آموزش کنترل پیش بین مدل با متلب

کنترل مدل پیش بین، در دو دهه اخیر پیشرفت چشم گیری هم در حوزه تحقیقات و هم در حوزه کنترل پروسه های صنعتی پیدا کرده است. دلیل این موفقیت را می توان در توانایی بالای کنترل مدل پیش بین برای حل مشکلات کنترل پروسه های صنعتی در حوزه زمان دانست. کنترل مدل پیش بین، شاخه های مختلف مهندسی کنترل را اعم از: کنترل بهینه، کنترل تصادفی، کنترل چند متغیره، کنترل سیستم های تاخیر دار و… را در بر می گیرد. یکی دیگر از ویژگی های مهم کنترل مدل پیش بین، طراحی مقید است که این امکان را فراهم می آورد تا کنترلی را طوری طراحی نمود که محدوده سیگنال های کنترلی تولید شده، کنترل شوند. در واقع، اصطلاح کنترل مدل پیش بین یک استراتژی کنترلی را تعیین نمی کند، بلکه محدوده وسیعی از استراتژی های کنترلی را در بر می گیرد که با استفاده از مدل پروسه، سیگنال کنترلی را طوری صادر می کنند که یک تابع هزینه تعریف شده را حداقل سازی کند. الگوریتم های مختلف کنترل مدل پیش بین تنها در نوع ارائه مدل فرایند، نویز، اغتشاشات و تابع هزینه تفاوت دارند. امروزه از کنترل مدل پیش بین در کنترل خیلی از فرایندهای صنعتی مانند: صنعت سیمان، برج های خنک کننده، PVC ها و حتی در کنترل بازوهای رباتیکی برای بیهوشی بالینی و… استفاده می شود. چند مورد از ویژگی های مهم کنترل مدل پیش بین به صورت زیر می باشند: تنها به اطلاعات محدودی درباره سیستم های کنترلی، برای کار کردن با آن نیاز هست، در نتیجه تنظیم کنترل کننده های پیش بین برای کاربران آن آسان خواهد بود. برای محدوده وسیعی از سیستم های کنترلی از قبیل: سیستم های تاخیردار، سیستم های تک متغیره و چند متغیره، سیستم های غیر حداقل فاز و سیستم های ناپایدار، قابل استفاده است. این استراتژی ذاتا برای کنترل سیستم های تاخیر دار است. استراتژی کنترلی منتج شده، به راحتی قابل پیاده سازی عملی است. برای طراحی سیستم های کنترلی مقید کاملا کاربردی است. اساس کار کنترل مدل پیش بین به این صورت است که با تعیین سیگنال کنترلی مناسب سعی می کند که خروجی های آینده سیستم، مقادیر مشخصی بشوند. بر همین اساس الگوریتم های متنوعی برای پیاده سازی کنترل مدل پیش بین ارائه شده اند که از میان آن ها می توان به الگوریتم های زیر اشاره کرد: 1- Dynamic Matrix Control این الگوریتم از پاسخ پله سیستم استفاده می کند و بر اساس این الگوریتم مقدار تغییرات سیگنال کنترلی برای حداقل سازی تابع هزینه مشخص می شود. 2- Model Algorithmic Control این الگوریتم از پاسخ ضربه سیستم استفاده می کند و بر اساس این الگوریتم مقدار سیگنال کنترلی برای حداقل سازی تابع هزینه مشخص می شود. 3- Predictive Functional Control کنترلر PFC برای تعیین بهترین استراتژی کنترل که بتواند انحرافات بین نقاط انطباقی واقع شده بر روی یک خط سیر مرجع در افق HC و سطح آینده را کاهش دهد، در نظر گرفته می شود. 4- Generalized Predictive Control این استراتژی از مدل تابع تبدیل سیستم در حوزه فرکانس برای پیش بینی رفتار آینده پلانت استفاده می کند و کارایی وسیع تری نسبت به الگوریتم های دیگر دارد. الگوریتم های بالا قابل استفاده برای سیستم های خطی و برای سیستم های غیرخطی نیز الگوریتم هایی نظیر: EMDC NMPC و استفاده از الگوریتم های هوشمند نظیر، عصبی است. در این فرادرس سعی شده است مباحث تئوری و عملی الگوریتم کنترلی بالا را به صورت کامل مورد بررسی قرار دهیم و برنامه های لازم در محیط نرم افزار متلب برای تست آن ها نوشته می شود.