18935

2119 دكتري

دكتري

كنترل

اصفهان : دانشگاه صنعتي اصفهان

1402

يازده، 63ص، جدول، نمودار

1402/08/03

كتابنامه

مهندسي برق

مهندسي برق و كامپيوتر

1402/08/03

2974231

كنترل پيش‌بين داده-محور در دهه اخير در زمره موضوعات پژوهشي جذاب مهندسي كنترل درآمده است. مانند كنترل داده-محور كلاسيك دو روند اصلي براي طراحي كنترل پيش‌بين داده-محور وجود دارد: روند غيرمستقيم كه در آن ابتدا سيستم تحت كنترل شناسايي و سپس كنترل مدل-پايه براساس آن طراحي مي‌‌شود، و روند مستقيم كه در آن كنترل كننده با ارزيابي كارآيي آن در حلقه كنترل شناسايي مي‌شود. موضوع اين رساله شناسايي مستقيم كنترل پيش‌بين داده-پايه است. كنترل پيش‌بين متكي به مدل سيستم تحت كنترل به عنوان مدل پيش‌بين است. اگر مدل پارامتري سيستم به عنوان مجهول انتخاب شود، كنترل كننده تابعي ضمني از پارامترهاي مدل خواهد بود كه مي‌تواند توسط روش‌هاي طراحي مسئله كلاسيك كنترل مدل-مرجع شناسايي شود. لذا بخشي از اين كار به توسعه مباني نظري و ابزارهاي مناسب براي طراحي كنترل پيش‌بين مدل مرجع يا جايگذاري قطب اختصاص دارد كه امكان طراحي كنترل پيش‌بين را براي قطب‌هاي حلقه بسته مطلوب، يا قطب‌هاي در محدوده با حداقل نسبت ميرايي مورد نظر، و نيز در حضور محدوديت‌هاي ورودي و خروجي فراهم مي‌‌كند. در ادامه روش‌هاي شناسايي مستقيم مدل پارامتري تعميم داده شده است و بر اساس آن شش الگوريتم براي طراحي كنترل پيش‌بين داده-محور مدل-مرجع، بهينه و بهينه با حداقل حاشيه پايداري به مفهوم تامين حداقل نسبت ميرايي با استفاده از روش‌هاي شناسايي مبتني بر همبستگي و فيدبك مرجع مجازي توسعه داده شده است. كارآيي اين الگوريتم‌ها با مثال‌هاي مناسب نشان داده شده است. روش پيشنهادي در مقايسه با ديگر روش‌هاي طراحي؛ مستقيم و قابل شناسايي است و با توجه به تقليل آن به روش كلاسيك طراحي مدل-مرجع بررسي امكان‌پذيري و پايداري آن توسط روش‌هاي توسعه داده‌شده قبلي در اين حوزه قابل تصديق و تضمين است.

Data-driven model predictive control has become an attractive research subject in recent years. There are two main approaches to design data-driven model predictive control; direct methods in which controller is identified directly, and indirect ones where controller is designed based on an identified model of the plant. In this research a new method for direct and off-line identification of predictive controller is developed. Here, Data-driven MPC design problem is reduced to basic model reference data-driven control problem which is more recognized, and can be analyzed and designed by existing methods for LTI systems. As a required tool, a new pole-placement MPC design algorithm is developed which enables designing MPC with pre-specified closed-loop characteristics as well as optimal time domain performance for both unconstrained and constrained control. The required tuning methods are adapted and six algorithms using modified correlation-based and virtual reference feedback tunings are developed. In comparison with other works, the proposed method can be used for both performance-oriented and model reference criteria, is direct, off-line, and identifiable. Meanwhile, stability, and feasibility of the proposed algorithms can be guaranteed and certified using established analysis and synthesis methods for data-driven control. Key words: Model predictive control, Data-drven model predictive control, pole-placement model predictive control, optimal data-driven model predictive control.

فريد شيخ الاسلام , محمد حائري

محسن مجيري فروشاني , جعفر قيصري , علي اكبر صفوي