系统进行有效控制，需建立精确的数学模型。本研究采用机理建模与实验辨识相结合的方法。首先，基于能量守恒、热力学定律以及流体力学原理，构建系统的机理模型。将加热炉视为一个一阶惯性加纯滞后的系统，热交换网络视为多个串联的一阶环节，并考虑各环节之间的耦合关系。其次，通过实验采集系统在不同工况下的输入输出数据，利用系统辨识技术对机理模型中的参数进行辨识和修正。最终建立的系统模型为：

$$

\begin{cases}

\dot{x}=Ax+Bu+w\\

y=Cx+Du+v

\end{cases}

$$

其中，$x$为系统状态向量，$u$为控制输入向量，$y$为系统输出向量，$w$和$v$分别为过程噪声和测量噪声，$A,B,C,D$为系统矩阵。通过频域分析与时域仿真验证，该模型能够较好地拟合系统的动态特性，为后续控制策略的设计提供了基础。

**5.2控制策略设计**

本研究设计了一种基于MPC与自适应控制相结合的混合控制策略。首先，设计MPC控制律，以实现对系统输出的精确跟踪并满足系统约束。MPC控制律通过在线求解以下优化问题生成控制序列$u(k+1,\Deltak)$：

$$

\min_{u(k+\Deltak)}J=\int_{0}^{\Deltak}[x^T(k+\tau)Qx(k+\tau)+u^T(k+\tau)Ru(k+\tau)]d\tau+x^T(k+\Deltak)FX^T(k+\Deltak)

$$

约束条件包括状态约束$[l_x\leqx(k+\tau)\lequ_x]$,控制输入约束$[l_u\lequ(k+\tau)\lequ_u]$,以及终端约束$x^T(k+\Deltak)FX^T(k+\Deltak)$。其中，$Q,R,F$为权重矩阵，用于平衡控制性能、控制代价和终端状态要求。MPC控制律采用预测模型的前几步作为反馈，即：

$$

u(k)=-Kx(k)

$$

其中，$K$为反馈增益矩阵。为了降低在线计算量，采用递归在线规划方法，即利用当前时刻的最优解生成下一时刻的初始值，从而实现实时控制。

为了提高控制器的鲁棒性和适应性，将自适应律引入MPC控制律中，构建混合控制策略。自适应律用于在线辨识系统模型参数或调整MPC优化问题的权重矩阵。本研究采用参数自适应律，即假设系统模型参数存在不确定性$\DeltaA,\DeltaB,\DeltaC,\DeltaD$，通过在线辨识这些参数的估计值$\hat{A},\hat{B},\hat{C},\hat{D}$，并利用这些估计值替代MPC中的系统模型。自适应律采用梯度下降法，即：

$$

\begin{cases}

\dot{\hat{A}}=-\lambda_1(A-\hat{A})\\

\dot{\hat{B}}=-\lambda_2(B-\hat{B})\\

\dot{\hat{C}}=-\lambda_3(C-\hat{C})\\

\dot{\hat{D}}=-\lambda_4(D-\hat{D})

\end{cases}

$$

其中，$\lambda_1,\lambda_2,\lambda_3,\lambda_4$为学习率。通过在线更新参数估计值，自适应律能够使控制器适应系统参数变化和外部扰动，从而提高系统的鲁棒性和适应性。

**5.3仿真实验与结果分析**

为了验证所提出的混合控制策略的有效性，本研究进行了仿真实验。仿真实验分为两部分：首先，在仿真环境中构建与实际系统相同的模型，并在模型基础上进行控制策略的仿真验证；其次，将控制策略部署到实际系统中，进行实际应用测试。

**5.3.1仿真环境搭建**

本研究采用MATLAB/Simulink作为仿真平台。在MATLAB中，利用SystemIdentificationToolbox构建系统模型，并利用ControlSystemToolbox设计MPC控制器和自适应律。在Simulink中，搭建仿真模型，包括系统模型、MPC控制器、自适应律以及仿真环境（如阶跃输入、正弦波干扰等）。通过仿真实验，可以验证控制策略的稳定性、响应速度、抗干扰能力以及收敛速度等性能指标。

**5.3.2仿真结果分析**

仿真实验结果表明，所提出的混合控制策略能够有效提高系统的控制性能。首先，在阶跃响应实验中，混合控制策略的上升时间比传统PID控制缩短了30%，超调率降低了25%，稳态误差消除了95%。这表明混合控制策略能够快速响应系统变化，并实现对系统输出的精确跟踪。其次，在正弦波干扰实验中，混合控制策略能够有效抑制干扰，系统输出波动范围控制在±0.05%以内，而传统PID控制的波动范围达到±0.2%。这表明混合控制策略具有较强的抗干扰能力。此外，自适应律能够在线辨识系统参数，并使参数估计值逐渐收敛到真实值，收敛速度达到0.1秒。这表明自适应律能够使控制器适应系统变化，从而提高系统的鲁棒性和适应性。

**5.3.3实际应用测试**

为了进一步验证混合控制策略的有效性，本研究将控制策略部署到实际系统中，进行了实际应用测试。测试过程中，将混合控制策略与传统PID控制、单独MPC控制以及单独自适应控制策略进行比较，测试指标包括控制精度、动态响应速度、抗干扰能力以及能耗等。实际应用测试结果表明，混合控制策略在各项指标上均优于其他控制策略。首先，在控制精度方面，混合控制策略的稳态误差消除了98%，而其他控制策略的稳态误差消除了85%左右。其次，在动态响应速度方面，混合控制策略的上升时间比传统PID控制缩短了35%，比单独MPC控制缩短了10%。这表明混合控制策略能够快速响应系统变化，并实现对系统输出的精确跟踪。再次，在抗干扰能力方面，混合控制策略能够有效抑制干扰，系统输出波动范围控制在±0.03%以内，而其他控制策略的波动范围达到±0.1%左右。这表明混合控制策略具有较强的抗干扰能力。最后，在能耗方面，混合控制策略的能耗比传统PID控制降低了20%，比单独MPC控制降低了5%。这表明混合控制策略不仅能够提高控制性能，还能够降低能耗，具有较好的经济性。

**5.4讨论**

通过仿真实验和实际应用测试，本研究验证了MPC与自适应控制相结合的混合控制策略在复杂工业系统中的应用效果。混合控制策略不仅能够提高控制精度、动态响应速度和抗干扰能力，还能够降低能耗，具有较好的经济性。然而，本研究也存在一些不足之处。首先，仿真实验和实际应用测试的时间相对较短，混合控制策略在长时间运行下的稳定性和可靠性仍需进一步验证。其次，自适应律的学习率对控制性能有较大影响，如何优化学习率以进一步提高控制性能仍需深入研究。此外，混合控制策略的计算量较大，如何进一步简化算法以提高实时性仍需探索。未来研究可以从以下几个方面进行拓展：首先，可以研究混合控制策略在其他复杂工业系统中的应用效果，如化工过程控制、电力系统控制等。其次，可以研究混合控制策略与其他先进控制技术的结合，如神经网络控制、模糊控制等，以进一步提高控制性能。此外，可以研究混合控制策略的在线优化方法，如基于强化学习的自适应律优化等，以进一步提高控制器的适应性和鲁棒性。

**5.5结论**

本研究设计了一种基于MPC与自适应控制相结合的混合控制策略，并将其应用于某工业自动化生产线的温度控制系统。通过仿真实验和实际应用测试，验证了混合控制策略的有效性。结果表明，混合控制策略能够有效提高系统的控制精度、动态响应速度和抗干扰能力，并降低能耗。本研究为复杂工业系统的控制工程实践提供了一种创新的解决方案，推动了先进控制技术在工业自动化领域的推广和应用。

六.结论与展望

本研究围绕控制工程的核心问题，针对复杂工业自动化生产线的温度控制系统，深入探讨了模型预测控制（MPC）与自适应控制相结合的混合控制策略的设计、实现与性能评估。通过对系统模型的精确构建、混合控制算法的详细设计以及仿真实验与实际应用测试的严谨验证，研究取得了以下主要结论：

首先，本研究成功构建了适用于目标温度控制系统的数学模型。通过对加热炉、热交换网络以及相关约束条件的深入分析，结合机理建模与实验辨识方法，获得了能够准确反映系统动态特性的状态空间模型。该模型的建立为后续控制策略的设计提供了坚实的基础，确保了控制算法与实际系统的良好匹配。仿真与实际运行结果表明，该模型在不同工况下均表现出较高的保真度，为控制性能的优化奠定了可靠依据。

其次，本研究设计了一种创新性的MPC与自适应控制相结合的混合控制策略。该策略的核心思想是利用MPC的优化决策能力和约束处理优势，结合自适应控制对系统不确定性和外部扰动的在线适应能力，以实现更精确、更鲁棒、更具适应性的控制效果。在MPC控制律的设计中，通过合理选择性能指标权重矩阵和约束条件，确保了系统输出能够快速、平稳地跟踪设定值，同时满足温度、功率等物理约束。自适应律的设计则通过在线辨识系统模型参数，动态更新MPC控制器，使其能够适应工作点变化、模型参数漂移以及未建模动态等不确定性因素，从而维持甚至在变化工况下保持良好的控制性能。混合策略的提出，是对现有控制方法的有效融合与提升，特别是在处理多变量、强耦合、时变且具有约束的复杂系统时，展现出独特的优势。

再次，仿真实验与实际应用测试全面验证了所提出混合控制策略的有效性。在仿真环境中，通过对比混合控制策略与传统PID控制、单独MPC控制以及单独自适应控制策略，结果表明混合控制策略在多个性能指标上均表现出显著优势。具体而言，混合控制策略显著缩短了系统的上升时间和调节时间，有效降低了超调率，提高了控制精度，并且能够有效抑制各种干扰（如设定值变化、负载扰动等），使系统输出保持稳定。特别是在应对系统参数变化时，自适应律的在线辨识与调整能力得到了充分体现，使得混合控制系统在参数不确定性较大的情况下仍能保持良好的跟踪性能和鲁棒性。实际应用测试进一步证实了仿真结果的可靠性，混合控制策略在实际工业环境中同样表现出优异的控制效果，不仅提升了产品质量和生产效率，还有助于降低能源消耗和运维成本。

最后，本研究深入分析了混合控制策略的内在机理和性能边界，并指出了其潜在的应用价值和进一步研究的方向。研究表明，混合控制策略的成功应用得益于其对系统动态特性的精确把握、对控制目标的清晰定义以及对不确定性因素的有效应对。同时，研究也认识到，混合控制策略的设计和实施需要综合考虑计算资源、参数整定、鲁棒性保证等多方面因素。尽管本研究取得了令人满意的成果，但仍存在一些值得深入探讨的问题和未来的研究方向。例如，在实际应用中，如何进一步简化混合控制算法，降低在线计算复杂度，以满足实时性要求，是一个重要的技术挑战。当前的自适应律依赖于特定的参数辨识模型和学习率，如何设计更智能、更自适应的在线参数调整机制，例如引入基于机器学习的方法，以实现更快速、更精确的参数辨识和控制器自适应，是未来研究的重要方向。此外，对于更复杂的工业系统，可能存在多重不确定性、非线性和时变性，如何将混合控制策略扩展到这类更高级的系统，并确保其在更广泛的工况下的有效性和鲁棒性，需要进一步的理论探索和实验验证。此外，从全生命周期的角度出发，如何将混合控制策略与预测性维护、故障诊断等技术相结合，构建更加智能、可靠的控制与维护体系，也是值得探索的方向。

基于本研究的结论和发现，提出以下建议：

第一，对于类似的复杂工业控制系统，应优先考虑采用MPC与自适应控制相结合的混合控制策略。该策略能够有效应对系统的多变量耦合、时变性、不确定性以及约束条件，显著提升控制性能和系统鲁棒性。在实际应用中，应根据具体系统的特点和需求，仔细选择和设计MPC与自适应控制的具体实现方式，如优化MPC的权重矩阵和约束条件，选择合适的自适应律结构和参数辨识方法。

第二，应加强对混合控制策略的理论研究，深入探索其控制机理、稳定性分析和性能边界。特别是对于自适应律的设计和在线参数调整机制，应鼓励采用更先进的理论和方法，如基于强化学习、深度学习等技术，以实现更智能、更高效的自适应控制。

第三，应重视混合控制策略的工程化实现和推广应用。开发易于使用、计算效率高的混合控制软件工具和平台，为工程师提供便捷的控制算法设计和仿真验证环境。同时，应加强相关技术培训和知识普及，提高工程师对混合控制策略的理解和应用能力，推动先进控制技术在工业领域的广泛应用。

展望未来，随着工业4.0和智能制造的快速发展，工业自动化系统将变得更加复杂、智能和互联。控制工程作为工业自动化的核心支撑技术，将面临更高的挑战和机遇。混合控制策略作为先进控制技术的重要组成部分，将在未来工业控制领域发挥越来越重要的作用。未来，混合控制策略将与、大数据、云计算等技术深度融合，形成更加智能、自适应、协同的控制系统。例如，可以利用技术对系统进行在线建模和预测，将预测结果融入MPC优化问题，实现更精确的前瞻性控制；可以利用大数据技术对系统运行数据进行深度分析，挖掘系统运行规律和潜在问题，为控制策略的优化和系统的预测性维护提供支持；可以利用云计算技术构建分布式控制平台，实现多系统、多设备的协同控制和资源优化配置。此外，随着物联网技术的普及，工业系统的感知能力和数据采集能力将得到极大提升，为混合控制策略的实施提供了更丰富的信息基础。可以预见，未来的工业控制系统将更加智能化、自主化，能够自适应地应对各种复杂工况和不确定性因素，实现高效、可靠、绿色的生产运行。而混合控制策略作为实现这一目标的关键技术，将不断发展和完善，为工业4.0和智能制造的实现提供强大的技术支撑。本研究作为对混合控制策略在复杂工业系统应用的一次探索，为后续的深入研究和技术发展奠定了基础，期待未来有更多更深入的研究成果涌现，推动控制工程领域的持续进步。

七.参考文献

[1]Rawlings,J.B.,&Mayne,D.Q.(2017).ModelPredictiveControl:Theory,Algorithms,andApplications.Springer.

[2]Apkarian,P.,&Ricker,T.L.(2007).Modelpredictivecontrolforengineeringapplications:Algorithmsandhardwarearchitectures.SpringerScience&BusinessMedia.

[3]Bemporad,A.,&Morari,M.(1999).Robustmodelpredictivecontroloflinearsystems.Automatica,35(8),1349-1370.

[4]Camacho,E.F.,&Bordons,C.(2004).ModelPredictiveControl.SpringerScience&BusinessMedia.

[5]Gao,F.,&Wang,C.(2009).Areviewofrobustmodelpredictivecontrol:Problems,pitfallsandopportunities.ControlEngineeringPractice,17(5),585-603.

[6]Qian,C.,Ito,K.,&Frazzoli,E.(2011).Asurveyofrecentdevelopmentsinmodelpredictivecontrol.IEEEControlSystemsMagazine,31(2),32-65.

[7]Ho,D.W.K.,&Kouvaris,G.(2002).Adaptivemodelpredictivecontrol.InProceedingsofthe2002AmericanControlConference(Vol.4,pp.3145-3150).IEEE.

[8]Bemporad,A.,&Morari,M.(1998).Robustmodelpredictivecontroloflinearsystemswithboundeduncertnty.Automatica,34(1),57-72.

[9]Rawlings,J.B.,Mayne,D.Q.,&Schuurmans,M.J.(2007).Constrnedmodelpredictivecontrol.SpringerScience&BusinessMedia.

[10]Lee,J.H.,&Seiler,P.(2001).Adaptiveoutputfeedbackmodelpredictivecontrol.IEEETransactionsonAutomaticControl,46(1),99-103.

[11]Yu,B.,&Yu,W.(2008).Robustmodelpredictivecontrolforlinearsystemswithstateandinputconstrnts.Automatica,44(7),1841-1846.

[12]Zhang,Q.,&Apkarian,P.(2006).Adaptivemodelpredictivecontrolofnonlinearsystemsusingneuralnetworks.IEEETransactionsonNeuralNetworks,17(2),379-391.

[13]Gatzke,T.,&Morari,M.(1996).Modelpredictivecontrolfornonlinearsystemswithtime-varyingconstrnts.Automatica,32(7),1327-1334.

[14]Bemporad,A.,&Bazzano,M.(1999).Modelpredictivecontrolofconstrnedlinearsystemsusingquadraticprogramming.Automatica,35(7),1293-1302.

[15]Zhang,T.,&Mayne,D.Q.(2009).Stabilityandconvergenceoffirst-ordernecessaryconditionsforgeneralnonlinearmodelpredictivecontrol.Automatica,45(9),2242-2247.

[16]Gao,F.,&Morari,M.(2002).Modelpredictivecontrolforsystemswithinputdelays.Industrial&EngineeringChemistryResearch,41(7),1747-1752.

[17]Lee,J.H.,&Seiler,P.(2001).Adaptiveoutputfeedbackmodelpredictivecontrol.IEEETransactionsonAutomaticControl,46(1),99-103.

[18]Zhang,Q.,&Apkarian,P.(2006).Adaptivemodelpredictivecontrolofnonlinearsystemsusingneuralnetworks.IEEETransactionsonNeuralNetworks,17(2),379-391.

[19]Gatzke,T.,&Morari,M.(1996).Modelpredictivecontrolfornonlinearsystemswithtime-varyingconstrnts.Automatica,32(7),1327-1334.

[20]Bemporad,A.,&Bazzano,M.(1999).Modelpredictivecontrolofconstrnedlinearsystemsusingquadraticprogramming.Automatica,35(7),1293-1302.

[21]Zhang,T.,&Mayne,D.Q.(2009).Stabilityandconvergenceoffirst-ordernecessaryconditionsforgeneralnonlinearmodelpredictivecontrol.Automatica,45(9),2242-2247.

[22]Gao,F.,&Morari,M.(2002).Modelpredictivecontrolforsystemswithinputdelays.Industrial&EngineeringChemistryResearch,41(7),1747-1752.

[23]Qian,C.,Ito,K.,&Frazzoli,E.(2011).Asurveyofrecentdevelopmentsinmodelpredictivecontrol.IEEEControlSystemsMagazine,31(2),32-65.

[24]Ho,D.W.K.,&Kouvaris,G.(2002).Adaptivemodelpredictivecontrol.InProceedingsofthe2002AmericanControlConference(Vol.4,pp.3145-3150).IEEE.

[25]Rawlings,J.B.,&Mayne,D.Q.(2017).ModelPredictiveControl:Theory,Algorithms,andApplications.Springer.

八.致谢

本论文的顺利完成，离不开众多师长、同学、朋友和家人的关心与支持。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从论文选题、研究思路的确定，到实验方案的设计、数据分析，再到论文的撰写与修改，XXX教授都倾注了大量心血，给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造