Прогнозирующее инверсное нейроуправление в условиях возмущений для позиционно-следящего пневмопривода тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Марков, Николай Александрович

• Марков, Николай Александрович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Марков, Николай Александрович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

Глава I. ПРОГНОЗИРУЮЩЕЕ УПРАВЛЕНИЕ: ОСНОВНЫЕ ПОЛОЖЕНИЯ И ТЕНДЕНЦИИ РАЗВИТИЯ

1.1. Базовая схема прогнозирующего управления

1.2. Основные элементы прогнозирующего управления

1.2.1. Прогнозирующая модель

1.2.2. Целевой функционал

1.2.3. Эталонная траектория

1.3. Обзор промышленных реализаций прогнозирующего управления

1.4. Современные тенденции развития прогнозирующего управления

1.5. Прогнозирующее инверсное нейроуправление

1.6. Оценка тенденций развития прогнозирующего управления по публикационной активности

1.7. Выводы по главе

Глава II. ПРОГНОЗИРУЮЩЕЕ ИНВЕРСНОЕ НЕЙРОУПРАВЛЕНИЕ: ИССЛЕДОВАНИЕ И РАЗВИТИЕ

2.1. Исследование свойств прогнозирующего инверсного нейроуправления

2.1.1. Базовая реализация

2.1.2. О вариативности форм переходных процессов в обучающей выборке

2.1.3. Влияние горизонта прогноза на точность прогнозирующих инверсных моделей

2.1.4. Особенности использования прогнозирующих инверсных моделей в качестве регулятора

2.1.5. Применение сглаживающих фильтров в системах инверсного прогнозирующего нейроуправления

2.1.6. О влиянии измерительного шума на качество прогнозирующего инверсного нейроуправления

2.2. Прогнозирующее инверсное нейроуправление с регенерируемым эталонным переходным процессом

2.2.1. Способы формирования регенерируемого эталонного переходного процесса и пример его реализации

2.2.2. Экспериментальное исследование системы с регенерируемым эталонным переходным процессом

2.2.3. Анализ предложенной системы с регенерируемым эталонным переходным процессом

2.3. Система управления с расширенной прогнозирующей инверсной моделью

2.3.1. Расширенная прогнозирующая инверсная модель

2.3.2. Пример реализации регулятора с расширенной прогнозирующей моделью

2.3.3. Исследование расширенной прогнозирующей модели на примерах управления линейными объектами

2.3.4. Исследование системы управления с расширенной прогнозирующей инверсной моделью на примере управления моделью пневмопривода

2.4. Выводы по главе

Глава III. КОМПЕНСАЦИЯ ВОЗМУЩЕНИЙ В ПРОГНОЗИРУЮЩЕМ ИНВЕРСНОМ НЕЙРОУПРАВ ЛЕНИН

3.1. Прогнозирующее инверсное нейроуправление с косвенной оценкой возмущений

3.1.1. Анализ контура компенсации

3.1.2. Рекомендации по настройке канала компенсации

3.1.3. Численные эксперименты

3.2. Система управления с ретроспективным временным интервалом

3.3. Выводы по главе

3

Глава IV. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ПРЕДЛАГАЕМЫХ РЕШЕНИЙ

4.1. Технические характеристики исследуемого пневмопривода

4.2. Исследование системы управления с расширенной прогнозирующей инверсной моделью

4.3. Управление пневмоприводом в условиях возмущений

4.4. Выводы по главе

ЗАКЛЮЧЕНИЕ

ПРИЛОЖЕНИЕ 1. Математическое описание пневматических систем

ПРИЛОЖЕНИЕ 2. Разработка математической модели пневмопривода в среде МАТЬАВ БштИпк

ПРИЛОЖЕНИЕ 3. Акт об использовании результатов диссертации

Список использованных источников

Введение диссертации (часть автореферата) на тему «Прогнозирующее инверсное нейроуправление в условиях возмущений для позиционно-следящего пневмопривода»

ВВЕДЕНИЕ

Пневматические системы широко используются в промышленности благодаря простоте конструкции и технического обслуживания, экологической чистоте, безопасности, а также относительно низкой цене пневматических элементов по сравнению с гидро- и электроприводами. Однако создание высококачественных пневматических сервоприводов осложнено тем, что в реальных условиях из-за трения и сжимаемости воздуха пневмосистема представляет собой существенно нелинейный объект [33; 65; 86; 103; 113; 120]. Математическое описание пневмопривода является нелинейным и достаточно сложным, это затрудняет получение исчерпывающей математической модели. Традиционное ПИД-регулирование не всегда обеспечивает требуемое качество управления подобными объектами, что ведет к необходимости поиска альтернативных приемов управления.

Одним из современных подходов к синтезу САУ является стратегия прогнозирующего управления, именуемая в зарубежной литературе «ModelBased Predictive Control» (МРС) [42; 82; 88]. В основе данной стратегии лежит процедура численной оптимизации программного управления, наиболее часто решаемая при помощи методов математического программирования. МРС успешно применяется в промышленности для управления сложными многосвязными объектами с учетом действующих ограничений и возмущений. Однако большинство промышленных реализаций МРС используют линейные прогнозирующие модели, в то время как при управлении пневмоприводом, как нелинейным объектом, больший эффект можно ожидать от использования нелинейных подходов прогнозирующего управления (Nonlinear МРС) [29; 37; 49; 54; 64; 66; 92; 94; 99; 112]. К нелинейным подходам МРС можно также отнести нейросетевое прогнозирующее управление (Neural Network МРС) [49; 60; 110],

5

использующее аппарат искусственных нейронных сетей (ИНС) для отображения нелинейной динамики объекта, а также алгоритмы обучения ИНС для выполнения численной оптимизации.

Поскольку при выполнении численной оптимизации в реальном времени необходима высокая вычислительная мощность, область применения MPC до недавнего времени была ограничена медленными процессами, в основном, в химической промышленности [42; 73; 100; 111]. Однако в последние годы отмечается значительный интерес к разработке алгоритмов MPC, направленных на управление объектами с быстрой динамикой (Fast MPC) [37; 92; 94; 118]. В Explicit MPC [27; 35; 61; 57; 73; 89] эта задача решается при помощи методов многопараметрического программирования. В некоторых подходах используется упрощенная форма целевого функционала, что в конечном итоге упрощает выполнение оптимизационной процедуры. В прогнозирующем инверсном нейроуправлении (ПИН) [7] оптимизационная процедура в явном виде отсутствует, что существенно снижает требования к вычислительным ресурсам. Кроме того, данный подход не требует априорного знания математической модели объекта управления.

Целью диссертационной работы является разработка и исследование быстродействующего позиционно-следящего пневмопривода с нейросетевым прогнозирующим управлением, функционирующим в условиях существенных возмущений.

Для достижения цели были поставлены и решены следующие основные задачи.

1. Исследование и анализ основных решений в области прогнозирующего управления, обоснование выбранного подхода.

2. Исследование влияния горизонта прогноза на точность прогнозирующих инверсных моделей и качество систем управления, построенных на их основе.

3. Разработка подходов, упрощающих синтез и расширяющих возможности настройки систем прогнозирующего инверсного нейроуправления.

4. Разработка подходов, направленных на повышение точности прогнозирующих САУ позиционно-следящим пневмоприводом в условиях существенных возмущений.

5. Разработка и экспериментальное исследование промышленного прототипа позиционно-следящего пневмопривода.

Методы исследования. В процессе исследований использовались классические и современные методы теории автоматического управления, методы математического моделирования, методы теории искусственных нейронных сетей. Достоверность разработанных подходов подтверждена результатами численных и натурных экспериментов.

Научная новизна диссертационной работы состоит в следующем.

1. Предложено использование регенерируемого эталонного переходного процесса в системах прогнозирующего инверсного нейроуправления.

2. Предложена расширенная прогнозирующая инверсная модель, использующая во входном векторе информацию о форме переходного процесса на горизонте прогноза.

3. Предложен способ компактного представления эталонной траектории в прогнозирующем инверсном нейроуправлении, основанный на полиномиальной аппроксимации и интегральном представлении коэффициентов временного ряда.

4. Предложено использование интегрального обобщения ошибки прогнозирования в инверсном нейроуправлении для оценки действующего возмущения с целью его компенсации.

5. В прогнозирующем инверсном нейроуправлении предложено использование прогнозирующей модели, учитывающей временные

характеристики объекта управления на предыдущем интервале времени для оценки действующего возмущения.

На защиту выносятся следующие положения.

1. Принцип использования регенерируемого эталонного переходного процесса в прогнозирующем инверсном управлении, позволяющий повысить качество системы при малых горизонтах прогноза.

2. Расширенная прогнозирующая инверсная модель объекта управления и ее использование в системе для обеспечения удобства настройки.

3. Структура и метод настройки системы прогнозирующего инверсного нейроуправления с косвенной оценкой возмущений, с использованием интегрального обобщения ошибки прогнозирования.

4. Метод синтеза системы на основе расширенной модели объекта управления, использующей его временные характеристики на ретроспективном интервале, направленный на обеспечение высокой точности управления в условиях существенных возмущений.

5. Промышленный прототип позиционно-следящего пневмопривода с системой управления, построенной на основе подходов перечисленных в пунктах 1-4 настоящего раздела.

Реализация результатов работы. Научные и практические диссертационного исследования использованы на ОАО «Аскольд», г. Арсеньев при разработке пневмоприводов перспективной запорно-регулирующей трубопроводной арматуры.

Практическая значимость. Предложенные в работе подходы позволяют синтезировать САУ пневмосервоприводом, работающим в условиях существенных возмущений без априорного знания его математической модели. Данные подходы могут быть также распространены на широкий класс динамических объектов. При выполнении позиционных и следящих задач полученные системы имеют преимущество перед традиционным ПИД-регулированием.

Апробация работы. Основные результаты исследования по теме диссертации докладывались на VII Международном форуме молодых ученых стран АТР, г. Владивосток, 2007 г.; на Региональной научной конференции "Молодежь и научно-технический прогресс", г. Владивосток, 2007, 2011 гг.; на научной конференции "Вологдинские чтения", г. Владивосток, 2007, 2010 гг.; на VI Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых "Молодежь и современные информационные технологии", г. Томск, 2008 г.; на XIV Международной научно-практической конференции студентов, аспирантов и молодых ученых "Современные

техника и технологии", г. Томск, 2008 г.

Публикации. Основные результаты исследования по теме диссертации изложены в 14 печатных работах, три [9, 10, 11] из которых опубликованы в изданиях, рекомендованных ВАК для опубликования результатов

кандидатских и докторских диссертаций.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и списка литературы, содержащего 120 наименований. Текст работы изложен на 125 страницах, содержит 77 рисунков, 13 таблиц и 3 приложения.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Марков, Николай Александрович

Основные результаты диссертационной работы заключаются в следующем.

- Проведено исследование и анализ основных решений в области прогнозирующего управления. Выявлено, что при управлении пневмоприводом, как объектом с быстрой динамикой, целесообразно использовать приемы MPC, в которых упрощена либо отсутствует оптимизационная процедура. В виду высокой нелинейности объекта целесообразно использовать нелинейные подходы быстрого прогнозирующего управления (Fast MPC). Данным требованиям удовлетворяет система прогнозирующего инверсного нейроуправления.

- Выявлено, что качество управления в прогнозирующем инверсном нейроуправлении существенным образом зависит от величины горизонта прогноза, который является трудноформализуемым настроечным параметром. Для преодоления указанной проблемы предложены: а) система прогнозирующего инверсного нейроуправления с регенерируемым эталонным переходным процессом, позволяющая повысить качество управления при малых горизонтах прогноза; б) система управления с расширенной прогнозирующей инверсной моделью, снижающая степень влияния горизонта прогноза и позволяющая определять желаемое время и форму переходного процесса замкнутой системы при помощи параметров эталонной модели.

- Предложена система прогнозирующего инверсного нейроуправления с косвенной оценкой возмущений, в основе которой лежит схема Internal Model Control. В предложенном решении оценка возмущения с целью его компенсации осуществляется на основе предложенного интегрального обобщения ошибки прогнозирования. Исследованы динамические характеристики контура компенсации, даны рекомендации по его настройке.

95

- Предложена система прогнозирующего инверсного нейроуправления с расширенной прогнозирующей инверсной моделью и учетом временных характеристик объекта управления на предыдущем интервале времени, направленная на повышение точности прогнозирующих САУ позиционно-следящим пневмоприводом в условиях существенных возмущений.

- Проведено экспериментальное исследование предложенных решений на промышленном прототипе позиционно-следящего пневмопривода.

Научные и практические диссертационного исследования использованы на ОАО «Аскольд», г. Арсеньев при разработке пневмоприводов перспективной запорно-регулирующей трубопроводной арматуры.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Марков, Николай Александрович, 2012 год

Список использованных источников

1. Библиотека конгресса США [Электронный ресурс] - Режим доступа: http://www.loc.gov/index.html, свободный.

2. Веремей Е.И., Еремеев В.В. Введение в задачи управления на основе предсказаний [Электронный ресурс] - Режим доступа: http://matlab.exponenta.rU/modelpredict/bookl/0.php, свободный.

3. Гамынин Н.С., Жданов Ю.К., Климашин АЛ. Динамика быстродействующего гидравлического привода. - М.: машиностроение, 1979.

4. Гурецкий X. Анализ и синтез систем управления с запаздыванием. Пер. с польского. М., «Машиностроение», 1974.

5. Герц Е.В. Динамика пневматических систем машин. М: Машиносроение, 1985.

6. Дмитриев В.Н., Градецкий В.Г. Основы пневмоавтоматики. М: Машиностроение, 1973.

7. Змеу КВ., Ноткин Б.С., Дьяченко П. А. Безмодельное прогнозирующее нейроуправление. // Мехатроника, автоматизация, управление, № 9, 2006. - С. 8-15.

8. Змеу К.В., Марков H.A., Шипитько И.А. Разработка нейросетевого прогнозирующего инверсного регулятора в среде MATLAB //Проектирование инженерных и научных приложений в среде MATLAB: материалы IV Всероссийской научной конференции (г. Астрахань, 4-8 мая 2009г.) - Астрахань: Издательский дом «Астраханский университет», 2009.cc. 491-495.

9. Змеу К.В., Марков H.A., Шипитько H.A., Ноткин B.C.

Безмодельное прогнозирующее инверсное управление с регенерируемым эталонным переходным процессом // Информатика и системы управления. -2009,- 3(21).-С. 109-117.

10. Змеу К.В., Марков H.A., Ноткин Б.С. Прогнозирующее инверсное нейроуправление позиционно-следящим пневмоприводом // Информатика и системы управления. - 2011. - 3(29). - сс. 104-117.

11. Змеу К.В., Марков H.A., Ноткин Б.С. Прогнозирующее инверсное нейроуправление пневмоприводом в условиях неконтролируемых возмущений // Информатика и системы управления. - 2011. - 4(30). - сс. 116123.

12. Казиев В. Безопасная энергия // «Оборудование». - 2008. - № 6.

13. Марков H.A. О синтезе нейросетевого прогнозирующего управления пневмоприводом // Молодежь и современные информационные технологии. Сборник трудов VI Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых. Томск, 26-28 февраля 2008г. -500с. сс. 357-358.

14. Марков H.A., Змеу К.В. Позиционно-следящее управление линейным пневмоприводом. // Молодёжь и научно-технический прогресс: Материалы региональной научно-практической конференции. Часть 1. Владивосток, ДВГТУ, 2011. 374 с. сс.321-325.

15. Марков H.A., Змеу К.В. Пример синтеза прогнозирующего регулятора в среде MATLAB. В сб. Молодежь и научно-технический прогресс: сб. тезисов докладов региональной научно-технической конференции. В 2 ч. 4.1. Владивосток, 2007. с. 117 - 119.

16. Марков H.A., Ноткин Б.С., Змеу К.В. Прогнозирующее инверсное неуройправление с регенерируемым эталонным переходным процессом. // Сборник материалов научной конференции «Вологдинские чтения». Владивосток, ДВГТУ, 2010. - 230 с.

17. Марков H.A., Шипитько H.A. Нейросетевое прогнозирующее управление пневмоприводом // XIV Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Современные техника и технологии» / Сборник трудов в 3-х томах. Т. 2. - Томск, 2008. -530 с. сс. 342-343.

18. Марков H.A., Шипитько H.A. О синтезе прогнозирующего управления слабодемпфированным объектом в условиях параметрической неопределенности. // Труды Арсеньевского технологического института (филиала) ДВГТУ. - АрТИ ДВГТУ, 2009. - сс.24-27.

19. Марков H.A., Шипитько H.A., Змеу К.В. Позиционное прогнозирующее управление пневмоприводом. //Сборник материалов научной конференции "Вологдинские чтения". Владивосток, 21-23 ноября 2007г. - 105с. сс. 32-34.

20. Международный симпозиум ИФАК по нелинейному моделированию прогнозирующего управления для быстродействующих систем NMPC-FS'06 [Электронный ресурс] - Режим доступа: http://www.lag.ensieg.inpg.FR/ NMPC FS06/, свободный.

21. Мерцалов А. Метод управления с использованием прогнозирующей модели // «Автоматизация и IT в энергетике», № 6, 2011.

22. Наземцее A.C. Гидравлические и пневматические системы. Часть 1. Пневматические приводы и средства автоматизации: Учебное пособие. -М., ФОРУМ, 2004. - 240 с, ил.

23. Ноткин Б. С. Системы прогнозирующего нейроуправления нелинейными динамическими объектами. Диссертация на соискание ученой степени кандидата технических наук, Владивосток, 2006.

24. Филлипс Ч., Харбор Р. Системы управления с обратной связью. — М. Лаборатория Базовых Знаний, 2001.

25. Шипитько И. А. Прогнозирующее управление с нейросетевой моделью объекта для манипулятора с нежесткими звеньями. Диссертация на соискание ученой степени кандидата технических наук, Владивосток, 2004.

26. Шипитько H.A., Марков H.A. Об одном подходе к синтезу нейросетевого управления электроприводом нежесткой механической системы. //Сборник материалов научной конференции "Вологдинские чтения". Владивосток, 21-23 ноября 2007г. -105с. сс. 36-38.

27. A. Bemporad et al. The explicit linear quadratic regulator for constrained systems // Automatica 38 (2002) 3-20.

28. Ablameyko S., Goras L., Gori M. and Piuri V. Neural Networks for Instrumentation, Measurement and Related Industrial Applications, NATO Science Series, Series III: Computer and System Sciences Vol. 185, IOS Press, 2003.

29. Alessandro Alessio, Alberto Bemporad. Nonlinear Model Predictive Control. Lecture Notes in Control and Information Sciences, Springer, 2009, Volume 384/2009, 345-369.

30. Al-Ibrahim A.M., and Otis D.R. Transient Air Temperature and Pressure Measurements During the Chargingand Discharging Processes of an Actuating Pneumatic Cylinder, Proceedings of the 45th National Conference on Fluid Power, 1992.

31. Astrom K. J., Hagglund T. Advanced PID Control. - The Instrumentation, Systems, and Automation Society, 2005, 461 pp.

32. Astrom K J. and Hagglund T., "Benchmark systems for PID control," in Proc. IF AC Workshop, Terrassa, Spain, 2000, pp. 165-166.

33. Bashir M. Y. Nouri, Farid Al-Bender. Modelling a pneumatic servo positioning system with friction // Proceedings of the American Control Conference Chicago, Illinois June 2000.

34. B.E. Ydstie, A.H. Kemna, L.K. Liu. Multivariable extended-horizon adaptive control // Computers & Chemical Engineering Volume 12, Issue 7, July 1988, Pages 733-743.

3 5. Beccuti A. Get al. Explicit Model Predictive Control of DC-DC Switched-Mode Power Supplies With Extended Kalman Filtering // Industrial Electronics, -June 2009, 1864-1874.

36. Ben Krose, Patrick van der Smagt. An introduction to Neural networks. Eighth edition, November 1996.

37. Bennasr Hichem, M'Sahli Faouzi. Fast Nonlinear Model Predictive Control using Second Order Volterra Models Based Multi-agent Approach, Advanced Model Predictive Control, Tao Zheng (Ed.), 2011.

38. Biao Huang, Rames h Kadali. Dynamic Modeling, Predictive Control and Performance Monitoring. A Data-driven Subspace Approach. - Springer, 2008.

39. Bolognani, S., Peretti, L., Zigliotto, M. Design and Implementation of Model Predictive Control for Electrical Motor Drives // Industrial Electronics, IEEE Transactions, - June 2009, - pp. 1925 - 1936.

40. Bordons С., Cueli J.R. Predictive controller with estimation of measurable disturbances. Application to an olive oil mill // Journal of Process Control 14, 2004.

41. Brand, M., Shilpiekandula, V., Bortoff, S.A. A Parallel Quadratic Programming Algorithm for Model Predictive Control // International Federation of Automatic Control (IF AC), Vol. 18, Part 1, August 2011.

42. Camacho E.F., Bordons С. Model Predictive Control, Springer, 1999.

43. Camozzi [Электронный ресурс] - Режим доступа: http://www.camozzi.ru, свободный. - Загл. с экрана.

44. Castanon, D.A., Wohletz, J.M. Model Predictive Control for Stochastic Resource Allocation// Automatic Control, IEEE Transactions, - Aug. 2009, - pp. 1739- 1750.

45. Correa P. at al. A Predictive Control Scheme for Current-Source Rectifiers // Industrial Electronics, IEEE Transactions, - May 2009, - pp. 1813 -1815.

46. Correa P. et al. Predictive Control of an Indirect Matrix Converter // Industrial Electronics, IEEE Transactions, - June 2009, - pp. 1847 - 1853.

47. Cortes, P. et al. Model Predictive Control of an Inverter With Output $LC$ Filter for UPS Applications // Industrial Electronics, IEEE Transactions,-June 2009,-pp. 1875- 1883.

48. Cychowski, M; Szabat, K.; Orlowska-Kowalska, T. Constrained Model Predictive Control of the Drive System With Mechanical Elasticity // Industrial Electronics, IEEE Transactions, - June 2009, - pp. 1963 - 1973.

49. D. С. Psichogios, L. H. Ungar. Nonlinear internal model control and model predictive control using neural networks. Proceedings 5th IEEE International Symposium on, 5-7 Sep 1990, p.p. 1082 - 1087.

50. D. W. Clarke, С Mohtadi P S Tuffs. Generalized predictive control—Part I. The basic algorithm // Automatica (Journal of IF AC) archive Volume 23 Issue 2, March 1987.

51. Daniel E. Rivera. Internal model control: A comprehensive view. Department of chemical, bio and materials engineering college of engineering and applied sciences Arizona State University, Tempe, Arizona, October 27, 1999.

52. Ernst, D. et al. Reinforcement Learning Versus Model Predictive Control: A Comparison on a Power System Problem // Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions, - April 2009, pp. 517 - 529.

53. FESTO [Электронный ресурс] - Режим доступа: http://www.festo.com,свободный. - Загл. с экрана.

54. Frank Allgower, Rolf Findeisen. Current Trends in Nonlinear Model Predictive Control // Mini Symposia Proposal MTNS 2004 - Katholieke Universiteit Leuven, Belgium, 2004.

55. Gallestey E. et al. Model Predictive Control and the Optimization of Power Plant Load while Considering Lifetime Consumption //Power Engineering Review, IEEE, - Nov. 2001, - pp. 54 - 54.

56. Gomma, H.W.; Owens, D.H. Stability analysis for generalized predictive control (GPC) and time varying weighting generalized predictive control (TGPC) //Control Applications, 2004. Proceedings of the 2004 IEEE International Conference. 2-4 Sept. 2004,- pp.1662 - 1667.

57. Grancharova A., Tor A. Johansen. Design and comparison of explicit model predictive controllers for an electropneumatic clutch actuator using on/off valves// IEEE/ASME transactions on mechatronics, vol. 16, no. 4, August 2011.

58. J.E. Normey-Rico, E. F. Camacho. Control of Dead-time Processes. Springer-Verlag, London, 2007.

59. Jacques Richalet, Donal O'Donovan. Predictive Functional Control: Principles and Industrial Applications (Advances in Industrial Control), Springer; 2009 edition (March 31, 2012).

60. Jalili-Kharaajoo, M.; Araabi, B.N. Neuro predictive control of a heat exchanger: comparison with generalized predictive control // Proceedings of the 2003 10th IEEE International Conference. Electronics, Circuits and Systems, 2003. ICECS 2003, - 14-17 Dec. 2003, - pp. 675 - 678.

61. Jianping Xu, Guohua Zhou, Mingzhi He. Improved Digital Peak Voltage Predictive Control for Switching DC-DC Converters // Industrial Electronics, IEEE Transactions, - Aug. 2009, - pp. 3222 - 3229.

62. H. J. Ferreau, H. G. Bock , M. Diehl. An online active set strategy to overcome the limitations of explicit MPC // Int. J. Robust Nonlinear Control 2008.

63. H. Olsson, К J. Astrom, C. Canudas de Wit. Friction Models and Friction Compensation Eur. J. Control, Vol. 4, No. 3. (1998), pp. 176-195.

64. Hanba, S. Robust Nonlinear Model Predictive Control With Variable Block Length // Automatic Control, IEEE Transactions, - July 2009, - pp. 1618 -1622.

65. Hazem I. Ali, Samsul Bahari В Mohd Noor, S. M. Bashi, M. H. Marhaban. A Review of Pneumatic Actuators (Modeling and Control) // Australian Journal of Basic and Applied Sciences, 3(2): 440-454, 2009.

66. Hedrick, J.K., Yeonsik Kang. Linear Tracking for a Fixed-Wing UAV Using Nonlinear Model Predictive Control // Control Systems Technology, IEEE Transactions,- Sept. 2009, - pp. 1202-1210.

67. Hristev R.M. The ANN Book. 1998.

68. IEEE Xplore. Международная электронная библиотека технической литературы [Электронный ресурс] - Режим доступа: http://ieeexplore.ieee.org, свободный - Загл. с экрана.

69. Igor L. Krivts, German V. Krejnin. Pneumatic Actuating Systems for Automatic Equipment: structure and design. - CRC Press Taylor & Francis Group,333 pp, 2006.

70. Ionescu C.M. et al. Robust Predictive Control Strategy Applied for Propofol Dosing Using BIS as a Controlled Variable During Anesthesia // Biomedical Engineering, IEEE Transactions, - Sept. 2008, - pp. 2161 - 2170.

71. Ivo Batina, Anton A. Stoorvogel, Siep Weiland. Stochastic disturbance rejection in model predictive control by randomized algorithms // Proceedings of the American Control Conference Arlington, VA June 25-27, 2001.

72. Joao Miguel da Costa Sous. Model Predictive Control using Fuzzy decision functions // IEEE transactions on systems, man, and cybernetics - part b: cybernetics, vol. 31, no. 1, February 2001.

73. Johansen et al. Hardware architecture design for explicit model predictive control // American Control Conference, 14-16 June 2006.

74. K. S. Holkar, L. M. Waghmare. An Overview of Model Predictive Control // International Journal of Control and Automation Vol. 3 No. 4, December, 2010.

75. Karnopp, D. Computer simulation of stick-slip friction in mechanical dynamic systems. Trans. ASME: J. of Dynamic Systems, Measurement, and Control, 107(1):100-103, March 1985.

76. Kouro, S.; Cortes, P.; Vargas, R.; Ammann, U.; Rodriguez, J. Model Predictive Control—A Simple and Powerful Method to Control Power Converters // Industrial Electronics, IEEE Transactions, - June 2009, pp. 1826- 1838.

77. Kulchin Yu.N., Notkin B.S., Kim A.Yu. Method for Finding Coefficients of Approximating Polynomials // Proceedings of First Russia and Pacific Conference on Computer Technology and Applications (Vladivostok, Russia, 6 - 9 September, 2010). p. 321-323.

78. Kumpati S. Narendra. Adaptive Control Using Neural Networks and Approximate Models // IEEE transactions on neural networks, vol. 8, no. 3, may 1997.

79. Levent Giiven. Closed Loop Pneumatic Position Control Using Discrete Time Model Regulation // Proceedings of the American Control Conference, San Diego, California -June 1999.

80. Lezana, P.; Aguilera, R.; Quevedo, D.E. Model Predictive Control of an Asymmetric Flying Capacitor Converter // Industrial Electronics, IEEE Transactions, - June 2009, - pp. 1839 - 1846.

81. binder, A,; Kennel, R. Direct model predictive control - a new direct predictive control strategy for electrical drives // Power Electronics and Applications, 2005 European Conference. 2005. - pp.10.

82. Maciejowski J.M. Predictive control with constraints. Prentice Hall, 2002.

83. Madan M. Gurta, Liang Jin, and Noriyasu Homma. Neural networks: from fundamentals to advanced theory. IEEE PRESS, Canada, 2003.

84. Magnitude and Phase from Input/Ouput Data [Электронный ресурс] -Режим доступа: http://www.mathworks.com/matlabcentral/newsreader/ view_thread/l 54499, свободный.

85. Modeling Pneumatic Systems. Product documentation [Электронный ресурс] - Режим доступа: http://www.mathworks.com/help/toolbox/physmod/ simscape/ug/br7vtpp .html, свободный.

86. Mark Karpenko, Nariman Sepehri. QFT Synthesis of a Position Controller for a Pneumatic Actuator in the Presence of Worst-Case Persistent Disturbances // Proceedings of the 2006 American Control Conference Minneapolis, Minnesota,

USA, June 14-16, 2006.

87. Markov, Nikolay A.; Shipitko, Ilya A.; Bezruchko, Tarns V. Synthesis of the position controller for the pneumatic actuator. Control and Communications, 2009. SIBCON 2009. International Siberian Conference on Volume , Issue , 27-28 March 2009 Page(s):l 16 - 120.

88. Martin Sanchez J.M., Rodellar J. Adaptive predictive control: from concepts to plant optimisation. Prentice Hall, 1996.

89. Melanie Nicole Zeilinger, Colin Neil Jones, Manfred Morari. Real-time suboptimal model predictive control using a combination of explicit MPC and online optimization // IEEE transactions on automatic control, vol. 56, no. 7, July 2011.

90. Michael Nikolaou. Model Predictive Controllers: A Critical Synthesis of Theory and Industrial Needs // Advances in Chemical Engineering. Volume 26, 2001, Pages 131-204.

91. Midori Precisions Co., Ltd. http [Электронный ресурс] - Режим доступа: //www.midori.co.jp/about.html, свободный. - Загл. с экрана.

92. Model predictive control for fast nonlinear systems: existing approaches, challenges, and applications. 45th IEEE Conference on Decision and Control, San Diego, CA, USA. [Электронный ресурс] - Режим доступа: http://www.ist.uni-stuttgart.de/~fmdeise/fastnmpccdc06/, свободный.

93. Moran M.J., Shapiro H.N. Fundamentals of Engineering Thermodynamics. Second edition. New York: John Wiley & Sons, 1992.

94. Moritz Diehl. Fast Nonlinear Model Predictive Control Algorithms and Applications in Process Engineering. Belgium, INRIA-Rocquencourt, 2007.

95. National insruments [Электронный ресурс] - Режим доступа: http://www.ni.com, свободный. - Загл. с экрана.

96. Nikolay A. Markov, Iliya A. Shipitko, Konstantin V. Zmeu. Predictive controller with passive adaptation: design and parametrization// Proceeding of Seventh International Young Scholars' Forum of the Asia-Pasific Region Countries. -17-19 October 2007.-Vladivostok.-2007.-P.82-84.

97. Norgaard et al. Neural Networks for Modelling and Control of Dynamic Systems, Springer-Verlag, p. 246, London, 2000.

98. Pin G. et al. Robust Model Predictive Control of Nonlinear Systems With Bounded and State-Dependent Uncertainties // Automatic Control, IEEE Transactions, - July 2009, - pp. 1681 - 1687.

99. Ra Pinon et al. Nonlinear model predictive control via feedback linearization of a greenhouse // IF AC, 2000.

100. Raw lings, J.B. Tutorial overview of model predictive control // Control Systems, IEEE Jun 2000 Volume: 20 Issue:3 On page(s): 38-52.

101.R.R. Negenborn, B. De Schutter, J. Hellendoor. Multi-agent model predictive control: A survey // Delft University of Technology. Technical report 04-010, Netherlands, 2004.

102. i?. Sivakumar et al. Application of Fuzzy Model Predictive Control in Multivariable Control of Distillation Column // International Journal of Chemical Engineering and Applications, Vol. 1, No. 1, June 2010.

103. Roberto B. Wiener, Wenceslao A. Cebuhar. Nonlinear Compensation for pneumatic actuators whith hysteresis, IEEE Control Systems, December 2005.

104.Rolf Findeisen, Frank Allgower. An Introduction to Nonlinear Model Predictive Control. Institute for Systems Theory in Engineering of Stuttgart, 2002.

105. Rossiter J.A. Model-based Predictive Control: a Practical Approach. CRC Press, 2003.

106. Runzi Cao, Kay-Soon Low. A Repetitive Model Predictive Control Approach for Precision Tracking of a Linear Motion System // Industrial Electronics, IEEE Transactions, - June 2009, - pp. 1955 - 1962.

107. Samir A. Hmood, R. M. Prasad. Generalized approach for model algorithmic control // International Journal of Systems Science Volume 18, Issue 8, 1987.

108. Schafer C. Predictive Control Strategy for DC/AC Converters Based on Direct Power Control // Industrial Electronics, IEEE Transactions, - June 2007, -pp. 1261- 1271.

109. Shi-Wen Tong et al. Real-Time Implementation of Adaptive State Feedback Predictive Control of PEM Fuel Cell Flow Systems Using the Singular Pencil Model Method // Control Systems Technology, IEEE Transactions, - May 2009, - pp. 697 - 706.

110. Shuzhi Sam Ge, Chenguang Yang, Tong Heng Lee. Adaptive Predictive Control Using Neural Network for a Class of Pure-Feedback Systems in Discrete Time // Neural Networks, IEEE Transactions, - Sept. 2008, - pp. 1599-1614.

111. S. Joe Qin, Thomas A. Badgwell. A survey of industrial model predictive control technology. Control Engineering Practice 11 (2003) 733-764.

112. T.J.J, van den Boom. Robust nonlinear predictive control using feedback linearization and linear matrix inequalities // Proceedings of the American Control Conference Albuquerque, New Mexico, June 1997.

113. Tankut Acarman. A Robust Nonlinear Controller Design for a Pneumatic Actuator // Proceedings of the American Control Conference Arlington, VA June 25-27, 2001.

114. T. Peni, J. Bokor. Robust Model Predictive Control for Controlling Fast Vehicle Dynamics // 2006 14th Mediterranean Conference on Control and Automation, 2006, pp. 1-5.

115. Vladislav Blagojevic, Miodrag Stojiljkovic. Mathematical and simulink model of the pneumatic system with bridging of the dual action cylinder chambers. Facta univesitaties series Mechanical Engineering University of Nis. Vol. 5, No 1, 2007, pp. 23-31.

116. Vouzis P. D. et al. A System-on-a-Chip Implementation for Embedded Real-Time Model Predictive Control // Control Systems Technology, IEEE Transactions, - Sept. 2009, - pp. 1006 - 1017.

117. Y. L. Huang et al. Fuzzy Model Predictive Control. IEEE transactions on fuzzy systems, vol. 8, no. 6, December 2000.

118. Y. Wang, S. Boyd. Fast Model Predictive Control Using Online Optimization // Proceedings IF AC World Congress, Seoul, July 2008, pp. 6974 -6997.

119. Zhe Song; Kusiak A. Optimization of Temporal Processes: A Model Predictive Control Approach // Evolutionary Computation, IEEE Transactions, -Feb. 2009,-pp. 169- 179.

120. Zhihong Rao, Gary M. Bone. Nonlinear Modeling and Control of Servo Pneumatic Actuators. IEEE transactions on control systems technology, vol. 16, no. 3, may 2008.