控制工程論文一.摘要

工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化是現(xiàn)代控制工程領(lǐng)域的核心挑戰(zhàn)之一。以某大型汽車制造企業(yè)的焊接機(jī)器人產(chǎn)線為案例，該產(chǎn)線因多變量耦合、時(shí)變參數(shù)和外部干擾等因素導(dǎo)致末端執(zhí)行器軌跡跟蹤誤差顯著，生產(chǎn)效率難以滿足預(yù)期增長(zhǎng)需求。本研究基于系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制（MPC）相結(jié)合的混合建模方法，首先通過實(shí)驗(yàn)數(shù)據(jù)采集構(gòu)建了產(chǎn)線動(dòng)力學(xué)非線性模型，采用遞歸最小二乘法估計(jì)系統(tǒng)參數(shù)，并通過魯棒性分析驗(yàn)證模型精度。在此基礎(chǔ)上，設(shè)計(jì)了一種分層分布式MPC控制器，將全局軌跡優(yōu)化問題分解為局部控制子問題，并通過李雅普諾夫穩(wěn)定性理論證明閉環(huán)系統(tǒng)的漸近穩(wěn)定性。仿真實(shí)驗(yàn)表明，與傳統(tǒng)PID控制和模型參考自適應(yīng)控制相比，所提方法在軌跡跟蹤誤差（均方根）上降低62.3%，超調(diào)量減少78.1%，且系統(tǒng)響應(yīng)時(shí)間縮短40%。進(jìn)一步在真實(shí)產(chǎn)線中實(shí)施驗(yàn)證，結(jié)果表明，在并發(fā)作業(yè)場(chǎng)景下，系統(tǒng)負(fù)載率提升至85%時(shí)，跟蹤誤差仍維持在±0.5mm以內(nèi)，驗(yàn)證了方法在實(shí)際工業(yè)環(huán)境中的適用性。研究結(jié)論表明，基于系統(tǒng)辨識(shí)的混合建模方法能夠有效解決復(fù)雜工業(yè)系統(tǒng)的動(dòng)態(tài)性能優(yōu)化問題，為同類產(chǎn)線智能化升級(jí)提供了理論依據(jù)和技術(shù)路徑。

二.關(guān)鍵詞

控制工程；模型預(yù)測(cè)控制；系統(tǒng)辨識(shí)；工業(yè)自動(dòng)化；軌跡跟蹤；魯棒控制

三.引言

在全球制造業(yè)向智能化、柔性化轉(zhuǎn)型的浪潮中，控制工程作為實(shí)現(xiàn)生產(chǎn)過程自動(dòng)化和優(yōu)化的核心技術(shù)，其重要性日益凸顯。工業(yè)自動(dòng)化產(chǎn)線作為制造業(yè)的核心構(gòu)成單元，其運(yùn)行效率、產(chǎn)品質(zhì)量和資源利用率直接關(guān)系到企業(yè)的核心競(jìng)爭(zhēng)力。近年來，隨著多軸機(jī)器人、物聯(lián)網(wǎng)（IoT）傳感器和大數(shù)據(jù)技術(shù)的廣泛應(yīng)用，自動(dòng)化產(chǎn)線的結(jié)構(gòu)日益復(fù)雜，呈現(xiàn)出高維、強(qiáng)耦合、非線性等特征，傳統(tǒng)控制方法在應(yīng)對(duì)此類系統(tǒng)的動(dòng)態(tài)性能優(yōu)化時(shí)，逐漸暴露出魯棒性差、適應(yīng)性不足等局限性。特別是在汽車、航空航天等高端制造領(lǐng)域，焊接、裝配等關(guān)鍵工序?qū)δ┒藞?zhí)行器的軌跡跟蹤精度和響應(yīng)速度提出了前所未有的高要求，任何微小的性能波動(dòng)都可能引發(fā)整線停擺或產(chǎn)品缺陷，造成巨大的經(jīng)濟(jì)損失。因此，如何針對(duì)復(fù)雜工業(yè)自動(dòng)化產(chǎn)線設(shè)計(jì)高效、魯棒的控制器，實(shí)現(xiàn)其動(dòng)態(tài)性能的精確優(yōu)化，已成為控制工程領(lǐng)域亟待解決的關(guān)鍵科學(xué)問題。

當(dāng)前，工業(yè)自動(dòng)化產(chǎn)線動(dòng)態(tài)性能優(yōu)化面臨的主要挑戰(zhàn)源于系統(tǒng)本身的復(fù)雜性和外部環(huán)境的動(dòng)態(tài)變化。從系統(tǒng)結(jié)構(gòu)層面看，多變量耦合現(xiàn)象普遍存在，例如在焊接機(jī)器人產(chǎn)線中，末端執(zhí)行器的位置、速度和姿態(tài)不僅受自身關(guān)節(jié)驅(qū)動(dòng)器的影響，還與夾具剛度、焊接熱變形以及相鄰工序的協(xié)同作業(yè)密切相關(guān)。這種耦合關(guān)系使得系統(tǒng)的傳遞函數(shù)難以通過傳統(tǒng)的線性化方法準(zhǔn)確描述。從參數(shù)特性層面看，產(chǎn)線中的電機(jī)、傳感器等執(zhí)行元件存在顯著的時(shí)變參數(shù)，如電機(jī)轉(zhuǎn)子的轉(zhuǎn)動(dòng)慣量會(huì)隨負(fù)載變化、傳感器的標(biāo)定精度會(huì)隨時(shí)間漂移，這些時(shí)變參數(shù)進(jìn)一步加劇了系統(tǒng)的非線性和不確定性。此外，外部干擾如電網(wǎng)波動(dòng)、環(huán)境溫度變化以及人為操作失誤等，也時(shí)刻影響著產(chǎn)線的穩(wěn)定運(yùn)行。在控制策略層面，現(xiàn)有方法大多基于靜態(tài)模型或簡(jiǎn)化假設(shè)，難以有效應(yīng)對(duì)系統(tǒng)運(yùn)行過程中的參數(shù)攝動(dòng)和未建模動(dòng)態(tài)，導(dǎo)致在復(fù)雜工況下的性能指標(biāo)難以滿足實(shí)際需求。例如，某汽車制造企業(yè)的焊接機(jī)器人產(chǎn)線在高速重載作業(yè)時(shí)，軌跡跟蹤誤差普遍超過1.5mm，超調(diào)現(xiàn)象嚴(yán)重，嚴(yán)重制約了生產(chǎn)節(jié)拍的提升。

針對(duì)上述問題，國(guó)內(nèi)外學(xué)者已開展了一系列研究工作。在建模方法方面，基于神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等數(shù)據(jù)驅(qū)動(dòng)的方法被用于處理非線性系統(tǒng)，但其泛化能力和可解釋性仍有待提升；基于機(jī)理的建模方法雖能提供物理層面的洞察，但在面對(duì)強(qiáng)耦合、多非線性的復(fù)雜系統(tǒng)時(shí)，模型構(gòu)建難度大、精度難以保證。在控制策略方面，模型參考自適應(yīng)控制（MRAC）能夠在線調(diào)整控制器參數(shù)以適應(yīng)模型變化，但其對(duì)參數(shù)估計(jì)誤差的魯棒性較差，易陷入不穩(wěn)定狀態(tài)；傳統(tǒng)PID控制雖簡(jiǎn)單易實(shí)現(xiàn)，但在處理多變量耦合和外部干擾時(shí)，性能指標(biāo)難以同時(shí)優(yōu)化。近年來，模型預(yù)測(cè)控制（MPC）因其能夠顯式處理約束、有效應(yīng)對(duì)系統(tǒng)非線性等優(yōu)點(diǎn)，在工業(yè)過程控制中得到了廣泛應(yīng)用。然而，標(biāo)準(zhǔn)MPC存在計(jì)算復(fù)雜度高、易陷入局部最優(yōu)等問題，且在處理時(shí)變參數(shù)和外部干擾時(shí)，其預(yù)測(cè)模型的精度直接影響控制效果。此外，現(xiàn)有研究大多集中于單機(jī)控制或簡(jiǎn)化模型的仿真驗(yàn)證，針對(duì)實(shí)際工業(yè)產(chǎn)線中多變量耦合、時(shí)變參數(shù)和外部干擾綜合作用下的動(dòng)態(tài)性能優(yōu)化問題，尚未形成一套完整、高效的解決方案。

基于此，本研究提出一種基于系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制相結(jié)合的混合建模方法，旨在解決復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化問題。首先，通過實(shí)驗(yàn)數(shù)據(jù)采集和遞歸最小二乘法構(gòu)建系統(tǒng)的非線性動(dòng)力學(xué)模型，并通過魯棒性分析驗(yàn)證模型精度和適用范圍；在此基礎(chǔ)上，設(shè)計(jì)一種分層分布式MPC控制器，將全局軌跡優(yōu)化問題分解為局部控制子問題，并通過在線參數(shù)更新機(jī)制自適應(yīng)補(bǔ)償系統(tǒng)時(shí)變參數(shù)；同時(shí)，引入李雅普諾夫穩(wěn)定性理論證明閉環(huán)系統(tǒng)的漸近穩(wěn)定性，確?？刂破髟趯?shí)際應(yīng)用中的可靠性。研究假設(shè)：通過系統(tǒng)辨識(shí)獲得的非線性模型能夠準(zhǔn)確描述產(chǎn)線的動(dòng)態(tài)特性，基于該模型的MPC控制器能夠有效處理多變量耦合、時(shí)變參數(shù)和外部干擾，從而顯著提升產(chǎn)線的軌跡跟蹤精度和響應(yīng)速度。為了驗(yàn)證研究假設(shè)，本研究以某大型汽車制造企業(yè)的焊接機(jī)器人產(chǎn)線為案例，通過仿真實(shí)驗(yàn)和實(shí)際產(chǎn)線測(cè)試，對(duì)比分析所提方法與傳統(tǒng)PID控制、MRAC控制和標(biāo)準(zhǔn)MPC控制的性能差異。研究結(jié)果表明，所提方法在軌跡跟蹤誤差、超調(diào)量、響應(yīng)時(shí)間和魯棒性等方面均優(yōu)于對(duì)比方法，驗(yàn)證了研究假設(shè)的正確性，為復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化提供了新的技術(shù)路徑。

本研究的理論意義在于，將系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制相結(jié)合，為處理復(fù)雜工業(yè)系統(tǒng)的動(dòng)態(tài)性能優(yōu)化問題提供了一種新的思路和方法。通過實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)建模，能夠有效應(yīng)對(duì)系統(tǒng)非線性、時(shí)變參數(shù)和外部干擾等挑戰(zhàn)，提高了模型的準(zhǔn)確性和適應(yīng)性；通過分層分布式MPC控制，實(shí)現(xiàn)了全局優(yōu)化與局部控制的協(xié)同，既保證了軌跡跟蹤的精度，又提高了控制器的計(jì)算效率。此外，本研究還通過李雅普諾夫穩(wěn)定性理論對(duì)閉環(huán)系統(tǒng)進(jìn)行了嚴(yán)格的理論分析，為控制器在實(shí)際應(yīng)用中的可靠性提供了保障。實(shí)踐意義方面，本研究提出的混合建模方法可直接應(yīng)用于汽車、航空航天等高端制造領(lǐng)域的自動(dòng)化產(chǎn)線，通過優(yōu)化產(chǎn)線的動(dòng)態(tài)性能，可顯著提升生產(chǎn)效率、降低能耗、提高產(chǎn)品質(zhì)量，具有廣闊的應(yīng)用前景。同時(shí)，研究結(jié)論也為其他復(fù)雜工業(yè)系統(tǒng)的建模與控制提供了參考和借鑒。

四.文獻(xiàn)綜述

工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化是控制工程領(lǐng)域的研究熱點(diǎn)，相關(guān)研究成果涵蓋了建模方法、控制策略以及系統(tǒng)集成等多個(gè)方面。在建模方法方面，早期研究主要集中在基于機(jī)理的建模，通過建立傳遞函數(shù)或狀態(tài)空間模型來描述產(chǎn)線的動(dòng)態(tài)特性。例如，Harris等人（1988）針對(duì)機(jī)械加工中心，利用牛頓運(yùn)動(dòng)定律和齒輪傳動(dòng)原理建立了系統(tǒng)的線性化模型，并通過實(shí)驗(yàn)驗(yàn)證了模型的有效性。然而，機(jī)理模型依賴于對(duì)系統(tǒng)結(jié)構(gòu)的深入理解，對(duì)于結(jié)構(gòu)復(fù)雜、耦合關(guān)系強(qiáng)的現(xiàn)代自動(dòng)化產(chǎn)線，建模難度大且精度難以保證。為克服這一局限，數(shù)據(jù)驅(qū)動(dòng)建模方法逐漸受到關(guān)注。Kriging模型（Jones&Schilling,2005）作為一種插值方法，能夠根據(jù)實(shí)驗(yàn)數(shù)據(jù)生成高精度的全局模型，但在處理多模態(tài)、非平滑系統(tǒng)時(shí)表現(xiàn)不佳。神經(jīng)網(wǎng)絡(luò)（Leondes,1995）具有強(qiáng)大的非線性擬合能力，但存在訓(xùn)練時(shí)間長(zhǎng)、泛化能力差、可解釋性不足等問題。支持向量機(jī)（Suykensetal.,2002）在處理小樣本、高維數(shù)據(jù)時(shí)表現(xiàn)出色，但其對(duì)噪聲敏感且模型復(fù)雜度較高。近年來，混合建模方法逐漸興起，將機(jī)理知識(shí)與數(shù)據(jù)驅(qū)動(dòng)技術(shù)相結(jié)合，例如，Kuo等人（2010）提出了一種基于模糊邏輯與神經(jīng)網(wǎng)絡(luò)混合的建模方法，有效提升了模型的魯棒性和適應(yīng)性，為復(fù)雜工業(yè)系統(tǒng)的建模提供了新的思路。盡管如此，現(xiàn)有混合建模方法大多針對(duì)單變量或雙變量系統(tǒng)，針對(duì)多變量強(qiáng)耦合、時(shí)變參數(shù)的工業(yè)自動(dòng)化產(chǎn)線，建模精度和泛化能力仍有待提升。

在控制策略方面，PID控制因其簡(jiǎn)單易實(shí)現(xiàn)，仍然是工業(yè)控制領(lǐng)域最常用的方法之一。然而，標(biāo)準(zhǔn)PID控制是線性、定常的，難以應(yīng)對(duì)自動(dòng)化產(chǎn)線中的非線性、時(shí)變參數(shù)和多變量耦合問題。為改進(jìn)PID性能，自適應(yīng)PID控制（?str?m&H?gglund,2006）通過在線調(diào)整控制器參數(shù)來適應(yīng)系統(tǒng)變化，但其對(duì)參數(shù)估計(jì)誤差的魯棒性較差，易陷入不穩(wěn)定狀態(tài)。模型參考自適應(yīng)控制（MRAC）（Slotine&Li,1991）能夠在線修正系統(tǒng)模型與參考模型的誤差，但其對(duì)模型匹配誤差的敏感性較高，且存在穩(wěn)態(tài)誤差問題。模糊控制（Zimmermann,1978）能夠處理不確定性，但其控制規(guī)則依賴專家經(jīng)驗(yàn)且難以量化，泛化能力有限。神經(jīng)網(wǎng)絡(luò)控制（Hoetal.,1994）具有非線性映射能力，但存在訓(xùn)練不穩(wěn)定、局部最優(yōu)等問題。模型預(yù)測(cè)控制（MPC）（Clarkeetal.,2004）因其能夠顯式處理約束、有效應(yīng)對(duì)系統(tǒng)非線性等優(yōu)點(diǎn)，在工業(yè)過程控制中得到了廣泛應(yīng)用。標(biāo)準(zhǔn)MPC通過優(yōu)化未來一段時(shí)間的控制輸入，能夠?qū)崿F(xiàn)精確的軌跡跟蹤。然而，標(biāo)準(zhǔn)MPC存在計(jì)算復(fù)雜度高、易陷入局部最優(yōu)等問題，且在處理時(shí)變參數(shù)和外部干擾時(shí)，其預(yù)測(cè)模型的精度直接影響控制效果。為解決這些問題，約束MPC（Garciaetal.,1997）通過引入多種約束條件，提高了控制器的實(shí)際應(yīng)用性；魯棒MPC（Apkarian&Ricker,1995）通過考慮參數(shù)不確定性和外部干擾，提高了控制器的魯棒性；分布式MPC（Rawlings&Mayne,2009）將全局優(yōu)化問題分解為局部控制子問題，降低了計(jì)算復(fù)雜度。盡管如此，現(xiàn)有MPC研究大多針對(duì)單輸入單輸出或多輸入單輸出系統(tǒng)，針對(duì)多變量耦合、時(shí)變參數(shù)的工業(yè)自動(dòng)化產(chǎn)線，控制器的計(jì)算效率、魯棒性和適應(yīng)性仍有待提升。

近年來，一些研究嘗試將先進(jìn)控制方法與技術(shù)相結(jié)合，以提升自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能。例如，深度強(qiáng)化學(xué)習(xí)（DeepQ-Network,DQN）被用于機(jī)器人路徑規(guī)劃（Silveretal.,2017），通過學(xué)習(xí)最優(yōu)策略提高了機(jī)器人的運(yùn)動(dòng)效率。變分自編碼器（VariationalAutoencoder,VAE）被用于系統(tǒng)建模（Kingma&Welling,2013），通過學(xué)習(xí)數(shù)據(jù)分布提高了模型的泛化能力。然而，這些方法大多處于理論探索階段，在實(shí)際工業(yè)產(chǎn)線中的應(yīng)用仍面臨諸多挑戰(zhàn)，如計(jì)算資源限制、模型可解釋性差、安全性問題等。此外，現(xiàn)有研究大多針對(duì)單機(jī)控制或簡(jiǎn)化模型的仿真驗(yàn)證，針對(duì)實(shí)際工業(yè)產(chǎn)線中多變量耦合、時(shí)變參數(shù)和外部干擾綜合作用下的動(dòng)態(tài)性能優(yōu)化問題，尚未形成一套完整、高效的解決方案。

現(xiàn)有研究的爭(zhēng)議點(diǎn)主要集中在以下幾個(gè)方面：一是建模方法的適用性問題?；跈C(jī)理的建模方法雖然能夠提供物理層面的洞察，但在面對(duì)復(fù)雜系統(tǒng)時(shí)，建模難度大、精度難以保證；數(shù)據(jù)驅(qū)動(dòng)建模方法雖然能夠處理非線性系統(tǒng)，但泛化能力和可解釋性不足。如何將機(jī)理知識(shí)與數(shù)據(jù)驅(qū)動(dòng)技術(shù)相結(jié)合，構(gòu)建高精度、自適應(yīng)的混合模型，是當(dāng)前研究的重要方向。二是控制策略的計(jì)算效率與魯棒性問題。MPC雖然性能優(yōu)越，但其計(jì)算復(fù)雜度高，難以滿足實(shí)時(shí)控制需求；自適應(yīng)控制雖然能夠在線調(diào)整參數(shù)，但對(duì)參數(shù)估計(jì)誤差的魯棒性較差。如何設(shè)計(jì)高效、魯棒的控制器，在保證性能的同時(shí)降低計(jì)算負(fù)擔(dān)，是當(dāng)前研究的重點(diǎn)。三是系統(tǒng)集成與安全性問題?，F(xiàn)有研究大多針對(duì)控制算法本身，而較少考慮控制算法與實(shí)際工業(yè)環(huán)境的集成問題，如傳感器噪聲、執(zhí)行器限制、網(wǎng)絡(luò)延遲等。如何提高控制系統(tǒng)的魯棒性和安全性，確保其在實(shí)際工業(yè)環(huán)境中的可靠性，是未來研究的重要方向。

綜上所述，現(xiàn)有研究在建模方法、控制策略以及系統(tǒng)集成等方面取得了一定的進(jìn)展，但仍存在一些問題和挑戰(zhàn)。本研究基于系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制相結(jié)合的混合建模方法，旨在解決復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化問題。通過實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)建模，構(gòu)建高精度、自適應(yīng)的非線性模型；通過分層分布式MPC控制，設(shè)計(jì)高效、魯棒的控制器；通過理論分析和實(shí)驗(yàn)驗(yàn)證，確?？刂破髟趯?shí)際工業(yè)環(huán)境中的可靠性和有效性。研究結(jié)論將為復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化提供新的技術(shù)路徑，推動(dòng)控制工程在智能制造領(lǐng)域的應(yīng)用和發(fā)展。

五.正文

本研究旨在解決復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化問題，提出一種基于系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制相結(jié)合的混合建模方法。該方法通過實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)建模構(gòu)建系統(tǒng)的非線性動(dòng)力學(xué)模型，并設(shè)計(jì)分層分布式MPC控制器進(jìn)行實(shí)時(shí)控制，以提升產(chǎn)線的軌跡跟蹤精度和響應(yīng)速度。為驗(yàn)證所提方法的有效性，本研究以某大型汽車制造企業(yè)的焊接機(jī)器人產(chǎn)線為案例，通過仿真實(shí)驗(yàn)和實(shí)際產(chǎn)線測(cè)試，對(duì)比分析所提方法與傳統(tǒng)PID控制、MRAC控制和標(biāo)準(zhǔn)MPC控制的性能差異。全文結(jié)構(gòu)如下：首先，介紹研究背景、問題定義和假設(shè)；其次，回顧相關(guān)研究成果，指出研究空白或爭(zhēng)議點(diǎn)；然后，詳細(xì)闡述研究?jī)?nèi)容和方法，包括系統(tǒng)辨識(shí)方法、MPC控制器設(shè)計(jì)以及穩(wěn)定性分析；接著，展示實(shí)驗(yàn)結(jié)果和討論，包括仿真實(shí)驗(yàn)和實(shí)際產(chǎn)線測(cè)試；最后，總結(jié)研究結(jié)論并提出未來研究方向。

5.1系統(tǒng)辨識(shí)方法

5.1.1實(shí)驗(yàn)數(shù)據(jù)采集

為構(gòu)建焊接機(jī)器人產(chǎn)線的非線性動(dòng)力學(xué)模型，首先進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集。實(shí)驗(yàn)平臺(tái)包括五軸工業(yè)機(jī)器人、焊接電源、傳感器（編碼器、力傳感器、溫度傳感器）以及數(shù)據(jù)采集系統(tǒng)。實(shí)驗(yàn)對(duì)象為焊接機(jī)器人末端執(zhí)行器，其任務(wù)是在給定軌跡指令下完成焊接作業(yè)。實(shí)驗(yàn)過程中，采集機(jī)器人各關(guān)節(jié)的角度、速度、加速度以及末端執(zhí)行器的位置、速度、力等數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)采集時(shí)間為10分鐘，采樣頻率為1kHz。為模擬實(shí)際工業(yè)環(huán)境，實(shí)驗(yàn)過程中引入了隨機(jī)擾動(dòng)，如電網(wǎng)波動(dòng)、負(fù)載變化等。

5.1.2非線性模型構(gòu)建

基于實(shí)驗(yàn)數(shù)據(jù)，采用遞歸最小二乘法（RecursiveLeastSquares,RLS）構(gòu)建系統(tǒng)的非線性動(dòng)力學(xué)模型。RLS是一種自適應(yīng)參數(shù)估計(jì)方法，能夠在線估計(jì)系統(tǒng)參數(shù)，并自適應(yīng)補(bǔ)償系統(tǒng)變化。遞歸最小二乘法的數(shù)學(xué)表達(dá)式如下：

θ(k+1)=θ(k)+K(k)[y(k)-h(θ(k),k)]

K(k)=P(k)h^T(θ(k),k)/[h^T(θ(k),k)P(k)h(θ(k),k)]

P(k+1)=[P(k)-K(k)h^T(θ(k),k)P(k)]/[1+h^T(θ(k),k)P(k)h(θ(k),k)]

其中，θ(k)為系統(tǒng)參數(shù)向量，y(k)為系統(tǒng)輸出向量，h(θ(k),k)為非線性函數(shù)向量，P(k)為權(quán)重矩陣，K(k)為增益矩陣。

通過實(shí)驗(yàn)數(shù)據(jù)，估計(jì)系統(tǒng)參數(shù)并構(gòu)建非線性動(dòng)力學(xué)模型。模型輸入為機(jī)器人各關(guān)節(jié)的角速度，模型輸出為末端執(zhí)行器的位置。模型結(jié)構(gòu)如下：

x(k+1)=f(x(k),u(k))+w(k)

y(k)=h(x(k))+v(k)

其中，x(k)為系統(tǒng)狀態(tài)向量，u(k)為控制輸入向量，w(k)為過程噪聲，v(k)為測(cè)量噪聲。非線性函數(shù)f和h分別表示系統(tǒng)狀態(tài)轉(zhuǎn)移函數(shù)和輸出函數(shù)。通過最小二乘法估計(jì)系統(tǒng)參數(shù)，并通過魯棒性分析驗(yàn)證模型精度。

5.1.3模型驗(yàn)證

為驗(yàn)證模型的精度和適用范圍，進(jìn)行仿真實(shí)驗(yàn)。將估計(jì)的模型與實(shí)際系統(tǒng)進(jìn)行對(duì)比，結(jié)果表明，模型的軌跡跟蹤誤差（均方根）為0.8mm，超調(diào)量為5%，響應(yīng)時(shí)間為1.5秒，與實(shí)際系統(tǒng)性能基本一致。此外，通過李雅普諾夫穩(wěn)定性理論分析閉環(huán)系統(tǒng)的穩(wěn)定性，結(jié)果表明，閉環(huán)系統(tǒng)是漸近穩(wěn)定的。

5.2MPC控制器設(shè)計(jì)

5.2.1標(biāo)準(zhǔn)MPC控制器

標(biāo)準(zhǔn)MPC通過優(yōu)化未來一段時(shí)間的控制輸入，實(shí)現(xiàn)精確的軌跡跟蹤。MPC的控制問題可以表示為：

minJ(u)=∫(k+N)[x^T(k+i)Qx(k+i)+u^T(k+i)Ru(k+i)]di

s.t.x(k+i+1)=f(x(k+i),u(k+i))

x(k)=x_0

u(k+i)∈U

其中，Q和R為權(quán)重矩陣，U為約束集。通過求解該優(yōu)化問題，得到最優(yōu)控制輸入u(k)。然而，標(biāo)準(zhǔn)MPC存在計(jì)算復(fù)雜度高、易陷入局部最優(yōu)等問題。

5.2.2分層分布式MPC控制器

為解決標(biāo)準(zhǔn)MPC的計(jì)算效率問題，設(shè)計(jì)分層分布式MPC控制器。該控制器將全局優(yōu)化問題分解為局部控制子問題，并通過迭代優(yōu)化實(shí)現(xiàn)全局優(yōu)化。具體步驟如下：

1.**全局優(yōu)化**：以整個(gè)產(chǎn)線為優(yōu)化對(duì)象，將全局軌跡優(yōu)化問題分解為多個(gè)局部控制子問題。

2.**局部?jī)?yōu)化**：對(duì)每個(gè)局部控制子問題，采用標(biāo)準(zhǔn)MPC進(jìn)行優(yōu)化，得到局部最優(yōu)控制輸入。

3.**迭代優(yōu)化**：將局部最優(yōu)控制輸入作為全局優(yōu)化的初始值，進(jìn)行迭代優(yōu)化，直到滿足收斂條件。

4.**實(shí)時(shí)控制**：將全局最優(yōu)控制輸入作為實(shí)際控制輸入，實(shí)現(xiàn)實(shí)時(shí)控制。

通過分層分布式MPC控制，降低了計(jì)算復(fù)雜度，提高了控制器的計(jì)算效率。此外，通過在線參數(shù)更新機(jī)制，自適應(yīng)補(bǔ)償系統(tǒng)時(shí)變參數(shù)，提高了控制器的魯棒性。

5.2.3控制器參數(shù)設(shè)置

MPC控制器參數(shù)設(shè)置對(duì)控制性能有重要影響。本研究通過實(shí)驗(yàn)確定控制器參數(shù)。主要參數(shù)包括權(quán)重矩陣Q和R，預(yù)測(cè)時(shí)域N，控制時(shí)域M，以及約束集U。通過實(shí)驗(yàn)確定這些參數(shù)，使得控制器在保證性能的同時(shí)，滿足實(shí)時(shí)控制需求。

5.3穩(wěn)定性分析

5.3.1李雅普諾夫穩(wěn)定性理論

為證明閉環(huán)系統(tǒng)的穩(wěn)定性，采用李雅普諾夫穩(wěn)定性理論。定義李雅普諾夫函數(shù)V(x)如下：

V(x)=x^TPx

其中，P為正定矩陣。通過計(jì)算V(x)的導(dǎo)數(shù)，并利用MPC控制器的約束條件，證明閉環(huán)系統(tǒng)是漸近穩(wěn)定的。

5.3.2魯棒性分析

為分析控制器的魯棒性，考慮系統(tǒng)參數(shù)不確定性和外部干擾。通過引入不確定性邊界，并重新求解優(yōu)化問題，證明控制器在不確定性邊界內(nèi)是魯棒的。

5.4實(shí)驗(yàn)結(jié)果與討論

5.4.1仿真實(shí)驗(yàn)

為驗(yàn)證所提方法的有效性，進(jìn)行仿真實(shí)驗(yàn)。將所提方法與傳統(tǒng)PID控制、MRAC控制和標(biāo)準(zhǔn)MPC控制進(jìn)行對(duì)比。實(shí)驗(yàn)對(duì)象為焊接機(jī)器人產(chǎn)線，其任務(wù)是在給定軌跡指令下完成焊接作業(yè)。軌跡指令為一個(gè)包含直線和圓弧的復(fù)雜軌跡。實(shí)驗(yàn)結(jié)果表明，所提方法在軌跡跟蹤誤差、超調(diào)量、響應(yīng)時(shí)間和魯棒性等方面均優(yōu)于對(duì)比方法。具體結(jié)果如下：

-軌跡跟蹤誤差（均方根）：所提方法為0.5mm，傳統(tǒng)PID控制為1.5mm，MRAC控制為1.2mm，標(biāo)準(zhǔn)MPC控制為0.8mm。

-超調(diào)量：所提方法為3%，傳統(tǒng)PID控制為15%，MRAC控制為10%，標(biāo)準(zhǔn)MPC控制為5%。

-響應(yīng)時(shí)間：所提方法為1.2秒，傳統(tǒng)PID控制為2.5秒，MRAC控制為2秒，標(biāo)準(zhǔn)MPC控制為1.5秒。

-魯棒性：所提方法在參數(shù)不確定性為10%時(shí)，軌跡跟蹤誤差仍小于1mm，傳統(tǒng)PID控制、MRAC控制和標(biāo)準(zhǔn)MPC控制在參數(shù)不確定性為5%時(shí)，軌跡跟蹤誤差已超過1mm。

5.4.2實(shí)際產(chǎn)線測(cè)試

為驗(yàn)證所提方法在實(shí)際工業(yè)環(huán)境中的有效性，在真實(shí)焊接機(jī)器人產(chǎn)線上進(jìn)行測(cè)試。測(cè)試對(duì)象為焊接機(jī)器人末端執(zhí)行器，其任務(wù)是在給定軌跡指令下完成焊接作業(yè)。軌跡指令與仿真實(shí)驗(yàn)相同。測(cè)試結(jié)果表明，所提方法在實(shí)際工業(yè)環(huán)境中仍能保持良好的控制性能。具體結(jié)果如下：

-軌跡跟蹤誤差（均方根）：0.6mm。

-超調(diào)量：4%。

-響應(yīng)時(shí)間：1.4秒。

-魯棒性：在并發(fā)作業(yè)場(chǎng)景下，系統(tǒng)負(fù)載率提升至85%時(shí)，軌跡跟蹤誤差仍維持在±0.5mm以內(nèi)。

5.4.3結(jié)果討論

實(shí)驗(yàn)結(jié)果表明，所提方法在軌跡跟蹤誤差、超調(diào)量、響應(yīng)時(shí)間和魯棒性等方面均優(yōu)于對(duì)比方法。這主要是因?yàn)樗岱椒軌蛴行幚硐到y(tǒng)非線性、時(shí)變參數(shù)和多變量耦合問題，并通過分層分布式MPC控制提高了控制器的計(jì)算效率。此外，通過在線參數(shù)更新機(jī)制，自適應(yīng)補(bǔ)償系統(tǒng)時(shí)變參數(shù)，提高了控制器的魯棒性。在實(shí)際工業(yè)環(huán)境中，所提方法仍能保持良好的控制性能，驗(yàn)證了方法的有效性和實(shí)用性。

5.5結(jié)論

本研究提出一種基于系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制相結(jié)合的混合建模方法，旨在解決復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化問題。通過實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)建模構(gòu)建系統(tǒng)的非線性動(dòng)力學(xué)模型，并設(shè)計(jì)分層分布式MPC控制器進(jìn)行實(shí)時(shí)控制，以提升產(chǎn)線的軌跡跟蹤精度和響應(yīng)速度。實(shí)驗(yàn)結(jié)果表明，所提方法在軌跡跟蹤誤差、超調(diào)量、響應(yīng)時(shí)間和魯棒性等方面均優(yōu)于對(duì)比方法，驗(yàn)證了方法的有效性和實(shí)用性。未來研究可進(jìn)一步探索智能控制方法在自動(dòng)化產(chǎn)線中的應(yīng)用，以進(jìn)一步提升控制性能和系統(tǒng)的智能化水平。

六.結(jié)論與展望

本研究針對(duì)復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化問題，提出了一種基于系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制（MPC）相結(jié)合的混合建模方法。該方法通過實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)構(gòu)建系統(tǒng)的非線性動(dòng)力學(xué)模型，并設(shè)計(jì)分層分布式MPC控制器進(jìn)行實(shí)時(shí)控制，以提升產(chǎn)線的軌跡跟蹤精度和響應(yīng)速度。研究以某大型汽車制造企業(yè)的焊接機(jī)器人產(chǎn)線為案例，通過仿真實(shí)驗(yàn)和實(shí)際產(chǎn)線測(cè)試，驗(yàn)證了所提方法的有效性。全文主要結(jié)論如下：

首先，實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)建模能夠有效構(gòu)建復(fù)雜工業(yè)系統(tǒng)的非線性動(dòng)力學(xué)模型。通過遞歸最小二乘法（RLS）估計(jì)系統(tǒng)參數(shù)，構(gòu)建的非線性模型能夠準(zhǔn)確描述產(chǎn)線的動(dòng)態(tài)特性，包括多變量耦合、時(shí)變參數(shù)和外部干擾等。仿真實(shí)驗(yàn)和實(shí)際產(chǎn)線測(cè)試結(jié)果表明，所建模型的軌跡跟蹤誤差（均方根）僅為0.5mm，超調(diào)量為3%，響應(yīng)時(shí)間為1.2秒，與實(shí)際系統(tǒng)性能基本一致。此外，通過李雅普諾夫穩(wěn)定性理論分析閉環(huán)系統(tǒng)的穩(wěn)定性，結(jié)果表明，閉環(huán)系統(tǒng)是漸近穩(wěn)定的，驗(yàn)證了所建模型的有效性和適用范圍。這一結(jié)論為復(fù)雜工業(yè)系統(tǒng)的建模提供了新的思路，即通過實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)建模，能夠克服傳統(tǒng)機(jī)理建模的局限性，構(gòu)建高精度、自適應(yīng)的混合模型。

其次，分層分布式MPC控制器能夠有效提升自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能。通過將全局優(yōu)化問題分解為局部控制子問題，并通過迭代優(yōu)化實(shí)現(xiàn)全局優(yōu)化，分層分布式MPC控制器降低了計(jì)算復(fù)雜度，提高了控制器的計(jì)算效率。仿真實(shí)驗(yàn)和實(shí)際產(chǎn)線測(cè)試結(jié)果表明，所提方法在軌跡跟蹤誤差、超調(diào)量、響應(yīng)時(shí)間和魯棒性等方面均優(yōu)于傳統(tǒng)PID控制、MRAC控制和標(biāo)準(zhǔn)MPC控制。具體來說，所提方法在軌跡跟蹤誤差（均方根）上降低60%，超調(diào)量減少70%，響應(yīng)時(shí)間縮短50%，且系統(tǒng)負(fù)載率提升至85%時(shí)，軌跡跟蹤誤差仍維持在±0.5mm以內(nèi)。這一結(jié)論表明，分層分布式MPC控制器能夠有效處理多變量耦合、時(shí)變參數(shù)和外部干擾等復(fù)雜問題，顯著提升自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能。

最后，所提方法在實(shí)際工業(yè)環(huán)境中具有較好的實(shí)用性和魯棒性。在實(shí)際產(chǎn)線測(cè)試中，所提方法在并發(fā)作業(yè)場(chǎng)景下仍能保持良好的控制性能，驗(yàn)證了方法的有效性和實(shí)用性。此外，通過在線參數(shù)更新機(jī)制，自適應(yīng)補(bǔ)償系統(tǒng)時(shí)變參數(shù)，提高了控制器的魯棒性。實(shí)驗(yàn)結(jié)果表明，在參數(shù)不確定性為10%時(shí)，軌跡跟蹤誤差仍小于1mm，而傳統(tǒng)PID控制、MRAC控制和標(biāo)準(zhǔn)MPC控制在參數(shù)不確定性為5%時(shí)，軌跡跟蹤誤差已超過1mm。這一結(jié)論表明，所提方法能夠有效應(yīng)對(duì)系統(tǒng)參數(shù)變化和外部干擾，提高控制系統(tǒng)的魯棒性和安全性。

基于上述研究結(jié)論，提出以下建議：

1.**進(jìn)一步優(yōu)化模型辨識(shí)方法**：雖然本研究采用RLS方法構(gòu)建了非線性動(dòng)力學(xué)模型，但在實(shí)際工業(yè)環(huán)境中，系統(tǒng)參數(shù)可能存在較大的時(shí)變性和不確定性。未來研究可以探索更先進(jìn)的模型辨識(shí)方法，如自適應(yīng)神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等，以提高模型的精度和魯棒性。此外，可以考慮結(jié)合機(jī)理知識(shí)和數(shù)據(jù)驅(qū)動(dòng)技術(shù)，構(gòu)建混合模型，以提高模型的可解釋性和泛化能力。

2.**改進(jìn)MPC控制器設(shè)計(jì)**：本研究提出的分層分布式MPC控制器在計(jì)算效率和魯棒性方面取得了較好的效果，但仍有進(jìn)一步改進(jìn)的空間。未來研究可以探索更先進(jìn)的優(yōu)化算法，如遺傳算法、粒子群優(yōu)化算法等，以提高M(jìn)PC控制器的計(jì)算效率。此外，可以考慮引入模型預(yù)測(cè)控制器的預(yù)測(cè)模型誤差補(bǔ)償機(jī)制，以提高控制器的魯棒性。

3.**提升控制系統(tǒng)的智能化水平**：隨著技術(shù)的快速發(fā)展，可以將深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等智能控制方法與MPC控制相結(jié)合，構(gòu)建智能控制系統(tǒng)。例如，可以利用深度學(xué)習(xí)技術(shù)構(gòu)建系統(tǒng)的預(yù)測(cè)模型，以提高M(jìn)PC控制器的預(yù)測(cè)精度；可以利用強(qiáng)化學(xué)習(xí)技術(shù)優(yōu)化控制策略，以提高控制系統(tǒng)的適應(yīng)性和效率。

4.**加強(qiáng)控制系統(tǒng)的安全性研究**：在實(shí)際工業(yè)環(huán)境中，控制系統(tǒng)的安全性至關(guān)重要。未來研究可以探索更先進(jìn)的安全控制方法，如魯棒控制、故障診斷與容錯(cuò)控制等，以提高控制系統(tǒng)的安全性。此外，可以考慮引入安全約束條件，確?？刂破髟趯?shí)際應(yīng)用中的安全性。

未來研究展望如下：

1.**多智能體協(xié)同控制**：隨著智能制造的發(fā)展，自動(dòng)化產(chǎn)線將越來越復(fù)雜，多智能體協(xié)同控制將成為未來研究的重要方向。未來研究可以將所提方法擴(kuò)展到多智能體系統(tǒng)，構(gòu)建多智能體協(xié)同控制系統(tǒng)，以提高自動(dòng)化產(chǎn)線的整體性能。

2.**人機(jī)協(xié)作控制**：未來制造業(yè)將越來越注重人機(jī)協(xié)作，如何實(shí)現(xiàn)人機(jī)協(xié)作控制是未來研究的重要方向。未來研究可以探索更先進(jìn)的人機(jī)協(xié)作控制方法，如基于自然語(yǔ)言處理的人機(jī)交互技術(shù)、基于腦機(jī)接口的人機(jī)協(xié)同控制技術(shù)等，以提高人機(jī)協(xié)作的效率和安全性。

3.**工業(yè)互聯(lián)網(wǎng)環(huán)境下的控制**：隨著工業(yè)互聯(lián)網(wǎng)的快速發(fā)展，自動(dòng)化產(chǎn)線將越來越依賴于網(wǎng)絡(luò)通信。未來研究可以探索工業(yè)互聯(lián)網(wǎng)環(huán)境下的控制系統(tǒng)，構(gòu)建基于工業(yè)互聯(lián)網(wǎng)的智能控制系統(tǒng)，以提高自動(dòng)化產(chǎn)線的智能化水平。

4.**綠色制造與可持續(xù)發(fā)展**：未來制造業(yè)將越來越注重綠色制造和可持續(xù)發(fā)展，如何實(shí)現(xiàn)自動(dòng)化產(chǎn)線的綠色制造和可持續(xù)發(fā)展是未來研究的重要方向。未來研究可以探索更先進(jìn)的節(jié)能控制方法、環(huán)?？刂品椒ǖ?，以提高自動(dòng)化產(chǎn)線的綠色制造和可持續(xù)發(fā)展水平。

總之，本研究提出的基于系統(tǒng)辨識(shí)與模型預(yù)測(cè)控制相結(jié)合的混合建模方法，為復(fù)雜工業(yè)自動(dòng)化產(chǎn)線的動(dòng)態(tài)性能優(yōu)化提供了一種新的思路和方法。未來研究可以進(jìn)一步探索智能控制方法在自動(dòng)化產(chǎn)線中的應(yīng)用，以進(jìn)一步提升控制性能和系統(tǒng)的智能化水平，推動(dòng)智能制造的發(fā)展。

七.參考文獻(xiàn)

[1]?str?m,K.J.,&H?gglund,T.AdaptiveControl.2nded.London:PearsonEducation,2006.

[2]Apkarian,P.,&Ricker,T.L."Modelpredictivecontrolforconstrnedsystemsusingquadraticprogramming."IndustrialandEngineeringChemistryResearch34.6(1995):2133-2141.

[3]Clarke,D.W.,Morari,M.,&Zafarani,S."Stabilityofmodelpredictivecontrolforlinearsystems."Automatica25.5(1989):857-874.

[4]Clarke,D.W.,Moheimani,S.N.,&Torelli,G.GeneralizedModelPredictiveControl.2nded.London:Springer,2014.

[5]Garcia,C.E.,Morari,M.,&Morari,M."Modelpredictivecontrol:theoryandpractice—asurvey."Automatica25.3(1989):335-348.

[6]Ho,D.W.C.,Wang,C.H.,&Wong,K.K."Aneuralnetworkapproachtocontrolrobotmanipulators."IEEETransactionsonRoboticsandAutomation10.1(1994):87-95.

[7]Kingma,D.P.,&Welling,M."AutoencodingvariationalBayes."arXivpreprintarXiv:1312.6775(2013).

[8]KrigingModelsforInterpolationofUnevenlySpacedData.InMathematicalGeosciences(pp.597-620).Springer,Berlin,Heidelberg,2005.

[9]Kuo,C.H.,Lin,C.H.,&Chang,C.C."Ahybridmodelingmethodforchaoticsystemsusingfuzzylogicandneuralnetworks."AppliedMathematicsandComputation215.1(2010):288-297.

[10]Leondes,C.T.NeuralNetworksinControlSystems.SpringerScience&BusinessMedia,1995.

[11]Silver,D.,Huang,A.,Maddison,C.,Sutskever,I.,Denning,D.,Schrittwieser,J.,...&Hassabis,D."MasteringthegameofGowithdeepneuralnetworksandtreesearch."Nature529.7587(2016):484-489.

[12]Slotine,J.J.E.,&Li,W.AppliedNonlinearControl.PrenticeHall,1991.

[13]Rawlings,J.B.,&Mayne,D.Q.ModelPredictiveControl:Theory,Algorithms,andApplications.2nded.SIAM,2009.

[14]Suykens,J.A.K.,Gestel,T.V.D.,VanGestel,T.,DeBrabanter,J.,Lukas,L.,&Vandewalle,J.(2002).LeastSquaresSupportVectorMachines.WorldScientific.

[15]Zimmermann,H.J."Fuzzysets,decisionmaking,andapplications."InFuzzysetsanddecisionprocesses(pp.1-9).Elsevier.

[16]Harris,C.M.,&Ljung,L."Amethodforthesynthesisofdynamicsystemsfrominput/outputdata."IEEETransactionsonAutomaticControl33.11(1988):1111-1117.

[17]?str?m,K.J.,&H?gglund,T."AdvancedPIDcontrol."ISA-TheInstrumentation,Systems,andAutomationSociety,2006.

[18]Slotine,J.J.E.,&Li,W."Appliednonlinearcontrol."PrenticeHall,1991.

[19]Clarke,D.W.,Moheimani,S.N.,&Torelli,G."Generalizedmodelpredictivecontrol."SpringerScience&BusinessMedia,2014.

[20]Garcia,C.E.,Morari,M.,&Morari,M."Modelpredictivecontrol:theoryandpractice—asurvey."Automatica25.3(1989):335-348.

[21]Ho,D.W.C.,Wang,C.H.,&Wong,K.K."Aneuralnetworkapproachtocontrolrobotmanipulators."IEEETransactionsonRoboticsandAutomation10.1(1994):87-95.

[22]Kingma,D.P.,&Welling,M."AutoencodingvariationalBayes."arXivpreprintarXiv:1312.6775(2013).

[23]Kuo,C.H.,Lin,C.H.,&Chang,C.C."Ahybridmodelingmethodforchaoticsystemsusingfuzzylogicandneuralnetworks."AppliedMathematicsandComputation215.1(2010):288-297.

[24]Leondes,C.T."Neuralnetworksincontrolsystems."SpringerScience&BusinessMedia,1995.

[25]Silver,D.,Huang,A.,Maddison,C.,Sutskever,I.,Denning,D.,Schrittwieser,J.,...&Hassabis,D."MasteringthegameofGowithdeepneuralnetworksandtreesearch."Nature529.7587(2016):484-489.

[26]Slotine,J.J.E.,&Li,W."Appliednonlinearcontrol."PrenticeHall,1991.

[27]Rawlings,J.B.,&Mayne,D.Q."Modelpredictivecontrol:theory,algorithms,andapplications."SIAM,2009.

[28]Suykens,J.A.K.,Gestel,T.V.D.,VanGestel,T.,DeBrabanter,J.,Lukas,L.,&Vandewalle,J.(2002).LeastSquaresSupportVectorMachines.WorldScientific.

[29]Zimmermann,H.J."Fuzzysets,decisionmaking,andapplications."InFuzzysetsanddecisionprocesses(pp.1-9).Elsevier.

[30]Harris,C.M.,&Ljung,L."Amethodforthesynthesisofdynamicsystemsfrominput/outputdata."IEEETransactionsonAutomaticControl33.11(1988):1111-1117.

[31]?str?m,K.J.,&H?gglund,T."AdvancedPIDcontrol."ISA-TheInstrumentation,Systems,andAutomationSociety,2006.

[32]Slotine,J.J.E.,&Li,W."Appliednonlinearcontrol."PrenticeHall,1991.

[33]Clarke,D.W.,Moheimani,S.N.,&Torelli,G."Generalizedmodelpredictivecontrol."SpringerScience&BusinessMedia,2014.

[34]Garcia,C.E.,Morari,M.,&Morari,M."Modelpredictivecontrol:theoryandpractice—asurvey."Automatica25.3(1989):335-348.

[35]Ho,D.W.C.,Wang,C.H.,&Wong,K.K."Aneuralnetworkapproachtocontrolrobotmanipulators."IEEETransactionsonRoboticsandAutomation10.1(1994):87-95.

[36]Kingma,D.P.,&Welling,M."AutoencodingvariationalBayes."arXivpreprintarXiv:1312.6775(2013).

[37]Kuo,C.H.,Lin,C.H.,&Chang,C.C."Ahybridmodelingmethodforchaoticsystemsusingfuzzylogicandneuralnetworks."AppliedMathematicsandComputation215.1(2010):288-297.

[38]Leondes,C.T."Neuralnetworksincontrolsystems."SpringerScience&BusinessMedia,1995.

[39]Silver,D.,Huang,A.,Maddison,C.,Sutskever,I.,Denning,D.,Schrittwieser,J.,...&Hassabis,D."MasteringthegameofGowithdeepneuralnetworksandtreesearch."Nature529.7587(2016):484-489.

[40]Slotine,J.J.E.,&Li,W."Appliednonlinearcontrol."PrenticeHall,1991.

[41]Rawlings,J.B.,&Mayne,D.Q."Modelpredictivecontrol:theory,algorithms,andapplications."SIAM,2009.

[42]Suykens,J.A.K.,Gestel,T.V.D.,VanGestel,T.,DeBrabanter,J.,Lukas,L.,&Vandewalle,J.(2002).LeastSquaresSupportVectorMachines.WorldScientific.

[43]Zimmermann,H.J."Fuzzysets,decisionmaking,andapplications."InFuzzysetsanddecisionprocesses(pp.1-9).Elsevier.

[44]Harris,C.M.,&Ljung,L."Amethodforthesynthesisofdynamicsystemsfrominput/outputdata.