Разработка прогнозирующего управления моделью объекта для многопараметрического процесса

СПИСОК СОКРАЩЕНИЙ……………………………………………………….7
ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ………………………………………………….8
ВВЕДЕНИЕ 11
ГЛАВА1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПРЕДИКТИВНОГО УПРАВЛЕНИЯ МОДЕЛЬЮ ОБЪЕКТА ДЛЯ МНОГОПАРАМЕТРИЧЕСКОГО ПРОЦЕССА …13
1.1. Основные принципы управления объектом с прогнозирующей моделью МРС……. ……… 13
1.2. МРС для решения задач стабилизации объектов 15
1.3. Базовый алгоритм МРС….. 16
1.4. Прогнозирование состояния многопараметрической технической системы……………………………………………………………20
1.5. Ограничения, накладываемые технической реализацией на ПИД-регуляторы…………………………………………………………….. 24
1.6. О двойственности управления объектами на основе PID и MPC законов………………………………………………………………27
1.7. Новые методологии в задачах стабильности и оптимизации прогнозного управления нелинейной моделью………………………………..30
1.8. Прогнозирующее управление нелинейной моделью на основе обучения………………………………………………………………35
1.9. Помехи или шум процесса в NMPC………………… ……………………37
1.10. Надежность в LB-NMPC………………………………………… ………..38
1.11. Надежное инвариантное множество и соответствие ограничений LB-NMPC…………...…………………………………… ……….42
ГЛАВА 2. ПРИМЕНЕНИЕ СРЕДСТВ МОДЕЛИРОВАНИЯ СРЕДЫ SIMULINK ДЛЯ АНАЛИЗА КАЧЕСТВА СИСТЕМ УПРАВЛЕНИЯ 48
2.1 Интегральное насыщение ПИД-регуляторов ………………….………….48
2.2 Методы сравнения и интерпретации для прогностического управления………………………………………………………………………..52
2.3 Модели прогнозирования MPC ……………………………………………..55
2.4 Применение моделирования в среде SIMULINK для решения задач управления тепловым объектом………………………..………………………..61
2.5 Автоматическое управление температурой в печи ПИД-регулятором с оптимальными настройками………………………………………...………67
ЗАКЛЮЧЕНИЕ …………………….. …………… ……………………………. 71
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ .72

Весь текст будет доступен после покупки

Прогнозирующее управление моделями (MPC) - это алгоритм управления, основанный на модели для практических промышленных процессов. Основная идея состоит в том, чтобы использовать модель в каждом цикле управления для прогнозирования динамических характеристик системы в будущем (временная область прогнозирования), а затем найти оптимальную стратегию управления в конечной временной области в текущем цикле управления. Richalet впервые объяснил предпосылки, механизм и эффект применения прогнозирующего управления в 1978 году [26]. С тех пор были предложены и применены на практике различные алгоритмы прогнозного управления с точки зрения промышленной применимости и спроса. Например, такие как управление алгоритмом модели, динамическое матричное управление и обобщенное прогнозирующее управление, прогнозирующее функциональное управление и так далее. По сравнению с другим управлением на основе моделей алгоритм MPC обладает значительными преимуществами в ограничениях на оперативную обработку, ограничениях повторяющегося процесса и производительности оптимизации. Он широко используется в управлении химическими процессами, автомобильных системах и робототехнике [17, 18].
Управление по прогнозирующей модели ? Model Predictive Control (МРС) ? современный подход к управлению линейными и нелинейными динамическими системами, основанный на решении в реальном времени последовательности задач оптимального управления (ОУ) с конечным временным горизонтом. Упомянутые задачи ОУ называются прогнозирую-щими, формулируются в зависимости от целей управления, учитывают текущие измерения состояний объекта управления и ограничения на траектории и управляющие воздействия, а также аппроксимируют исходную задачу управления на бесконечном полуинтервале времени [25, 39].

Весь текст будет доступен после покупки

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПРЕДИКТИВНОГО УПРАВЛЕНИЯ МОДЕЛЬЮ ОБЪЕКТА
ДЛЯ МНОГОПАРАМЕТРИЧЕСКОГО ПРОЦЕССА

1.1. Основные принципы управления объектом с прогнозирующей моделью МРС
Наиболее распространенными методами управления в автоматизированных системах управления техническими объектами с обратной связью в современных производственных процессах являются ПИД-регулирование и управление с прогнозирующей моделью (Model Predictive Control – MPC) [27, 28, 32, 39].
ПИД-регулирование – один из классических подходов к регулированию SISO-контуров (от англ. «Single-input, single-output», т.е. с одним входом и одним выходом) с обратной связью, обладающих минимально-фазовыми характеристиками. Управляющий сигнал на объект подает ПИД-регулятор (от «пропорционально-интегрально-дифференциальный»). Сигнал состоит из трех слагаемых: первое пропорционально входному сигналу на регулятор, (ошибка управления), второе есть интеграл входного сигнала, а третье – производная управляющего сигнала.
Если в регулировании не используется какая-либо составляющая ПИД-регулятора, то регулятор называют пропорциональным, интегральным, дифференциальным, пропорционально-интегральным, пропорционально-дифференциальным и т.п. На вход регулятора подается значение ошибки управления – разности между текущим значением регулируемой величины и задающего значения, называемого также «уставкой». Целью управления является поддержание текущего значения регулируемой величины равным уставке, т.е. сведение ошибки управления к нулю.

Весь текст будет доступен после покупки

1. Astrom K.J., Hagglund T. Advanced PID control. — ISA (The Instrumentation, Systems, and Automation Society), 2006. — 460 p.
2. Bemporad A., Ricker N.L., Morari M. Matlab Model Predictive Control Toolbox: User's Guide. R2021b. The MathWorks, Inc., 2021. — 960 p.
3. Berlik, S., Nasiri, M. An Adaptive Fuzzy Model Predictive Control System for the Textile Fiber Industry // Communications in Computer and Information Science. — 2010. —Vol. 81. — P. 729—736.
4. Bristol E. On a new measure of interaction for multivariable process control //IEEE transactions on automatic control. – 1966. – Т. 11. – №. 1. – С. 133-134. https://doi.org/10.1109/tac.1966.1098266
5. Chen Z. et al. Hierarchical-fuzzy allocation and multi-parameter adjustment prediction for industrial loading optimisation //Connection Science. – 2022. – Т. 34. – №. 1. – С. 687-708.
6. Chen, Z., Wang, C., Li, J. et al. Multi-agent collaborative control parameter prediction for intelligent precision loading. Appl Intell 52, 15961–15979 (2022).
7. Corriou J.P. Multivariable Control by Transfer Function Matrix //Process Control: Theory and Applications. – 2018. – С. 305-338. https://doi.org/10.1007/978-3-319-61143-3_8
8. Cutler C.R., Ramaker B.L. Dynamic matrix control?? A computer control algorithm //joint automatic control conference. – 1980. – №. 17. – С. 72.
9. D. Segall M. Multi-parameter optimization: identifying high quality compounds with a balance of properties //Current pharmaceutical design. – 2012. – Т. 18. – №. 9. – С. 1292.
10. Gilbert E.G. Controllability and observability in multivariable control systems //Journal of the Society for Industrial and Applied Mathematics, Series A: Control. – 1963. – Т. 1. – №. 2. – С. 128-151.
11. Hajiloo A. Robust and multi-objective model predictive control design for nonlinear systems : дис. – Concordia University, 2016.
12. Harris T.J., Boudreau F., MacGregor J.F. Performance assessment of multivariable feedback controllers //Automatica. – 1996. – Т. 32. – №. 11. – С. 1505-1518.
13. Joseph D.P., Tou T.J. On linear control theory //Transactions of the American Institute of Electrical Engineers, Part II: Applications and Industry. – 1961. – Т. 80. – №. 4. – С. 193-196.

Весь текст будет доступен после покупки