دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: Second edition
نویسندگان: Rossiter. J. A
سری: Control Series
ISBN (شابک) : 9781351597166, 9781351597159
ناشر: CRC Press
سال نشر: 2018
تعداد صفحات: 427
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب اولین دوره در کنترل پیش بینی، ویرایش دوم: سیستم های کنترل خطی، مهندسی شیمی، شیمی، فنی، مهندسی سیستم ها، فناوری و مهندسی / مهندسی (عمومی)
در صورت تبدیل فایل کتاب A First Course in Predictive Control, Second Edition به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب اولین دوره در کنترل پیش بینی، ویرایش دوم نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
\"کتاب گسترش قابل توجهی را در عمق و وسعت نسخه قبلی ارائه می
دهد. شامل تصاویر عددی بسیار بیشتر و کدهای متلب پشتیبان فراوان
است که خواننده می تواند از آنها برای تکرار تصاویر یا ساختن
تصاویر خود استفاده کند. این کد عمداً به گونه ای نوشته شده است.
تا حد امکان ساده و آسان برای ویرایش این کتاب یک نقطه شروع عالی
برای هر محققی است تا قبل از حرکت به سمت کاربرد و یا استفاده از
آن، پایه ای محکم در
مفاهیم و الگوریتم های MPC به دست آورد. موضوعات تحقیقاتی پیشرفته
تر. نمونه مسائل برای خوانندگان در سرتاسر فصل ها تعبیه شده است،
و سوالات درون متنی برای خوانندگان طراحی شده است تا درک مفاهیم
را از طریق شبیه سازی عددی نشان دهند.\"-- ارائه شده توسط
ناشر. ادامه
مطلب...
چکیده: \"کتاب گسترش قابل توجهی در عمق و وسعت نسخه قبلی ارائه می
دهد. این شامل تصاویر عددی بسیار بیشتر و کدهای متلب پشتیبان
فراوان است که خواننده می تواند از آنها برای تکرار تصاویر یا
ساختن تصاویر خود استفاده کند. کد به عمد نوشته شده است که تا حد
امکان ساده باشد و ویرایش آن آسان باشد. این کتاب یک نقطه شروع
عالی برای هر محققی است تا قبل از حرکت به سمت برنامه های کاربردی
یا موضوعات تحقیقاتی پیشرفته تر، پایه ای محکم در مفاهیم و
الگوریتم های MPC به دست آورد. نمونه مسائل برای خوانندگان در
سرتاسر فصل ها تعبیه شده است و سوالات درون متنی برای خوانندگان
طراحی شده است تا درک مفاهیم را از طریق شبیه سازی عددی نشان
دهند.\"- ارائه شده توسط ناشر
"The book presents a significant expansion in depth and breadth
of the previous edition. It includes substantially more
numerical illustrations and copious supporting MATLAB code that
the reader can use to replicate illustrations or build his or
her own. The code is deliberately written to be as simple as
possible and easy to edit. The book is an excellent starting
point for any researcher to gain a solid grounding in MPC concepts and algorithms
before moving into application or more advanced research
topics. Sample problems for readers are embedded throughout the
chapters, and in-text questions are designed for readers to
demonstrate an understanding of concepts through numerical
simulation."--Provided by publisher. Read
more...
Abstract: "The book presents a significant expansion in depth
and breadth of the previous edition. It includes substantially
more numerical illustrations and copious supporting MATLAB code
that the reader can use to replicate illustrations or build his
or her own. The code is deliberately written to be as simple as
possible and easy to edit. The book is an excellent starting
point for any researcher to gain a solid grounding in MPC
concepts and algorithms before moving into application or more
advanced research topics. Sample problems for readers are
embedded throughout the chapters, and in-text questions are
designed for readers to demonstrate an understanding of
concepts through numerical simulation."--Provided by publisher
Content: Cover
Half Title
Title
Copyright
Dedication
Contents
Overview and guidance for use
Book organisation
Acknowledgements
Chapter 1 Introduction and the industrial need for predictive control
1.1 Guidance for the lecturer/reader
1.2 Motivation and introduction
1.3 Classical control assumptions
1.3.1 PID compensation
1.3.2 Lead and Lag compensation
1.3.3 Using PID and lead/lag for SISO control
1.3.4 Classical control analysis
1.4 Examples of systems hard to control effectively with classical methods
1.4.1 Controlling systems with non-minimum phase zeros 1.4.2 Controlling systems with significant delays1.4.3 ILLUSTRATION: Impact of delay on margins and closed-loop behaviour
1.4.4 Controlling systems with constraints
1.4.5 Controlling multivariable systems
1.4.6 Controlling open-loop unstable systems
1.5 The potential value of prediction
1.5.1 Why is predictive control logical?
1.5.2 Potential advantages of prediction
1.6 The main components of MPC
1.6.1 Prediction and prediction horizon
1.6.2 Why is prediction important?
1.6.3 Receding horizon
1.6.4 Predictions are based on a model
1.6.5 Performance indices 1.6.6 Degrees of freedom in the predictions or prediction class . .1.6.7 Tuning
1.6.8 Constraint handling
1.6.9 Multivariable and interactive systems
1.6.10 Systematic use of future demands
1.7 MPC philosophy in summary
1.8 MATLAB files from this chapter
1.9 Reminder of book organisation
Chapter 2 Prediction in model predictive control
2.1 Introduction
2.2 Guidance for the lecturer/reader
2.2.1 Typical learning outcomes for an examination assessment .
2.2.2 Typical learning outcomes for an assignment/coursework . .
2.3 General format of prediction modelling 2.3.1 Notation for vectors of past and future values2.3.2 Format of general prediction equation
2.3.3 Double subscript notation for predictions
2.4 Prediction with state space models
2.4.1 Prediction by iterating the system model
2.4.2 Predictions in matrix notation
2.4.3 Unbiased prediction with state space models
2.4.4 The importance of unbiased prediction and deviation variables
2.4.5 State space predictions with deviation variables
2.4.6 Predictions with state space models and input increments .
2.5 Prediction with transfer function models --
matrix methods 2.5.1 Ensuring unbiased prediction with transfer function models2.5.2 Prediction for a CARIMA model with T(z) = 1: the SISO case
2.5.3 Prediction with a CARIMA model and T = 1: the MIMO case
2.5.4 Prediction equations with T(z) = 1: the SISO case
2.5.4.1 Summary of the key steps in computing prediction equations with a T-filter
2.5.4.2 Forming the prediction equations with a T-filter beginning from predictions (2.59)
2.6 Using recursion to find prediction matrices for CARIMA models .
2.7 Prediction with independent models
2.7.1 Structure of an independent model and predictions