.png){kind=icon}
返回
A novel data-driven model predictive controller for nonlinear dynamical systems based on Runge-Kutta sparse identification
.png){kind=icon}
PRE
AI
DOI：10.1007/s00521-026-12208-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的模型预测控制(MPC)策略，用于非线性动态系统，通过整合稀疏非线性动力学辨识与控制(SINDYc)框架与四阶Runge–Kutta(RK)数值积分。所提出的Runge–Kutta稀疏非线性动力学辨识与控制(RK-SINDYc)公式能够实现系统行为的准确多步预测，同时提供MPC优化所需的灵敏度信息。与传统的SINDYc基方法不同，所提出的RK-SINDYc-MPC框架包含基于EKF的状态重构、输入-输出数据以及在线自适应机制来调整稀疏模型系数，提高了控制精度和鲁棒性。通过在非线性连续搅拌反应器(CSTR)和两个自由度(2-DOF)直升机基准系统上的全面仿真验证了控制器的有效性。在名义条件、测量噪声和参数不确定性条件下，对阶跃和正弦参考信号的控制性能进行了详细检验。此外，所引入的RK-SINDYc-MPC与基于函数调节器的模型自由自适应PID和RK-NARMA-L2控制器进行了比较。另外，进行了基于Lyapunov的稳定性分析，表明闭环系统是一致最终有界的(UUB)。获得的结果表明，所提出的基于RK-SINDYc的MPC(RK-SINDYc-MPC)方案能够实现非线性系统的稳定、鲁棒和精确控制性能，突显其作为数据驱动预测控制工具的潜力。
Keyword:
Data-Driven Control
Data-Driven MPC
Runge-Kutta SINDYc
RK-SINDYc based MPC
期刊
IF:
4.5
论文数:
889
被引数:
3.2W
机构
引用论文
A Runge-Kutta neural network-based control method for nonlinear MIMO systems基于runge-kutta神经网络的非线性MIMO系统控制方法.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏System Identification with Fourier Transformation for Long-term Time Series Forecasting基于傅里叶变换的系统辨识方法在长期时间序列预测中的应用
PREAI
分享收藏
查看更多内容